Aplicaciones y las perspectivas de la Investigación de Operaciones Tendencias

Las nuevas tendencias mundiales de orden tecnológico, económico, ambiental y social

requieren técnicas y herramientas flexibles que permitan tomar decisiones estratégicas,
tácticas y operativas en las organizaciones, por lo cual el uso de herramientas cuantitativas
para la toma de decisiones ha sufrido cambios que permiten mejorar el proceso matemático,
dando origen a nuevas tendencias y desarrollo de técnicas para resolver problemas
particulares, que van más allá de la toma de decisiones en entornos complejos y de
incertidumbre.

De lo anterior se puede concluir que las nuevas tendencias globales, han potenciado el valor
de las técnicas clásicas de la Investigación de operaciones que, desde su origen, han servido
como herramienta para la toma de decisiones, contribuyendo en la optimización de recursos, y
considerando la difusión que ha tenido la IO en los últimos años como una técnica para
resolver problemas de forma cuantitativa, se han desarrollado nuevas técnicas de aplicación
de esta rama del conocimiento.

El desarrollo tecnológico y computacional ha permitido que la Investigación de Operaciones

incluya de manera integral estos avances, de tal forma que nuevos algoritmos son diseñados
teniendo en cuenta el uso de estas herramientas, considerando la capacidad de
almacenamiento y procesamiento. Herramientas informáticas son empleadas para reducir el
tiempo de cálculo y facilitar su aplicación. Esta tendencia crece vigorosamente, convirtiendo a
la Investigación de Operaciones en un punto que permite resolver problemas cada vez más
complejos.

Los algoritmos están siendo mucho mejores cada día pues permiten un mayor manejo de
variables y restricciones. Ejemplo de ello es CPLEX Optimizer el cual es un solucionador
mediante programación matemática de alto rendimiento para problemas de programación
lineal, programación entera mixta y programación cuadrática. Permite modelar problemas
empresariales de forma matemática y solucionarlos con algoritmos de IBM ILOG CPLEX
Optimizer que permiten obtener decisiones lógicas y precisas.

En el pasado solo las grandes compañías podían tener grandes proyectos, pero actualmente en
cualquier lugar se pueden llevar a cabo puesto que hay mucho mayor accesibilidad a software
especializado (por ejemplo Solver en Excel). Entre las tendencias actuales de la Investigación
de Operaciones como herramienta para la solución de problemas y toma de decisiones se
encuentran:
Herramientas Heurísticas La palabra “heurística” proviene de la palabra griega “ heuriskein”
que significa “descubrir” . Este concepto representa procedimientos simples basados en el
sentido común, para obtener una buena solución, aunque no necesariamente la mejor de un
problema planteado, cuya solución por medio de métodos exactos resulta compleja. Una
característica de las técnicas heurísticas es que encuentra soluciones factibles a problemas
complejos de una forma sencilla y rápida.

En la Investigación de Operaciones, las técnicas heurísticas están conformadas por una o un

conjunto de reglas que brindan soluciones factibles del problema de estudio. Estas técnicas se
pueden utilizar cuando:

1. Cuando no se conoce un método exacto para resolver el problema de estudio.

2. Cuando, aunque exista un método exacto de solución, éste resulta muy costoso.

3. Cuando existen condiciones cuya modelación resulta muy compleja.

4. Cuando se tiene que resolver un mismo problema varias veces con distintos valores en las
variables.

5. Cuando se desea aumentar la eficiencia de un procedimiento exacto, ya que pueden

proporcionar una solución inicial previo a aplicar un método exacto.

-Técnicas Metaheurísticas Los métodos metaheurísticos son técnicas inteligentes que sirven
para mejorar o diseñar métodos heurísticos. Una definición de metaheurísticos descrita por
Osman y Kelly es la siguiente: “Los procedimientos metaheurísticos son una clase de métodos
aproximados que están diseñados para resolver problemas de mayor complejidad, en los que
los heurísticos clásicos no son efectivos. Los metaheurísticos proporcionan un marco general
para crear nuevos algoritmos híbridos combinando diferentes conceptos derivados de los
heurísticos clásicos, la inteligencia artificial, la evolución biológica, sistemas neuronales y
mecánica estadística.”

- Programación lineal difusa La toma de decisiones difusas incorpora la subjetividad y la

imprecisión en la formulación de modelos (y no solo medidas de distribución de probabilidad)
y procesos de solución. Sirve como una herramienta a la investigación en ingeniería industrial
cuando los comportamientos de las decisiones están limitados por imprecisiones en los
modelos formulados. Actualmente se pueden considerar variables que anteriormente no se
tomaban en cuenta, debido a que el avance y desarrollo de nuevo software y hardware han
permitido el uso no solo de variables lógicas sino también de variables ambiguas o difusas.
Simulación La simulación es un proceso numérico diseñado para experimentar el
comportamiento de cualquier sistema, por medio de una computadora digital. Estos
experimentos involucran ciertos tipos de modelos matemáticos y lógicos que describen el
comportamiento de sistemas de negocios, económicos, sociales, biológicos, físicos, químicos,
etc. a través de periodos de tiempo.

Aplicaciones

Hoy en día existen nuevas áreas de aplicación para la IO. Anteriormente el enfoque tradicional
de la IO estaba basado solo en manufactura y en cuanto a los servicios se limitaba únicamente
a transporte y logística. Sin embargo ahora la IO puede aplicarse prácticamente a cualquier
cosa. Ahora los servicios representan enormes áreas de oportunidad, algunas de los cuales se
mencionan a continuación:

a) Salud: Planeación de tratamiento de cáncer, planeación del personal médico, composición

de los medicamento y vacunas, planeación del cuidado de la salud en el hogar. Una de las
áreas en las que los hospitales tienen importantes oportunidades de mejora es en la gestión de
toda la cadena de suministro, planificación y programación.

b) Servicios Financieros: Optimización de cartera con restricciones de presupuesto y costos,

estimación de las puntuaciones de crédito, etc.

c) Energía: Estrategias de inventarios, redes inteligentes, fijación de precios.

d) Medios de comunicación: Estrategias para propagación de publicidad, estrategias para

comercialización de productos, etc.

Las técnicas de la IO se pueden utilizar como soporte tanto para decisiones estratégicas como
para decisiones tácticas. En el caso de las decisiones estratégicas se puede prever la demanda
para satisfacer los requisitos de capacidad, se deciden ubicaciones para servir al mayor
número de personas, se evalúan las necesidades de departamentos por medio de simulación o
por medio de la teoría de colas.

A nivel táctico se pueden establecer niveles de existencias de fármacos, asignar presupuestos a

un conjunto de recursos, asignar equipo y maquinaria. Para las decisiones de corto plazo en el
ámbito de la vigilancia y control se permite la programación de recursos pacientes,
operaciones.

Impacto y retos
La IO tiene un futuro brillante en cuanto a oportunidades de trabajo por causa de las nuevas
áreas de aplicación tanto en el área práctica como en el área de la investigación. Además,
gracias al desarrollo diario de nuevas tecnologías, se pueden implementar modelos y
herramientas cada vez más complejas que representen de forma más fiel la realidad con el fin
de obtener resultados que tengan un mejor impacto en los resultados totales y parciales de
cualquier compañía en eficiencia, calidad, competitividad, lo cual permitiría como resultado
final mayores utilidades.

Se concluye que la Investigación de Operaciones, tiene un sinfín de aplicaciones, y sigue

desarrollando nuevas herramientas que permitan analizar problemas cada vez de mayor
complejidad.

OTRO

Matheurística

Nombramos Matheurística a aquellos algoritmos de optimización derivados de la

interoperación de metaheurísticas y técnicas de programación matemática (PM). Una de sus
características esenciales es la explotación, en alguna parte del algoritmo, de características
derivadas del modelo matemático del problema que resolver, de ahí el uso de la definición
“metaheurísticas basadas en modelos”, presente en eventos y sitios web relacionados con las
matheurísticas.

Este campo pretende explotar las ventajas que brindan los modelos y técnicas de la PM en el
desarrollo de plataformas (meta)heurísticas, combinándose con la robustez y efectividad de
estas últimas. Dentro de la comunidad de investigadores afines, a muchos ha atraído el tema,
produciéndose así la publicación de ediciones especiales de libros y revistas dedicados a este
tópico

Desarrollo y Perspectivas

Urge advertir que el uso de la Programación Matemática para resolver problemas de

optimización de manera heurística es mucho más antiguo y más extendido que el de las
matheurísticas. Aunque la idea de diseñar métodos de PM específicamente para soluciones
heurísticas tiene rasgos inovadores que la diferencian de la práctica común de convertir
métodos exactos de la PM en heurísticas cuando no hay suficiente disponibilidad de recursos
computacionales. Por el contrario, en el caso de las metaheurísticas, la aplicación de modelos y
técnicas de la PM es una tendencia novedosa.
Ciertos enfoques que se sirven de una combinación de PM con metaheurísticas están
apareciendo de forma regular en la literatura especilizada. Tales combinaciones pueden estar
orientadas hacia dos direcciones: una de ellas, que es además la más recorrida hasta el
momento, es el empleo de la PM para mejorar o diseñar metaheurísticas, la otra consiste en el
uso de estas últimas para mejorar las técnicas ya conocidas de la PM.

Aunque vincula dos de los campos más arraigados de la optimización matemática, la

matheurística apenas está en su infancia. Se hace por tanto difícil precisar en que dirección se
concentrará el futuro desarrollo de este campo. Algunas de las principales líneas de
investigación desarrolladas hasta el momento han sido:

La utilización de técnicas de la PM para mejorar la búsqueda local. Por ejemplo la utilización de

técnicas de poda de la Programación Entera Mixta (PEM) para la exploración de grandes
vecindades alrededor de soluciones prometedoras.

La hibridación de (meta)heurísticas y técnicas exactas de la PM. Por ejemplo, la utilización de

modelos de la PM para la solución de subproblemas dentro de una metaheurístca
determinada o para mejorar ciertos operadores heurísticos.

La utilización de técnicas ‘clásicas’ de la PM como la relajación Lagrangeana o la

descomposición de Bender para guiar y modificar las operaciones de heurísticas subordinadas.

La aplicación de modelos matemáticos como fundamento para el diseño de nuevas

metaheurísticas

OTRO

1 Métodos Exactos Dentro de la categoría de métodos exactos se agrupan los algoritmos que
tienen como característica el uso de técnicas analíticas o matemáticas, que aseguran la
convergencia a una solución óptima, si ésta existe. Estos métodos son diseñados bajo
supuestos y características específicas tales como continuidad, diferenciabilidad, espacio de
búsqueda pequeño o linealidad, entre otros. Con base en teoremas matemáticos desarrollan
procedimientos que garantizan una solución óptima [27].
Por supuesto los métodos exactos no son siempre la respuesta adecuada, ya que presentan
varias desventajas que impiden su uso en muchos problemas aplicados. En [27] se afirma que
la razón por la cual existen muchos métodos exactos puede deberse a que ninguno de ellos es
realmente robusto, es decir, que se pueda aplicar a una gran diversidad de problemas y que
siga siendo eficiente en el procedimiento de encontrar la solución óptima. Esta problemática
suele ser ocasionada por las características inherentes de un problema, ya que éstas pueden
impedir el uso de ciertos métodos exactos y crear la necesidad de elaborar otros más
apropiados. Sin embargo, existen problemas que bajo su enfoque no pueden ser resueltos
debido a su complejidad o al gran tamaño de su espacio de búsqueda.

A continuación se citan algunos de los métodos exactos más representativos en la literatura

para la solución del RCPSP.

3.1.1 Búsqueda Exhaustiva (Exhaustive Search) La búsqueda exhaustiva es tal vez uno de los
enfoques más antiguos para solucionar un problema y al mismo tiempo el más robusto de los
métodos exactos, ya que tiene la ventaja de poderse aplicar a muchos problemas. Sin embargo
tiene la desventaja de consumir excesivo tiempo de cómputo. Este método requiere generar y
evaluar todas las posibles soluciones dentro del espacio de búsqueda factible. Es una técnica
simple y, además, eficiente en algunos problemas pequeños. Se considera útil para los
denominados problemas P, cuyo tiempo de cómputo crece de manera polinomial [28].

Cabe mencionar que en problemas grandes o complejos es necesario tener una clara
metodología de la generación de las soluciones y la forma de avanzar en el espacio de
búsqueda. A continuación se muestra el pseudocódigo para un algoritmo de |254 Ingeniería y
Ciencia Daniel Morillo, Luis Moreno y Javier Díaz búsqueda exhaustiva 1. Sea f(~x) una función
de aptitud, donde ~x pertenece al espacio factible. Algoritmo 1 : Algoritmo de Búsqueda
Exhaustiva para un problema de minimización 1: Inicio 2: xi =primer valor del espacio factible
3: mejor= f(~xi), solución=~xi 4: Hacer hasta xi = ultimo valor del espacio factible 5: xi =
siguiente valor del espacio factible 6: prueba = f(~xi) 7: si prueba < entonces 6: Resolver pi) 7:
Guardar solución en si 8: De lo contrario 9: Resolver pi con D&V 10: Fin si 11: Fin para 12:
Combinar las soluciones si 13: Fin

3.1.4 Programación Dinámica (Dynamic Programming) La Programación Dinámica es una

metodología apropiada para problemas donde deben tomarse decisiones de manera
secuencial, por ejemplo, en diferentes periodos de tiempo y en los cuales el orden de las
operaciones es crucial [30]. Este enfoque trata de encontrar la solución global para un
problema complejo, a partir las soluciones secuenciales de etapas ya resueltas, mediante un
procedimiento recursivo. Un problema se puede resolver usando programación dinámica si
cumple las siguientes características [27]: • El problema puede descomponerse en una
secuencia de decisiones que deben tomarse en varias etapas. • Cada etapa tiene un número
finito de posibles estados (también existe la programación dinámica continua, aunque no
aplica para el RCPSP, en este contexto). • La decisión tomada en cada estado de la etapa actual
lleva a algún estado de la etapa siguiente. • La mejor decisión asociada a una etapa es
independiente de las decisiones tomadas en etapas anteriores. • Debe estar bien definido el
costo asociado por pasar de un estado a otro, a través de las etapas; además, esta función de
costos debe ser recursiva. |258 Ingeniería y Ciencia Daniel Morillo, Luis Moreno y Javier Díaz
Existen dos enfoques de la programación dinámica: hacia adelante y hacia atrás. En este
último, se inicia a partir del objetivo deseado y se hace un análisis hacia atrás; es decir, se toma
la mejor decisión de la última etapa para cada valor de la variable de estado; luego, se toma la
mejor decisión de la penúltima etapa, teniendo en cuenta los costos agregados de las dos
etapas consideradas. Posteriormente, se retrocede una etapa y se repite el proceso hasta
llegar a la primera. A pesar de que el RCPSP podría cumplir los requisitos de la programación
dinámica, haciendo algunos supuestos, en la práctica este método es difícil de aplicar y
además puede no llegar a la solución óptima aunque si a una solución factible. Esto se debe a
que es necesario tomar decisiones en cada etapa, pero la determinación de estas etapas es
una tarea compleja ya que estas varían de manera dinámica durante la ejecución del
algoritmo.

3.1.5 Ramificación y Acotamiento (Branch and Bound) Dentro de los algoritmos exactos, el de
ramificación y acotamiento es el que mejores resultados ha mostrado para resolver el RCPSP.
En [9] se desarrolla un algoritmo, basado en esta técnica, que demostró ser robusto y
relativamente eficiente, ya que disminuyó de manera significativa el tiempo de solución del
conjunto de 110 problemas del RCPSP propuesto por [16]. Por esta razón, los enfoques que
desean enfrentar este problema con metodologías exactas se dedican más a mejorar este
método que a buscar uno nuevo. En [16] se publica la librería PSPLIB, desarrollada para evaluar
la eficacia y eficiencia de los algoritmos para la solución de problemas de secuenciación y por
lo tanto contiene todos los grados de dificultad, basados en los indicadores de complejidad
que se mostrarán más adelante. En este trabajo se demuestra la existencia de muchos
problemas relativamente pequeños, 30 y 60 actividades, donde el algoritmo de ramificación y
acotamiento se demora muchas horas en hallar la solución. El Branch and Bound se considera
un método tan robusto como la búsqueda exhaustiva, pero más eficiente. La idea principal es
dividir el espacio factible y buscar sólo en donde se sabe que puede estar el óptimo,
desechando los espacios de soluciones factibles que no mejoran la solución actual. Esta
división puede realizase de una manera particular truncando dicho espacio mientras se está
construyendo una solución. A medida que se asigna un conjunto de actividad a la secuencia, se
genera una rama que ing.cienc., vol. 10, no. 19, pp. 247–271, enero-junio. 2014. 259|
Metodologías Analíticas y Heurísticas para la Solución del Problema de Programación de
Tareas con Recursos Restringidos (RCPSP): una revisión Parte 1 delimita una gran cantidad de
soluciones que comparten las actividades ya programadas en la secuencia. Por tanto, si se
desecha esta rama, por medio de una regla de dominancia, concepto que se explicará más
adelante, el algoritmo no tendrá que evaluar esa gran cantidad de soluciones delimitadas. Por
ejemplo si en la construcción de la solución de la Figura 1 se han asignado las actividades 2 y 4
en el periodo 1, existen muchas secuencias completas de actividades que empiezan con este
conjunto. Si se desecha esta rama, se evita buscar todas las secuencias sucesoras de este
conjunto. Adicionalmente, el Branch and Bound realiza la búsqueda de manera organizada y
sistemática, creando niveles en los puntos del tiempo donde se liberan recursos, en cada uno
de los cuales se genera el conjunto de actividades elegibles, es decir, aquellas actividades no
programadas cuyas predecesoras ya terminaron su ejecución. De este conjunto de elegibles se
generan todos los subconjuntos de actividades factibles por recursos, de las cuales se
selecciona uno, de manera descendente por el número de actividades, para generar soluciones
completas. Por esta razón, el algoritmo nunca regresa en el árbol y por lo tanto, la búsqueda
nunca queda estancada. La manera como se acota ese gran conjunto de soluciones factibles es
mediante reglas de dominancia, en las cuales se usan artificios matemáticos para conocer a
priori, sin tener que construir toda la solución, información suficiente para acotar la búsqueda;
por ejemplo, puede encontrarse el tiempo mínimo que deberá demorarse para terminar el
proyecto a partir de cualquiera de las actividades de una solución parcial; si ese tiempo es
mayor que la mejor solución actual, se podrá eliminar esta rama del árbol de soluciones. En la
Figura 3 se muestra un esquema de la expansión organizada de las ramas en el algoritmo de
Branch and Bound. En los nodos o niveles se muestra el número total de conjuntos válidos
(ramas que parten de ese nodo o nivel). En cada uno de los arcos se muestra el conjunto válido
programado. Por ejemplo, en el nivel 1 del tiempo existen tres conjuntos válidos; si se
selecciona el conjunto 1 se da origen al nivel 2 que tiene cinco conjuntos validos; si en nivel 1
se selecciona el conjunto 2, se da origen a otro nivel 2 completamente diferente (que puede
tener un punto en el tiempo distinto). Estos niveles 2, a su vez, generan los niveles 3 y así
sucesivamente. |260 Ingeniería y Ciencia Daniel Morillo, Luis Moreno y Javier Díaz Figura 3:
Esquema de le expansión de las ramas en el algoritmo de Branch and Bound.