Este documento presenta dos modelos matemáticos para optimizar la producción diaria de concentrados de plaquetas en un banco de sangre. Se describe el problema de gestionar el inventario de un producto perecedero como la sangre, teniendo en cuenta la demanda variable y las limitaciones de producción los fines de semana. A continuación, se detallan dos métodos para resolver este problema: un modelo de inventario con tiempo de entrega positivo y la programación dinámica estocástica.
REGIMEN MYPE TRIBUTARIO HECHO PARA APORTES PARA LA SUNAT
2019-TFG1 Modelos para la Gestión de Productos
1. Modelos matem´aticos para la gesti´on de
producci´on de productos perecederos.
Sara Coscolluela L´opez
Director: Dr. Francisco Javier L´opez Lorente
11 de diciembre de 2019
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 1 / 39
2. ´Indice
1 Introducci´on
2 Modelos matem´aticos de aprovisionamiento
Productos no perecederos
Productos perecederos y sus m´etodos de resoluci´on
3 Planteamiento del problema
4 Modelo de inventario perecedero con tiempo de entrega positivo
Art´ıculo de referencia
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
5 Programaci´on Din´amica Estoc´astica
Introducci´on
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
6 Conclusi´on
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 2 / 39
3. Introducci´on
´Indice
1 Introducci´on
2 Modelos matem´aticos de aprovisionamiento
Productos no perecederos
Productos perecederos y sus m´etodos de resoluci´on
3 Planteamiento del problema
4 Modelo de inventario perecedero con tiempo de entrega positivo
Art´ıculo de referencia
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
5 Programaci´on Din´amica Estoc´astica
Introducci´on
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
6 Conclusi´on
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 3 / 39
4. Introducci´on
Introducci´on
• Gesti´on de stocks de productos no perecederos.
- Soluciones ´optimas anal´ıticas en muchas situaciones.
• Gesti´on de stocks de productos perecederos.
- Mayor dificultad.
- Soluciones ´optimas solo en modelos sencillos.
• Objetivo de este trabajo:
• Estudiar e implementar dos m´etodos de resoluci´on de un problema par-
ticular de producto perecedero.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 4 / 39
5. Introducci´on
Introducci´on
• Gesti´on de stocks de productos no perecederos.
- Soluciones ´optimas anal´ıticas en muchas situaciones.
• Gesti´on de stocks de productos perecederos.
- Mayor dificultad.
- Soluciones ´optimas solo en modelos sencillos.
• Objetivo de este trabajo:
• Estudiar e implementar dos m´etodos de resoluci´on de un problema par-
ticular de producto perecedero.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 4 / 39
6. Introducci´on
Introducci´on
• Gesti´on de stocks de productos no perecederos.
- Soluciones ´optimas anal´ıticas en muchas situaciones.
• Gesti´on de stocks de productos perecederos.
- Mayor dificultad.
- Soluciones ´optimas solo en modelos sencillos.
• Objetivo de este trabajo:
• Estudiar e implementar dos m´etodos de resoluci´on de un problema par-
ticular de producto perecedero.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 4 / 39
7. Modelos matem´aticos de aprovisionamiento
´Indice
1 Introducci´on
2 Modelos matem´aticos de aprovisionamiento
Productos no perecederos
Productos perecederos y sus m´etodos de resoluci´on
3 Planteamiento del problema
4 Modelo de inventario perecedero con tiempo de entrega positivo
Art´ıculo de referencia
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
5 Programaci´on Din´amica Estoc´astica
Introducci´on
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
6 Conclusi´on
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 5 / 39
8. Modelos matem´aticos de aprovisionamiento Productos no perecederos
Productos no perecederos
• Objetivo: organizar los pedidos de un producto satisfaciendo las de-
mandas de los clientes y minimizando el coste (escasez, caducidad,
almacenamiento, . . . ).
• Modelos estoc´asticos
• Modelo de revisi´on continua (r, q).
• Modelo de revisi´on peri´odica (R, S).
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 6 / 39
9. Modelos matem´aticos de aprovisionamiento Productos no perecederos
Productos no perecederos
• Objetivo: organizar los pedidos de un producto satisfaciendo las de-
mandas de los clientes y minimizando el coste (escasez, caducidad,
almacenamiento, . . . ).
• Modelos estoc´asticos
• Modelo de revisi´on continua (r, q).
• Modelo de revisi´on peri´odica (R, S).
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 6 / 39
10. Modelos matem´aticos de aprovisionamiento Productos perecederos y sus m´etodos de resoluci´on
Productos perecederos y sus m´etodos de resoluci´on
• Complejidad en problemas de productos perecederos.
• M´etodos de resoluci´on
• Anal´ıtico.
• Simulaci´on de eventos discretos.
• Heur´ıstico.
• Programaci´on din´amica.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 7 / 39
11. Modelos matem´aticos de aprovisionamiento Productos perecederos y sus m´etodos de resoluci´on
Productos perecederos y sus m´etodos de resoluci´on
• Complejidad en problemas de productos perecederos.
• M´etodos de resoluci´on
• Anal´ıtico.
• Simulaci´on de eventos discretos.
• Heur´ıstico.
• Programaci´on din´amica.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 7 / 39
12. Modelos matem´aticos de aprovisionamiento Productos perecederos y sus m´etodos de resoluci´on
Productos perecederos y sus m´etodos de resoluci´on
• Complejidad en problemas de productos perecederos.
• M´etodos de resoluci´on
• Anal´ıtico.
• Simulaci´on de eventos discretos.
• Heur´ıstico.
• Programaci´on din´amica.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 7 / 39
13. Modelos matem´aticos de aprovisionamiento Productos perecederos y sus m´etodos de resoluci´on
Productos perecederos y sus m´etodos de resoluci´on
• Complejidad en problemas de productos perecederos.
• M´etodos de resoluci´on
• Anal´ıtico.
• Simulaci´on de eventos discretos.
• Heur´ıstico.
• Programaci´on din´amica.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 7 / 39
14. Modelos matem´aticos de aprovisionamiento Productos perecederos y sus m´etodos de resoluci´on
Productos perecederos y sus m´etodos de resoluci´on
• Complejidad en problemas de productos perecederos.
• M´etodos de resoluci´on
• Anal´ıtico.
• Simulaci´on de eventos discretos.
• Heur´ıstico.
• Programaci´on din´amica.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 7 / 39
15. Planteamiento del problema
´Indice
1 Introducci´on
2 Modelos matem´aticos de aprovisionamiento
Productos no perecederos
Productos perecederos y sus m´etodos de resoluci´on
3 Planteamiento del problema
4 Modelo de inventario perecedero con tiempo de entrega positivo
Art´ıculo de referencia
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
5 Programaci´on Din´amica Estoc´astica
Introducci´on
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
6 Conclusi´on
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 8 / 39
16. Planteamiento del problema
Planteamiento del problema
• Inter´es de estudio: la sangre. En particular, las plaquetas.
• Objetivo: optimizar la cantidad diaria de concentrados de plaquetas
a producir por un Banco de Sangre (Centro Vasco de Transfusi´on y
Tejidos Humanos (CVTTH)).
• Modelo
• Decisi´on tomada al inicio de la ma˜nana.
• Decisi´on del viernes llega el lunes.
• No hay producci´on ni s´abados ni domingos.
• Pol´ıtica FIFO.
• Distribuci´on demanda diaria (CVTTH) es una normal discretizada con
medias y desviaciones t´ıpicas las que se muestran en la siguiente tabla.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 9 / 39
17. Planteamiento del problema
Planteamiento del problema
• Inter´es de estudio: la sangre. En particular, las plaquetas.
• Objetivo: optimizar la cantidad diaria de concentrados de plaquetas
a producir por un Banco de Sangre (Centro Vasco de Transfusi´on y
Tejidos Humanos (CVTTH)).
• Modelo
• Decisi´on tomada al inicio de la ma˜nana.
• Decisi´on del viernes llega el lunes.
• No hay producci´on ni s´abados ni domingos.
• Pol´ıtica FIFO.
• Distribuci´on demanda diaria (CVTTH) es una normal discretizada con
medias y desviaciones t´ıpicas las que se muestran en la siguiente tabla.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 9 / 39
18. Planteamiento del problema
Planteamiento del problema
• Inter´es de estudio: la sangre. En particular, las plaquetas.
• Objetivo: optimizar la cantidad diaria de concentrados de plaquetas
a producir por un Banco de Sangre (Centro Vasco de Transfusi´on y
Tejidos Humanos (CVTTH)).
• Modelo
• Decisi´on tomada al inicio de la ma˜nana.
• Decisi´on del viernes llega el lunes.
• No hay producci´on ni s´abados ni domingos.
• Pol´ıtica FIFO.
• Distribuci´on demanda diaria (CVTTH) es una normal discretizada con
medias y desviaciones t´ıpicas las que se muestran en la siguiente tabla.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 9 / 39
19. Planteamiento del problema
Planteamiento del problema
• Inter´es de estudio: la sangre. En particular, las plaquetas.
• Objetivo: optimizar la cantidad diaria de concentrados de plaquetas
a producir por un Banco de Sangre (Centro Vasco de Transfusi´on y
Tejidos Humanos (CVTTH)).
• Modelo
• Decisi´on tomada al inicio de la ma˜nana.
• Decisi´on del viernes llega el lunes.
• No hay producci´on ni s´abados ni domingos.
• Pol´ıtica FIFO.
• Distribuci´on demanda diaria (CVTTH) es una normal discretizada con
medias y desviaciones t´ıpicas las que se muestran en la siguiente tabla.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 9 / 39
20. Planteamiento del problema
Planteamiento del problema
• Inter´es de estudio: la sangre. En particular, las plaquetas.
• Objetivo: optimizar la cantidad diaria de concentrados de plaquetas
a producir por un Banco de Sangre (Centro Vasco de Transfusi´on y
Tejidos Humanos (CVTTH)).
• Modelo
• Decisi´on tomada al inicio de la ma˜nana.
• Decisi´on del viernes llega el lunes.
• No hay producci´on ni s´abados ni domingos.
• Pol´ıtica FIFO.
• Distribuci´on demanda diaria (CVTTH) es una normal discretizada con
medias y desviaciones t´ıpicas las que se muestran en la siguiente tabla.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 9 / 39
21. Planteamiento del problema
Planteamiento del problema
• Inter´es de estudio: la sangre. En particular, las plaquetas.
• Objetivo: optimizar la cantidad diaria de concentrados de plaquetas
a producir por un Banco de Sangre (Centro Vasco de Transfusi´on y
Tejidos Humanos (CVTTH)).
• Modelo
• Decisi´on tomada al inicio de la ma˜nana.
• Decisi´on del viernes llega el lunes.
• No hay producci´on ni s´abados ni domingos.
• Pol´ıtica FIFO.
• Distribuci´on demanda diaria (CVTTH) es una normal discretizada con
medias y desviaciones t´ıpicas las que se muestran en la siguiente tabla.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 9 / 39
22. Planteamiento del problema
Planteamiento del problema
• Inter´es de estudio: la sangre. En particular, las plaquetas.
• Objetivo: optimizar la cantidad diaria de concentrados de plaquetas
a producir por un Banco de Sangre (Centro Vasco de Transfusi´on y
Tejidos Humanos (CVTTH)).
• Modelo
• Decisi´on tomada al inicio de la ma˜nana.
• Decisi´on del viernes llega el lunes.
• No hay producci´on ni s´abados ni domingos.
• Pol´ıtica FIFO.
• Distribuci´on demanda diaria (CVTTH) es una normal discretizada con
medias y desviaciones t´ıpicas las que se muestran en la siguiente tabla.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 9 / 39
23. Planteamiento del problema
Planteamiento del problema
• Inter´es de estudio: la sangre. En particular, las plaquetas.
• Objetivo: optimizar la cantidad diaria de concentrados de plaquetas
a producir por un Banco de Sangre (Centro Vasco de Transfusi´on y
Tejidos Humanos (CVTTH)).
• Modelo
• Decisi´on tomada al inicio de la ma˜nana.
• Decisi´on del viernes llega el lunes.
• No hay producci´on ni s´abados ni domingos.
• Pol´ıtica FIFO.
• Distribuci´on demanda diaria (CVTTH) es una normal discretizada con
medias y desviaciones t´ıpicas las que se muestran en la siguiente tabla.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 9 / 39
24. Planteamiento del problema
Lunes Martes Mi´ercoles Jueves
Media µ 27,75 23,71 24,57 22,16
Desv. t´ıpica σ 6,85 5,65 7,86 6,90
Viernes S´abado Domingo
Media µ 29,39 13,29 11,82
Desv. t´ıpica σ 7,81 4,89 4,38
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 10 / 39
25. Planteamiento del problema
• Modelo
• Escasez demanda.
• Caducidad.
• Almacenamiento.
• Costes unitarios
COSTES (por unidad)
Almacenamiento, h 2 e/d´ıa
Escasez, p 5000 e
Caducidad, θ 400 e
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 11 / 39
26. Planteamiento del problema
• Modelo
• Escasez demanda.
• Caducidad.
• Almacenamiento.
• Costes unitarios
COSTES (por unidad)
Almacenamiento, h 2 e/d´ıa
Escasez, p 5000 e
Caducidad, θ 400 e
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 11 / 39
27. Modelo de inventario perecedero con tiempo de entrega positivo
´Indice
1 Introducci´on
2 Modelos matem´aticos de aprovisionamiento
Productos no perecederos
Productos perecederos y sus m´etodos de resoluci´on
3 Planteamiento del problema
4 Modelo de inventario perecedero con tiempo de entrega positivo
Art´ıculo de referencia
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
5 Programaci´on Din´amica Estoc´astica
Introducci´on
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
6 Conclusi´on
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 12 / 39
28. Modelo de inventario perecedero con tiempo de entrega positivo Art´ıculo de referencia
Art´ıculo de referencia
B. E. Patuwo y C. L. Williams, A perishable inventory model with
positive order lead times, European Journal of Operational Research 116,
1999, 352-373.
i. Trata las ecuaciones necesarias para determinar una pol´ıtica ´optima de
revisi´on peri´odica de un producto con tiempo de vida de 2 periodos.
ii. Resoluci´on
• Objetivo:
E[TCk ] = c · yk + h · E[X1
k+1] + p · E[Sk ] + θ · E[Ok+1
k ] (1)
• donde
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 13 / 39
29. Modelo de inventario perecedero con tiempo de entrega positivo Art´ıculo de referencia
Art´ıculo de referencia
B. E. Patuwo y C. L. Williams, A perishable inventory model with
positive order lead times, European Journal of Operational Research 116,
1999, 352-373.
i. Trata las ecuaciones necesarias para determinar una pol´ıtica ´optima de
revisi´on peri´odica de un producto con tiempo de vida de 2 periodos.
ii. Resoluci´on
• Objetivo:
E[TCk ] = c · yk + h · E[X1
k+1] + p · E[Sk ] + θ · E[Ok+1
k ] (1)
• donde
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 13 / 39
30. Modelo de inventario perecedero con tiempo de entrega positivo Art´ıculo de referencia
Art´ıculo de referencia
B. E. Patuwo y C. L. Williams, A perishable inventory model with
positive order lead times, European Journal of Operational Research 116,
1999, 352-373.
i. Trata las ecuaciones necesarias para determinar una pol´ıtica ´optima de
revisi´on peri´odica de un producto con tiempo de vida de 2 periodos.
ii. Resoluci´on
• Objetivo:
E[TCk ] = c · yk + h · E[X1
k+1] + p · E[Sk ] + θ · E[Ok+1
k ] (1)
• donde
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 13 / 39
31. Modelo de inventario perecedero con tiempo de entrega positivo Art´ıculo de referencia
Art´ıculo de referencia
B. E. Patuwo y C. L. Williams, A perishable inventory model with
positive order lead times, European Journal of Operational Research 116,
1999, 352-373.
i. Trata las ecuaciones necesarias para determinar una pol´ıtica ´optima de
revisi´on peri´odica de un producto con tiempo de vida de 2 periodos.
ii. Resoluci´on
• Objetivo:
E[TCk ] = c · yk + h · E[X1
k+1] + p · E[Sk ] + θ · E[Ok+1
k ] (1)
• donde
X1
k+1 = [yk − (Dk − X1
k )+
]+
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 13 / 39
32. Modelo de inventario perecedero con tiempo de entrega positivo Art´ıculo de referencia
Art´ıculo de referencia
B. E. Patuwo y C. L. Williams, A perishable inventory model with
positive order lead times, European Journal of Operational Research 116,
1999, 352-373.
i. Trata las ecuaciones necesarias para determinar una pol´ıtica ´optima de
revisi´on peri´odica de un producto con tiempo de vida de 2 periodos.
ii. Resoluci´on
• Objetivo:
E[TCk ] = c · yk + h · E[X1
k+1] + p · E[Sk ] + θ · E[Ok+1
k ] (1)
• donde
Sk = [Dk − yk − X1
k ]+
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 13 / 39
33. Modelo de inventario perecedero con tiempo de entrega positivo Art´ıculo de referencia
Art´ıculo de referencia
B. E. Patuwo y C. L. Williams, A perishable inventory model with
positive order lead times, European Journal of Operational Research 116,
1999, 352-373.
i. Trata las ecuaciones necesarias para determinar una pol´ıtica ´optima de
revisi´on peri´odica de un producto con tiempo de vida de 2 periodos.
ii. Resoluci´on
• Objetivo:
E[TCk ] = c · yk + h · E[X1
k+1] + p · E[Sk ] + θ · E[Ok+1
k ] (1)
• donde
Ok+1
K = [yk − Dk+1 − (Dk − X1
k )+
]+
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 13 / 39
34. Modelo de inventario perecedero con tiempo de entrega positivo Art´ıculo de referencia
Debido a la complejidad de la funci´on objetivo, recurren a la funci´on de
densidad de X1
k , k = 1, 2, . . . , mediante el siguiente resultado.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 14 / 39
35. Modelo de inventario perecedero con tiempo de entrega positivo Art´ıculo de referencia
Teorema
La funci´on de densidad para el inventario inicial, X1
t para t = 1, 2, 3, . . . ,
est´a dada por
• Para t = 1,
f1(x1
1 ) =
1 − G0(X1
0 + y0) si x1
1 = 0,
g0(X1
0 + y0 − x1
1 ) si 0 ≤ x1
1 ≤ X1
0 + y0,
0 en otro caso.
• Para t = 2, 3, 4, . . . ,
ft(x1
t ) =
[1 − Gt−1(yt−1)] · ft−1(0) +
yt−2
x1
t−1=0
[1 − Gt−1(yt−1 + x1
t−1)] · f
gt−1(yt−1 − x1
t ) · ft−1(0) +
yt−2
x1
t−1=0
[gt−1(yt−1 + x1
t−1 − xt1)] ·
0
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 15 / 39
36. Modelo de inventario perecedero con tiempo de entrega positivo Art´ıculo de referencia
Pasos a seguir:
1 Expresar E[X1
k+1], E[Sk] y E[Ok+1
k ] en t´erminos de funciones de
densidad, sustituir en
E[TCk] = c · yk + h · E[X1
k+1] + p · E[Sk] + θ · E[Ok+1
k ]
y se obtiene una compleja expresi´on donde se deben hacer integrales
en R3.
2 Derivar e igualar a cero.
3 Aplicar un m´etodo num´erico para determinar yk ´optima (N-R).
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 16 / 39
37. Modelo de inventario perecedero con tiempo de entrega positivo Problema de producci´on de concentrados de plaquetas
Problema de producci´on de concentrados de plaquetas
• Costes definidos anteriormente.
• D´ıas de la semana representados por sus iniciales.
• Inventario inicial total: X1
k , . . . , X4
k .
• Cantidad de pedido yk, ser´a usada para satisfacer demandas que
comienzan en el d´ıa k y terminan en el k + 4 inclusive.
• Funci´on a optimizar.
Lunes:
E[TCM] = h · E[X4
X + X3
J + X2
V + X1
S ] + p · E[SM] + θ · E[OS
M]
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 17 / 39
38. Modelo de inventario perecedero con tiempo de entrega positivo Problema de producci´on de concentrados de plaquetas
Problema de producci´on de concentrados de plaquetas
• Costes definidos anteriormente.
• D´ıas de la semana representados por sus iniciales.
• Inventario inicial total: X1
k , . . . , X4
k .
• Cantidad de pedido yk, ser´a usada para satisfacer demandas que
comienzan en el d´ıa k y terminan en el k + 4 inclusive.
• Funci´on a optimizar.
Lunes:
E[TCM] = h · E[X4
X + X3
J + X2
V + X1
S ] + p · E[SM] + θ · E[OS
M]
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 17 / 39
39. Modelo de inventario perecedero con tiempo de entrega positivo Problema de producci´on de concentrados de plaquetas
E[TCM] = h · E[X4
X + X3
J + X2
V + X1
S ] + p · E[SM] + θ · E[OS
M]
• Inventario inicial
X1
M =
X2
L si X1
L ≥ DL,
X2
L − [DL − X1
L ] si X1
L < DL < X1
L + X2
L ,
0 en otro caso.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 18 / 39
40. Modelo de inventario perecedero con tiempo de entrega positivo Problema de producci´on de concentrados de plaquetas
E[TCM] = h · E[X4
X + X3
J + X2
V + X1
S ] + p · E[SM] + θ · E[OS
M]
• Escasez de inventario
Sk+1 =
Dk+1 − yk+1 − Xk si Dk+1 > yk+1 + Xk
0 en otro caso
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 18 / 39
41. Modelo de inventario perecedero con tiempo de entrega positivo Problema de producci´on de concentrados de plaquetas
E[TCM] = h · E[X4
X + X3
J + X2
V + X1
S ] + p · E[SM] + θ · E[OS
M]
• Caducidad
Ok+5
k+1 = [X1
k+5 − Dk+5]+
A continuaci´on, se hallan las ecuaciones recursivas para todos los d´ıas
posibles de vida ´utiles.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 18 / 39
42. Modelo de inventario perecedero con tiempo de entrega positivo Problema de producci´on de concentrados de plaquetas
◦ Lunes:
yM
X4
X = [yM − [DM − [(X2
L − [DL − X1
L ]+
)+
+ (yL − [DL − (X1
L + X2
L )]+
)+
]]+
]+
X3
J = [X4
X − [DX − [X2
M − [DM − X1
M ]+
]+
]+
]+
= [(yM − [DM − [(X2
L − [DL − X1
L ]+
)+
+ (yL − [DL − (X1
L + X2
L )]+
)+
]]+
)+
− [DX − ([yL − [DL − (X1
L + X2
L )]+
]+
− [DM − [X2
L − [DL − X1
L ]+
]+
]+
)]+
]+
X2
V = [[(yM − [DM − [(X2
L − [DL − X1
L ]+
)+
+ (yL − [DL − (X1
L + X2
L )]+
)+
]]+
)+
− [DX − ([yL − [DL − (X1
L + X2
L )]+
]+
− [DM − [X2
L − [DL − X1
L ]+
]+
]+
)]+
]+
− DJ ]+
X1
S = [([(yM − [DM − [(X2
L − [DL − X1
L ]+
)+
+ (yL − [DL − (X1
L + X2
L )]+
)+
]]+
)+
− [DX − ([yL − [DL − (X1
L + X2
L )]+
]+
− [DM − [X2
L − [DL − X1
L ]+
]+
]+
)]+
]+
− DJ )+
− DV ]+
as´ı:
OS
M = [[([(yM − [DM − [(X2
L − [DL − X1
L ]+
)+
+ (yL − [DL − (X1
L + X2
L )]+
)+
]]+
)+
− [DX − ([yL − [DL − (X1
L + X2
L )]+
]+
− [DM − [X2
L − [DL − X1
L ]+
]+
]+
)]+
]+
− DJ )+
− DV ]+
− DS ]+
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 19 / 39
43. Modelo de inventario perecedero con tiempo de entrega positivo Problema de producci´on de concentrados de plaquetas
Una vez vista la complejidad de resolver anal´ıticamente este problema,
¿qu´e podemos hacer para hallar la decisi´on ´optima yM?
Dado que yM es discreto, evaluar E[TCM] para cada valor de yM.
¿C´omo?
1 Recorrer todos los posibles valores de DL, . . . , DS .
2 Calcular el valor de la funci´on TCM para esos valores de las demandas.
3 Multiplicar por las probabilidades de dichas demandas y sumar.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 20 / 39
44. Modelo de inventario perecedero con tiempo de entrega positivo Problema de producci´on de concentrados de plaquetas
Una vez vista la complejidad de resolver anal´ıticamente este problema,
¿qu´e podemos hacer para hallar la decisi´on ´optima yM?
Dado que yM es discreto, evaluar E[TCM] para cada valor de yM.
¿C´omo?
1 Recorrer todos los posibles valores de DL, . . . , DS .
2 Calcular el valor de la funci´on TCM para esos valores de las demandas.
3 Multiplicar por las probabilidades de dichas demandas y sumar.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 20 / 39
45. Modelo de inventario perecedero con tiempo de entrega positivo Problema de producci´on de concentrados de plaquetas
Una vez vista la complejidad de resolver anal´ıticamente este problema,
¿qu´e podemos hacer para hallar la decisi´on ´optima yM?
Dado que yM es discreto, evaluar E[TCM] para cada valor de yM.
¿C´omo?
1 Recorrer todos los posibles valores de DL, . . . , DS .
2 Calcular el valor de la funci´on TCM para esos valores de las demandas.
3 Multiplicar por las probabilidades de dichas demandas y sumar.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 20 / 39
46. Modelo de inventario perecedero con tiempo de entrega positivo Problema de producci´on de concentrados de plaquetas
Una vez vista la complejidad de resolver anal´ıticamente este problema,
¿qu´e podemos hacer para hallar la decisi´on ´optima yM?
Dado que yM es discreto, evaluar E[TCM] para cada valor de yM.
¿C´omo?
1 Recorrer todos los posibles valores de DL, . . . , DS .
2 Calcular el valor de la funci´on TCM para esos valores de las demandas.
3 Multiplicar por las probabilidades de dichas demandas y sumar.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 20 / 39
47. Modelo de inventario perecedero con tiempo de entrega positivo Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 2 en 2.
• L´ımite de producci´on diaria: 60 u.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 21 / 39
48. Modelo de inventario perecedero con tiempo de entrega positivo Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 2 en 2.
• L´ımite de producci´on diaria: 60 u.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 21 / 39
49. Modelo de inventario perecedero con tiempo de entrega positivo Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 2 en 2.
• L´ımite de producci´on diaria: 60 u.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 21 / 39
50. Modelo de inventario perecedero con tiempo de entrega positivo Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 2 en 2.
• L´ımite de producci´on diaria: 60 u.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 21 / 39
51. Modelo de inventario perecedero con tiempo de entrega positivo Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 2 en 2.
• L´ımite de producci´on diaria: 60 u.
Veamos un ejemplo de lo obtenido al ejecutar el programa.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 21 / 39
52. Modelo de inventario perecedero con tiempo de entrega positivo Resultados experimentales
Figura: Decisi´on ´optima de los martes en funci´on de las u. en stock.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 22 / 39
53. Programaci´on Din´amica Estoc´astica
´Indice
1 Introducci´on
2 Modelos matem´aticos de aprovisionamiento
Productos no perecederos
Productos perecederos y sus m´etodos de resoluci´on
3 Planteamiento del problema
4 Modelo de inventario perecedero con tiempo de entrega positivo
Art´ıculo de referencia
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
5 Programaci´on Din´amica Estoc´astica
Introducci´on
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
6 Conclusi´on
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 23 / 39
54. Programaci´on Din´amica Estoc´astica Introducci´on
Programaci´on Din´amica Estoc´astica
• La programaci´on din´amica ofrece un procedimiento met´odico para
determinar la combinaci´on de decisiones que minimiza el coste total
en problemas en los que ha de tomarse un conjunto de decisiones
secuencialmente.
• El decisor trata de identificar una sucesi´on de decisiones, llamada
pol´ıtica, que optimiza el comportamiento del sistema a lo largo de su
horizonte finito de planificaci´on (N=6).
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 24 / 39
55. Programaci´on Din´amica Estoc´astica Introducci´on
Programaci´on Din´amica Estoc´astica
• La programaci´on din´amica ofrece un procedimiento met´odico para
determinar la combinaci´on de decisiones que minimiza el coste total
en problemas en los que ha de tomarse un conjunto de decisiones
secuencialmente.
• El decisor trata de identificar una sucesi´on de decisiones, llamada
pol´ıtica, que optimiza el comportamiento del sistema a lo largo de su
horizonte finito de planificaci´on (N=6).
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 24 / 39
56. Programaci´on Din´amica Estoc´astica Introducci´on
Aspectos a tener en cuenta:
• Una etapa es cada periodo en que se divide el problema (tomar una
decisi´on por etapa).
• Un estado es toda la informaci´on necesaria en cualquier etapa para
poder tomar una decisi´on ´optima.
• La decisi´on tomada en cualquier etapa describe c´omo se transforma el
estado de la etapa actual en el estado de la siguiente etapa.
• Cuando se toma una decisi´on se obtiene un pago que depende del
estado en el que estaba el sistema, la decisi´on tomada y de la
aleatoriedad.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 25 / 39
57. Programaci´on Din´amica Estoc´astica Introducci´on
Aspectos a tener en cuenta:
• Una etapa es cada periodo en que se divide el problema (tomar una
decisi´on por etapa).
• Un estado es toda la informaci´on necesaria en cualquier etapa para
poder tomar una decisi´on ´optima.
• La decisi´on tomada en cualquier etapa describe c´omo se transforma el
estado de la etapa actual en el estado de la siguiente etapa.
• Cuando se toma una decisi´on se obtiene un pago que depende del
estado en el que estaba el sistema, la decisi´on tomada y de la
aleatoriedad.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 25 / 39
58. Programaci´on Din´amica Estoc´astica Introducci´on
Aspectos a tener en cuenta:
• Una etapa es cada periodo en que se divide el problema (tomar una
decisi´on por etapa).
• Un estado es toda la informaci´on necesaria en cualquier etapa para
poder tomar una decisi´on ´optima.
• La decisi´on tomada en cualquier etapa describe c´omo se transforma el
estado de la etapa actual en el estado de la siguiente etapa.
• Cuando se toma una decisi´on se obtiene un pago que depende del
estado en el que estaba el sistema, la decisi´on tomada y de la
aleatoriedad.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 25 / 39
59. Programaci´on Din´amica Estoc´astica Introducci´on
Aspectos a tener en cuenta:
• Una etapa es cada periodo en que se divide el problema (tomar una
decisi´on por etapa).
• Un estado es toda la informaci´on necesaria en cualquier etapa para
poder tomar una decisi´on ´optima.
• La decisi´on tomada en cualquier etapa describe c´omo se transforma el
estado de la etapa actual en el estado de la siguiente etapa.
• Cuando se toma una decisi´on se obtiene un pago que depende del
estado en el que estaba el sistema, la decisi´on tomada y de la
aleatoriedad.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 25 / 39
60. Programaci´on Din´amica Estoc´astica Problema de producci´on de concentrados de plaquetas
Problema de producci´on de concentrados de plaquetas
Con la notaci´on empleada en el TFG se tiene, para nuestro problema de
producci´on de concentrados de plaquetas, lo siguiente:
• Estados:
Xk = [X1
k , X2
k , X3
k , X4
k , X5
k , ¯Xk]
Necesidad de crear la ´ultima componente del vector.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 26 / 39
61. Programaci´on Din´amica Estoc´astica Problema de producci´on de concentrados de plaquetas
Problema de producci´on de concentrados de plaquetas
Con la notaci´on empleada en el TFG se tiene, para nuestro problema de
producci´on de concentrados de plaquetas, lo siguiente:
• Estados:
Xk = [X1
k , X2
k , X3
k , X4
k , X5
k , ¯Xk]
Necesidad de crear la ´ultima componente del vector.
• Funciones de transferencia (las mismas que las de inventario en la
anterior secci´on).
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 26 / 39
62. Programaci´on Din´amica Estoc´astica Problema de producci´on de concentrados de plaquetas
Problema de producci´on de concentrados de plaquetas
Con la notaci´on empleada en el TFG se tiene, para nuestro problema de
producci´on de concentrados de plaquetas, lo siguiente:
• Estados:
Xk = [X1
k , X2
k , X3
k , X4
k , X5
k , ¯Xk]
Necesidad de crear la ´ultima componente del vector.
• Funci´on escasez de inventario:
Sk =
Dk − yk − ˙Xk si Dk > yk + ˙Xk
0 en otro caso
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 26 / 39
63. Programaci´on Din´amica Estoc´astica Problema de producci´on de concentrados de plaquetas
Problema de producci´on de concentrados de plaquetas
Con la notaci´on empleada en el TFG se tiene, para nuestro problema de
producci´on de concentrados de plaquetas, lo siguiente:
• Estados:
Xk = [X1
k , X2
k , X3
k , X4
k , X5
k , ¯Xk]
Necesidad de crear la ´ultima componente del vector.
• Funci´on de caducidad:
Ok = [X1
k − Dk]+
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 26 / 39
64. Programaci´on Din´amica Estoc´astica Problema de producci´on de concentrados de plaquetas
Funci´on coste:
• Coste de cada etapa depende del estado en que nos encontramos y de
la decisi´on tomada.
• Los costes se incluyen en d´ıas distintos respecto al problema resuelto
anal´ıticamente.
• Funci´on pago terminal:
gN(XN) = 0, ∀ XN
• Pago en cada etapa:
gk(Xk, yk, Dk) = h ·
4
r=1
Xr
k + p · Sk + θ · Ok
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 27 / 39
65. Programaci´on Din´amica Estoc´astica Problema de producci´on de concentrados de plaquetas
Funci´on coste:
• Coste de cada etapa depende del estado en que nos encontramos y de
la decisi´on tomada.
• Los costes se incluyen en d´ıas distintos respecto al problema resuelto
anal´ıticamente.
• Funci´on pago terminal:
gN(XN) = 0, ∀ XN
• Pago en cada etapa:
gk(Xk, yk, Dk) = h ·
4
r=1
Xr
k + p · Sk + θ · Ok
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 27 / 39
66. Programaci´on Din´amica Estoc´astica Problema de producci´on de concentrados de plaquetas
Funci´on coste:
• Coste de cada etapa depende del estado en que nos encontramos y de
la decisi´on tomada.
• Los costes se incluyen en d´ıas distintos respecto al problema resuelto
anal´ıticamente.
• Funci´on pago terminal:
gN(XN) = 0, ∀ XN
• Pago en cada etapa:
gk(Xk, yk, Dk) = h ·
4
r=1
Xr
k + p · Sk + θ · Ok
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 27 / 39
67. Programaci´on Din´amica Estoc´astica Problema de producci´on de concentrados de plaquetas
Funci´on objetivo:
m´ın
{y0,··· ,yN−1}
E{D0,··· ,DN−1} gN(XN) +
N−1
k=0
gk(Xk, yk, Dk) .
El valor ´optimo de la funci´on objetivo obtenida en el ´ultimo paso del algo-
ritmo ser´a:
J∗
(X0) = J0(X0)
donde
J0(X0) = m´ın
y0
ED0 {g0(X0, y0, D0) + J1[f0(X0, y0, D0)]}.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 28 / 39
68. Programaci´on Din´amica Estoc´astica Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 1 en 1.
• L´ımite de producci´on diaria: 60 u.
• L´ımite almacenamiento: 120 u. (si suma stock mayor que 120,
desechar u. m´as viejas).
• Agrupaci´on de estados debido al gran coste computacional.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 29 / 39
69. Programaci´on Din´amica Estoc´astica Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 1 en 1.
• L´ımite de producci´on diaria: 60 u.
• L´ımite almacenamiento: 120 u. (si suma stock mayor que 120,
desechar u. m´as viejas).
• Agrupaci´on de estados debido al gran coste computacional.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 29 / 39
70. Programaci´on Din´amica Estoc´astica Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 1 en 1.
• L´ımite de producci´on diaria: 60 u.
• L´ımite almacenamiento: 120 u. (si suma stock mayor que 120,
desechar u. m´as viejas).
• Agrupaci´on de estados debido al gran coste computacional.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 29 / 39
71. Programaci´on Din´amica Estoc´astica Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 1 en 1.
• L´ımite de producci´on diaria: 60 u.
• L´ımite almacenamiento: 120 u. (si suma stock mayor que 120,
desechar u. m´as viejas).
• Agrupaci´on de estados debido al gran coste computacional.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 29 / 39
72. Programaci´on Din´amica Estoc´astica Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 1 en 1.
• L´ımite de producci´on diaria: 60 u.
• L´ımite almacenamiento: 120 u. (si suma stock mayor que 120,
desechar u. m´as viejas).
• Agrupaci´on de estados debido al gran coste computacional.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 29 / 39
73. Programaci´on Din´amica Estoc´astica Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 1 en 1.
• L´ımite de producci´on diaria: 60 u.
• L´ımite almacenamiento: 120 u. (si suma stock mayor que 120,
desechar u. m´as viejas).
• Agrupaci´on de estados debido al gran coste computacional.
“Down-sizing”
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 29 / 39
74. Programaci´on Din´amica Estoc´astica Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 1 en 1.
• L´ımite de producci´on diaria: 60 u.
• L´ımite almacenamiento: 120 u. (si suma stock mayor que 120,
desechar u. m´as viejas).
• Agrupaci´on de estados debido al gran coste computacional.
Por lotes.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 29 / 39
75. Programaci´on Din´amica Estoc´astica Resultados experimentales
Resultados experimentales
Programaci´on en C del algoritmo que halla la decisi´on ´optima de unidades
a producir dependiendo del stock inicial y del d´ıa de la semana.
• Vectores de probabilidades (seg´un d´ıa semana).
• M´ınimo y m´aximo para las demandas (µ − 2. 5σ, µ + 4σ).
• Recorrer demandas y decisiones de 1 en 1.
• L´ımite de producci´on diaria: 60 u.
• L´ımite almacenamiento: 120 u. (si suma stock mayor que 120,
desechar u. m´as viejas).
• Agrupaci´on de estados debido al gran coste computacional.
Agrupaci´on en funci´on de si la componente est´a m´as o menos alejada
de la decisi´on actual.
Xk = [X1
k , X2
k , X3
k , X4
k , X5
k , ¯Xk]
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 29 / 39
76. Programaci´on Din´amica Estoc´astica Resultados experimentales
A pesar de esta agrupaci´on de estados, se tiene:
• Lunes: 8489 estados.
• Martes: 48373 estados.
• Mi´ercoles: 26047 estados.
• Jueves: 5551 estados.
• Viernes: 59780 estados.
• S´abado: 2224670 estados.
• Domingo: 517829 estados.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 30 / 39
77. Programaci´on Din´amica Estoc´astica Resultados experimentales
A pesar de esta agrupaci´on de estados, se tiene:
• Lunes: 8489 estados.
• Martes: 48373 estados.
• Mi´ercoles: 26047 estados.
• Jueves: 5551 estados.
• Viernes: 59780 estados.
• S´abado: 2224670 estados.
• Domingo: 517829 estados.
Necesidad de utilizar el m´etodo de bisecci´on.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 30 / 39
78. Programaci´on Din´amica Estoc´astica Resultados experimentales
A pesar de esta agrupaci´on de estados, se tiene:
• Lunes: 8489 estados.
• Martes: 48373 estados.
• Mi´ercoles: 26047 estados.
• Jueves: 5551 estados.
• Viernes: 59780 estados.
• S´abado: 2224670 estados.
• Domingo: 517829 estados.
Veamos un ejemplo de lo obtenido al ejecutar el programa.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 30 / 39
79. Programaci´on Din´amica Estoc´astica Resultados experimentales
Figura: Decisi´on ´optima de los martes en funci´on de las u. en stock.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 31 / 39
80. Conclusi´on
´Indice
1 Introducci´on
2 Modelos matem´aticos de aprovisionamiento
Productos no perecederos
Productos perecederos y sus m´etodos de resoluci´on
3 Planteamiento del problema
4 Modelo de inventario perecedero con tiempo de entrega positivo
Art´ıculo de referencia
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
5 Programaci´on Din´amica Estoc´astica
Introducci´on
Problema de producci´on de concentrados de plaquetas
Resultados experimentales
6 Conclusi´on
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 32 / 39
81. Conclusi´on
Conclusi´on
Debido a que los costes est´an impl´ıcitamente involucrados al resolver el
problema, se ha creado una simulaci´on para cada m´etodo, obteniendo:
Caducidad Escasez Almacenam. Coste promedio
PW 80,00 u. 0,00 u. 42,05 u. 62700,00 e
PD 746,02 u. 0,02 u. 61,03 u. 343057,50 e
VS k = 2,5 71,24 u. 7,81 u. 36,48 u. 94181,09 e
VS k = 3 149,51 u. 2,37 u. 41,94 u. 102292,55 e
VS k = 3,5 252,85 u. 1,25 u. 46,37 u. 141246,35 e
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 33 / 39
82. Conclusi´on
Veamos el coste computacional que supone esta simulaci´on de un a˜no.
Inicializaci´on Coste por a˜no
PW 23 s 16 h 20 min
PD 6h 27 min 2 min 9 s
VS k = 2,5 6,77 s 27,38 s
VS k = 3 4,32 s 27,48 s
VS k = 3,5 8,29 s 33,07 s
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 34 / 39
83. Conclusi´on
Conclusi´on
Diferencias entre los dos m´etodos de resoluci´on del problema:
• Planteamiento de la optimizaci´on y funci´on objetivo a resolver.
• Resoluci´on anal´ıtica =⇒ “miope”.
Programaci´on din´amica =⇒ visi´on global del sistema.
• Composici´on del stock.
• Decisi´on ´optima mayor en art´ıculo (debido al horizonte de
planificaci´on de P.D.).
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 35 / 39
84. Conclusi´on
Conclusi´on
Diferencias entre los dos m´etodos de resoluci´on del problema:
• Planteamiento de la optimizaci´on y funci´on objetivo a resolver.
• Resoluci´on anal´ıtica =⇒ “miope”.
Programaci´on din´amica =⇒ visi´on global del sistema.
• Composici´on del stock.
• Decisi´on ´optima mayor en art´ıculo (debido al horizonte de
planificaci´on de P.D.).
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 35 / 39
85. Conclusi´on
Conclusi´on
Diferencias entre los dos m´etodos de resoluci´on del problema:
• Planteamiento de la optimizaci´on y funci´on objetivo a resolver.
• Resoluci´on anal´ıtica =⇒ “miope”.
Programaci´on din´amica =⇒ visi´on global del sistema.
• Composici´on del stock.
• Decisi´on ´optima mayor en art´ıculo (debido al horizonte de
planificaci´on de P.D.).
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 35 / 39
86. Conclusi´on
Conclusi´on
Diferencias entre los dos m´etodos de resoluci´on del problema:
• Planteamiento de la optimizaci´on y funci´on objetivo a resolver.
• Resoluci´on anal´ıtica =⇒ “miope”.
Programaci´on din´amica =⇒ visi´on global del sistema.
• Composici´on del stock.
• Decisi´on ´optima mayor en art´ıculo (debido al horizonte de
planificaci´on de P.D.).
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 35 / 39
87. Conclusi´on
Bibliograf´ıa
• C. Eguizabal, C. Gorria, M. Lezaun, F. J. L´opez,
J. Monge, M. ´A. P´erez Vaquero y M.A. Vesga, Optimization
of the management of platelet concentrate stocks in the Basque
Country using mathematical simulation, The International Journal of
Transfusion Medicine, International Society of Blood Transfusion, Vox
Sanguinis 110, 2016, 369-375.
• S. Nahmias, Perishable Inventory Theory: A Review, The University
of Santa Clara, Santa Clara, California, 1982, 680-708.
• B. E. Patuwo y C. L. Williams, A perishable inventory model
with positive order lead times, European Journal of Operational
Research 116, 1999, 352-373.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 36 / 39
88. Conclusi´on
Gracias por su atenci´on.
Sara Coscolluela L´opez Modelos matem´aticos para la producci´on de productos perecederos11 de diciembre de 2019 37 / 39
89.
90. Veamos el coste computacional que supone la simulaci´on de mil a˜nos.
Coste computacional
PW 5 min + 16 h 15 min
PD 1 h 50 min + 4h 37 min + 36 h 27 min
VS k = 2,5 6,77 s + 27,38 s + 1 h 29 min
VS k = 3 4,32 s + 27,48 s + 1 h 27 min
VS k = 3,5 8,29 s + 33,07 s + 1 h 43 min