Nuevos Criterios en Optimización Algorítmica
Cargado por
Paola COBEÑANuevos Criterios en Optimización Algorítmica
Cargado por
Paola COBEÑADepartamento de Ciencias de la Computación e Inteligencia
Artificial
E.T.S. de Ingeniería Informática
UNIVERSIDAD DE GRANADA
NUEVOS CRITERIOS DE PARADA
EN ALGORITMOS DE OPTIMIZACIÓN
TESIS DOCTORAL
Edmundo Rubén Vergara Moreno
Granada - España
1999
NUEVOS CRITERIOS DE PARADA
EN ALGORITMOS DE OPTIMIZACIÓN
MEMORIA QUE PRESENTA
Edmundo Rubén Vergara Moreno
PARA OPTAR AL GRADO DE DOCTOR EN MATEMÁTICAS
Mayo de 1999
DIRECTOR
José Luis Verdegay Galdeano
DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL
E.T.S. de INGENIERÍA INFORMÁTICA
UNIVERSIDAD DE GRANADA
ESPAÑA
La memoria titulada Nuevos Criterios de Parada en Algoritmos De
Optimización, que presenta D. Edmundo Rubén Vergara Moreno para
optar al grado de Doctor, ha sido realizada en el departamento de
Ciencias de la Computación e Inteligencia Artificial de la Universidad
de Granada bajo la dirección de D. José Luis Verdegay Galdeano.
Granada, Mayo de 1999
El Doctorando El Director
E. R. Vergara J. L. Verdegay
NUEVOS CRITERIOS DE PARADA
EN ALGORITMOS DE OPTIMIZACIÓN
Edmundo Rubén Vergara Moreno
AGRADECIMIENTOS
En estos momentos en que termino de escribir la presente Memoria, invaden mi mente
los nombres de todas las personas e instituciones que de una u otra forma me han facilitado
alcanzar este anhelo, y a quienes estoy muy agradecido. Sin embargo quiero hacer expreso mi
agradecimiento a aquellos que en forma directa me han brindado su ayuda.
Mi gratitud al Gobierno Español, quien a través de la Agencia Española de Cooperación
Internacional, me otorgó una Beca ICI por el período de tres cursos. Asimismo, a la Facultad
de Ciencias Físicas y Matemáticas de la Universidad Nacional de Trujillo-Perú, por haberme
concedido la licencia correspondiente, y al Departamento de Ciencias de la Computación e
Inteligencia Artificial de la Universidad de Granada por su acogida y por haberme brindado
todo el apoyo para llevar a cabo esta Memoria.
Mis agradecimientos al Dr. José Luis Verdegay Galdeano por la confianza que depositó
en mí, prestándome su asesoramiento y dirección, que durante este tiempo se vio reflejado en
sus orientaciones expertas y supervisión constante.
Mis agradecimientos al Dr. Salomón Espinoza Quiroz por su apoyo constante y al Dr.
Pedro Lavalle, quienes me dieron amplio apoyo para hacer posible mi viaje a España.
ÍNDICE
ÍNDICE................................................................................................................................. i
INTRODUCCIÓN................................................................................................................. vi
Capítulo 1: PROGRAMACIÓN LINEAL DIFUSA
1.1 Introducción................................................................................................................ 1
1.2 Modelos de la PLD...................................................................................................... 5
1.2.1 Modelos con el conjunto factible (restricciones difusas).................................. 5
1.2.2 Modelos con metas difusas................................................................................ 6
1.2.3 Modelos con coeficientes de la función objetivo difusos................................... 7
1.2.4 Modelos con coeficientes tecnológicos y recursos difusos................................. 7
1.2.5 Modelos completamente difusos........................................................................ 7
1.3 Métodos de la PLD...................................................................................................... 8
1.3.1 Métodos de solución de modelos con restricciones difusas.............................. 8
[Link] Aproximación de Tanaka, Okuda y Asai.............................................. 9
[Link] Aproximación de Verdegay.................................................................... 10
1.3.2 Métodos de solución de modelos con función objetivo
y restricciones difusas.................................. 11
[Link] Aproximación de Zimmermann............................................................. 12
[Link] Aproximación de Chanas....................................................................... 14
[Link] Aproximación de Werners...................................................................... 14
1.3.3 Métodos de solución de modelos con coeficientes
de la función objetivo difusos.................................. 15
[Link] Aproximación de Verdegay ................................................................. 16
[Link] Aproximación de Tanaka, Ichihashi y Asai........................................ 17
[Link] Aproximación de Rommelfanger, Hanusheck y Wolf ........................ 18
1.3.4 Métodos de solución de modelos con coeficientes
tecnológicos y recursos difusos.................... 19
[Link] Aproximación de Tanaka, Ichihashi y Asai........................................ 20
[Link] Aproximación de Delgado, Verdegay y Vila........................................ 21
1.3.5 Métodos de solución de modelos completamente difusos................................. 22
[Link] Aproximación de Tanaka y Asai............................................................ 22
i
ÍNDICE
[Link] Aproximación de Carlsson y Korhonen............................................... 25
1.4 Extensiones y aplicaciones de la PLD........................................................................ 27
14.1 Extensiones multiobjetivo................................................................................. 28
14.2 Extensiones uniobjetivo..................................................................................... 32
[Link] Problemas de transporte difusos........................................................... 32
[Link] Dualidad y análisis de sensibilidad....................................................... 35
[Link] Programación entera difusa................................................................... 39
1.4.3 Otras extensiones y aplicaciones de la PLD..................................................... 42
[Link] Programación lineal difusa interactiva................................................. 42
[Link] Programación estocástica difusa........................................................... 43
[Link] Aplicaciones específicas de la PLD........................................................ 44
1.4.4 Extensiones y aplicaciones recientes................................................................ 46
[Link] Programación lineal difusa en gran escala........................................... 46
[Link] El problema de la mochila difuso.......................................................... 57
Capítulo 2: CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN
LINEAL
2.1 Introducción................................................................................................................. 61
2.1.1 Estructura de un algoritmo............................................................................... 63
2.1.2 Criterios de parada clásicos................................................................................ 64
2.1.3 Criterios de parada difusos................................................................................ 65
2.2 Criterios de parada difusos en el algoritmo simplex................................................. 68
2.3 Criterios de parada difusos en el algoritmo de Karmarkar...................................... 78
2.3.1 Introducción........................................................................................................ 78
2.3.2 Ideas básicas....................................................................................................... 78
2.3.3 Algoritmo de Karmarkar................................................................................... 81
[Link] Forma estándar de Karmarkar de programas lineales........................ 81
[Link] Procedimientos de solución.................................................................... 82
[Link] Aplicación en los problemas de PL........................................................ 85
2.3.4 El criterio de parada difuso en el algoritmo de Karmarkar............................ 88
2.4 Criterios de parada difusos en algoritmos modificados de Karmarkar.................... 94
2.4.1 Introducción........................................................................................................ 94
ii
ÍNDICE
2.4.2 Modificación propuesta por Vanderbei, Meketon y Freedman........................ 96
2.4.3 Modificación propuesta por Barnes................................................................... 98
2.5 Criterios de parada difusos en algoritmos de puntos interiores.............................. 101
2.5.1 Introducción....................................................................................................... 101
2.5.2 Ideas básicas..................................................................................................... 102
2.5.3 Algoritmos de puntos interiores....................................................................... 105
[Link] Algoritmo primal................................................................................. 106
[Link] Algoritmo dual..................................................................................... 106
[Link] Algoritmo primal-dual....................................................................... 108
2.5.4 Criterio de parada difuso en algoritmos de puntos interiores........................ 109
2.6 Ejemplos numéricos comparativos............................................................................ 113
Capítulo 3: CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS
DEL PROBLEMA DE LA MOCHILA Y DEL VIAJANTE
DE COMERCIO
3.1 Introducción................................................................................................................ 119
3.2 El problema de la mochila ......................................................................................... 119
3.2.1 Formulación y tipos de problemas de la mochila............................................ 121
3.2.2 Cotas superiores del problema de la mochila.................................................. 124
[Link] Cotas obtenidas mediante relajación................................................. 124
[Link].1 Relajación continua............................................................. 125
[Link].2 Relajación lagrangiana....................................................... 127
[Link] Cota obtenida mediante enumeración parcial................................... 129
3.2.3 Algoritmos de solución del problema de la mochila......................................... 130
[Link] Algoritmos de aproximación............................................................... 131
[Link].1 El algoritmo de tipo voraz.................................................. 131
[Link].2 Algoritmo aproximado de Sahni........................................ 134
[Link] Algoritmos de ramificación y acotación en PM.................................. 135
[Link] Algoritmos de la programación dinámica en PM.............................. 142
[Link] Algoritmo de reducción de Martello y Toth....................................... 148
3.2.4 Criterios de parada difusos en los algoritmos del PM.....................................
151
[Link] Criterios de parada difusos en los algoritmos de RA en el PM.......... 154
iii
ÍNDICE
[Link] Criterios de parada difusos en los algoritmos de PD en el PM......... 155
3.2.5 Experimentos computacionales........................................................................ 156
3.3 El problema del viajante de comercio........................................................................ 159
3.3.1 Formulación y tipos de TSP.............................................................................. 160
3.3.2 El método de ramificación y acotación en TSP................................................ 163
[Link] El algoritmo LMSK............................................................................. 166
3.3.3 Cotas del valor óptimo de un TSP.................................................................... 168
[Link] Cota superior....................................................................................... 169
[Link] Cota inferior ....................................................................................... 170
3.3.4 Criterios de parada difusos en algoritmos del TSP.......................................... 171
[Link] El criterio de parada difuso en el algoritmo LMSK.......................... 173
[Link] Ejemplo numérico............................................................................... 174
COMENTARIOS FINALES........................................................................................... 177
CONCLUSIONES............................................................................................................. 178
LÍNEAS FUTURAS...........................................................................................................
181
BIBLIOGRAFÍA.............................................................................................................. 183
iv
INTRODUCCIÓN
El hombre es el único ser sobre la faz de la tierra que ha luchado y lucha no sólo
por su supervivencia sino para que su estancia sea cada día más placentera. Aunque
muchos pasajes de la historia de la humanidad se han caracterizado por la lucha para
lograr vivir mejor el presente y lograr la complacencia individual propia, la lucha
incesante y de mayor predominancia ha sido por lograr el bienestar futuro y de la
sociedad en general.
Desde las épocas más remotas en que inicialmente los medios de supervivencia
eran la recolección, la caza y la pesca, el hombre no sólo se ha limitado a consumir lo que
la naturaleza le ha brindado sino que ha utilizado su inteligencia para aprovecharla de
la mejor manera. Al usar su inteligencia fabricó y fabrica aún hoy las herramientas para
mejorar sus capacidades, descubrió la agricultura para no esperar que la tierra
produjera de manera accidental, descubrió y sigue descubriendo las leyes naturales para
luego usar aquellas que son beneficiosas o bien para evitarlas si son perjudiciales. Todo
ello es lo que ahora se llama ciencia y tecnología.
Como producto de la ciencia y la tecnología, hoy en día, la humanidad cuenta con
unas poderosas herramientas y entre ellas están los ordenadores. Los ordenadores son
herramientas con capacidades programables ilimitadas en su esencia. Las limitaciones
se dan en la programación y en los accesorios necesarios para una determinada tarea.
Pueden ejecutar tareas muy simples y repetitivas, tareas arriesgadas u operaciones
matemáticas materialmente imposibles para el hombre e incluso actividades de
razonamiento propias de la mente humana.
Actualmente debido a esas capacidades, los ordenadores constituyen instrumentos
de ayuda imprescindibles para los gestores de diversos tipos de instituciones
industriales, comerciales, de servicios, etc. en la solución de diversos problemas.
Al hablar de las ayudas que proporcionan los ordenadores a los gestores no nos
referimos a la ayuda como simples almacenes de documentos personales importantes
v
INTRODUCCIÓN
sino como sistemas complejos que involucran diversas acciones concertadas de órganos
con gran impacto potencial en la efectividad de las decisiones gerenciales.
El desarrollo e incluso la supervivencia o la quiebra de las grandes organizaciones
públicas y privadas dependen de las decisiones que deben tomar sus administradores;
decisiones que en muchos casos deben ser tomadas de una manera rápida e inteligente.
Durante muchos años se ha considerado que la toma de decisión era un arte, de tal
manera que se podía usar una gran variedad de estilos individuales en la solución
aproximada de problemas gerenciales similares. Estos estilos han estado basados
frecuentemente en la creatividad, el juicio, la intuición y la experiencia más que en
métodos sistemáticos cuantitativos o en aproximaciones científicas.
Sin embargo en la actualidad, en el ambiente rápidamente cambiante y cada vez
más complejo en que vivimos, la toma de decisiones se hace más difícil por dos razones:
primero, debido a las tecnologías y los sistemas de comunicación altamente
desarrollados, el número de alternativas disponibles es muy elevado, y segundo, porque
el costo de los errores cometidos puede ser muy grande como consecuencia de la
complejidad y la magnitud de operaciones, la automatización y la reacción en cadena que
un error puede generar en muchas partes de una organización. Por el contrario, los
beneficios pueden ser extremadamente grandes cuando las decisiones tomadas son
acertadas.
En un ambiente caracterizado por factores tecnológicos en constante crecimiento,
dentro de una estructura compleja, y en un mercado internacional de competición, la
toma de decisiones se hace cada vez más sofisticada y por tanto requiere del uso de las
tecnologías que se están desarrollando. Más aún, se requieren mejores tecnologías como
herramientas de ayuda en la toma de decisiones.
Las tecnologías de sistemas de ayuda a esa toma de decisiones que se están
desarrollando [197] son: Sistemas Soporte de Decisión (SSD), Sistemas Soporte de
Decisión en Grupo (SSDG), Sistemas de Información Ejecutiva (SIE), Sistemas Expertos
(SE), Redes Neuronales Artificiales (RNA) y Sistemas Soporte Híbridos (SSH). La
aplicación de estas tecnologías se denomina en conjunto "sistemas de ayuda en la
administración".
Según Simon [180], el proceso de la toma de decisión, en forma general, se realiza
en un rango continuo de decisiones que varía entre las estructuradas y las no
estructuradas, entendiéndose por una situación estructurada o llamada también
vi
INTRODUCCIÓN
programada aquella que tiene un contexto con elementos y relaciones entre ellos que son
o pueden ser completamente conocidos o determinados.
Según Gorry y Scott-Morton [76], para la toma de decisiones en un ambiente
estructurado es suficiente hacer uso de SIE, de modelos de investigación de operaciones,
etc. porque el carácter estructurado sólo está presente en administraciones de bajo nivel,
mientras que en el caso de situaciones semi-estructuradas o no estructuradas es
necesario el uso de SSD, SSDG, RNA o SSH, de acuerdo al caso; estas situaciones son
propias del nivel funcional de los altos ejecutivos y profesionales altamente
especializados en problemas complejos.
De entre los sistemas de ayuda a la toma de decisiones citados más arriba,
destacan por su importancia los SSD. El concepto involucrado en los SSD fue articulado
por primera vez en 1971 por Scott-Morton, quien los entendió como sistemas interactivos
basados en computación que ayudan al decisor a utilizar los datos y los modelos para
resolver problemas no estructurados. Otra definición de Keen y Scott-Morton [101] dice
que los SSD unen los recursos intelectuales de los individuos con las capacidades de los
ordenadores para mejorar la calidad de las decisiones en problemas semiestructurados o
no estructurados.
A partir de éstas y otras definiciones podemos resumir que un SSD es un sistema
de ayuda en la toma de decisiones en situaciones en el que los datos y/o sus relaciones no
son conocidos exactamente, o no pueden ser determinados con exactitud. Los
componentes básicos de un SSD [197] son el Sistema de Gestión de la Base de Datos
(SGBD), el Sistema de Gestión de la Base de Modelos (SGBM) y el Sistema de Gestión y
Generación de Diálogos (SGGD).
Un buen SSD será aquél en que cada uno de sus componentes tenga la mejor
capacidad posible y al mismo tiempo estén bien integrados entre sí. Decir que los
componentes de un SSD tengan la mejor capacidad posible significa que el SGBD debe
tener la capacidad de tratar una gran variedad de estructuras de datos que permitan el
manejo de datos probabilísticos, incompletos e imprecisos; que el SGBM sea capaz de
simular diversas situaciones reales y finalmente, que el SGGD tenga la suficiente
capacidad de admitir, transmitir y reportar todo tipo de información entre el usuario y el
SSD.
Un buen SGBM debe proporcionar la capacidad de implementar diversas
posibilidades de realizar análisis sofisticados y diversas capacidades de interpretación;
vii
INTRODUCCIÓN
igualmente debe habilitar al decisor para explorar diversas situaciones de decisión a
través del uso de la base de datos mediante una base de modelos de procedimientos
algorítmicos y protocolos asociados a la gestión de modelos. Esto puede hacerse usando
sentencias de modelización, en algún lenguaje procedimental o no procedimental,
mediante el uso de modelos subrutinas, tales como los paquetes de programación
matemática.
Es deseable la existencia de diversos modelos para que se puedan acomodar mejor
y más flexiblemente a los deseos del decisor. Naturalmente los diversos modelos en
SGBM pre-escritos deben ser aquéllos cuya utilidad haya sido demostrada con
anterioridad, tales como los de la programación lineal, los modelos de análisis de
decisiones multiatributo. Asimismo, deben ser bien especificados los procedimientos para
el uso de estos modelos. El SGBM también debería permitir al usuario construir sus
propios modelos, así como heurísticas a partir de modelos pre-establecidos. Igualmente,
debe posibilitar la realización de análisis de sensibilidad sobre los resultados que se
obtengan y la ejecución de modelos con una amplia gama de datos de cara a poder
contestar preguntas del tipo "¿qué pasa si...?".
El propósito de un SGBM es fundamentalmente transformar los datos del SGBD en
información que sea útil para el decisor. Esta tarea la realiza mediante la creación,
almacenamiento, acceso y manipulación de modelos.
Los modelos no son más que las representaciones de los datos y sus relaciones. El
proceso de construcción de dicha representación se denomina modelización. El proceso de
modelización y por tanto, los modelos que representan a un conjunto de datos y sus
relaciones dependen de los objetivos y de la naturaleza de la institución que lo utiliza, lo
cual se debe a que los datos y sus interrelaciones no tienen una única representación.
En los casos de asignación de recursos bajo restricciones, de planificación, de
análisis de gestión, etc. los modelos utilizados se denominan modelos de programación
matemática, mientras que para determinar el mejor control o acción cuando el sistema,
los controles, las restricciones o los índices de calidad (evaluación) pueden cambiar con el
tiempo, se utilizan modelos denominados de control óptimo de sistemas; por citar sólo
algunos tipos.
La asignación de recursos limitados o bajo restricción y el control de acciones
cambiantes con el tiempo son situaciones que están presentes en toda institución
pequeña o grande, pública o privada. Son situaciones problemáticas en las cuales los
viii
INTRODUCCIÓN
modelos y sus respectivos métodos de solución existentes dejan un campo abierto por
modelar y donde plantear los correspondientes métodos de solución. Porque los modelos y
métodos conocidos o bien no representan a la realidad o bien sus métodos de solución
presentan limitaciones muy serias.
De esta amplitud de problemas dentro de la asignación de recursos limitados y del
control de acciones cambiantes con el tiempo, vamos a prestar atención sólo a dos
situaciones:
1) cuando los datos no se conocen exactamente, es decir, cuando los datos son imprecisos
y se está en un ambiente semi-estructurado, y
2) cuando los métodos de solución existentes que sirven para casos simples presentan
limitaciones o simplemente no se pueden utilizar en casos complejos.
Con la introducción de la teoría de conjuntos difusos en los modelos y métodos de la
programación matemática se está abordando con cierto éxito el primer caso. Una de las
partes más importantes de esta integración es aquélla que corresponde a la integración
de la programación lineal clásica con la teoría de los conjuntos difusos que ha dado
origen a la denominada Programación Lineal Difusa, la cual desde su aparición en
los comienzos de los años 70 no ha cesado en su desarrollo hasta la actualidad.
En el segundo caso están incluidos aquellos problemas en los cuales el uso de
métodos exactos de solución de los modelos existentes tiene limitaciones en el tiempo de
ejecución, cuando se utilizan dichos métodos en situaciones con muchas variables de
decisión y muchas restricciones. Para estos problemas se han desarrollado diversos
métodos heurísticos, tales como los algoritmos genéticos, el algoritmo recocido simulado,
las redes neuronales artificiales, etc. que proporcionan soluciones aproximadas y no
exactas.
Estos dos aspectos del SGBM de un SSD, que son de trascendental importancia en
la actualidad, han captado nuestra atención y han constituido el motor de desarrollo del
presente trabajo cuya presentación hacemos en tres capítulos.
En el primer capítulo, se aborda una revisión de la Programación Lineal Difusa, en
la que se recogen los principales modelos y sus respectivos métodos de solución. Se
detallan dos o tres de los más importantes métodos y se hace un comentario de otros.
ix
INTRODUCCIÓN
Luego revisamos, también de la misma manera, las extensiones y aplicaciones más
destacadas realizadas hasta la actualidad.
El otro aspecto de nuestro interés se desarrolla en los dos capítulos restantes. En
ellos introducimos los nuevos criterios de parada basados en reglas difusas en algoritmos
exactos, tradicionalmente muy importantes. Dichos criterios de parada transforman a los
algoritmos exactos en algoritmos de aproximación, enriqueciendo consecuentemente, la
base de algoritmos aproximados o heurísticas para encarar problemas de grandes
dimensiones o de naturaleza compleja.
Como se sabe, los algoritmos de aproximación o heurísticas tienen lugar en
problemas denominados NP-completos, en aquellas situaciones donde los algoritmos
exactos requieren tiempos de ejecución muy elevados, que en algunas casos pueden
rebasar con creces el tiempo de vida del hombre. Esto ocurre, por ejemplo con el
algoritmo simplex de la programación lineal, que es muy eficiente para algunas
situaciones y no lo es en general. Este algoritmo y otros algoritmos más eficientes de la
programación lineal pueden ser mejorados en su tiempo de ejecución, aunque a costa de
su exactitud, con la introducción de criterios de parada difusos.
Los problemas, por excelencia, NP-completos son el problema de la mochila y el
problema del viajante de comercio, que carecen de algoritmos con tiempos de ejecución
polinomial; los algoritmos exactos que existen sólo son aplicables para dimensiones
pequeñas, y son los algoritmos de aproximación o heurísticas los que se utilizan en
grandes magnitudes. En este trabajo hemos introducido, en aquellos algoritmos exactos,
los criterios de parada difusos de tal manera que se tengan nuevos algoritmos de
aproximación. Todo esto se aborda en en esta memoria del siguiente modo:
En el capítulo 2, se hace una revisión muy resumida de conceptos asociados con
algoritmos, resaltando los criterios de parada que los caracterizan, y luego se introduce
el concepto de criterio de parada difuso. Inmediatamente, se prosigue revisando la
introducción de criterios de parada difusos en el algoritmo simplex, luego nos centramos
en la introducción de criterios de parada difusos en el algoritmo de Karmarkar, en
alguna de sus extensiones inmediatas y finalmente introducimos los criterios de parada
difusos en los algoritmos de puntos interiores, todos estos dentro de la programación
lineal.
x
INTRODUCCIÓN
En el tercer capítulo se hace la introducción de los criterios de parada difusos en los
problemas de la mochila y del viajante de comercio. En ambos problemas se diseñan
reglas de parada para los algoritmos de ramificación y acotación, y para los algoritmos de
la programación dinámica.
Finalizamos la memoria con la exposición de las conclusiones mas importantes y
una relación de la bibliografía consultada para su elaboración.
xi
Capítulo 1
PROGRAMACIÓN LINEAL DIFUSA
1.1 INTRODUCCIÓN
Dentro de una economía del bienestar, existe un problema simple pero de mucha
importancia cuando se tienen unas cantidades dadas de varios factores de producción y
cierto número de tareas a las que aquéllos se pueden destinar. Estos factores de
producción pueden ser asignados a las diferentes tareas, por lo general de muchas
maneras distintas, con resultados diversos.
Debido a que la representación de las restricciones toma la forma más sencilla de
las funciones matemáticas, como son las funciones lineales, los problemas anteriores se
denominan problemas de la economía lineal. Dentro de esta denominación están
comprendidos no solamente problemas del tipo de los citados arriba sino también muchos
otros problemas de la economía.
Las particularidades que presenta la mejor asignación de factores en casos como
éste han sido estudiadas desde finales del siglo XIX. Pero los métodos importantes y
válidos, incluso hasta la actualidad, se han desarrollado en la primera mitad del
presente siglo XX. Podemos destacar tres métodos que nacieron separadamente, aunque
finalmente se unieron en uno solo. El primero en aparecer es la denominada teoría de
juegos, iniciada por John Von Neumann en 1928, y luego aplicada a la economía por el
mismo en 1944. En segundo lugar surgió el análisis del input-output, que fue
desarrollado por Leontief en el período 1936-1941, [54]. Finalmente aparece la
programación lineal (PL) desarrollada por George B. Dantzig [47] en 1947.
La PL, denominación introducida por Tucker, fue desarrollada y aplicada por
primera vez en 1947 por un grupo de investigadores del Departamento de la Fuerza
Aérea de los Estados Unidos, dirigidos por Dantzig. Este grupo fue el encargado de
1
PROGRAMACIÓN LINEAL DIFUSA
investigar, por mandato de la fuerza armada, la posibilidad de aplicar técnicas
matemáticas y otras a los problemas de planeación y programación militar. Esta misión
de investigación se le encargó al grupo dirigido por Dantzig durante la Segunda Guerra
Mundial, cuando el despliegue del personal, de las armas y vehículos por todo el mundo
generaban gastos incalculables a la fuerza armada norteamericana. El objetivo era
reducir los gastos pero que al mismo tiempo estuviera garantizada la victoria.
Como resultado de sus investigaciones, Dantzig propuso que las interrelaciones
entre actividades de una gran organización fueran vistas como un modelo del tipo de PL,
y que el programa optimizador se determinara al minimizar una función lineal del
objetivo.
El planteamiento matemático general de la PL junto con el método simplex
desarrollado por Dantzig constituyó uno de los logros más importantes de la economía
lineal de aquella época, porque a partir de los logros obtenidos no se hizo esperar la
aplicación de la PL en otros campos, sobre todo en la reconstrucción de las empresas
comerciales, industriales y agrícolas devastadas por la guerra.
El modelo general de un problema de PL es
m
max z c jxj
j 1
m
sujeto a : a j 1
ij x j bi , i 1,..., m (1.1a)
xj 0, j 1,.., n
donde, si el problema es de una empresa productiva con n líneas de producción y en la
que se requiere m tipos diferentes de recursos:
z es el costo (utilidad) total, denominado la función objetivo
xj llamada variable de decisión, es la cantidad de producción (a decidir) del
producto j.
cj es la utilidad unitaria del producto j llamada costo j.
bi es la cantidad del recurso i disponible para la producción, llamada recurso i.
aij es la cantidad del recurso i que se requiere para producir una unidad del
producto j, llamada coeficiente tecnológico ij.
2
1.1 INTRODUCCIÓN
Este modelo puede escribirse de forma simplificada de la manera siguiente:
max z cx
s. a : Ax b (1.1b)
x0
donde
A=[aij], es la matriz de coeficientes tecnológicos con m filas y n columnas.
bT=[b1,...,bn], vector, n dimensional, de recursos.
c=[c1,...,cm], vector, m dimensional, de costos (utilidades).
xT =[x1,...,xn] , vector, n dimensional, de las variables.
Uno de los problemas que sirvieron para explicar el procedimiento del método
simplex fue el problema de la dieta, planteado por Jerome Cornfield en 1941 (planteado
en un memorandum no publicado, pero resuelto por primera vez mediante la
programacíon lineal por Stigler, [54]). La importancia de este problema radica en su
aplicabilidad práctica dentro de la economía, como por ejemplo en la teoría del consumo.
Otros campos de la economía donde se aplica la PL son la teoría del equilibrio [54], el
análisis insumo-producto, etc. En general, la PL tiene su aplicación en todas aquellas
situaciones que se presentan tanto en empresas individuales como colectivas, nacionales
e internacionales, e incluso en otros ámbitos, en las que se desea determinar el mejor
plan para alcanzar unos objetivos determinados pero utilizando los recursos disponibles
muy limitados.
En forma específica, podemos citar a modo de ejemplo la aplicación de la PL [69] en
la industria automovilística, en la industria de productos químicos, en las textilerías, en
los sectores de transporte, en flujos de redes (redes de tuberías, redes ferroviarias...), en
la teoría de juegos, en la planificación y la elección de proyectos de inversión, etc.
La ampliación de las empresas y la escasa estabilidad de la economía, muy
interrelacionada a nivel mundial, así como el modelo actual de economía de mercado,
entre otros factores, han hecho que en los últimos 30 años la aplicación de la PL tal como
fue desarrollada por Dantzig, ya no sea suficiente o en algunos casos, de imposible
aplicación, aun dentro de situación de optimización lineal.
3
PROGRAMACIÓN LINEAL DIFUSA
Esto se debe a que la PL desarrollada por Dantzig opera con parámetros conocidos.
Sin embargo, en los problemas actuales no se conocen con precisión muchos parámetros,
y por tanto, no se pueden utilizar un modelo y un método diseñados sólo para abarcar
parámetros precisos. En el caso de seguir utilizando la PL cuando los parámetros no son
precisos tendríamos que presuponer que son exactos (lo cual no expresa la realidad), y
los resultados obtenidos de este modo no serían fiables.
En muchos casos, la información que se tiene de los parámetros es imprecisa, por
ejemplo en el supuesto de un determinado recurso se puede tener como información que
“se podrá adquirir más o menos unas 2000 unidades, pero no más de 2300”, o en este
otro: “se espera que la venta de un producto determinado nos proporcionará una utilidad
aproximadamente de 100 unidades monetarias, o quizás menos, pero no inferior a 70”.
El utilizar la PL en estos casos, con valores 2000 y 100 o 2300 y 70 o cualquier
combinación, podría conducir a un resultado erróneo.
Esta situación y similares limitaciones que se daban en otros campos, vinieron a
demostrar la carencia de una teoría matemática para situaciones imprecisas en general.
Será Zadeh [216] en 1965, el autor que llene este vacío existente, con su Teoría de
Conjuntos Difusos, cuya aplicación en investigación de operaciones, ciencias
administrativas, sistemas expertos, inteligencia artificial, teoría de control y en otros
campos no se hizo esperar.
El mismo Zadeh junto con Bellman [13] en 1970, desarrolló una primera aplicación
de la teoría difusa en la PL en su artículo “Toma de decisión en ambiente difuso”. Pero
fueron Tanaka, Okuda y Asai [190] en 1974, seguido por Zimmermann [222], Negoitia y
Sulari [147] en 1976, quienes publicaron los primeros trabajos de aplicación de la teoría
difusa en la PL, dando origen así a lo que se ha dado en llamar la programación lineal
difusa (PLD). Posteriormente se han hecho múltiples estudios sobre este nuevo campo.
Aquí recogemos los resultados más importantes alcanzados hasta la actualidad
dentro de la PLD, tanto en los modelos como en los métodos correspondientes, que
presentamos en las siguientes secciones. En la sección 1.2 están comprendidos los
modelos, en la sección 1.3 los métodos de solución correspondientes y en la sección 1.4 las
principales extensiones y aplicaciones.
4
1.2 MODELOS DE LA PLD
1.2 MODELOS DE LA PLD
Los modelos de PLD se pueden clasificar con arreglo a muy diversos criterios, por
ejemplo, teniendo en cuenta la forma de los modelos, los métodos de solución, o el tipo de
parámetros. Al hacer una revisión de la literatura existente se ha elaborado una
clasificación de los modelos de PLD, basándonos fundamentalmente en la clasificación
que realizan Verdegay [204] y Lai y Hwang [105], en modelos con el conjunto factible
difuso, modelos con metas difusas, modelos con coeficientes de la función objetivo
difusos, modelos con coeficientes de la matriz tecnológica y recursos difusos, y modelos
completamente difusos.
A continuación pasamos a analizar cada uno de estos modelos.
1.2.1 Modelos con el conjunto factible difuso (restricciones difusas)
Desde el punto de vista general, un conjunto difuso puede ser definido de diferentes
maneras. Sin embargo, en este contexto el conjunto factible difuso se deriva de
considerar los recursos imprecisos, es decir, debido a que los recursos no son conocidos
con precisión. En tal situación, para cada recurso, se considera una cantidad deseable b,
pero se acepta la posibilidad de que sea mayor hasta un tope máximo b+t (t es
denominado nivel de tolerancia). Un modelo que incluye las restricciones con estas
característica se representa de la siguiente forma:
max z cx
s. a Ax f b (1.2)
x0
donde el símbolo “f“ indica la imprecisión de las restricciones y significa que para cada
restricción i, dado el nivel de tolerancia ti, a cada punto(vector n-dimensional) x se le
asocia un número i(x) [0,1] denominado grado de cumplimiento de la restricción i
definido por:
1 ( Ax) i bi
i ( x) f i (( Ax) i ) bi ( Ax) i bi t i (1.3)
0 ( Ax) i bi t i
5
PROGRAMACIÓN LINEAL DIFUSA
donde f(.) [0,1], es una función continua y monótona no creciente. Si i = i(x), para
i=1,...,m, y x fijo, entonces min i es el grado de cumplimiento de las restricciones
i 1,..,n
ó el grado de pertenencia de x al conjunto factible difuso.
1.2.2 Modelos con metas difusas
Un problema de PL (caso tradicional) con metas es aquel en el que se fija un valor
c0, llamado meta, que indica, para el caso de maximización, lo que el decisor espera
alcanzar como mínimo, y en el caso de minimización, el máximo valor que espera lograr
para la función objetivo. Es decir, el conjunto meta es [c0,] y [-,c0] para la
maximización y minimización respectivamente.
Un modelo de PLD con meta difusa es aquel cuyo conjunto meta es difuso, es decir,
que admite que el valor de la función objetivo sea ligeramente inferior a la meta mínima
cuando se trata de un problema de maximización, y análogamente para el de
minimización. El modelo correspondiente se expresa de la siguiente manera:
ma~x z cx
s. a Ax b (1.4)
x 0
Si t0 es la cantidad máxima en que la función objetivo debe ser inferior a la meta mínima
c0, entonces a cada vector x se le asocia un número 0(x), que representa el grado en que
el decisor considera que se alcanza la meta, definido mediante la función siguiente:
1 cx c 0
0 ( x) f (cx) c 0 t 0 cx c 0 (1.5)
0 cx c 0 t 0
donde f(.) [0,1] es una función continua monótona no decreciente.
6
1.2 MODELOS DE LA PLD
1.2.3 Modelos con coeficientes de la función objetivo difusos
Son aquellos cuyos costos o utilidades se conocen vagamente (con imprecisión, no
con exactitud). Por tanto se representan mediante números difusos, y el modelo
correspondiente, como sigue:
max z c~x
s. a Ax b (1.6)
x 0
Evidentemente z también es un número difuso, pero x puede ser un vector de
números difusos o no difusos, y cada costo difuso es descrito por su correspondiente
función de pertenencia j(x).
1.2.4 Modelos con coeficientes tecnológicos y recursos difusos
Cuando la información que se tiene de los coeficientes tecnológicos y de los recursos
no es exacta se está en el caso de coeficientes y recursos imprecisos, dichos parámetros se
consideran como números difusos y entonces, esta información se representa mediante
una función de pertenencia para cada parámetro. La representación del modelo asociado
a esta situación es de la manera siguiente:
max z cx
~ ~
s. a. A x f b (1.7)
x 0
donde el símbolo “ f ” es una relación de orden cuya expresión lingüística es “casi menor
o igual que” o “esencialmente menor que” entre números difusos, que es una extensión de
la relación de orden ““ definida en los número crips.
1.2.5 Modelos completamente difusos
Estos modelos constituyen el caso general donde todos los parámetros son
imprecisos, su representación general es el siguiente:
7
PROGRAMACIÓN LINEAL DIFUSA
max z c~x
~ ~
s. a. A x f b (1.8)
x f
0
donde f ( f ) es la relación difusa correspondiente a () como en el modelo (1.7), y los
coeficientes difusos están definidos por las siguientes funciones de pertenencia:
(.) : función de pertenencia del costo difuso c~ .
cj j
aij (.) : función de pertenencia del coeficiente difusos a~ij .
~
bi (.) : función de pertenencia del recurso difuso bi .
Las funciones de pertenencia de todos los números difusos que aparecen en estos
modelos que hemos citado, se especifican en el apartado siguiente (1.3) donde se abordan
los correspondientes métodos de solución.
1.3 MÉTODOS DE LA PLD
Existen varios métodos de solución para cada uno de los modelos presentados en la
sección anterior. Las diferencias entre ellos se dan o bien en la forma de representación
de los parámetros difusos o bien en el procedimiento mismo. Como es natural, hacemos
revisión, con un poco de detalle, sólo de los métodos más importantes y comentamos
brevemente los otros. Puesto que la información en dichos modelos es imprecisa, también
la solución obtenida será imprecisa, obteniéndose en consecuencia, no soluciones en el
sentido tradicional, sino soluciones difusas.
1.3.1 Métodos de solución de los modelos con restricciones difusas.
Recogemos dos métodos de solución de modelos con restricciones difusas, el primero
propuesto por Tanaka Okuda y Asai [190] y el segundo propuesto por Verdegay [203].
8
1.3 MÉTODOS DE LA PLD
[Link] Aproximación de Tanaka, Okuda y Asai
Este es el método que se utilizó por primera vez (1974) para resolver el modelo (1.2)
correspondiente a la PLD con restricciones difusas.
En esta aproximación, la función f mencionada en (1.3) es lineal, por lo que la
función de pertenencia quedaría reflejada de la siguiente manera:
1 ( Ax) i bi
(( Ax) i bi )
i ( x) 1 bi ( Ax) i bi t i (1.9)
ti
0 ( Ax) i bi t i
y cuya gráfica se muestra en la Figura 1.1
u(x)
1
0 ,5
0
b b+t
Ax
Figura 1.1: Función de pertenencia de las restricciones.
Esta aproximación concluye que la solución óptima del modelo (1.2) está dada por
la pareja
(*,x*) (0,1] x Rn,
tal que
* f ( x*) sup max f ( x)
xX
donde: f : Rn [0,1] es la función objetivo normalizada como sigue :
1 cx M
f ( x) cx ( 1.10)
M cx M
9
PROGRAMACIÓN LINEAL DIFUSA
con M el valor de solución óptima del modelo (1.2) sin considerar la difusidad de las
restricciones; y
X = { x n/ i i(x) }, [0,1].
Asumiendo la unicidad de *, y debido a la continuidad de f, (*,x*) se obtiene
mediante el siguiente algoritmo:
1) Para k=1, seleccionar k (0,1].
2) Calcular: f k máx { f ( x) / x X k }
3) Calcular: k 1 k f k . Si | k | > , ir al paso 4. Si | k | < ir al paso 5. Con
alguna precisión deseada.
4) Calcular: k 1 k rk k , rk 0 elegido tal que 0 k+1 1, ir al paso 2.
5) Hacer * k y determinar un óptimo x* n tal que f(x*) = max {f(x) / x X*}.
[Link] Aproximación de Verdegay
En la aproximación de Verdegay (1982) la función de pertenencia también es lineal,
por lo tanto, definida por (1.9) con represenatción gráfica dada por la Figura 1.1..
La interpretación asociada con dicha función de pertenencia la sintetizamos así:
Cuando (Ax)i bi, las restricciones se cumplen en forma satisfactoria, por lo
tanto el grado de satisfactibilidad es máximo (i(x)=1).
Cuando (Ax)i > bi+ti se viola la tolerancia, por tanto el grado de
satisfactibilidad es nulo (i(x)=0).
En el caso de bi < (Ax)i bi+ti se acepta la violación de la restricción, y el
grado de satisfactibilidad va disminuyendo a medida que se aleja de bi.
Lo ideal es hallar la solución óptima para i(x)=1, i=1,..,m; sin embargo, sería
aceptable obtener una solución para algún valor i(x) mayor que un entendida como
nivel de satisfactibilidad mínimo fijada a priori de acuerdo con la naturaleza del
problema, y lo que es fundamental, en interacción con el decisor.
10
1.3 MÉTODOS DE LA PLD
Por tanto, si i(x) , para 0 1, entonces
( Ax) i bi
1 o ( Ax) i b i (1 - )t i , i.
tt
y si 1- = , el problema (1.2) se transforma en el problema paramétrico clásico
siguiente:
max z cx
s. a. ( Ax) i bi t i , i (1.11)
x 0, 0,1.
cuya solución se obtiene mediante métodos clásicos.
Posteriormente, se han desarrollado métodos más generales para resolver
problemas del tipo (1.2) con funciones de pertenencia no lineales. Delgado, Herrera,
Verdegay y Vila [50] proponen un método análogo al análisis de post-óptimalidad. Ellos
demuestran que si x() es la solución del problema (1.2) con una función de pertenencia
lineal f, cuando las funciones de pertenencia g son no lineales continuas la solución de
(1.2) es
x(r 1 ( ))
1
donde r (.) g ( f (.)) .
1.3.2 Métodos de solución de modelos con funcion objetivo y restricciones
difusas
Un caso más general del modelo (1.4) es el siguiente:
ma~x z cx
s. a Ax f b (1.12)
x 0
La particularización de las restricciones al caso crisp transforma el modelo (1.12) en el
modelo (1.4), razón por la cual se han desarrollado métodos para el módelo (1.12) y que
pueden ser utilizados en la solución del modelo (1.4). Aquí recogemos tres métodos de
11
PROGRAMACIÓN LINEAL DIFUSA
solución, que se diferencian fundamentalmente en la concepción de la imprecisión de la
función objetivo.
Puesto que el valor de la función objetivo depende del dominio, conjunto factible en
este caso, su característica difusa puede ser debido a la imprecisión de las restricciones o
debido a la imprecisión de su meta. En consecuencia pueden darse dos situaciones, una
en que no se conoce a priori la meta ni su tolerancia, y otra, cuando se conoce la meta, la
tolerancia y la función de pertenencia; para el primer caso tenemos la aproximación de
Zimmermann y para el segundo caso tenemos por un lado la aproximación de Chanas y
por otro lado la aproximación de Werners.
[Link] Aproximación de Zimmermann
Para resolver el problema (1.12) según la aproximación de Zimmermann (1976)
[222], la meta b0 y su correspondiente tolerancia t0 de la función objetivo difusa han de
ser dadas inicialmente así como los recursos bi y sus respectivas tolerancias ti que se
suponen datos del problema.
Teniendo en cuenta estos datos, Zimmermann transforma el problema (1.12) en el
siguiente modelo:
hallar x
tal que cx f b0
(1.13)
( Ax) i f bi i
x 0
donde las restricciones difusas están definidas por las funciones de pertenencia lineales
que se expresan a continuación:
1 si cx b0
(b cx)
0 ( x) 1 0 si b0 t 0 cx b0 (1.14)
t0
0 cx b0 t 0
si
12
1.3 MÉTODOS DE LA PLD
1 si ( Ax) i bi
(( Ax) i bi )
i ( x) 1 si bi ( Ax) i bi t i (1.15)
ti
0 si ( Ax) i bi t i
y sus correspondientes gráficas se aprecian en las Figuras 1.2 y 1.3
u(x) u(x)
1 1
0,5 0,5
0
b-t b
cx 0
b b+t
Ax
Fig. 1.2: Función de pertenencia de la función objetivo. Fig. 1.3: Funciones de pertenencia de las restricciones.
Luego, usando el operador max-min de Bellman y Zadeh, la solución se obtiene a
través de la siguiente expresión:
max D ( x) maxmin 0 ( x), 1 ( x),..., m ( x) (1.16)
donde D es la función de pertenencia del espacio de decisión D.
Si D (x) = , el modelo (1.13) vía (1.16) es equivalente a
max
tal que cx b0 (1 )t 0
(1.17)
( Ax) i bi (1 )t i , i
x 0 y 0,1
un modelo paramétrico de tipo clásico, que se puede resolver mediantes métodos clasicos.
13
PROGRAMACIÓN LINEAL DIFUSA
[Link] Aproximación de Chanas
Chanas (1983) [35] considera que, debido al poco conocimiento de la región factible
difusa, la meta b0 y la tolerancia t0 de la función objetivo difusa no podrían ser
especificadas inicialmente, por lo tanto se tendrían que determinar con la ayuda del
decisor. Para ello, primeramente hay que resolver (1.12), sin considerar la difusidad de la
función objetivo, es decir, hay que resolver el modelo equivalente a (1.11).
Si el modelo (1.11) tiene alguna solución factible, entonces para cada número ,
existe x*() (solución óptima), y una restricción con grado de cumplimiento 1-, es decir,
c ( x * ( )) min i ( x * ( )) 1 . (1.18)
i
Luego, utilizando estas soluciones z(x*()) y x*(), el decisor podrá elegir la meta b0, la
tolerancia t0, y construir la correspondiente función de pertenencia que define la función
objetivo difusa dada en el modelo (1.12). Así, se obtiene dicha función de pertenencia, la
cual depende de , definida de la siguiente manera:
1 si cx * ( ) b0
(b cx * ( ))
0 ( x * ( )) 1 0 si b0 t 0 cx * ( ) b0 (1.19)
t0
0 cx * ( ) b0 t 0
si
La solución óptima de (1.12) es z*(x*()) y x*(), donde * es la solución de la
ecuación 0(*) = c(*).
[Link] Aproximacion de Werners
Al igual que Chanas, Werners (1987) [208] considera la difusidad de la función
objetivo determinada por la difusidad de las restricciones, pero difiere de aquél en la
forma de construir la meta, tolerancia y la función de pertenencia.
14
1.3 MÉTODOS DE LA PLD
Werners define la meta como b0 = z1, la tolerancia como t0 = z1 - z0 donde
z0 = max cx z1 = max cx
s.a. (Ax)i bi i s.a. (Ax)i bi+ti i
x0 x0
y la función de pertenencia de la función objetivo como sigue:
1 si cx z 1
( z 1 cx)
0 ( x) 1 1 si z 0 cx z 1 (1.20)
z z0
0 si cx z 0 .
En consecuencia, el modelo (1.12) es equivalente al modelo (1.17), como en el caso de la
aproximación de Zimmermann.
Otros autores han propuestos modelos que aparentemente pueden parecer
diferentes pero, sin embargo, se pueden reducir a este caso y resolverse mediante uno de
estos tres métodos explicados aquí. Cabe destacar por ejemplo las propuestas de Zhao,
Govind y Fan [219] para resolver problemas con meta difusa y restricciones difusas,
algunas de las cuales pueden ser restricciones de igualdad difusa. Estas restricciones de
igualdad se transformarán en desigualdades difusas. Los autores citados, en las
restricciones de igualdad difusas, consideran las funciones de pertenencias simétricas
trapezoidales no lineales. Además, para la toma de decisión difusa usando el operador
mínimo, proponen que se considere el mínimo obtenido a partir de las restricciones y el
mínimo requerido por el decisor.
1.3.3 Métodos de solución de modelos con coeficientes de la función objetivo
difusos
Se dijo, en la formulación del correspondiente modelo (1.6), los coeficientes difusos
hacen que la función objetivo también sea difusa. La representación, es decir, la función
de pertenencia de la función objetivo depende de la representación de los coeficientes,
15
PROGRAMACIÓN LINEAL DIFUSA
que por cierto tienen multiples formas, y de la forma como se relacionan éstas. La
diferencia entre los métodos de solución de modelos de la forma (1.6) propuestos radican
en estas dos características, que son la forma como se representan los coeficientes difusos
y la forma como se relacionan para representar la función objetivo difusa.
Como se ha podido apreciar en las secciones anteriores, los métodos de solución de
los modelos de PLD, usando la representación de la difusidad, transforman estos en
modelos clásicos. Esta misma idea se mantiene en esta y en las siguientes secciones.
Sin embargo, de aquí en adelante, cuando se trabaja con los coeficientes que son
números difusos, se presentan algunas diferencias con los métodos anteriores debido a
que los números difusos no se conciben de una manera única. Esta situación conduce a la
existencia de métodos generales que engloban todas las concepciones, y otros métodos
particulares en las que se utilizan números difusos con caracterísiticas particulares.
Aquí recogemos un enfoque general, el propuesto por Verdegay, y dos enfoques
particulares propuestos por Tanaka y otros, y Rommelfanger y otros respectivamente.
[Link] Aproximación de Verdegay
Verdegay (1984) [202] propone transformar el problema difuso (1.6) en un problema
paramétrico clásico, utilizando -cortes en la función de pertenencia de la función
objetivo difusa. En este método, la función de pertenencia de la función objetivo se define
como el ínfimo de las funciones de pertenencia de los coeficientes difusos.
Esta misma idea, Delgado, Verdegay y Vila [53], la aplican para el caso en que cada
coeficiente está definido por una función de pertenencia de la siguiente manera:
0 si x a j o x b j
j : R 0,1, j ( x ) h j ( x ) si a j x c j
h j ( x ) si c j x b j
16
1.3 MÉTODOS DE LA PLD
donde: [aj,bj] es el soporte del número difuso c~ j , h j es continua y estrictamente
creciente, h j es continua y estrictamente decreciente y h j (c j ) h (c j ) 1, j.
Verdegay [202] muestra la equivalencia del problema (1.6) con el siguiente:
n
max rj x j
j 1
sujeto a : j (r j ) 1 , j (1.21)
Ax b,
x 0, 0,1, r j R
Puesto que
j ( x) 1 h j 1 (1 ) x h j 1 (1 )
el problema (1.21) se transforma en un problema con función objetivo cuyos coeficientes
son intervalos para los que, básandose en los resultados de Bitran (1980) [17], Delgado,
Verdegay y Vila [53] proponen que la solución se puede obtener resolviendo el problema
paramétrico multiobjetivo siguiente:
max
c1 x, c 2 x, ..., c N x
sujeto a : Ax b, x 0 (1.22)
c k (d1 , d 2 ,..., d n ), k 1,..., N , N 2n
donde cada d j es h 1 (1 ) o h 1 (1 ), j.
haciendo uso de un método clásico.
[Link] Aproximación de Tanaka, Ichihashi y Asai
Esta aproximación considera que los coeficientes de la función objetivo son números
difusos triangulares. También la función objetivo se considera un número difuso y con la
función de pertenencia definida así:
17
PROGRAMACIÓN LINEAL DIFUSA
1 | 2 y ( a b ) x | (b a ) x , si x 0, y 0
( y ) 1 si x 0, y 0
0 si x 0, y 0
donde b = (b1, b2,..., bn) y a = (a1, a2,..., an) tal que (aj, cj, bj) es la representación
triangular del número difuso c~ j. j
Según Tanaka, Ichihashi y Asai [188], maximizar la función cx es equivalente a
maximizar w1ax+w2bx, donde w1+w2=1, w1,w2 [0,1], por tanto la solución del problema
(1.6) se obtiene resolviendo el siguiente problema auxiliar:
max w1 ax w2 bx
sujeto a : Ax b, (1.23)
x 0, w1 w2 0,1
de tipo clásico.
[Link] Aproximación de Rommelfanger, Hanusheck y Wolf
Estos autores representan los coeficientes difusos de la función objetivo por medio
intervalos anidados, determinados por los grados de pertenencia k(0,1], kM = {1, 2, ...
,p} como sigue:
c~ j c j k , c j k : k 0,1 , k M , j 1,..., n
(1.24)
tal que
1 , 2 0,1, 1 2 c j 1 , c j 1 c j 2 , c j 2 (1.25)
Sea D = { x n / Ax b, x 0 } y
z max c ( x max ) máx c x / x D , z min c ( x min ) mín c x / x D ,
* *
z max c ( x max
*
) máx c x / x D ,
z min c ( x min
*
) mín c x / x D .
18
1.3 MÉTODOS DE LA PLD
c (c1 , c 2 ,..., c n ), 0,1
donde : c (c 1 , c 2 ,..., c n )
Definamos ahora
c x z min
f 1 (c x )
si z min c x z max
z max z min
c x z min
f 2 (c x )
si z min c x z max
z max z min
Luego, según Rommelfanger, Hanusheck y Wolf (1985) [161], la solución de (1.6) se
obtiene resolviendo el problema auxiliar:
max
sujeto a : f 1 (c x ) ; f 2 (c x ) (1.26)
Ax b, x 0, 0
que es equivalente a este otro problema:
max :
sujeto a : ( z max z min ) c x z min
(1.27)
( z max z min ) c x z min
Ax b, x 0, 0.
entonces,
f1 (c x* ) f 2 (c x* ) *
donde (*,x*) es la solución óptima de (1.27).
1.3.4 Métodos de solución de modelos con coeficientes tecnológicos y recursos
difusos
Los números difusos de la matriz de los coeficientes tecnológicos y de los recursos,
en el modelo (1.7), se asumen que son del tipo LR , tal como proponen Dubois y Prade
[55], mientras que la restricción está dada por una relación de orden entre los números
difusos.
19
PROGRAMACIÓN LINEAL DIFUSA
Debido a que existen muchos métodos de ordenación de los números difusos, el uso
de cada uno en particular puede generar un modelo y un tipo de aproximación. Por otro
lado, aún dentro de cada relación de orden, el cumplimiento de las restricciones puede
tener o no una determinada tolerancia.
A continuación se presenta un método para el caso en que no hay tolerancia y otro
en el que sí existe tolerancia.
[Link] Aproximación de Tanaka, Ichihashi y Asai
Esta aproximación, de Tanaka y Otros (1984) [188], resuelve el caso en que el
cumplimiento de las restricciones no admite tolerancia.
Para definir la relación de orden en el conjunto de los números difusos, hay que
especificar a priori un número (0,1] denominado grado de optimismo, y entonces, la
relación de orden sería la siguiente:
a~ b (a a ) r (b b ) r (a a ) r (b b) r r ,1
~
(1.28)
donde (a a ) r y (a a) r son estremos superior e inferior respectivamente del r-corte de
~
a~ así como (b b ) r y (b b) r de b .
Y luego, Tanaka, Ichihashi y Asai demuestran que la solución de (1.7) se obtiene
resolviendo el problema auxiliar convencional siguiente:
max : cx
s. a :
1 2 ai a i 2 ai a i x 1 2 bi b i 2 bi b i
(1.29)
1 2 ai ai 2 ai ai x 1 2 bi bi 2 bi bi
x0
20
1.3 MÉTODOS DE LA PLD
[Link] Aproximación de Delgado, Verdegay y Vila.
Estos autores [52] (1989), consideran que en el cumplimiento de las restricciones se
admite tolerancia, es decir, resuelven, por analogía al modelo (1.2), el problema
siguiente:
max z cx
~ f ~
s. a. A x f b (1.30)
x 0
Si ~
ti es la tolerancia en la restricción i, interpretada como en la sección 1.3.1, y con
función de pertenencia semejante a (1.9), entonces, según Delgado, Verdegay y Vila,
(1.30) es equivalente al problema paramétrico siguiente:
max z cx
n
~
s. a. a~ij x j f ti (1 ) i 1,...m
bi ~ (1.31)
j 1
x 0, 0,1
el cual puede ser resuelto usando el método anterior.
Como se ha comentado al inicio de esta sección 1.3.4, un problema en el que los
parámetros de las restricciones son números difusos puede ser resuelto de múltiples
maneras. Se obtendrían tantas aproximaciones diferentes como relaciones de orden
usadas en las restricciones. La elección de una determinada relación de orden entre los
números difusos tendría que recaer en el decisor, quien tendrá en cuenta la naturaleza
del problema. Como ilustración de estos casos tenemos los trabajos de Campos y
Verdegay [33] quienes proponen el uso de hasta cinco métodos de ordenación de los
números difusos para resolver el problema (1.31).
Otra generalización del problema (1.7) consiste en utilizar un determinado método
de expresar los números difusos. Herrera, Kovács y Verdegay [79] presentan un método
de aproximación para el supuesto de que los coeficientes del problema (1.7) sean
números difusos quasitriangulares en los que la relación de orden denominada (g,p)-
valuada es un conjunto difuso en el espacio de los conjuntos difusos generados por la
21
PROGRAMACIÓN LINEAL DIFUSA
función gp (1p). Como caso particular proponen aquel en que la función g es la
función generadora de la t-norma de Lukasiewicz.
1.3.5 Métodos de solución de modelos completamente difusos
Se presentan a continuación los métodos de solución del modelo (1.8). Se consideran
dos casos fundamentales, el caso uniobjetivo y el caso multiobjetivo con metas también
difusas.
[Link] Aproximación de Tanaka y Asai
Tanaka y Asai (1984) [187] proponen un método de solución para los problemas con
metas cuyos coeficientes son números difusos y, a su vez, las metas son también difusas.
Esta situación queda mejor expresada de la siguiente manera:
max : (c~1 x, c~2 ,..., c~l x) f ( ~
p1 , ~
p 2 ,..., ~
pl )
n
~
sujeto a : a~ij x j f bi , i 1,2,.., m (1.32)
j 1
x j 0, j 1,2,..., n
la cual, según los autores, es equivalente a:
hallar x
que satisfaga las siguientes restricciones:
c~11 x1 c~12 x 2 ... c~1n x n f ~
p1
c~21 x1 c~22 x 2 ... c~2 n x n f ~
p2
c~l1 x1 c~l 2 x 2 ... c~ln x n f ~
pl
~ (1.33)
a~11 x1 a~12 x 2 ... a~1n x n f b1
~
a~21 x1 a~22 x 2 ... a~2 n x n f b2
~
a~m1 x1 a~m 2 x 2 ... a~mn x n f bm
22
1.3 MÉTODOS DE LA PLD
o a las restricciones
~ ~
Y~1 B
~x A
1 0 11 x1 A1n x n 0,
f
~ ~
Y~2 B
~ x A
2 0 21 x1 A2 n x n 0
f
(1.34)
~ ~
Y~i B
~x A
i 0 i1 x1 Ain x n 0
f
~ ~
Y~M B
~ x A
M 0 M 1 x1 AMn x n 0
f
donde
~ ~
~ p i , i l ~ cij , i l
M l m, x 0 1, x j 0, Bi ~ y Aij ~ , i 1,2,..., M , j 1,..., n
bi l , i l a ij , i l
que escrito en forma vectorial es:
~ ~ ~
Y Ax 0 (1.35)
donde
~ ~ ~ ~
A1 B1 A11 A1n
~
A
~ ~ ~ ~
AM BM AM 1 AMn
~ ~ ~ ~
Ai ( Bi Ai1 Ain ) { i ( i 0 in ) t , ci (ci 0 cin )}
~ ~
La expresión difusa Yi Ai x, está definida mediante la siguiente función de pertenencia:
y x t i
1 , si x 0,
ci t x
Yi ( y ) 1, si x 0, y 0, (1.36)
0, si x 0, y 0,
0, si ci t x y x t i
donde x ( x0 ,, xn ) t
Todos los números difusos que Tanaka y Asai consideran, son triangulares simétricos
representados por (,c) con soporte [-c,+c], mientras que la llamada condición de no
23
PROGRAMACIÓN LINEAL DIFUSA
negatividad difusa, que corresponde al término lingüístico "casi positiva", de los números
difusos en (1.34) o (1.35), la definen de la siguiente manera:
Y~i f 0 Yi (0) 1 h, x t i 0 (1.37)
donde h representa el grado de casi positividad, y el mayor de todos los h de (1.34) es el
grado de casi positividad fuerte de (1.35).
Utilizando (1.36) y (1.37) en (1.34) se tiene
it x
Yi (0) 1 t
1 h, i t x 0, i 1,2, , M (1.38)
ci x
que equivale a
( i hci ) x 0, i 1, 2, , M (1.39)
luego el problema se reduce a hallar el mayor valor h y x que satisfagan (1.39), es decir,
(1.32) es equivalente a:
max h
s. a : ( i hci ) t x 0, i 1, 2, , M (1.40)
x 0, 0 h 1
Debido a que las restricciones son no lineales (por el producto h y x), Tanaka y Asai
proponen el siguiente algoritmo para resolverlas:
Algoritmo:
1) Determinar un valor inicial pequeño h tal que exista un conjunto factible que
satisfaga (1.40)
2) Sea >0 un pequeño incremento. Encontrar el más pequeño valor h+(k+1) no
compatible con (1.40), k = 0, 1, 2, ....
3) Para el valor h+k, en el sistema compatible (1.40), seleccionar la desigualdad más
interesante. Si eligió la desigualdad j, considere J=j1x1+...+jnxn, como función
objetivo auxiliar; luego, resolver:
24
1.3 MÉTODOS DE LA PLD
max J
s. a : ( i (h k )ci ) x 0, i 1,2,..., M (1.41)
x0
La solución x* del problema (1.41) es la solución aproximada de (1.40) y
consecuentemente de (1.32).
[Link] Aproximación de Carlsson y Korhonen
El punto de partida de Carlsson y Korhonen [30] (1986) es que la solución óptima
z*=z*(c,-A,b) del problema de PL
max z = cx
s. a: Ax b, x 0
es una función creciente respecto a los parámetros c, -A y b.
Este resultado les permite considerar el problema (1.8), de tal manera que sus
parámetros difusos están definidos mediante funciones de pertenencia monótonamente
decrecientes.
En general, estas funciones de pertenencia pueden ser lineales o no lineales.
Carlsson y Korhonen prefieren una función de pertenencia exponencial, debido a que las
funciones exponenciales son muy flexibles, así si p representa a cualesquiera de los
parámetros difusos, su función de pertenencia es:
1 t p0
t p1
p (t ) a p 1 exp b p ( 0 )
1
p 0 t p1 (1.42)
p p
0 t p1
donde
1
ap y bp 0
1 exp(b p )
25
PROGRAMACIÓN LINEAL DIFUSA
los números p0 , p1 y bp son dados por el usuario(decisor, etc).
En esta definición de la función de pertenencia los autores consideran que en el
caso de p=1 (tp0) se tiene un problema no difuso, mientras que si p=0 (tp1), el
problema no es aplicable. Por lo tanto, tiene importancia desde el punto de vista de la
difusidad, el intervalo [p0,p1], y por eso, será para este caso cuando se utilice el presente
método.
Si c , A y b representan las funciones de pertenencia de los costos, coeficientes
tecnológicos y recursos difusos respectivamente, la solución existirá cuando
c A b (1.43)
de donde podemos obtener
c c1 ( ), A A1 ( ) y b b-1 ( )
donde a su vez [0,1].
Luego el modelo (1.8) puede ser reescrito como sigue
max c1 ( ) x
s.a. A1 ( ) x 1
b ( ) (1.44)
x 0, 0,1
Este modelo es un modelo paramétrico no lineal que puede resolverse usando para
parámetros fijos (que en este caso se transforma en un modelo lineal simple). Así se
genera un conjunto de soluciones con distintos valores del parámetro que constituyen un
conjunto de alternativas de solución para el decisor.
Al igual que para los otros modelos estudiados anteriormente, para los modelos
completamente difusos existen otros métodos que no son del todo diferentes a estos dos
métodos que acabamos de resumir. En la aproximación de Tanaka y Asai se utilizan los
números difusos triangulares, mientras que en el de Carlsson y Korhonen se abarcan
casos generales. Ramik y Rommelfanger [157] presentan un método que, comparado con
26
1.3 MÉTODOS DE LA PLD
el método propuesto por Tanaka y Asai viene a ser una extensión del mismo, y
comparado con el de Carlsson y Korhonen, constituiría una particularización del método
propuesto por estos autores. Ramik y Rommenlfanger proponen un método de solución
para el caso en el que los parámetros sean números difusos trapezoidales; desarrollando
este mismo método con mayor detalle para los números difusos trapezoidales rectos, e
introducen dos nuevos métodos de comparación de números difusos trapezoidales para
interpretar las restricciones difusas. Trabajos similares han realizado Nakamura y Gen
[143] quienes definen otras relaciones de igualdad y desigualdad de números difusos
trapezoidales y luego las utilizan para resolver problemas de PL completamente difusos
cuyos parámetros son números difusos trapezoidales.
1.4 EXTENSIONES Y APLICACIONES DE PLD
Como se ha comentado, la PLD nace precisamente allí donde la PL no tiene la
suficiente capacidad de resolver los problemas reales, por tanto, ensancha el horizonte de
las aplicaciones de la PL en general, ya sea en la solución de problemas reales muy
específicos, o como una ampliación de los métodos de los diferentes casos especiales como
es la programación multiobjetivos, problemas de transporte, programación entera, teoría
de la dualidad o programación estocástica, por citar sólo algunos ejemplos.
Desde que en 1974 Tanaka, Okuda y Asai [190] empezaron a introducir la teoría
difusa en la programación matemática, la segunda mitad de la década 70 ha sido el
período inicial de construcción de la PLD. Algunos trabajos fundamentalmente resolvían
problemas aplicativos como los de Negoita y Sularia [147] (1976), Sularia [186] (1977).
Otros como Zimmerman [223] (1978) construyeron métodos generales para la PLD.
Los años 80 constituyeron sin duda alguna la década de oro de la PLD, esto
naturalmente desde el punto de vista de la construcción de diversos modelos y métodos
de solución, las mismas que hemos presentado y comentado en las secciones 1.2 y 1.3. En
esta década, también se continuaron con el estudio de aplicaciones y las extensiones.
27
PROGRAMACIÓN LINEAL DIFUSA
La presente década, relacionado con la programacíon lineal difusa, está
caracterizada por el perfeccionamiento de las extensiones y aplicaciones iniciadas en la
década pasada, así como por la introducción en otros nuevos campos. Sugeridos por este
hecho, la presentación de la revisión de las extensiones y aplicaciones lo haremos en dos
grupos: por un lado, en las secciones 1.4.1, 1.4.2 y 1.4.3 aquéllas que se iniciaron en la
década pasada y que fueron consolidados en la primera mitad de esta década y por otro
lado, en la sección 1.4.4, las extensiones y aplicaciones iniciadas en esta década y que se
están consolidando en esta segunda mitad y de cara al siglo XXI.
1.4.1 Extensiones multiobjetivo
En los problemas de planificación de la producción, no sólo hay un único criterio de
optimización, sino que existen casos en los que es necesario optimizar varias funciones
objetivo. Cuando tanto las restricciones como las funciones objetivo son lineales nos
encontramos ante un problema de PL multiobjetivo (PLMO), que tiene la siguiente forma
general:
max Z ( x)
s. a. Ax b, (1.45)
x 0.
donde Z(x) =(z1(x), z2(x),..., zK(x)) y cada zk(x) es lineal, k=1,...,K.
Cuando no existían métodos específicos de solución para este tipo de problemas, se
intentaron resolver mediante los métodos de la PL y concretamente el método simplex.
Para ello, basándose en algún criterio, se elegía una de las funciones objetivos y las
demás se utilizaban como restricciones adicionales, fijando previamente una meta que
hiciera las veces de recursos, con las consiguientes pérdidas de autenticidad. Por ello, se
desarrollaron métodos muy específicos para estos casos, entre los que destacan tres:
métodos de maximización vectorial [42], programación de metas [42], y técnicas
iterativas [226]. Estos métodos, sin embargo, también presentan algunos
inconvenientes a pesar de sus ventajas.
28
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
Para resolver esos inconvenientes de los métodos convencionales ya citados, a la
vista de los logros significativos de la introducción de la teoría difusa en la PL, se intentó
introducir la teoría difusa también en la programación multiobjetivo. El primer paso
consistió en construir métodos para resolver los problemas PLMO en el sentido clásico
haciendo uso de la teoría difusa. El primero de estos métodos fue desarrollado por Zeleny
[218] quien transforma en una sola todas las funciones objetivo mediante la combinación
convexa, en la que los coeficientes convexos son números difusos cuyas funciones de
pertenencia son definidas por el decisor. Otro de los métodos importantes en esta
dirección es el método dado por Hannan [78].
Hannan parte de la consideración de que el decisor tiene alguna meta (aunque en
forma vaga) respecto a las funciones objetivo, por tanto la meta para cada función
objetivo es un conjunto difuso, cuya función de pertenencia discreta la define el propio
decisor. A partir de ello construye la función de pertenencia continua y lineal a trozos.
Luego presenta tres métodos para construir una sola función objetivo, todos ellos
basados en el nivel de aceptación de la meta expresado por el grado de pertenencia, lo
cual permite obtener un problema de PL con una sola función objetivo.
El primero en introducir los métodos de la PLD en la PLMO fue Zimmermann
[223], definiendo un problema de PLD multiobjetivo (PLDMO), de la siguiente forma
~
m i n z k ( x), k 1,2,..., K
s. a. Ax b, (1.46)
x 0.
Se observa que este problema es del tipo (1.4) dado en la sección 1.2, cuyos métodos
de solución se describe en la sección 1.3.2, con la diferencia de que en este caso existen
varias funciones objetivo.
Si cada función objetivo difusa (en el sentido de que tiene una meta difusa) está
definida por medio de la función de pertenencia lineal i(zi(x)), según Zimmermann [223],
utilizando la decisión difusa de Bellman y Zadeh, el problema (1.46) es equivalente a:
max mín k ( z k ( x)),
k 1,..., K
s. a. Ax b, (1.47)
x 0.
29
PROGRAMACIÓN LINEAL DIFUSA
que puede transformarse en un problema de PL clásica
max
s. a. k ( z k ( x)), k 1, , K
(1.48)
Ax b,
x 0, 0, 1
Se observa que en (1.47) se utiliza el operador mín. Zimmermann también propone
el uso del operador producto y así, el correspondiente problema equivalente a (1.46) es:
K
max k ( z k ( x)),
k 1
s. a. Ax b, (1.49)
x 0.
este problema (1.49) tiene la función objetivo no lineal y por tanto no se puede resolver
mediante los métodos de la PL.
Posteriores trabajos son similares a los métodos propuestos por Zimmermann, pero
con algunas alteraciones que permiten mejorar los resultados. Así tenemos los trabajos
de Benson [15] , Delgado [49], Fedrizzi, Kacprzyk y Roubens [63], Feng Ying-Jun [65],
Ignizio [88] y Narasimhan [144, 145]. Los trabajos de Hannan [78] y Inuiguchi, Ichihashi
y Kume [91] utilizando funciones de pertenencia continuas y lineales a trozos, Yang e
Ignizio [212] y recientemente Li y Yu [119] utilizando funciones de pertenencia no
lineales aproximados por lineales a trozos, Leberling [114] utilizando ciertas funciones
de pertenencia no lineales al igual que Buckley [23], con la diferencia de que este último
las utiliza para un problema de programación cóncavo o convexo multiobjetivo.
Luhandjula [124] sustituye los operadores min y producto por el operador- y, para
efectos de la simplificación de cálculos, propone el uso del operador suma min-acotado.
Chanas [36] a diferencia de Zimmermann considera que no es necesario que el decisor
proporcione la función de pertenencia (meta difusa) de cada función objetivo, sino que
ésta se construye tomando como referencia el mínimo y el máximo valor que toma cada
una de las funciones objetivo en la región de factibilidad. Luego, las funciones objetivo se
ordenan y se resuelve después de transformar en un problema paramétrico. Mohamed
[138] utiliza el concepto de variables desviacionales para transformar el problema (1.46)
al modelo clásico.
30
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
Existen casos en que las funciones objetivo no son precisamente lineales sino
cociente de funciones lineales. Estos casos son considerados también dentro de la PL y
son denominados problemas de programación multiobjetivo fraccionales (PMOF).
Luhandjula en [126] introduce por primera vez el uso de la PLD en PMOF, considerando
que las metas están dadas mediante variables linguísticas. Este método posteriomente
es mejorado por Dutta, Tiwari y Rao [56,58]. También Ohta y Yamaguchi [149]
utilizaron la PLD para resolver problemas de PMOF.
Las funciones objetivo de los problemas vistos hasta ahora son todas relativamente
independientes, sin embargo en los problemas reales esto casi no sucede porque, de una
u otra forma, existen interdependencias entre ellos. En los casos más simples pueden
tener sólo diferentes grados de importancia, y en otros casos muy complejos pueden
existir objetivos en conflicto. Para el caso de las funciones objetivo con diferentes grados
de importancia, es decir, cuando existen prioridades entre los objetivos, se han
desarrollado algunos métodos convencionales para resolverlos, como es el caso de Ignicio
[89]. Tiwari, Dharmar y Rao introducen la difusidad en los problemas de este tipo: en un
primer trabajo [192], utilizan una metodología similar a la de Ignizio, resolviendo
subproblemas difusos en las que las soluciones de los subproblemas con funciones
objetivo más prioritarios constituyen restricciones, y en [193] utilizan el modelo aditivo
con pesos. Cabe anotar también el trabajo de Rubin y Narasimhan [163] dentro de este
contexto. La propuesta de Chen [43] es una variación de las anteriores. Lee y Li [115]
estudian la PLDMO en que algunas de las funciones objetivo son de minimización y las
demás de máximización (el problema con estas características se denomina
programación de compromiso); introduciendo la solución ideal y la anti-ideal, obtienen la
solución de compromiso minimizando la distancia entre la solución ideal y la solución
deseada. Para hallar esta solución de compromiso, basándose en los resultados de
Zimmermann [223], Lee y Li proponen una aproximación en dos fases. En la primera
usan el operador mínimo y en la segunda, un operador compensatorio como es el
promedio aritmético. La aproximación de dos fases propuesta por Lee y Li es uno de los
métodos más simplificados para resolver la PLDMO, por ello otros autores han intentado
sacar el mejor provecho posible de ella, así Mohamed [138] relaja el método en el sentido
de que los pesos no necesariamente tienen que ser iguales, pero deben ser positivos para
generar una solución general eficiente. Por otro lado, Ida y Gen [87] mejoran el método
31
PROGRAMACIÓN LINEAL DIFUSA
propuesto por Lee y Li proponiendo un algoritmo basado en la unificación de las dos
fases.
Otro tipo de problemas de PLDMO son aquellos en los que los parámetros son
difusos. Aunque estos problemas ya habían sido tratados por Orlovski [153], Lee y Li
[115] utilizando los -cortes, proponen un método de solución diferente. Dentro de este
contexto se incluyen las aportaciones de Wang y Wang [206] que extienden, los métodos
desarrollados por Tong [196] para resolver la PL multiobjetivo con parámetros que son
intervalos, a la PLDMO con costos difusos.
Una generalización de los problemas multiobjetivo son los problemas de
programmación lineal multicriterios y de niveles multirestrictivos (MC2) introducidos y
resueltos por Seiford y Yu [177]. El método para resolverlos se denomina MC2-simplex,
utilizado por Lee, Shi y Yu [116]. Posteriormente, Shi y Liu introducen la teoría difusa,
primeramente [179] usando una función de pertenencia para el conjunto potencial de
soluciones, y luego [123] utilizando los métodos de la PLD para determinar una solución
potencial. Recientemente Cadenas y Verdegay [28] han introducido la posibilidad de que
cada objetivo provenga de un decisor diferente.
1.4.2 Extensiones uniobjetivo
En esta sección recogemos las extensiones de los conceptos de la PLD en los
problemas especiales como son el problema de transporte, el análisis de sensibilidad,
programación entera y otros.
[Link] Problemas de transporte difusos
Motivado por los diferentes artículos que aparecieron sobre la PLD, Óhéigeartaigh
[148] inicia la extensión y aplicación de los métodos de la PLD a problemas de transporte
con restricciones difusas. Sobre este trabajo inicial, Chanas, Kolodziejczyk y Machaj [38]
hacen las mejoras correspondientes y posteriormente Verdegay [201], Delgado, Verdegay
32
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
y Vila [51] y Chanas, Delgado, Verdegay y Vila [37] generalizan los resultados
anteriores.
Consideremos el siguiente problema de transporte difuso
m n
~
m i n c({xij }) cij xij
i 1 j 1
n
s.a. xij f a~i , i 1,..., m
j 1 (1.50)
m
~
xij f bj, j 1,..., n
i 1
xij 0, i 1,..., m; j 1,..., n
donde:
~
a~i (ai , a i , ai , ai ), b j (b j , b j , b j , b j )
1 1 2 2 1 1 2 2
son números difusos trapezoidales no negativos.
Teniendo en cuenta que las restricciones son difusas, es lógico que la función
objetivo (el costo total admisible) también sea difusa. Supongamos que está definida por
la siguiente función de pertenencia:
1 para x c 0
G~ ( x)
f ( x) para x c 0
donde f(x) es una función continua, decreciente y f(c0)=1. Un caso particular de f(x) es
una función lineal.
Chanas, Kolodziejczyk y Machay [38] proponen hacer uso de la programación
paramétrica en forma similar que en la PLD, tal como se detalla a continuación.
Haciendo un (1-)-corte en los números difusos de (1.50), para cada valor [0,1],
se obtiene el siguiente problema:
33
PROGRAMACIÓN LINEAL DIFUSA
m n
min cij xij
i 1 j 1
xij ai1 a i , ai2 ai2 , i 1,..., m
n
s.a. 1
j 1
xij b1j b1j , b 2j b j2 ,
m
j 1,..., n (1.51)
i 1
xij 0, i 1,..., m; j 1,..., n; 1 r ,1,
~ ~
r sup x a~ b~ ( x), a~ i a~i , b i bi .
Se observa que tanto las ofertas como las demandas (restricciones) no son iguales a
un número sino que están comprendidas entre dos cantidades (pertenecen a un intervalo
de números). El problema (1.51) se puede reducir a un problema clásico de un solo
estado. Para ello se consideran los valores del extremo izquierdo de cada intervalo como
la demanda mínima o la oferta mínima respectivamente, que necesariamente debe ser
satisfecha en el caso de demanda, y necesariamente distribuida en el caso de oferta.
Luego la diferencia entre el extremo derecho y el izquierdo de cada intervalo, se debe
considerar como la demanda adicional, u oferta adicional, que no necesariamente debe
ser satisfecha o distribuida respectivamente. Esto supone la introducción de costos muy
elevados, o costos nulos, según si se quiere evitar o no los envíos desde determinados
orígenes hacia determinados destinos. Así, queda planteado un problema de transporte
paramétrico clásico, cuya solución es una función en términos del parámetro .
La solución, de acuerdo a la decisión en un ambiente difuso dada por Bellman y
Zadeh, se obtiene mediante:
max D~ ({xij ( )}) u G~ ({xij ( )}) (1 ) (1.52)
El operador usado en (1.52) puede ser sustituido por cualquier otro operador que
sea no decreciente con respecto a cada uno de sus componentes.
Trabajos posteriores son extensiones de los anteriores, como son los trabajos de Bit,
Biswal y Alam. En un primer trabajo [18], estos autores resuelven problemas de
transporte multiobjetivos (multicriterios) utilizando las técnicas de PLD mientras que en
un segundo trabajo [23], resuelven el problema de transporte sólido. Esta denominación
se da a aquellos problemas de transporte de objetos de distintos tipos, que implican el
uso de diferentes medios de transporte y que incluyen también múltiples objetivos. En
34
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
un trabajo publicado recientemente, Jimenez y Verdegay [96] abordan el problema del
transporte sólido usando la PLD. Otro trabajo es el de Chalam [34], quien estudia un
problema de transporte con demanda aleatoria y cuyas metas son menores de las
soluciones mínimas.
En los trabajos previos de problemas de transporte difusos [37,38,51 y 201] no se
especifica la condición de ser números enteros para las variables, pese a que desde el
punto de vista de las aplicaciones, esta condición es importante. Por otro lado, los
métodos propuestos en ellos transforman el problema de transporte difuso en un
problema paramétrico clásico.
Recientemente, Chanas y Kuchta [39] han propuesto un método similar a los
anteriores para resolver los problemas de transporte difusos en donde las variables
tienen la condición de ser números enteros. En este método, el problema difuso se
transforma primeramente en un problema paramétrico intervalar de tipo clásico, luego
mediante un algoritmo para diversos valores del parámetro se resuelve el problema en
forma similar que en [38] transformando en un problema simple de tipo clásico.
Finalmente cabe destacar también los trabajos de Verma, Biswal y Biswas [205],
quienes utilizan las técnicas de PL para resolver problemas de transporte multiobjetivo
introduciendo metas difusas que definen mediante funciones de pertenencia no lineales,
en concreto, mediante funciones hiperbólicas y exponenciales.
[Link] Dualidad y análisis de sensibilidad
La dualidad y el analisis de sensibilidad, dentro de la PL, están intimamente
relacionadas, relación que se extiende también en la PLD al igual que otros conceptos.
Los primeros en extender los conceptos de la dualidad en la PLD fueron Hamacher,
Leberling y Zimmermann [77], quienes estudiaron los problemas de la PLD con
restricciones de dos tipos, algunas difusas y las otras no difusas. Después de
transformarlos al problema clásico equivalente, obtuvieron el problema dual no difuso
para luego analizar y dar la interpretación económica de las variables duales. Le
35
PROGRAMACIÓN LINEAL DIFUSA
siguieron Rodder y Zimmermann [160], introduciendo nuevas interpretaciones
económicas de la teoría de la dualidad usando conjuntos difusos.
En la PL clásica es bien conocido que la relación primal-dual está dada de una
manera única, pero esto no ocurrre en la PLD, por lo menos dentro del enfoque actual,
pues depende del tipo del problema clásico en que se transforme el problema difuso.
Una de las definiciones del problema dual en PLD y su correspondiente método
para obtenerlo es la que establece Verdegay [202] basándose en la simetría entre
restricciones difusas y una función objetivo difusa tal como fueron definidas por Bellman
y Zadeh [13]. Verdegay considera los dos tipos siguientes:
a) Cuando la función objetivo es completamente conocida pero las restricciones son
difusas, llámese problema P1.
b) Cuando las restricciones son exactamente conocidas pero los coeficientes de la
función objetivo son difusos, llámese problema P2.
Para estos dos tipos de problemas de PLD, P1 y P2 (primal), existen sendos
problemas duales, de tal modo que cada primal y su correspondiente dual tienen la
misma solución.
Considérese el problema:
max {cx / Ax f b, x0} (1.53)
igual al modelo (1.2). Si i (i=1,...,m), la función de pertenencia de la i-ésima restricción,
es definida como
1 si t bi
i (t ) (bi d i ) t / d i si bi t bi d i (1.54)
0 t bi d i
si
Entonces, Verdegay [202] demuestra que su correspondiente problema dual difuso es:
36
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
min {eu / uATc, u0} (1.55)
con los coeficientes e (costos) difusos dados por (1.54). Y recíprocamente, si (1.55) es un
problema difuso (igual al modelo 1.6) su correspondiente problema dual es (1.53).
Esta construcción del dual se puede generalizar, extendiéndose al caso de la
función de pertenencia no lineal estrictamente monótona de los parámetros difusos, y
también al caso en que tanto la función objetivo como las restricciones sean difusas, y la
dualidad obtenida en todos ellos se conoce como "auto-dualidad".
El análisis de sensibilidad es un área muy bien explorada en la PL clásica.
Consiste en determinar la solución de un nuevo problema, que representa una pequeña
variación con respecto a un problema ya resuelto, utilizando la solución dada para éste.
Se puede decir que anteriormente, el análisis de sensibilidad venía a ser una manera
rudimentaria de comprender los problemas en los que no se conocían con exactitud los
datos, constituyendo una especie de transición hacia la PLD, pero evidentemente no es lo
mismo, aunque en realidad, la idea del análisis de sensibilidad en la teoría clásica puede
también extenderse a la PLD, como efectivamente ha ocurrido así.
Los primeros que introdujeron el análisis de sensibilidad en la PLD fueron
Hamacher, Leberling y Zimmermann [77], quienes analizaron el siguiente problema:
ma~x cx
s. a. ai T x f bi , i 1,..., m1
(1.56)
d j T x b' j , j m1 1,..., m1 m 2 ,
x 0, m1 m 2 m.
donde c, ai, dj son vectores con n componentes y bi y b'j vectores con m1 y m2 componentes
respectivamente.
Utilizando la aproximación de Zimmermann dada en la subsección [Link], se
obtiene de (1.56) el siguiente problema clásico:
37
PROGRAMACIÓN LINEAL DIFUSA
max
s. a. p t p (I )
Ax t b, ( II )
(1.57)
t p ( III )
Dx b' ( IV )
R, x, t 0.
donde A=(aiT), b=(bi), t=(ti), p=(pi) , i=0,1,...,m1 y D=(d'j), b'=(b'j), j=m1+1,...,m1+m2;
pi es la tolerancia de la i-ésima restricción (meta si i = 0).
El análisis de sensibilidad que hacen Hamacher, Leberling y Zimmermann es
teniendo en cuenta las variaciones de los niveles de tolerancia, es decir, considerando las
variaciones en el vector p, por tanto involucran solamente las restricciones (I) y (III) de
(1.57). Estos autores realizan dicho análisis considerando tres casos: max=1, 0<max<1 y
max=0. En el primer caso para max=1, analizan cuando p varía a p+p>0 y demuestran
que la solución óptima no sufre ninguna alteración; para los casos segundo y tercero y si
es una variable básica, obtienen una fórmula en términos del incremento para la
variación de la solución, pero no presentan ninguna conclusión para el caso de que no
sea una variable básica.
Posteriormente Tanaka, Ichihashi y Asai [189] hacen uso del análisis de
sensibilidad para determinar una información de un problema de PLD. Ostermark [154]
hace el análisis de sensibilidad para establecer la interdependencia entre los parámetros
de un PLD, y Fuller [66] demuestra la estabilidad (con la norma C) de la solución de un
problema de PLD con respecto a pequeñas variaciones en las funciones de pertenencia de
los coeficientes difusos. Ambos autores tratan los problemas de PLD completamente
difusos cuyos parámetros tienen representación difusa triangular simétrica.
Dutta, Rao y Tiwari [57] hacen el análisis de sensibilidad de PLD fraccionaria.
Después de expresarla en dos problemas del tipo PLD, aplican el análisis realizado por
Hamacher, Leberling y Zimmerman.
38
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
Por otro lado, García-Aguado y Verdegay [67] proporcionan el rango de variación de
la solución óptima de un problema de PLD cuando los niveles de tolerancia del
cumplimiento de las restricciones varían dentro de un intervalo.
Finalmente remarcamos la importancia de los resultados de Delgado, Herrera,
Verdegay y Vila [50], quienes proponen que, utilizando la solución de un problema de
PLD con restricciones difusas donde las funciones de pertenencia son lineales, pueden
resolverse el mismo problema pero cuando las funciones de pertenencia son no lineales.
[Link] Programación entera difusa
Desafortunadamente, existen escasos trabajos que extienden los conceptos de la
PLD en la programación entera, más aún, esta situación se acentúa en el caso de la
programación entera en general.
Para el caso general, recogemos aquí, la importante aportación de Fabian y Stoica
[62], que plantea el siguiente problema:
max cx
s. a. ( Ax) i f bi , i 1,..., m (1.58)
x 0, y x números enteros
si pi es la tolerancia para la restricción i, y si se asume que las funciones de
pertenencia de las restricciones difusas son lineales, para resolver (1.58), Fabian y Stoica
proponen resolver el modelo auxiliar convencional siguiente:
max cx i ri bi ( Ax) i wi
s. a. ( Ax) i pi wi bi , wi 0,1, i 1,..., m (1.59)
x 0, y x números enteros
donde ri, i=1,...,m son coeficientes de penalización.
Es evidente que (1.59) es un problema de programación no lineal y en consecuencia,
su resolución exige otras técnicas que no son objeto de estudio en este trabajo.
39
PROGRAMACIÓN LINEAL DIFUSA
La introducción de los conceptos de la PLD en la programación entera binaria ha
tenido mejor suerte que el caso general. Desde que iniciaran en ella Zimmerman y
Pollatschek [225], les siguieron Herrera y Verdegay [80], Castro, Herrera y Verdegay
[31]. El resumen de estos trabajos propuestos podemos encontrar en [82,107].
La aproximación propuesta por Zimmerman y Pollatschek sirva para resolver
problemas de programación binaria difusa (PBD) que se pueden expresar en la forma
siguiente:
ma
~x cx
s. a. ( Ax) i f bi , i 1,..., m (1.60)
x j 0,1, j 1,2,..., n
Introduciendo la meta difusa, considerando que la tolerancia del cumplimiento de las
restricciones es pi, y usando las funciones de pertenencia lineales de (1.60) se obtiene:
max
s.a. i ( x) 1 ( Ax) i bi pi i (1.61)
x j 0,1, j y 0,1
Por razones computacionales Zimmermann y Pollatschek reformulan (1.61) como:
máx {0, mín (1, 1 )}
(1.62)
s.a. x j 0, 1, j
donde: máx mín b' i ( Ax)'i , b'i=bi/pi y (Ax)'i=(Ax)i/pi.
x i
Para resolver (1.62), Lai y Hwang [107] proponen el uso del método de ramificación y
acotación.
Por otro lado, la propuesta de Herrera y Verdegay [80], a difierencia de la anterior,
consiste en el uso de funciones de pertenencia no lineales en la definición de las
restricciones difusa, y la solución difusa obtienen a partir de la solución obtenida de los
problemas paramétricos generados con los -cortes.
40
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
En la versión difusa de la programación binaria mixta cabe destacar el trabajo de
Mizunuma y Watada [137] quienes, sobre el problema de tipo clásico
n
min z c jx j
j i
n
s.a. aij x j bi mi d i , i 1,..., m
j 1 (1.63)
m
mi r
i 1
x j 0, mi {0,1}, i 1,..., m; j 1,..., n
introducen la difusidad en los parámetros bi y di , en el sentido de admitir la tolerancia
en el cumplimiento de las restricciones y la tolerancia en alcanzar la meta. Por tanto, la
versión difusa de (1.63) tiene la forma del modelo siguiente:
n
~
min z cjxj
j i
n
s.a. aij x j f bi mi d i , i 1,..., m
j 1 (1.64)
m
mi r
i 1
x j 0, mi {0,1}, i 1,..., m; j 1,..., n
que, usando el método de la sección [Link], se obtiene el siguiente problema de
programación binaria mixta clásico:
n
~
min z cjxj
j i
n
s.a. aij x j f bi mi d i , i 1,..., m
j 1 (1.65)
m
mi r
i 1
x j 0, mi {0,1}, i 1,..., m; j 1,..., n
donde: Z0 y Z1-Z0 corresponden a b0 y t0 de (1.14) y bi1mi d i1 y bi0 mi d i0 (bi1mi d i1 )
corresponden a bi y ti de (1.15).
El problema (1.65) se puede resolverse mediante los métodos clásicos, como por
ejemplo el método de ramificación y acotación. Sin embargo debido a que este método
41
PROGRAMACIÓN LINEAL DIFUSA
conduce a una explosión combinatorial, Mizunuma y Watada [137] proponen el uso de un
algoritmo genético con la codificación binaria.
1.4.3 Otras extensiones y aplicaciones de la PLD
[Link] Programación lineal difusa interactiva
Desde que apareció la investigación de operaciones (IO) como un conjunto de
herramientas que permiten resolver problemas de decisión, la necesidad de la
interacción entre el especialista de la IO y el decisor para resolver los problemas de
decisión ha crecido paulatinamente hasta alcanzar el grado de indispensable en el
momento en que se incluyó la teoría difusa en este campo.
Como se ha visto directamente en los métodos presentados, y como ha ocurrido a lo
largo del desarrollo de la PLD, siempre ha estado presente el decisor, por ejemplo, en la
obtención de las funciones de pertenencia, en la evaluación de los resultados, etc. Sin
embargo, una simple interacción no es suficiente para aprovechar todo el potencial de los
diversos métodos que proporciona la PL difusa y no difusa en la solución de problemas
reales de decisión.
La PLD interactiva en realidad puede ser considerado como SGBM de un (SSD)
orientado a cualquier tipo de problemas y a usuarios en general; integra tanto las
técnicas difusas con todas sus variantes como las no difusas.
La PLD interactiva ha sido estudiada desde 1980, inicialmente por Baptistella y
Otero [8] seguidos por Fabian, Ciobanu y Stoica [61], Ollero, Aracil y Camacho [152],
Sakawa y Yano [173], Seo y Sakawa [178], Sakawa [165], Slowinski [182], Werners
[208,209] y Zimmermann [224]. Posteriormente, incorporando las recientes técnicas de
la PLD, Lai y Hwang [105,108] y Cadenas y Verdegay [29] consolidaron la PLD
interactiva como sistemas soporte de decisión. Sobre todo Cadenas y Verdegay presentan
el PROBO, un diseño de un SSD para problemas de optimización lineal difusa.
42
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
La PLD interactiva no es más que la interrelación de los diferente métodos difusos
o no difusos de la PL, para ser utilizados en la solución de problemas reales en forma
conjunta por el especialista en PL y el decisor, con la finalidad de obtener mejores
decisiones, de tal manera que el sistema de producción en consideración tenga la
característica de alta productividad, en el sentido de que el sistema aproveche la máxima
capacidad de los recursos con el mínimo desperdicio, mínimo inventario, sin tiempos
muertos, etc.
La PLD interactiva frente a un problema real, como primer paso, considera un
modelo de PL en el sentido clásico; si la solución obtenida es adecuada para el decisor, y
la acepta como solución final, el proceso termina. La otra posibilidad es que la primera
solución no sea adecuada para el decisor, esto puede deberse a que los datos tomados
como exactos no lo son en realidad, por tanto se debe formular un modelo difuso en el que
a su vez las funciones de pertenencias pueden ser proporcionadas o no por el decisor. En
función a estas características hay que optar por alguna de las aproximaciones
presentadas en la sección (1.3). Así, en función al criterio del decisor, se adecúa el
problema hasta considerar un problema completamente difuso, y al final el decisor
tendrá una cantidad suficiente de alternativas entre las que elegir.
El algoritmo detallado de la PLD interactiva puede encontrarse en [107].
La PLD interactiva también se ha extendido a casos especiales, así Sakawa y Yano
[172,174,213] a la programación fraccional, y Nagata, Yamaguchi y Kono [142] en los
problemas de transporte utilizan la PL interactiva.
[Link] Programación estocástica difusa
La programación estocástica, introducida en la década 50, es aquella forma de PL
cuyos parámetros están dados mediante distribuciones de probabilidad. Desde su
aparición hasta la actualidad se ha desarrollado ampliamente, tanto en la diversidad de
sus métodos de solución como en la variedad de sus aplicaciones. Dos excelentes
resúmenes son los presentados por Stancu-Minasian [185] y Wets [210].
43
PROGRAMACIÓN LINEAL DIFUSA
Desde que Zadeh [217] desarrollara la teoría de la posibilidad como una
generalización de la teoría de la probabilidad asociada con los conjuntos difusos, la
extensión de la PLD en la programación estocástica no se hizo esperar. Fue Luhandjula
[125,127,128] el primero en introducir la teoría difusa en la programación estocástica,
posteriormente se publicaron una serie de artículos como son los de Benoit [14], Buckley
[24,25,26], Fedrizzi y Fullér [64], Hussein [86], Inuiguchi e Ichihashi [90],Inuiguchi,
Ichihashi y Kume [92], Lai y Hwang [106,109,110], Masaaki [135], Wang y Zhong
[207,220], Yokoyama, Ohta y Yamaguchi [215], Zhong, Zhang y Wang [221], etc. Entre
los más recientes tenemos a Inuiguchi y Sakawa [93,94], Liu e Iwamura [121, 122] y
Hulsurkar, Biswal y Sinha [85] entre otros.
La PL posibilística (estocástica) difusa es tan amplia como la propia PLD, siendo
objeto de atención por parte de muchos autores, como se ha visto en el párrafo anterior.
Debido a ello, no se ha tratado aquí pues requiere especial dedicación, pudiéndose
recurrir a las referencias indicadas y al resumen de la gran mayoría de los trabajos, que
podemos encontrar en [107] y también en [183], para tener una panorámica completa de
modelos, métodos y aplicaciones.
[Link] Aplicaciones específicas de la PLD
Aquí reseñamos algunas aplicaciones importantes de la PLD que no están incluidas
en los casos especiales anteriores.
Comenzamos con las aplicaciones propuestas por Chang, Bill y Hopkins [40],
quienes proponen esquemas para modelamiento de problemas complejos, incluyendo en
ellos las técnicas difusas para incrementar la flexibilidad, y luego presentan como
ilustraciones los problemas de la planificación del uso de las tierras, y el sistema de
tratamiento de las represas de agua en [Link]. Un trabajo parecido en la parte
aplicativa presenta Slowinski [181, 182] al utilizar las técnicas de la programación
difusa multiobjetivo en el sistema de desarrollo de la planificación de la distribución del
agua. Asimismo, Yamaguchi y Kono [211] presentan la aplicación de la PLD
44
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
multiobjetivo en la planificación del cultivo de tomates y pepinos. Mizunuma y Watada
[137] utilizan la programación binaria mixta difusa en la distribución de los recursos.
Nagata, Yamaguchi y Kono [142] estudian un sistema de producción,
almacenamiento y transporte en el que la producción está asociada con la demanda, pero
esta demanda es fundamentalmente una predicción y por tanto, inexacta o bien una
cantidad vaga, por lo que los autores aplican los métodos de la PLD en todo un sistema
completo.
Campos [32] utiliza los modelos y los métodos de la PLD en el juego de la "suma-
cero" entre dos personas. Para cada jugador establece un problema de PLD donde,
durante el proceso de solución, considera distintos tipos de ordenación de los números
difusos para así obtener diferentes tipos de soluciones. El método de solución que
propone es una natural generalización de los métodos de solución convencionales de los
juegos clásicos.
Aplicaciones de la PLD publicadas últimamente y dignas de citar son las de Chang,
Chen y Wang [41], Lee y Wen [117], Ravi y Reddy [158] y Teng y Tzeng [191]. Chang,
Chen y Wang después de plantear un método de solución de un problema de PL entera
mixta multiobjetivo cuyos parámetros son intervalos difusos, presentan su aplicación en
la planificación de los sistemas de tratamiento de desechos sólidos. Lee y Wen aplican la
PL con metas difusas en el tratamiento de la calidad del agua en la cuenca de un río.
Ravi y Reddy aplican la programación fraccional difusa con metas en la planificación de
las operaciones en una refinería. Teng y Tzeng aplican la PLD multiobjetivo en la
selección de proyectos de inversión en transporte. En un artículo recientemente
publicado, Cadenas y Verdegay [28] proponen el uso de la PLD multiobjetivo para la
gestión de recursos agrícolas.
45
PROGRAMACIÓN LINEAL DIFUSA
1.4.4 Extensiones y aplicaciones recientes
Como se ha visto, tanto las aplicaciones como los métodos desarrollados se han
dedicado a la PLD en la parte simple (pequeña escala) y a lo sumo sólo se ha llegado a la
programación multiobjetivo, prestándose escasa atención a la PL en gran escala o a
importantes problemas, como el de la mochila. En esta sección nos dedicamos a la
version difusa de la PL en gran escala y el problema de la mochila.
[Link] Programación lineal difusa en gran escala
Como es bien conocido la PL constituye una herramienta fundamental en la toma
de decisiones. Pero, las decisiones dependen de una inmensa cantidad de factores, que
modelados matemáticamente, incluyen muchísimas variables de decisión. Un importante
problema de este tipo es el denominado problema de PL en gran escala (PL-GE).
Afortunadamente, en la gran mayoria de situaciones reales, con el incremento del
número de variables los modelos se hacen menos densos, es decir, aumentan el número
de coeficientes nulos, y sobre todo, presentan una estructura muy especial. Tienen
particular importancias, tanto porque se presentan en muchas situaciones como por ser
suceptibles de ser adaptados a los casos simples, aquellos modelos denominados con
estructura angular de bloques, algo parecidos en su estructura a la de los problemas de
transporte. El estudio de modelos con estas características reciben el nombre de
programación lineal en gran escala con estructura angular de bloques (PLA-GE), y tiene
la forma de:
min cx c1 x1 ... c p x p
s.a. Ax A1 x1 ... A p x p b,
B1 x1 b1 ,
(1.66)
B1 x1 b1 ,
xi 0, i 1,..., p,
donde: ci es un vector fila ri-dimensional y xi es un vector columna ri-dimensional de
variables de decisión, (i=1,...,p). Las restricciones Ax = A1x1+...+Apxp b son un conjunto
de s restricciones que incluye todas las variables, es decir, b es un vector columna s-
46
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
dimensional y cada matriz Ai es de dimensión s x ri, mientras que Bixi bi (i=1,...,p)
son bloques de ti restricciones, es decir, cada bi es un vector columna ti-dimensional y
cada matriz Bi es de dimensión ti x ri.
Para resolver un problema PLA-GE, Dantzig y Wolfe [46] propusieron el algoritmo
de descomposición; algoritmo que se utiliza tanto para problemas uni y multi objetivo.
Al igual que en el caso simple, es natural pensar que en situaciones reales los
parámetros de la PL-GE no siempre son conocidos con exactitud. Esto supone que en
muchos casos se tendrá un problema de PL-GE difusa (PLD-GE), para el cual se debe
tener los métodos de solución. Desde el punto de vista de las aplicaciones, las de mayor
importancia son los PLA-GE y consecuentemente tiene mayor importancia PLA-GE
difusa. El proceso de introducción de la teoria difusa en PLA-GE ha tenido la misma
evolución que el caso simple, es decir, los primeros trabajos han considerado la meta
difusa y las restricciones difusas (en el sentido de que se admiten violaciones tanto a las
restricciones como a las metas), luego se ha abordado el PLA-GE multiobjetivo difuso, y
finalmente, la PLA-GE con números difusos como parámetros.
El grupo pionero en este tema está encabezado por M. Sakawa, de la Universidad
de Hiroshima, Japón; grupo que en una serie de artículos publicados entre 1993 a 1998
abarca la gran parte de la PLA-GE difusa.
En el primer artículo Sakawa, Inuiguchi y Sawada [166] estudian la PLA-GE
difusa, entendida la difusidad como la aceptación del incumplimiento de las
restricciones. En los siguientes tres artículos Sakawa y Sawada [171,176] y Sakawa,
Inuiguchi y Sawada [167] proponen un algoritmo interactivo para el caso de PLA-GE
multiobjetivo en el que se admite el incumplimiento de las restricciones y metas. Luego,
Sakawa, Kato y Mizouchi [170] y Sakawa y Kato [168] estudian la PLA-GE difusa con
números difusos, y finalmente, Kato, Sakawa y Ikegame [100] estudian PLA-GE binaria
difusa con parámetros difusos y Sakawa y Kato [169], la PL fraccional difusa con
estructura angular de bloques.
47
PROGRAMACIÓN LINEAL DIFUSA
Iniciamos con la revisión de la más simple versión difusa del problema (1.66), como
es el caso de la flexibilidad en el cumplimiento de las restricciones y la meta.
Consideremos que la meta ideal para el decisor es que el costo sea menor o igual
que z01, pero es aceptable un costo mínimo menor o igual que z00, con el grado de
aceptación (función de pertenencia de la función objetivo) siguiente:
1, cx z 10
0 (cx) 0 cx 0 z 10 cx z 00 , (1.67)
cx z 00 .
0,
De la misma manera, para las s primeras restricciones se tiene las funciones de
pertenencia siguientes:
1, ( Ax) j z 1j
j (( Ax) j ) j ( Ax) j j z 1j ( Ax) j z 0j , j 1,..., s (1.68)
0 , ( Ax) j z 0j .
en (1.67) y (1.68):
1 z 0j
j y j , j 0,1,..., s. (1.69)
z 1j z 0j z 0j z 1j
Empleando una decisión convexa difusa, Sakawa, Inuiguchi y Sawada [166]
formulan la versión difusa del problema (1.66) en el cual son difusas tanto las metas
como aquellas restricciones que contienen todas las variables, de la siguiente manera:
s
max w0 0 (cx) w j j (( Ax) j ),
j 1
s.a. Bi xi bi , i 1,..., p,
xi 0, i 1,..., p, (1.70)
cx z 00 ,
( Ax) j z 0j , j 1,..., s,
48
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
s
donde w j 0 ( j 1,..., s ) y wj 1.
j 1
Usando (1.67) y (1.68), el modelo (1.70) se puede desglosar en p subproblemas
simples (pequeña escala) independientes, uno para cada bloque de restricción,
obteniéndose así el siguiente:
s
max w0 0 ci xi w j j ( Ai xi ) j
j 1
s.a. Bi xi bi , i 1,..., p (1.71)
xi 0.
Sakawa, Inuiguchi y Sawada [166] demuestran que si las p soluciones óptimas x'i
(i=1,..,p) de (1.71) satisfacen las siguientes desigualdades:
p
z 10 ci x' i z 00 , (1.72)
i 1
p
z 1j ( Ai x'i ) j z 0j , j 1,2,..., s (1.73)
i 1
entonces x*=(x'1T, x'1T,..., x'1T)T es la solución óptima de (1.70).
En el caso de que x'i (i=1,...,p) no satisfaga las desigualdades (1.72) y (1.73), la
solución del problema (1.70) se tendrá que encontrar por otro camino. Ese otro camino
también es trazado por Sakawa, Inuiguchi y Sawada [166]. Ellos demuestran que si z10 y
z1j son soluciones óptimas de
p
min ci xi
i 1
s.a. Bi xi bi , i 1,..., p (1.74)
xi 0, i 1,..., p
y
p
min ( Ai xi ) j
i 1
s.a. Bi xi bi , i 1,..., p (1.75)
xi 0, i 1,..., p
49
PROGRAMACIÓN LINEAL DIFUSA
respectivamente, entonces el problema (1.70) es equivalente al problema siguiente:
p
min ci xi
i 1
p
s.a. ( Ai xi ) j z 0j , j 1,2,..., s (1.76)
i 1
Bi xi bi , i 1,..., p
xi 0, i 1,..., p.
y éste es un problema de PLA-GE cuya solución se puede obtener mediante el algoritmo
de descomposición de Dantzig y Wolfe.
Finalmente, para calcular los pesos wj (j=0,1,...,s) que se han utilizado en (1.70) se
necesita que el decisor proporcione un valor ideal de entrada tanto para la meta como
para las restricciones difusas, notado tj <z0j (j=0,1,...,s). Luego
1
j (t j )
wj s
, j 0,1,..., s. (1.77)
1
u (t )
i 1 i i
Todo el procedimiento para resolver un problema de PL en gran escala con
estructura angular de bloques (PLA-GE) con meta y restricciones (no bloques) difusas
quedaría resumido de la siguiente manera:
Paso1: Desglosar en problemas (1.74) y (1.75) y resolverlos transformando en
subproblemas. Determinar z01 y z1j, (j=1,...,s), soluciones de (1.74) y (1.75)
respectivamente.
Paso 2: Presentar z01 y z1j, (j=1,...,s) al decisor para que con ellos pueda proporcionar los
valores ideales de entrada ti.
Paso 3: Calcular los pesos wj (j=0,1,...,s) según (1.77).
Paso 4: Resolver los p problemas de PL a pequeña escala en (1.71) y encontrar la
solución óptima x*=(x'1T, x'1T,..., x'1T)T para el problema (1.70).
Paso 5: Analizar si x* satisface las desigualdades (1.72) y (1.73). Si es afirmativo, x* es
la solución del problema PLA-GE con la meta y restricciones difusas.
50
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
Paso 6: Si x* no satisface (1.72) y (1.73), resolver (1.76) mediante el algoritmo de
descomposición de Dantzig y Wolfe y obtener x@ solución optima de (1.76), que
también es solución satisfactoria del problema PLA-GE con meta y restricciones
difusas.
Ahora pasamos a la revisión de la utilización de PLD en la programación lineal
multiobjetivo en gran escala con estructura angular de bloques (PLMOA-GE). En forma
similar a la propuesta de Zimmermann, se ha propuesto hacer el uso de las técnicas
difusas en la solución PLMOA-GE.
Consideremos el problema
min c1 x c11 x1 ... c1 p x p
min c 2 x c 21 x1 ... c 2 p x p
min c k x c k1 x1 ... c kp x p
s.a. Ax A1 x1 ... A p x p b0 , (1.78)
B1 x1 b1 ,
B1 x1 b p ,
xi 0, i 1,..., p,
donde los cij son ri-dimensional vectores fila y los demás igual que en (1.66).
Debido a que en muchos problemas multiobjetivo no existe una solución completa
que minimice simultáneamente todas las funciones objetivo, se usa el muy conocido
concepto de solución Pareto óptima. Si en (1.78) notamos por X al conjunto factible, x*X
es una solución Pareto óptima, si y sólo si no existe otro xX tal que cix cix* para todo
i=1,...,k y cjx < cjx* para algún j. La solución Pareto óptima débil se define en forma
similar exigiendo la desigualdad estricta para todas las funciones objetivo.
Para resolver (1.78), mediante métodos difusos, Sakawa y Sawada [171,176]
utilizan metas difusas (propuestas por el decisor) definidas medinate funciones de
pertenencia de la forma (1.67) e introducen una forma de decisión difusa en la que
utilizan j* (j=1,...,k), valores que reflejan un nivel de cumplimiento deseado por el
51
PROGRAMACIÓN LINEAL DIFUSA
decisor para cada función objetivo (este valor inicial lo proporciona el decisor). En
consecuencia, una solución Pareto óptima de (1.78) deberá tener una función de
pertenencia muy cercana a dichos valores deseados, es decir, se debe resolver el siguiente
problema:
min max { *j j (c j x)}. (1.79)
xX j 1,.., k
o equivalentemente
min
s.a. *j j (c j x) , j 1,..., k (1.80)
x X.
denominado problema mini-max.
Sakawa y Sawada demuestran que la solución óptima x* de (1.80), si es única, es
solución Pareto óptima del problema inicial (1.78). Si no es única, es una solución Pareto
óptima débil, pero a partir de dicha solución se puede obtener una solución Pareto
óptima resolviendo el siguente problema test:
k
max j
j 1
s.a. c j x j c j x*, j 1,..., k (1.81)
x X , j 0, j 1,..., k
Si (x·,·) es la solución óptima de (1.81), entonces x· es la solución Pareto óptima
de (1.78).
Los problemas (1.80) y (1.81) se resuelven mediante el algoritmo de
descomposición de Dantzig-Wolfe.
En resumen, el algoritmo interactivo [171,176] es el siguiente:
Paso 0: Obtener el valor mínimo individual zjmin y valor máximo individual zjmax de cada
función objetivo con las restricciones del problema inicial (1.78).
52
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
Paso 1: El decisor determina las funciones de pertenencia que expresan las metas
difusas para cada función objetivo considerando el intervalo cerrado [zjmin ,zjmax].
Paso 2: El decisor proporciona la referencia inicial j* (j = 1,...,k).
Paso 3: Obtener una solución óptima de Pareto resolviendo el problema (1.80) y el
correspondiente problema test (1.81).
Paso 4: Si el decisor no se siente satisfecho con la solución obtenida en el paso 3,
modificar los valores de la referencia inicial y luego retornar al paso 3.
Si se opta por resolver el problema (1.78) utilizando el operador min, [167] el
procedimiento es equivalente, con la excepción del paso 2, y el problema a resolver es
max
s.a. j (c j x)) , j 1,..., k (1.82)
x X.
en lugar del problema (1.80).
Finalmente, revisamos La PLAD-GE multiobjetivo con parámetros difusos. Esto
se origina cuando tanto los parámetros como los costos unitarios, los coeficientes
tecnológicos y los recursos en general, no se conocen con exactitud, es decir, el problema
es completamente difuso. El modelo asociado a este problema se expresa de la siguiente
manera:
min c~1 x c~11 x1 ... c~1 p x p
min c~2 x c~21 x1 ... c~2 p x p
min c k x c~k1 x1 ... c~kp x p
~
~ ~ ~ ~
s.a. A x A1 x1 ... A p x p f b , (1.83)
~ ~
B1 x1 f b1 ,
~ ~
B1 x1 f b p ,
xi 0, i 1,..., p,
donde todos los coeficientes son como en (1.78) con la diferencia de que en (1.83) los
números en los vectores, matrices y constantes en general son difusos.
53
PROGRAMACIÓN LINEAL DIFUSA
En los métodos de solución que plantean Sakawa y Kato [168] y Sakawa, Kato y
Mizouchi [170] los números difusos que utilizan son los números introducidos por Dubois
y Prade [55].
Al igual que en el caso de la PLD uniobjetivo, para encontrar una solución
aproximada de (1.83), se transforma en un problema clásico utilizando los -cortes. El
conjunto de todos los -cortes en todos los coeficientes lo representamos de la siguiente
manera:
( A, B, b, c) / ~ s (aijs ) , ~ s (bhjs ) , ~ s ' (b' hs '' ) ,
aij bhj b 'h '
~ ~ ~ ~
( A, B , b , c ) c~ ts (c j ) , i 1,..., t 0 , j 1,..., rs , s 1,..., p
ts
(1.84)
j
h 1,..., t s , h' 1,..., t s ' , s ' 0,..., p, t 1,..., p
Si elegimos un elemento del conjunto (1.84) y sustitimos en lugar de los coeficientes
del modelo (1.83), se obtiene el modelo no difuso siguiente
min c1 x c11 x1 ... c1 p x p
min c 2 x c 21 x1 ... c 2 p x p
min c k x c k1 x1 ... c kp x p
s.a. Ax A1 x1 ... A p x p b0 ,
(1.85)
B1 x1 b1 ,
B1 x1 b p ,
xi 0, i 1,..., p;
~ ~ ~
( A, B, b, c) ( A, B , b , c~ ) .
que denominamos problema -PLDA-GE.
El modelo (1.85) es del tipo clásico, pero debido a que en realidad los coeficientes no
son números específicos sino variables, no se puede aplicar el concepto de solución Pareto
óptima, por lo que es necesario generalizar este concepto para el caso como solución -
Pareto óptima. Un x*X(A*,B*,b*) se denomina solución -Pareto óptima de -PLDA-GE
54
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
(1.85) si y sólo si no existe otra xX(A,B,b), tal que cixc*ix*, i=1,...,k, y si se cumple la
desigualdad estricta para algún i.
Para generar la solución candidata a ser -Pareto óptima de (1.85), antes, al igual
que para la PLDA-GE multiobjetivo, el decisor debe proporcionar el nivel de referencia
inicial z'i, i=1,...,k. La solución -Pareto óptima será aquélla que esté lo más
cercanamente posible a dichos niveles de referencia, es decir, que sea la solución del
siguiente problema:
min max (ci x z 'i )
i 1,..., k
s.a. x X ( A, B, b), (1.86)
~ ~ ~
( A, B, b, c) ( A, B , b , c~ )
o equivalentemente
min
s.a. (ci x z 'i ) , , i 1,..., k
(1.87)
x X ( A, B, b),
~ ~ ~
( A, B, b, c) ( A, B , b , c~ ) .
Este problema (1.86), debido a que los parámetros son considerados como variables
de decisión tiene las restricciones no lineales. Pero dichos parámetros tienen los
intervalos de variación que son los respectivos -cortes, intervalos cerrados de la forma:
cL R
i , ci , A , A , B
L
R L
j , B Rj y b L
j ,
b Rj ,
para los parámetros ci, A, Bj y bi respectivamente.
Sakawa y Sawada demuestran que la solución candidata a ser -Pareto óptima de
(1.86) o (1.87), se puede obtener resolviendo el problema obtenido de (1.86) tomando los
coeficientes de los términos del primer miembro, los extremos izquierdo de los intervalos
(-cortes), y los extremos derecho para los parámetros de los términos del segundo
miembro, siguiente:
55
PROGRAMACIÓN LINEAL DIFUSA
min
s.a. c1L c11 x1 ... c1 p x p z '1 ,
L L
c 2L c 21 x1 ... c 2 p x p z ' 2 ,
L L
c kL c kL1 x1 ... c kp x p z'k ,
L
(1.88)
AL x A1L x1 ... A pL x p b0R ,
B1L x1 b1R ,
B1L x1 b1R ,
x j 0, j 1,..., p.
Si x* es la solución óptima de (1.88), candidata a solución -Pareto óptima, la
solución x@ -Pareto óptima de (1.87) se obtiene de la solución óptima (x@, @) del
problema test:
k
max i
i 1
s.a. ciL x i ciL x*,
L
A x b0R , (1.89)
L
B x j b Rj ,
x j 0, i 0, i 1,..., k , j 1,..., p.
Este procedimiento se puede resumir en un algoritmo cuyo paso inicial consiste en
hallar el mínimo y máximo individual para cada función objetivo usando =0 y =1
respectivamente. Estos valores pueden servir como una referencia para elegir los niveles
de referencia iniciales en el siguiente paso. Luego se determina la solución -Pareto
optima resolviendo sucesivamente los problemas (1.88) y (1.89). Y finalmente, si la
solución obtenida no es de su agrado, el decisor elegirá otros niveles de referencia hasta
alcanzar la solución aceptable.
Como aplicaciones del método aquí expuesto se han desarrollado algunos trabajos.
Comentamos dos casos especiales, uno de ellos se refiere a la solución de la programación
fraccional difusa multiobjetivo en gran escala con estructura angular de bloques
(PFADM-GE), desarrollado por Sakawa y Kato [169], y el otro, a la solución de
56
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
problemas de programación binaria difusa multiobjetivo en gran escala con estructura
angular de bloques, desarrollado por Kato, Sakawa y Ikegame [100].
En ambos casos, los problemas difusos se caracterizan porque sus coeficientes son
números difusos al igual que en (1.83), por tanto, todo el procedimiento de
transformación al caso clásico viene a ser igual.
En la programación fraccional [169], las expresiones fraccionales de la función
objetivo que pasan a ser restricciones, se pueden transformar en simples restricciones
lineales. Y en la programación binaria [100], después de transformar al caso clásico se
aplica un algoritmo genético para hallar la solución.
[Link] El problema de la mochila difuso
Cuando los parámetros del problema de la mochila no son conocidos exactamente,
su formulación matemática podrá realizarse con parámetros difusos.
Al igual que para el problema de la mochila clásico (con parámetros exactos), para
resolver el problema de la mochila difuso no es posible generalizar los métodos de la PLD
que son propios de los problemas con variables no discretas. Esto ha motivado a algunos
autores a buscar métodos de solución muy específicos.
Uno de los trabajos iniciales para resolver el problema de la mochila difuso ha sido
realizado por Okada y Gen [150] para el problema simple, es decir, con una sola
restricción. Los mismos autores en otro artículo [151] proponen un método de solución
para el problema difuso multidimensonal de la mochila:
n
max ~
z c~ j x j
j 1
n ~
s.a. a~ij x j f bi , i 1,..., m (1.90)
j 1
x j 0,1, j 1,..., n
donde todos los coeficientes son números triangulares difusos positivos.
La relación de desigualdad entre los números difusos dada por Kaufmann y Gupta
es utilizada por Okada y Gen en las desigualdades de las restricciones en (1.90). Según
Kaufmann y Gupta, la relación de desigualdad entre dos números difusos está dada por
57
PROGRAMACIÓN LINEAL DIFUSA
un número que indica el grado de desigualdad existente entre dichos números. Dicho
grado está dado por:
aR
min a ( x), B ( x)dx
~ aL
P (a~ f b ) aR
(1.91)
u a ( x)dx
aL
~ ~
donde: a~ ( a L , a M , a R ) y b (b L , b M , b R ) son números difusos triangulares, y B definido
por la función de pertenencia B ( x ) sup b (u ) / x u se denomina cota superior difusa
x
~
para el número difuso b .
Como es sabido, una terna que representa a un número triangular difuso, indica
que la función de pertenencia correspondiente tiene valor cero en (-,aL] y en [aR,); la
función de pertenencia es lineal creciente en [aL,aM], y lineal decreciente en [aM,aR] , y
tiene como máximo valor 1 en aM . Si los tres componentes son positivos se dice que el
número difuso triangular es positivo.
Okada y Gen utilizan el eficiente método del gradiente para resolver el problema
(1.90). Primeramente fijan un grado mínimo en que las desigualdades de los números
difusos de las restricciones deben ser aceptadas. Este grado mínimo es dado por el
decisor. Los autores citados proponen un algoritmo que se compone de dos fases. La
primera fase consiste en generar un conjunto de soluciones factibles que cumplan con el
grado mínimo fijado en que las desigualdades se forman, y la segunda fase consiste en
elegir la mejor solución usando para ello la misma definición del grado en que se forma la
desigualdad entre dos números difusos.
Recientemente, Abboud, Sakawa e Inuiguchi [1] han propuesto un método de
solución para el problema de la mochila multidimensional y multiobjetivo con metas
difusas,
n
max z l k lj x j , l 1,..., q
j 1
n
s.a. rij x j bi , i 1,..., m (1.92)
j 1
x j 0,1, j 1,..., n
58
1.4 EXTENSIONES Y APLICACIONES DE LA PLD
donde klj < 0 y rij 0.
Evidentemente, las metas difusas tienen que estar definidas mediante una
función de pertenencia. El método que proponen los autores es para las funciones de
pertenencia que son lineales y que son definidas por el decisor. En la definición de esta
función, el decisor tendrá como referencia el máximo valor de cada función objetivo
dentro de la región factible, y el cero, que viene a ser el mínimo valor posible para dichas
funciones de pertenencia.
Abboud, Sakawa e Inuiguchi emplean una decisión convexa para transformar
todas las funciones objetivo en una sola, es decir, el problema equivalente al problema
(1.92) con metas difusas es:
q
max wl zl (k l x)
l 1
s.a. Rx b, (1.93)
x j 0,1, j 1,..., n
donde: k l (k l1 ,..., k ln ), u zl (.) es la función de pertenencia de la meta difusa l,
q 1 zl ( z la )
wj 1, w j 0 y wj , con z la el nivel de aspiración de la función
zl ( z la )
q
j 1 l 11
objetivo l, que debe ser proporcionado por el decisor.
Utilizando la función de pertenencia lineal, de (1.93) se puede obtener un
problema en la forma
max cx
s.a. Ax 1, (1.94)
x j 0,1, j 1,..., n
que es un problema clásico que puede resolverse mediante el eficiente método del
gradiente.
59
Capítulo 2
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN
LINEAL
2.1 INTRODUCCIÓN
Los problemas de la realidad, cuando no es posible resolverlos adecuadamente usando
el sentido común o la fuerza bruta, pueden ser resueltos usando diversos métodos que
proporciona la ciencia. Para ello, deben ser expresados en un lenguaje adecuado que
permita aplicar métodos de solución adecuados. Las expresiones del problema se denominan
modelos. Si lo que se utiliza es el lenguaje matemático los modelos obtenidos se denominan
modelos matemáticos.
Hasta hace dos décadas existían dos principales formas de clasificación de modelos
matemáticos: discretas versus continuas y determinísticas versus estocásticas
(probabilísticas). Ahora podemos clasificarlos de una forma general en modelos difusos y
no difusos y en cada uno de estos grupos efectuar las clasificaciones tradicionales.
Los modelos matemáticos discretos han sido los primeros en aparecer (aunque no se
denominaran así) por basarse fundamentalmente en el conjunto de los números naturales.
Los diversos métodos que se utilizan para resolver problemas que generan modelos
matemáticos discretos son denominados en términos generales algoritmos, si bien es cierto
que no se conoce exactamente cuando se optó por esta denominación. Inicialmente, junto
con la introducción de la notación arábiga de los números naturales se introdujo la
denominación de algorismo para referirse a un determinado proceso de cálculo mediante
números arábigos.
Si entendemos que un algoritmo es un proceso de cálculo con números naturales,
tenemos que aceptar que los algoritmos han sido desarrollados desde la Antigüedad, ya que
babilonios y egipcios desarrollaron tablas de multiplicación, y uno de los más famosos
algoritmos conocidos es el algoritmo propuesto por Euclides (300 A. de C.), que lleva su
nombre, para determinar el máximo común divisor de dos números.
61
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
También desde la Antigüedad se ha destacado la importancia de la eficiencia de los
algoritmos, entendiéndose por eficiencia la rapidez con que éstos pueden resolver un
problema. Actualmente, el análisis de la eficiencia de un algoritmo constituye un aspecto
principal de la teoría de algoritmos. La rapidez de los algoritmos depende de diversos
factores como son la magnitud de los datos, el uso de los instrumentos etc.
La necesidad de una mayor rapidez de los algoritmos ha llevado al desarrollo de gran
número de investigaciones en los últimos años, para conseguir algoritmos más eficientes
que los ya existentes, o para resolver nuevos problemas que han surgido.
Desde un punto de vista (matemáticamente) más formal [11, 16], algoritmo es un
mapeo de un conjunto de entradas L a una familia de conjuntos de resultados U. Si Alg
nota a la función algorítmica,
Alg: L v U
d v Alg(d) 0 U
donde L, Alg(d) son subconjuntos de algún dominio X.
El conjunto Alg(s) no es un conjunto arbitrario sino es una sucesión de la forma
{x0,x1,x2......xn......}
con la regla de correspondencia f definida por la parte iterativa del algoritmo, es decir,
xn = f(xn-1)
se obtiene en la n-ésima iteración como resultado de aplicar el algoritmo al resultado de la
iteración anterior, y x0 = d es el elemento (solución) inicial del algoritmo.
La sucesión { xn } puede ser de rango finito o infinito. Si es de rango finito obviamente
es convergente. En el caso de que sea una sucesión de rango infinito y no convergente, el
algoritmo no tiene validez para la solución de problemas pues sólo tienen importancia
aquellos algoritmos correctos que generan sucesiones convergentes.
Si un algoritmo correcto aplicado a un ejemplar de un problema admite más de un
elemento inicial, es decir, si L es no unitario, todas las sucesiones obtenidas con los
diferentes elementos iniciales en L deben converger a un mismo elemento. Si esto ocurre
por ejemplo en algoritmos de optimización se dice que el elemento de convergencia es un
óptimo global; si por el contrario, hay por lo menos dos elementos iniciales que generan
62
1.1 INTRODUCCIÓN
sucesiones con diferentes elementos de convergencia, entonces dichos elementos son
denominados óptimos locales. En cualquier caso, a dichos elementos se llega siempre tras
la verificación de determinados criterios de parada o de control.
Los criterios de parada constituyen una parte fundamental de un algoritmo, para
ubicarlo veamos primero las estructura general de un algoritmo.
2.1.1 Estructura de un Algoritmo
Ya hemos visto que un algoritmo es un proceso repetitivo que genera una sucesión de
elementos de acuerdo a un conjunto de instrucciones pre- escritas hasta cumplir con una
condición de parada. Además requiere de un elemento inicial generador de la sucesión. De
esto se desprende que en todo proceso algorítmico pueden distinguirse tres grandes etapas:
inicial, iterativa y final (Figura 2.1).
Etapa Inicial: Es la etapa en que, sobre la base de alguna regla, se elige un elemento
inicial para generar los demás valores de la sucesión en la etapa iterativa.
De acuerdo a la naturaleza de los problemas y del algoritmo que se
resuelve, dicho elemento inicial puede ser un elemento en particular, como
por ejemplo en el algoritmo simplex, en los algoritmos de la mochila, etc.
En otros casos, se utilizan reglas específicas para obtener el elemento
inicial, como ocurre por ejemplo en el algoritmo simplex de transporte
donde hay varias reglas distintas para obtener el elemento inicial. En
estos últimos casos, el conjunto L mencionado es no unitario.
Etapa Iterativa: Es la etapa operativa principal del algoritmo que genera los elementos
de la sucesión, elementos que constituyen soluciones aproximadas del
problema.
Etapa final: Esta etapa, que en lo sucesivo denominaremos criterio de parada, es la que
controla las repeticiones de la etapa iterativa. Está formada por un conjunto
de reglas que indican cuando el procedimiento algorítmico debe finalizar,
63
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
razón por la que reciben el nombre de reglas de control o criterios de parada,
de los que se ofrecen más detalles en la siguiente sección.
2.1.2 Criterios de parada clásicos
Una de las características del algoritmo mencionadas en la sección anterior es la de
ser finito, es decir, que se trata de un procedimiento de cálculo que debe terminar. Por otro
lado, desde el punto de vista abstracto, se concibe como un procedimiento que genera una
sucesión { xn }. Puesto que en forma general una sucesión es infinita aún en los casos de
rango finito, es necesario en todo algoritmo establecer los criterios de parada.
Los criterios de parada se establecen a partir de las características teóricas del
problema, del tipo de solución que se busca y del algoritmo que se utilice. Algunos de los
criterios más frecuentes son:
a) Parar el proceso después de N iteraciones.
64
2.1 INTRODUCCIÓN
b) Parar el proceso si la diferencia entre dos elementos de la sucesión a partir de una
determinada iteración es menor o igual que un valor prefijado.
Si g es un valor prefijado, se detiene el proceso cuando
En este último caso se denomina distancia relativa.
c) Parar el proceso cuando una medida prefijada g(xn) satisface una determinada condición.
Como por ejemplo:
En un algoritmo el criterio de parada puede estar expresado mediante una o varias
reglas, ya sea en forma disyuntiva o conjuntiva.
2.1.3 Criterios de parada difusos
Los algoritmos en general son diseñados para resolver problemas, y sobre todo
problemas reales. Muchos de estos problemas reales son complejos y con dimensiones
grandes. En estos casos, los algoritmos -aún los que son polinomiales-, para satisfacer las
condiciones de parada requieren un número de iteraciones muy grande que es posible no
se puedan alcanzar en tiempo razonable; situaciones en las que aún los algoritmos más
eficientes pueden ser poco útiles. La situación es peor para los problemas NP-completos, los
cuales carecen de algoritmos con tiempos de ejecución polinomial. Para ellos, se han
desarrollado diversos algoritmos heurísticos que permiten determinar soluciones
aceptables. No obstante, esto ha supuesto descuidar la búsqueda de la posibilidad de
adaptar los algoritmos exactos de tal manera que nos permitan hallar soluciones
aceptables. Los algoritmos exactos, tal como están construidos, son poco flexibles ya que sus
criterios de parada están basados en análisis teóricos de los problemas y algoritmos, por
tanto el procedimiento de calculo hasta alcanzar la solución exacta para problemas de
grandes dimensiones, puede ser incluso varios años.
En el caso de problemas de decisión, en situaciones reales, cuando no se conoce
65
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
ninguna solución, y fuera imposible obtener una solución exacta en un tiempo razonable,
para el decisor será suficiente tener una solución aceptable. Esta categoría de aceptable
respecto de una solución no exacta, sólo la puede otorgar el decisor que está al frente de un
problema en particular que necesita resolver. En consecuencia, para los efectos de
aplicación en problemas reales y de dimensiones arbitrarias los algoritmos deben tener una
flexibilidad para adecuarse a situaciones muy particulares y también a los criterios del
decisor.
Debido a que la dinámica de todo algoritmo está en sus reglas de control, la
flexibilización se tiene que buscar en dichas reglas para obtener un algoritmo semejante,
pero con la finalidad de que sea capaz de proporcionar soluciones aceptables en un tiempo
de ejecución razonable.
Una herramienta que ha ayudado en la solución de problemas en diferentes campos
en los que los datos no se conocen con exactitud es la teoría de conjuntos difusos.
Particularmente, la programación lineal difusa ha tomado como fuente esta teoría, lo que
acredita la virtualidad aplicativa de la teoría de conjuntos difusos en otros ámbitos como
es el de la flexibilización de los criterios de parada, que se denominan criterios de parada
difusos.
Los criterios de parada difusos fueron introducidos por primera vez en el ámbito de
la programación matemática en 1995 por Verdegay [204], y luego por Herrera y Verdegay
[81] en 1996, particularmente en el algoritmo simplex de la PL. En este trabajo
desarrollamos esto con mayor amplitud, y lo extendemos a los algoritmos de Karmarkar y
de Puntos Interiores de la PL, así como a algunos algoritmos que sirven para resolver los
Problemas de la Mochila y del Viajante de Comercio.
Sin pérdida de generalidad consideremos que el criterio de parada de un algoritmo
exacto es:
(2.1)
Es evidente que una solución no óptima no cumple con la condición (2.1). Las soluciones no
exactas se obtendrán cuando g(xn) < c. Una solución no exacta será menos aceptable cuanto
mayor sea la diferencia con c, y será muy cercana al óptimo cuando g(xn) sea muy cercano
66
2.1 INTRODUCCIÓN
a c. De acuerdo a la propuesta de Herrera y Verdegay [81], la mejor manera de expresar el
nivel en que se admite el incumplimiento del criterio de parada (2.1) para alcanzar una
solución aceptable, es mediante un conjunto difuso cuya función de pertenencia es de la
siguiente forma:
donde h(x) 0 (0,1) es una función continua creciente, y cuya representación gráfica se
muestra en la Figura 2.2.
El valor 1 de la función de pertenencia indica el más alto grado de aceptación, que
vendría a ser la solución exacta; el valor 0 expresa el menor grado de aceptación.
Naturalmente, el decisor preferirá una solución con el mayor grado posible de aceptación,
para ello debe fijar el grado mínimo de aceptación que puede admitir. Si á (0<á#1) es el
grado mínimo de aceptación fijada, la regla de parada difusa correspondiente que
reemplazaría a (2.1) sería (2.3).
(2.3
Teniendo en cuenta que la introducción del criterio de parada difuso es con la
finalidad de admitir una solución no exacta del problema, el criterio de parada sería
67
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
(2.4
o equivalentemente
(2
Este último se utiliza para los efectos de cálculo y en las implementaciones.
Herrera y Verdegay [81], utilizan como h una función lineal y sugieren que el valor
ä utilizado en (2.2) y á de (2.3) los debe proponer el decisor. En este trabajo proponemos que
el valor ä sea obtenido a partir de la etapa inicial del algoritmo o bien usando algún otro
método que permita obtenerlo fácilmente, y dicho valor ä obtenido le facilitará al decisor
el elegir á con mejor acierto. Asimismo, al definir la función de pertenencia en función de
la naturaleza de los algoritmos y los problemas, sugerimos el uso de diversos tipos de
funciones no lineales.
2.2 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO SIMPLEX
El algoritmo simplex diseñado por G. Dantzig [47], sirve para resolver el problema de
programación lineal estándar (PLE) siguiente:
max cTx
s.a. Ax = b (2.6)
x $ 0,
donde c y x (variable) son vectores columna n-dimensionales, A es una matriz mxn de rango
m, b es un vector columna m-dimensional de números reales. Por la expresión del modelo,
podemos suponer que se trata de un problema de producción en la que se quiere determinar
la máxima utilidad.
El algoritmo simplex desarrollado para PLE es de aplicación general a todo problema
de PL dado que éstas siempre es posible reducir a un PLE [156].
68
2.2 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO SIMPLEX
La región factible F = { x 0 ún / Ax = b, x $ 0 } se denomina polítopo y posee un número
finito de vértices. Si este polítopo está acotado se denomina poliedro. Cuando la función
objetivo z = cTx está acotada en F, existe un vértice con utilidad máxima [98,156].
Asociado a cada vértice x0 de F existe una submatriz regular m-dimensional B de A
denominada base, tal que BxB = b, y x0 = (xB,0)T que se denomina solución básica factible.
Resolver el problema (2.6) es hallar un punto(vértice) factible x*0F de máxima
utilidad, es decir, cTx # cTx*, x0F, y se denomina solución óptima de utilidad z* = cTx*.
Si F es vacía, (2.6) no tiene solución; y si z = cTx es no acotada en F, se dice que el problema
(2.6) es no acotado o no tiene máximo.
Si se resolviera el PLE (2.6) utilizando la “fuerza bruta”, se tendrían que hallar todos
los vértices de F resolviendo todas las combinaciones de la forma BxB = b que se pueden
formar de Ax = b, y luego seleccionar el vértice de mayor utilidad. Con este método se
presentan dos inconvenientes: uno, el que en el caso de un problema no acotado se llegaría
a elegir una utilidad como máxima cuando en realidad no lo es, y otro, el enorme trabajo
de tener que calcular el elevado número de vértices que tiene la región factible cuando n-m
es muy alto.
El algoritmo simplex evita el análisis de todos los vértices pues, partiendo de un
vértice inicial, recorre los vértices hasta llegar al óptimo pasando del vértice actual a otro
si éste es de mayor utilidad, recorrido en el que no necesariamente tiene que visitar todos
los vértices. La parte algebraica de este recorrido es muy simple: se utiliza la matriz base
B asociada al vértice actual; el siguiente vértice se obtiene sustituyendo una columna de la
base B por otra de la matriz A que no forma parte de B, eligiéndose la columna que ha de
ser sustituida y la que la sustituye bajo la condición de que el nuevo vértice tenga la mayor
utilidad de entre todos los intercambios posibles y a su vez, sea de mayor utilidad que el
actual; ésta es la etapa iterativa del algoritmo. El algoritmo finaliza cuando ninguno de los
vértices que restan por visitar tiene mayor utilidad que el vértice actual o cuando hay algún
indicativo de que el problema es no acotado o no tiene solución.
A continuación presentamos las etapas principales del algoritmo simplex, pero antes,
introduzcamos las notaciones y fórmulas que se usarán.
69
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
Sea x0 la solución actual (vértice) y B la base correspondiente formado por las
columnas { j(1),j(2),...,j(m) } = T. Las componentes T de x0 tienen valores correspondientes
B-1b y el resto, nulos. Notemos por xi0 la j(i)-ésima componente (no nula) de x0.
Siendo B una base, cada vector Aj (j ó T) de la matriz A se puede expresar como
combinación lineal de los elementos de la base B. En concreto, un vector de los coeficientes
de la combinación es el vector columna m-dimensional
(yij)i=1,..,m = Yj = B-1Aj. j ó T, (2.7)
Por otro lado, sean:
Etapas del algoritmo simplex:
Etapa inicial: Encontrar un punto extremo (vértice) inicial con base B.
Etapa iterativa:
a) Sea j’ tal que äj’ = min{ äj / äj > 0, j ó T }, seleccione la j’-ésima columna como la
nueva columna básica que entra.
b) Sea j(k) tal que è0=èj(k), (calculados de acuerdo a (2.9)), seleccione la j(k)-ésima
columna para ser sustituida por la nueva j’-ésima columna base seleccionada en
(a) para formar la nueva base B’.
c) Determinar el nuevo vértice x0'.
Criterios de Parada.
a) Si Yj#0, detener el proceso, pues el problema no es acotado; en caso contrario,
b) Si äj$0 j ó T, detener el proceso pues el vértice actual es la solución óptima.
De acuerdo a estos criterios, el algoritmo se detiene cuando determina que el problema
es no acotado o cuando alcanza una solución exacta. En problemas de PL de grandes
dimensiones, para alcanzar este resultado pueden requerirse muchas iteraciones con
70
2.2 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO SIMPLEX
tiempos de ejecución muy prolongados. Más aún, si es no acotado no proporcionará ningún
resultado aunque existan soluciones aceptables.
En estas situaciones, es posible admitir una solución no óptima, pero cercana a la
óptima, y determinable en un tiempo de cálculo razonable que en general llamaremos
solución aceptable. Herrera y Verdegay [81] proponen que para lograr una solución
aceptable se puede modificar la condición de parada. La condición para obtener la solución
exacta "äj no negativa" debe ser debilitada a la condición "äj poco negativo", expresión que
nos permite detener el procedimiento si en un tiempo razonable se ha obtenido un valor äj
no negativo, o si es negativo pero no inferior a un número negativo preestablecido a priori
por el decisor- porque sólo el decisor puede saber cuando una solución no exacta es
aceptable.
Naturalmente si el proceso se detiene cuando äj es positivo, se obtendrá una solución
exacta y se dirá que se cumple la condición de optimalidad en forma total, mientras que si
äj tiene un valor negativo, se obtendrá una solución aceptable, y entonces el grado de
cumplimiento de la condición de parada no será total.
La expresión correcta de esta situación se obtiene cuando se define mediante un
conjunto difuso el conjunto de números que satisfacen la condición de parada debilitada. La
notación que se suele usar para representar dicho conjunto difuso es la siguiente:
äj $f 0 (2.10)
que definida por medio de su función de pertenencia:
donde hj(.) es una función continua creciente tal que hj(-tj) = 0 y hj(0) = 1 y tj > 0 es el
margen de tolerancia del incumplimiento de la condición de parada óptima. La gráfica de
la función de pertenencia se muestra en la Figura 2.3.
Tanto la función hj como tj podrían ser dadas por el decisor como en [81], sin embargo
sería de mejor ayuda para el decisor que el mismo criterio de parada difuso incluyera el
mecanismo de construcción de la función de pertenencia así como el valor de tj. Conocida
esta referencia, el decisor podrá fijar el grado á0(0,1] de incumplimiento de la condición
71
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
de parada exacta para que una solución no óptima pueda ser aceptable; así, la condición de
parada (b) se modifica en el sentido de:
ìj(äj) $ á, á 0 (0,1], j = 1,...,n
equivalentemente
äj $ ìj-1(á), á 0 (0,1], j = 1,...,n (2.12)
Teniendo en cuenta que la condición ìj-1(á) > 0 no tiene mayor importancia adicional
en la solución sino es equivalente a ìj-1(á) $ 0, la condición (2.12) se puede escribir en la
siguiente forma:
äj $ hj-1(á), á 0 (0,1], j = 1,...,n. (2.13)
Por tanto el criterio de parada (b), del algoritmo simplex puede ser flexibilizado mediante
el siguiente
Criterio de Parada difuso:
b’) Si äj $ hj-1(á), á 0 (0,1], para todo j óT (j = 1,2,...,n), detener el proceso y la solución
actual es aceptable.
No obstante surgen algunos problemas al aplicar el algoritmo simplex, como por
ejemplo: äj puede tener el mismo valor ä en cada iteración o a partir de una determinada
iteración. Un ejemplo típico del primer caso es el problema de Klee-Minty [103]. En estas
situaciones el criterio difuso no tendría sentido si ä < hj-1(á), ya que la iteración continuaría
hasta alcanzar el valor óptimo, con lo cual la modificación propuesta no tendría los efectos
72
2.2 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO SIMPLEX
deseados.
Este último inconveniente se puede evitar de la siguiente manera:
1) Tengamos en cuenta que con el criterio difuso pretendemos ahorrarnos el mayor número
de iteraciones, deteniéndose las iteraciones cuando se haya alcanzado una solución
aceptable. Quiere decirse que, a mayor número de iteraciones tendremos una mejor
solución aceptable; por tanto, la convergencia de äj a la condición de parada exacta 0, en
cierto modo depende también del número de iteraciones, por lo que utilizaremos äj/u
como función medida para el criterio de parada difuso, donde u es el número de la
iteración actual correspondiente.
2) Por otro lado, se sabe que para problemas de mayores dimensiones el número de
iteraciones en el algoritmo simplex crece proporcionalmente al número de restricciones
m, y es poco sensible al número de variables de decisión [155]. Por lo tanto, para
compensar la división de äj entre u de tal manera que el criterio de parada no se
modifique sustancialmente es necesario también dividir hj-1(á) entre m.
De esta manera, tenemos el siguiente nuevo criterio de parada difuso, que llamamos
criterio de parada difuso balanceado:
b”) Si äj/u $ hj-1(á)/m, á 0 (0,1], para todo j ó T (j = 1,2,...,n), detener el proceso y la
solución actual es aceptable, donde u es la iteración actual, m número de restricciones
y n el número de variables en el problema original.
Si la función hj que define a la función de pertenencia es lineal, la expresión (2.13) se
transforma en:
äj /u $ -tj(1-á)/m, á 0 (0,1], j = 1,...,n. (2.14)
Nivel de Tolerancia y función de Pertenencia:
En lo que sigue nos referiremos al nivel de tolerancia tj y a la función de pertenencia
hj(.), j = 1,...,n.
Partiendo que la condición de parada para obtener la solución óptima es igual para
73
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
todo j = 1,...,n, asumimos que también tj y el grado de cumplimiento á de la condición de
parada deben ser iguales para todos los j = 1,...,n. Por otro lado, la solución inicial es
factible pero aceptable con un grado de aceptación ínfima, es decir, que ningún decisor
puede admitirla como aceptable, a menos que sea óptima. Evidentemente, la solución
aceptable se obtendrá entre la primera iteración y la iteración correspondiente a la solución
óptima; en consecuencia, el valor común de los tj debe estar dado por el menor de los äj0
obtenidos en la primera iteración, es decir,
tj = r0, j = 1,...,n, r0 = min{äj0 / j = 1,...,n} (2.15)
Con esta opción se está considerando que la solución inicial, de no ser óptima, es una
solución aceptable con el grado de cumplimiento cero.
Para definir la función de pertenencia, primero tenemos que decidir si usamos una
función hj(.) lineal o no lineal; si optamos por una función lineal, (2.14) será la condición de
parada difusa. Si preferimos que hj(.) sea no lineal, tendríamos que definirla. Una vez que
se tiene definida la función hj(.), como siguiente paso, el decisor tendrá que fijar el grado
mínimo á de aceptación de una solución no óptima.
Es importante destacar que dado á, que expresa el grado de cumplimiento de la
74
2.2 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO SIMPLEX
condición de parada, una función no lineal convexa en [r0,0] proporcionará mejor solución
que una función lineal ó no lineal cóncava, para un mismo grado de pertenencia. Pues si h1
es convexa y h2 es cóncava en [r0,0], entonces h1-1(á) > h2-1(á), tal como se muestra en la
Figura 2.4; esto último implica que para alcanzar la condición de parada difusa (b”) se
necesitará mayor número de iteraciones cuando la función sea convexa que cuando la
función sea cóncava.
Dos ejemplos de funciones que se pueden utilizar para definir las funciones de
pertenencia, entre otros muchos, son los siguientes:
una función convexa y
(2.17
una función cóncava, donde r0 es la tolerancia mínima de incumplimiento de la condición
de parada.
Ejemplo:
Como ilustración resolvemos el siguiente problema:
Aplicando el algoritmo simplex, se obtiene la solución óptima siguiente:
x = (x1,x2, x3, x4 ) = (2,3,2,0), y la utilidad total es z = 42.
75
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
Para ejemplificar el criterio de parada difuso en el problema anterior, utilizaremos
tres funciones: una función convexa (Figura 2.5) y una función cóncava (Figura 2.6), según
(2.16) y (2.17) respectivamente, y una función lineal( Figura 2.7). A partir de la solución
inicial se obtiene r0=-8 que utilizaremos como nivel de tolerancia mínima del
incumplimiento de la condición de parada.
Figura. 2.5. Función convexa
h(t)=(e8+x-1)/(e8-1)
Figura 2.6. Función cóncava
h(t)=(1+x/8)1/2
Figura 2.7. Función lineal
h(t)=1+x/8
En los resultados de los cálculos que se muestran en la Tabla 2.1. se observa que,
76
2.2 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO SIMPLEX
cuando se utiliza una función h(t) convexa para definir la función de pertenencia de la regla
de parada difusa, para un mismo grado de aproximación á, se obtiene una solución mucho
más cercana a la óptima que cuando se utiliza una función lineal o una función cóncava.
Particularmente, para á=0.5, usando la función convexa, se ha obtenido la solución z=41.33
muy cercana a la solución óptima, mientras que usando la función lineal y usando la
función cóncava se obtiene z = 38, que es una solución no tan cercana a la óptima por tanto
con menor grado de aceptación que el anterior. Cuando se aumenta el grado de
aproximación a á = 0.8, en caso de usar la función convexa se ha obtenido la solución exacta,
mientras que en el caso lineal se mejora la solución no exacta pero no se ha mejorado en el
caso de usar una función cóncava.
Criterio de parada difuso Solución
Grado de aceptación Condición de parada Punto (vértice) Utilidad
á ä/u$h-1(á)/m (x1,x2, x3, x4 ) z
ä/u$-0.138 (convexa) (0,4,13/6,0) 41.33
0.5 ä/u$-0.800 (lineal) (0,7/3,3,0) 38
ä/u$-1.200 (cóncava) (0,7/3,3,0) 38
ä/u$-0.045 (Convexa) (2,3,2,0) 42
0.8 ä/u$-0.320 (Lineal) (0,4,13/6,0) 41.33
ä/u$-0.578 (cóncava) (0,7/3,3,0) 38
Tabla 2.1. Soluciones obtenidas mediante criterios de parada difusos
2.3 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO DE KARMARKAR
77
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
2.3.1 Introducción
Desde que Khachiyan [102] en 1979 propuso el algoritmo elipsoidal para resolver un
problema de PL, se han buscado otros métodos, que no sólo ignoren la estructura
combinatoria sino que mejoren el tiempo de ejecución polinomial del algoritmo elipsoidal.
Así, en 1984 Karmarkar [99] propone un nuevo algoritmo de tiempo de ejecución
polinomial mucho más rápido que el algoritmo elipsoidal, por tanto un mejor competidor del
anterior algoritmo simplex, pero que al igual que el algoritmo elipsoidal ignora la
característica combinatoria. El algoritmo de Karmarkar, conocido también como el método
de transformación proyectiva, genera una sucesión de puntos interiores de la región factible
que con el aumento de las iteraciones se aproxima a los extremos hasta alcanzar el vértice
óptimo. Por presentar esta característica, el algoritmo de Karmarkar es un método de punto
interior.
Debido a que este algoritmo no es tan popular como el algoritmo simplex, hacemos
una revisión con mayor detalle incidiendo mayormente en la parte intuitiva y en los mismos
pasos del algoritmo en sí.
2.3.2 Ideas básicas
Como sabemos un problema de PL consiste en determinar x de tal manera que:
min cx (2.19)
x 0 Dd ún,
donde D es la intersección de varios semiespacios de la forma ax $0 (a, x åún).
Si la región D es un sólido esférico de centro v y radio r, para resolver el problema
(2.19), es decir, para hallar x0 en D donde f (x) = cx alcanza su mínimo valor, se utiliza la
propiedad del gradiente «f de que -«f tiene la dirección de decrecimiento más rápido de la
función f; por lo tanto el punto mínimo es
(2.20)
que está en la esfera MD, porque «f = c.
78
2.3 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO DE KARMARKAR
Ahora supongamos que la región D es la intersección de un espacio afín y un sólido
esférico con centro en el espacio afín, es decir, D = {x0ún /ax=b}1S(v,r), (av = b), es un sólido
esférico de dimensión menor que S. En este caso el punto (2.20) no se encuentra en D.
Para seguir la misma idea que en el caso anterior, ahora podemos considerar la
proyección cp de c sobre el hiperplano {x 0ún /ax=0}. Entonces -cp es la dirección del
decrecimiento más rápido de la función objetivo en D, y el punto mínimo es:
(2.21)
Evidentemente, se observa que si D es un sólido esférico es muy fácil resolver el
problema (2.19). Sin embargo los problemas de PL no tienen estas características. El
objetivo es aprovechar la sencillez de la obtención de (2.21) para resolver el problema de PL
(2.19), y se consigue de la siguiente manera [98]:
Supongamos que se tiene un punto factible z. Hay que construir un sólido esférico (E
de mayor volumen posible) contenido en la región factible D (Fig. 2.8), y luego determinar
el punto mínimo w como en (2.21). Utilizando este nuevo punto w , se repite el proceso. Así,
después de un número de repeticiones se obtendrá una solución aproximada del problema.
La solución obtenida será tanto mejor aproximación cuanto la región factible más se parezca
79
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
a un sólido esférico.
Para medir el grado en que se parece la región factible a un sólido esférico respecto
a un punto, se puede utilizar la relación entre el radio de la esfera contenida (de mayor
volumen), y el radio de la esfera (de menor volumen) que contiene a la región factible. Esta
relación se denomina medida de la redondez.
Si m es el valor mínimo buscado en (2.19), si w es el punto mínimo en el sólido esférico
E = S(z,r) (de mayor radio posible) contenido en D , y si E’ = S(z,kr) es el menor sólido
esférico que contiene a D ( E’ es k veces mas grande que E) [98], se tiene que:
Teniendo en cuenta que k $1, de (2.22) se deduce que cuanto mayor sea k, la
diferencia entre el mínimo valor de la función objetivo del problema (2.19) con el mínimo
en E (en w) es más cercana a la diferencia entre el mínimo y el valor en z, mientras que si
k es cercano a 1, w es muy cercano al punto mínimo en D.
En consecuencia el punto w sería una mejor aproximación al punto mínimo en D si
k es muy cercano a 1, pero esto sólo se cumple si:
C D es muy semejante a un círculo (polígono regular de n lados).
C z es el centro de D (en el caso de que sea un polígono regular z sería el centro de las
circunferencias inscrita E y circunscrita E’)
En este caso se diría que D es muy parecido a un círculo o que es un polítopo
redondeado.
Karmarkar, aprovechando estos hechos, propone un método de solución de un
problema de PL: toma una región factible redondeada que le permita elegir como punto
factible inicial el centro, y utilizando una transformación adecuada en cada una de las
iteraciones, mantiene esta característica. La función objetivo debe ser no negativa y tal que
el mínimo valor sea cero. El problema con estas características se denomina forma estándar
de Karmarkar. Resumimos a continuación el algoritmo de Karmarkar para la forma
estándar y luego su aplicación al caso general.
80
2.3 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO DE KARMARKAR
2.3.3 Algoritmo de Karmarkar
El algoritmo de Karmarkar no resuelve directamente el PLE dado en (2.6), sino tiene
su propia forma estándar que veremos en [Link], luego en la sub-sección [Link]
revisaremos el procedimiento y finalmente en la sub-sección.[Link] la aplicación a todos los
casos generales de la problema de PL.
[Link] Forma estándar de Karmarkar de programas lineales
Sea
el simplex estándar (n-1)-dimensional con centro
, e = (1,1,...,1). (2.24)
Sea A una matriz mxn de números enteros, c un vector n-dimensional de números
enteros y sea
Entonces el programa lineal estándar de Karmarkar es:
min z = cx
s.a. x 0Ð = Ù1Ä (2.25)
x, z $ 0
o equivalentemente :
min z = cx
s.a. Ax = 0 (2.25')
x1+x2+...+xn = 1
x,z $ 0
[Link] Procedimientos de solución
81
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
El algoritmo de Karmarkar tiene dos características fundamentales:
a) En cada iteración halla el punto mínimo en una bola contenida en Ð y que exprese la
mejor redondez.
b) En cada iteración el problema siempre es de forma estándar, es decir, semejante a Ð.
Karmarkar utiliza el simplex Ä por sus características siguientes:
C Es redondeado sobre el punto a0 definido en (2.24).
C B(a0,r) es la mayor bola contenida en Ä. y
C B(a0,R) es la menor bola que contiene a Ä.
donde
Por ello, elige a0 como punto inicial; a partir de este punto y siguiendo la dirección del
decrecimiento más rápido halla el punto mínimo a sobre una esfera de centro en este punto.
Si el punto mínimo así obtenido no es el punto mínimo global (con costo cero), repite el
procedimiento anterior utilizando el punto a. Es evidente que el punto a ya no es el centro
del simplex Ä, y por tanto no se puede repetir exactamente el mismo procedimiento. Para
superar este inconveniente, Karmarkar define una transformación proyectiva particular
Ta de tal manera que al punto a le hace corresponder con el punto a0. Por suerte la
transformación también cumple con la condición Ta(Ä) = Ä, y está definida de la siguiente
manera:
o en forma compacta (matricial)
donde:
, eT = (1,1,...,1).
82
2.3 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO DE KARMARKAR
Debido a que a >0, D es una matriz no singular y Ta es inversible. Además,
S Ax=0 si y sólo sí ADx’=0, por lo tanto, si Ù={x/Ax=0} y Ù’={x/ADx’=0}. Entonces
Ta(Ù)=Ù’ y si a0 Ù, a00Ù’.
S Ta(Ä1Ù)=Ä1Ù’. Haciendo Ð’=Ä1Ù’, se tiene Ta(Ð)=Ð’.
S Ð’ es redondeado pues fácilmente se deduce que B’(a0,r)fÐfB’(a0 ,R), donde
B’(a0,r)=B(a0,r)1Ù’ y B’(a0,R)=B(a0,R)1Ù’.
La función objetivo lineal original se transforma en la siguiente:
(2.30)
que es una función no lineal. Si el costo mínimo es cero, y teniendo en cuenta que la
minimización de (2.30) (una función racional) es sobre un polítopo, es suficiente minimizar
el numerador, que es lineal. Sin embargo, en el caso de que el mínimo no fuera cero no sería
correcto este procedimiento.
Para superar este inconveniente, Karmarkar, utiliza la función potencial
donde cx es la función objetivo y x0Ð, x>0.
Esta función permite controlar la convergencia al punto mínimo que puede ser cero
o diferente de cero. Si el costo mínimo en Ð es cero (0), Karmarkar demuestra que si en
cada iteración se obtiene un nuevo punto b tal que f(b) # f(a)-ä, (ä constante), se garantiza
la convergencia en un tiempo polinomial y el valor de convergencia del costo es cero (0). De
este resultado se deduce que si el costo mínimo en b no es cero y f(b) $ f(a)-ä, el costo
mínimo en Ð no es cero. Estos resultados son debidos a la propiedad de invariante de f con
respecto a la transformación Ta.
Para garantizar que este pequeño cambio no altera la idea del cálculo de b dentro de
una bola contenida en Ð’, Karmarkar elige la esfera S( a0,á/n) con (1/n) < r (r dado en
83
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
(2.26)), así el nuevo problema de minimización es hallar el punto mínimo b’ sobre S(
a0,á/n)1Ð’.
Pasos del Algoritmo de Karmarkar:
Sea
y sea L=(m+1)n+jlog2|P|k+njlog2nk, donde P es el producto de todos los coeficientes no
nulos de la función objetivo y de las m+1 restricciones, y j.k es el número entero inmediato
superior. Al conjunto de operaciones para obtener un nuevo punto b a partir de un punto
a conocido en cada iteración se le nota por Ö, es decir b = Ö(a).
Etapa Inicial: Sea x(0) = a0 = e/n y sea K = j2nL/äk (el número de iteraciones).
Criterios de parada: si k < K y cx(k) = 0 , v = x(k).
Si k < K y f(x(k)) > f(x(k-1)) - ä, el costo óptimo es positivo, v es un
punto de costo no mayor que cx(K).
Etapa iterativa: Para k=1 a K, Calcular: x(k) = Ö(x(k-1)).
La solución óptima que se obtiene es el punto v. Si el mínimo de la función objetivo
es no nulo, este punto v es aquel que tiene el menor costo del total de los K (K.12nL) puntos
revisados durante las iteraciones.
Cálculo de b = Ö(a):
Dado a 0 Ð , a > 0 y ca > 0, con c vector de costos hallar b = Ö(a) que está en Ð y b >0:
84
2.3 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO DE KARMARKAR
1. Sea , para todo x,
2. Sea c’ = Dc
3. Sea , con A matriz de los coeficientes tecnológicos.
(Ð’ = { x’/ Bx’ = e’ }, e’ tiene todos sus componentes nulos excepto el último que es 1.)
4. Sea cP = c’- BT(BBT)-1 Bc’ (la proyección de c’ sobre el espacio nulo de B)
5. Si cP = 0, sea En otro caso un vector unitario con la misma dirección d
cP .
6. Luego el punto mínimo es:
7. Retornar:
8. FIN.
Observación: La complejidad de este algoritmo es del orden O(n4L), y un máximo de 12nL
iteraciones aproximadamente.
[Link] Aplicación en los problemas de PL
Recordemos que un problema general de PL puede ser de maximización o
minimización. Las restricciones pueden ser desigualdades de >, <, # o $. Las variables no
necesariamente pueden ser positivas. Todos estos casos, ya sea cambiando de signo, ya sea
introduciendo variables de holgura y/o variables positivas, se pueden transformar en un
problema de minimización y con las restricciones de igualdad como sigue:
min z = cx
s.a. Ax = b (2.33)
x$0
85
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
En general la función objetivo no es no negativa, y el mínimo no siempre es cero. En
algunos casos a partir de las condiciones de no negatividad se puede determinar que la
función objetivo es no negativa aunque el mínimo no necesariamente sea cero.
Si se desconoce que la función objetivo es no negativa, el problema (2.33) se debe
transformar en un sistema de ecuaciones, considerando las restricciones del problema
primal, del problema dual y la igualdad de las funciones objetivo en el punto óptimo, luego
realizar la transformación siguiente.
Si el programa es factible, toda solución básica factible tiene cada uno de sus
componentes no mayor que 2L, donde L es la dimensión de Ax = b. Entonces , si A es una
matriz de dimensión mxl, para todo punto factible x se cumple:
x1 + x2 +...+ xl # M, M = l2L.
e introduciendo otra variable de holgura se tiene que
x1 + x2 +...+ xl + xl+1 = M
Luego la región factible queda descrita por:
Ax = b
x1 + x2 +...+ xl + xl+1 = M
x $ 0,
donde x = (x1,x2,...,xl,xl+1), y A es la matriz anterior aumentada en una columna de ceros.
La sustitución x’ = x/M da lugar a las siguientes expresiones
(MA)x’ = b
x’1 + x’2 +...+ x’l + x’l+1 = 1
x’ $ 0,
Finalmente, restando en cada fila bi(x1+x2+...+xl+xl+1) = bi(1) miembro a miembro se obtiene:
Cx = 0
x1 + x2 +...+ xl + xl+1 = 1 (2.34)
x $ 0,
donde en lugar de x’ se ha escrito x y
86
2.3 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO DE KARMARKAR
El punto a0 no es una solución factible del sistema (2.34). Para que lo sea, se agrega
una nueva variable ë en las ecuaciones del sistema dado en (2.34), y se transforma en:
Cx-ë(Ce) = 0
x1 + x2 +...+ xl + xl+1 + ë = 1 (2.35)
x,ë $ 0,
Luego el problema (2.33) consiste en minimizar z = cx + ë sujeto a las restricciones
de (2.35) si la función objetivo inicial es no negativa, y minimizar z = ë si se desconoce la
no negatividad de la función objetivo inicial, donde c es el costo inicial multiplicado por M.
Ejemplo: Ilustramos con un ejemplo la forma como se construye una forma estándar de
Karmarkar a partir de un problema arbitrario:
Consideremos el modelo:
escribiendo las restricciones como igualdad se obtiene:
Éste último tiene m = 2 ecuaciones y n = 4 variables, por lo tanto su tamaño es L = 20,
además la función objetivo es no negativa, en consecuencia no es necesario transformar el
problema en un sistema de ecuaciones, sino directamente transformamos en la forma
estándar de Karmarkar.
87
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
Puesto que L = 20, se tienen x+y+z+u # 4(220) e introduciendo una variable de holgura
se tiene el nuevo problema:
Sustituyendo cada variable por 222 veces otra variable y luego procediendo a anular los
segundos miembros, y finalmente introduciendo ë (teniendo en cuenta todo el procedimiento
explicado arriba) se tiene
que constituye el problema en la forma estándar de Karmarkar, asociado al problema
propuesto.
El problema (2.36) es de dimensión L=262, por lo tanto el número máximo de
iteraciones es de 18864 como mínimo, y el tiempo de ejecución del O(339552).
2.2.4 El criterio de parada difuso en el algoritmo de Karmarkar
Se observa que en el ejemplo anterior, siendo el problema el más simple posible, el
número de iteraciones es muy elevado. En problemas con mayor número de variables, y con
coeficientes diferentes de 1, el tamaño se incrementa y consecuentemente el número de
iteraciones o más aún, el número de cálculos, es extremadamente elevado, por ejemplo en
el problema AFIRO [3] de n = 32 variables y L = 6352 requiere 2439168 iteraciones ó
6660554752 operaciones de cálculo, en el que una máquina capaz de efectuar un billón de
88
2.3 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO DE KARMARKAR
operaciones por segundo lo puede concluir en 6 segundos, mientras que, la misma máquina
para resolver el problema FIT2P [3] con n = 13525 y L = 3518352 necesitaría 3733204 años.
Como se ve, en problemas que aún no son el “peor caso”, el número de iteraciones es
muy elevado, de modo que en tiempo razonable no es posible obtener la solución. En estos
casos se hace necesario detener el proceso de solución cuando se haya obtenido una solución
razonablemente aceptable para el decisor, aún no siendo la óptima [81].
Todo problema de PL de minimización que tenga región factible no vacía tiene un
conjunto de soluciones. Cada uno de ellos tiene para el decisor un determinado grado de
aceptabilidad. Evidentemente, un punto que no es factible es descartado, se puede decir que
su aceptabilidad es nula, y por otro lado, un punto con costo muy alto tendrá un grado de
aceptación muy baja (pero no nula), mientras que un punto con costo mínimo tendrá el más
alto grado de aceptación. Desde este punto de vista resolver un problema de PL es hallar
un punto con el mayor grado de aceptabilidad (óptimo).
Cuando se admite la posibilidad de que el decisor pueda aceptar como solución a
aquél que tenga un alto grado de aceptabilidad aunque no tenga el mayor grado, se requiere
una representación adecuada como es la representación mediante una función de
pertenencia.
Si se conoce toda la región de factibilidad y el punto mínimo, la función de pertenencia
sería fácil de definir pues el punto(s) mínimo(s) tendría el mayor grado de pertenencia y
disminuiría a medida que el costo aumentara , siendo cero para aquellos puntos no
factibles. Se observa que el valor de la función de pertenencia está en función del costo, por
tanto mejor se define en términos del costo en lugar de definir en términos del punto
factible.
En el caso de un problema nuevo se desconoce el punto mínimo e incluso la región de
factibilidad, por tanto para definir la función de pertenencia se toma como referencia un
costo cm, que es el costo del punto inicial del algoritmo de Karmarkar, debido a que el punto
inicial de este algoritmo es factible. El costo mínimo será menor o igual a este costo cm.
La función de pertenencia se define de la siguiente manera:
89
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
donde la función g es continua monótona no creciente y g(z) 0 [0,1] z, como se ilustra en
la Figura 2.9.
Si el decisor, frente al problema nuevo, decide admitir como solución el caso en que
el costo tiene un grado de pertenencia no menor que á0(0,1], es decir, si ì(cx) $ á o g(cx)$á,
equivalentemente cx # g-1(á), entonces la condición de parada del algoritmo de Karmarkar
puede ser relajada a:
cx # g-1(á) (2.38)
donde g y á son dados por el decisor.
En un problema de minimización general, la solución óptima no necesariamente tiene
que ser de costo cero (desde el punto de vista de las aplicaciones el costo siempre será no
negativo) sino que puede ser de costo positivo e incluso negativo.
Al utilizar la condición de parada (2.38) se obtendrá una solución aproximada, y esta
solución depende del valor de g-1(á). Por lo tanto, éste tiene que ser adecuado de tal manera
que el error cometido en la aproximación sea muy pequeño, pero determinado en un tiempo
razonable. Para ello el decisor puede fijar el grado de pertenencia aceptable para el costo,
y el que resuelve el problema debe definir la función de pertenencia.
Fijado el grado de pertenencia mínimo aceptable á, la calidad de la aproximación
depende únicamente de la función. Al escoger esta función debe tenerse en cuenta la
posibilidad de que el mínimo puede ser cero o mayor que cero.
90
2.3 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO DE KARMARKAR
Es costumbre utilizar la función lineal para definir la función de pertenencia, si en
este caso también se opta por esta alternativa, existen varias posibilidades:
i) Si el costo óptimo (mínimo) es cero, la condición relajada (2.38) puede conducir a aceptar
una solución aproximada con muchos errores, como se puede observar en la Figura. 2.10-
(a).
ii) Si el costo óptimo es diferente de cero, existe la posibilidad de que el óptimo sea mayor
que g-1(á), como se ve en la Figura.2.10-(b). Esto conduciría a realizar todas las
iteraciones para obtener la solución.
El primer caso se puede resolver utilizando una función de pertenencia convexa de la
forma g2, es decir, una asíntota con el eje de las ordenadas, mientras que en el segundo caso
se puede superar utilizando una función cóncava como g3..Así se obtiene una mejor solución
aproximada.
Siempre sigue latente la dificultad de optar por uno u otro caso, cuando a priori no se
conoce si el mínimo es cero o positivo. En este caso la solución radica en realizar los ajustes
de la función objetivo durante el proceso de cálculo, utilizando la función siguiente:
g(x)= 1-(x/cm)r. (2.39)
91
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
Durante las primeras iteraciones se utilizará el caso lineal r = 1, y de acuerdo a la
información que nos proporciona el valor de la función potencial que se emplea para medir
la convergencia en el algoritmo de Karmarkar, hay que elegir r = 1/k, si existe la
posibilidad de que el mínimo es nulo y r = k, si el mínimo es positivo, donde k es un entero
positivo.
Ejemplo: En esta parte ilustremos el uso de criterios de parada difuso en dos problemas,
el primero con costo óptimo cero, y el segundo de costo óptimo mayor que cero,
en ambos casos la función objetivo es no negativa.
1) 2)
Expresando, los problemas, en la forma estándar de Karmarkar, se obtiene
respectivamente (Ver pag. 87):
Al aplicar el algoritmo de Karmarkar, para ambos problemas utilizamos á = 0.2 que
corresponde a ä = 0.15, como parámetro. Para definir el criterio difuso utilizaremos tres
tipos de funciones de pertenencia, lineal, no lineal cóncava y no lineal convexa.
92
2.3 CRITERIOS DE PARADA DIFUSOS EN EL ALGORITMO DE KARMARKAR
Para resolver el primer problema, utilizaremos como función de pertenencia en el
criterio de parada difuso, por un lado la función lineal y por otro lado la función no lineal
de la forma (2.39) con r = 1/8 y cm = 53687091.2 obtenido en el paso inicial del algoritmo.
Los resultados obtenidos resumidos en la Tabla 2.2, nos muestra de manera muy clara
una mejor aproximación cuando se utiliza la función no lineal.
Función Lineal Función no lineal
á g-1(á) Costo Iteración g-1(á) Costo (aprox.) Iteración
(aprox.)
0.977 1234800 1145621 25 4.204289x10-6 3.614893x10-6 151
0.9976 128850 115176 36 5.909623x10-14 5.176798x10-14 237
Tabla 2.2: Costos aproximados al óptimo 0, del ejemplo 1.
Función de pertenencia Lineal Función de pertenencia no lineal
á g-1(á) Costo (aprox.) Iteración g-1(á) Costo (aprox.) Iteración
1-10-7 0.1398 No factible 442.119 418.7245 48
-12
1-10 0.00001 1.39809 1.397536 9995
Tabla 2.3: Grados de aproximación al óptimo 1, del ejemplo 2.
Para el segundo problema igualmente se utiliza el caso lineal, y el caso no lineal
(2.39) pero esta vez con r=2. El costo inicial es cm=1398101.5. Como se observa en la Tabla
2.3, al utilizar á=1-10-7 se obtiene g1(á) menor que el costo mínimo óptimo 1 cuando g es
lineal mientras que para g no lineal es mayor que 1. Este último resultado es más
beneficioso para obtener la solución aproximada aunque perjudica la calidad de la
93
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
aproximación.
En los dos ejemplos se observa que para tener una solución aproximada aceptable no
ha sido necesario realizar todas las iteraciones, que eran 6067 en el primer caso, y 20960
en el segundo caso.
2.4 CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS MODIFICADOS DE
KARMARKAR
2.4.1 Introducción
Desde que Karmarkar publicó en 1984, el método de solución de PL que lleva su
nombre, se han propuesto muchas modificaciones en diferentes aspectos.
Como se ha visto el algoritmo de Karmarkar resuelve un problema de minimización
de costo no negativo con restricciones de igual a cero y que la suma de las variables sea
igual a la unidad, este problema es denominado forma estándar de Karmarkar. Esta
característica permite elegir como solución inicial factible el punto e/n, donde e es el vector
con todos sus componentes igual a 1, el siguiente punto determina en la dirección del
gradiente descendiente que se encuentra dentro de la región factible y con el menor costo.
Durante el proceso de iteración, el algoritmo de Karmarkar, mantiene esta situación para
ello utiliza una transformación, denominada transformación proyectiva, de tal manera que
el nuevo punto obtenido sea trasformado en e/n, con lo cual se regresa a la situación del
punto inicial para repetir el proceso. Para analizar la convergencia de la sucesión de puntos
que obtiene de esta forma utiliza una función potencial. El algoritmo de Karmarkar,
originalmente propuesto, garantiza la convergencia de la solución cuando el costo óptimo
es cero, y en el caso del costo óptimo distinto de cero sólo informa de ello pero no garantiza
la convergencia, aunque esta limitación no es ningún inconveniente para resolver cualquier
problema mediante el algoritmo de Karmarkar, porque siempre es posible transformarlo
a la forma estándar, esta limitación lo transforma en algo más complejo al problema.
Frente a estas limitaciones y con el afán de reducir el total de las operaciones, el
número de iteraciones en suma para mejorar la eficiencia han aparecido muchas
94
2.4 CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS MODIFICADOS DE KARMARKAR
modificaciones en diferentes aspectos del algoritmo. A manera de ejemplo podemos citar
algunas modificaciones propuestas. Barnes [9] y Vanderbei y otros [200] presentan el
algoritmo modificado de Karmarkar para resolver un problema de minimización general y
sin la restricción de igual a cero y sin la condición de la suma igual 1 o igual a n. Barnes [9]
y Kojima [104] presentan la variación del algoritmo para determinar las variables básicas
de la solución óptima. Goldfard y Mehrotra [74,75] utilizan una proyección inexacta en la
transformación proyectiva y la dirección del gradiente reducido en lugar del gradiente
decreciente. Gay [70], Todd y Burrell [194] y Ye y Kojima [214] proponen una modificación
para resolver el problema estándar de Karmarkar pero con funciones objetivos generales,
no necesariamente con solución óptima cero y a su vez proporcionan la solución óptima del
problema dual. Vanderbei [199] presenta las modificaciones del algoritmo de Karmarkar
para resolver problemas de PL en su forma estándar pero con variables sin restricciones de
no negatividad.
Las modificaciones propuestas recogidas aquí son fundamentalmente aquellas que
disminuyen el número de iteraciones o el número de operaciones.
Como sabemos todo problema de PL puede expresarse en la forma
min cx
s.a. Ax = b (2.40)
x$0
Sea F = { x 0 ún / x $ 0, Ax = b } la región factible, si F es no vacía, entonces el
problema (2.40) es factible. Si , el problema (2.40) es limitado.
En el caso de que el problema (2.40) no tenga soluciones factibles degeneradas, el conjunto
Fº = { x 0 Rn / x > 0, Ax = b } es el interior de F relativo al espacio afín { x 0 ún /, Ax = b}.
Vanderbei, Meketon y Freedman [200] consideran que no es necesario transformar
el problema (2.40) en la forma estándar de Karmarkar para aplicar el algoritmo de
Karmarkar, simplemente es necesario hacer una pequeña modificación de la siguiente
manera:
min cx
s.a. A’x = b (2.41)
x$0
95
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
donde A’ = [A ! b-AeT ] es una matriz de orden mx(n+1), x y c son (n+1)-vectores con cn+1
= M es un costo muy alto que asegura que la variable xn+1 tendrá valor cero en el óptimo.
2.4.2 Modificación propuesta por Vanderbei, Meketon y Freedman
Para aplicar el algoritmo de Karmarkar en el problema (2.41), Vanderbei, Meketon
y Freedman [200] hacen pequeñas modificaciones, fundamentalmente en la definición de
la transformación y en la regla de parada. Así obtienen el siguiente algoritmo,
denominémoslo Algoritmo de Karmarkar-VMF (K-VMF):
Etapa inicial: x0 = e, y sea g, el nivel de aproximación de deseada, e=(1,1,...,1) n-vector.
Etapa iterativa: Calcular xk+1 = T(xk)
donde
T(x) = x - (á/ã)Dx2r
Dx = diag(x)
r = r(x) = c - ATw (vector de costos reducidos correspondientes a x)
w = w(x) = (ADx 2 AT)-1ADx2c (Vector de variables duales correspondientes a x)
á 0 (0,1) es una constante y
ã = ã(x) = maxi (xi .ri(x)).
Criterio de parada: Si d = n(ã(xk) + ä(xk)M) # g, detener el proceso y xk es la solución con
costo cxk cercana al óptimo con una aproximación g deseada, donde:
ä(xk) = -mini ri(xk) y M = [Link]/n.
Los autores demuestran la convergencia de la sucesión de puntos generados por este
algoritmo para el caso de que tanto el primal como el dual del problema (2.40) no tengan
soluciones degeneradas, es decir si ADx tiene rango máximo (igual al número de filas) para
todo x0F y r(x) = c - ATw tiene a lo sumo m ceros para todo w 0 úm, respectivamente.
Otra característica importante de este algoritmo modificado que han propuesto
Vanderbei, Meketon y Freedman es la que proporciona la solución del problema dual. Con
96
2.4 CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS MODIFICADOS DE KARMARKAR
esta misma característica proponen también Todd y Burrell [194] un algoritmo modificado,
pero siempre manteniendo la forma estándar de Karmarkar. El algoritmo propuesto por
Todd y Burrell es un poco más eficiente que el algoritmo inicial de Karmarkar.
Vanderbei, Meketon y Freedman demuestran la convergencia de la sucesión de las
soluciones que genera su algoritmo, sin embargo no precisan el número de iteraciones
necesarias para alcanzar la solución óptima, por tanto se entiende que la condición de
optimalidad es d = 0. Teniendo en cuenta que para alcanzar esta condición de optimalidad
se necesitaría un número muy elevado de iteraciones, los mismos autores proponen una
determinada aproximación, mediante una condición de parada en el sentido de que d tenga
un valor muy pequeño que se aproxima a cero tanto como se quiera. Esta condición, que
expresada mucho mejor con el término lingüístico “casi cero”, cuya representación
simbólica, aunque los autores no lo hayan percibido así, es el número difuso d =f 0, definido
mediante la función de pertenencia dada en (2.37) en donde en lugar de cm en este caso se
usará d0 obtenido en el paso inicial. Entonces si se fija un nivel de tolerancia á para el
cumplimiento de la condición de parada, el criterio de parada difuso queda expresada de
la siguiente manera:
d # g-1(á) (2.42)
Particularmente, por su simplicidad, se sugiere utilizar la función g como la dada en (2.39),
con d0 en lugar de cm y 0<r#1.
Para ilustrar el criterio de parada difuso en el algoritmo K-VMF utilizamos los mismos
ejemplos de la sección anterior 2.3, para ambos ejemplos usamos dos funciones de
pertenencia, una lineal y otra no lineal en este último la función definida por (2.39) con
r=1/8. En el primer ejemplo d0 = 2.4 y en el segundo ejemplo d0 = 2.666... Los resultados se
muestran en las Tablas 2.4 y 2.5 respectivamente.
Función de pertenencia lineal Función de pertenencia no lineal
á g-1(á) Costo Itera. g-1(á) Costo (aprox.) Itera.
(aprox.)
97
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
0.977 0.0552 0.0110454 22 1.879x10-13 3.410795x10-14 126
0.9976 0.00576 0.00111403 31 2.6418x10-21 3.915506x10-16 267
Tabla 2.4: Costos aproximados al óptimo 0, del ejemplo 1 de la sección 2.3.
Función de pertenencia lineal Función de pertenencia no lineal
á g-1(á) Costo (aprox.) Itera g-1(á) Costo (aprox.) Itera
0.977 2.6667x10-7 1.0000000039 15 2.6667x10-26 1.0000000039 59
0.9976 2.6667x10-12 1.0000000039 70 2.6667x10-56 1.0000000039 99
Tabla 2.5: Grados de aproximación al óptimo 1, del ejemplo 2 de la sección 2.3.
2.4.3 Modificación propuesta por Barnes
Es bien conocido que resolver un problema de la forma (2.40) consiste en determinar
una submatriz B de A tal que x* = B-1b sea la solución básica óptima. Barnes [9] presenta
una variación del algoritmo de Karmarkar que permite identificar las variables básicas
factibles óptimas, es decir, identificar la matriz básica óptima B. Notemos por K-Barnes el
algoritmo modificado de Karmarkar propuesto por Barnes, para resolver el problema (2.41),
y es el siguiente:
Algoritmo K-Barnes:
Etapa inicial: x0 = e, e = (1,1,...,1) n-vector, g > 0 pequeño..
Etapa iterativa: Conociendo:
98
2.4 CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS MODIFICADOS DE KARMARKAR
Calcular:
(2.43)
Criterio de parada: m componentes de zk pertenecen al intervalo (-g,g).
Barnes demuestra que si el problema no tiene soluciones básicas degeneradas, la
sucesión zk converge a un punto con m componentes igual a cero y los demás positivos. Las
componentes con valor cero indican las variables básicas. Una propuesta algo parecida
presenta Kojima [104], que consiste en determinar las variables básicas durante el proceso
de iteración del algoritmo de Karmarkar, las mismas que excluye en las iteraciones
siguientes, simplificando de esta manera el problema inicial.
En este algoritmo K-Barnes, para obtener la solución exacta el número de iteraciones
debería ser un número suficiente de tal manera que permita identificar apropiadamente las
variables básicas óptimas. El autor no propone una cota general para el valor de g que
puede ser adecuado en todos los problemas, y debido a que no existe ningún indicador para
garantizar que se obtienen una solución exacta, las soluciones obtenidas con g>0 siempre
serán soluciones aproximadas. La solución exacta se obtendrá sólo cuando g=0.
Frente a estas condiciones, con la introducción de la regla de parada difusa se
pretende proporcionar el grado en que la solución aproximada obtenida se acerca a la
solución óptima. Porque el valor de g que se utiliza estará asociado en cierto modo con la
solución inicial.
Sea äk el máximo valor de entre las m menores componentes de | zk|, donde |.|
representa el valor absoluto de las componentes respectivamente. Sea ä0 el valor obtenido
99
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
en la solución inicial, si ä0=0, la solución inicial proporciona la solución óptima. En caso
contrario el criterio de parada puede ser expresado como “äk casi cero” expresión lingüística
definida por la función de pertenencia (2.37), en donde cm es sustituido por ä0, así la
condición de parada que proporciona la solución con un nivel de tolerancia á será la
siguiente:
Criterio de parada difuso: äk < g-1(á)
Igual que en los casos anteriores se recomienda utilizar funciones de la forma (2.39),
con cm = ä0 y 0 < r # 1.
En los mismos ejemplos de la sección 2.3 se ha utilizado este algoritmo, con ä0=0.9
para el primer ejemplo y ä0 = 1/3 para el segundo ejemplo. Para los dos ejemplos, en los
criterios de parada difusos, se utiliza por un lado la función lineal y por otro lado la función
no lineal (2.39) con r = 1/8. Los resultados se muestran en las Tablas 2.6 y 2.7
respectivamente.
Función de pertenencia lineal Función de pertenencia no lineal
á
g-1(á) Costo Iteración g-1(á) Costo Iteración
0.977 0.0207 0 25 7.0479x10-14 0 34
0.9976 0.00216 0 26 9.9067x10-22 0 39
Tabla 2.6: Costos aproximados al óptimo 0, del ejemplo 1 de la sección 2.3.
Función de pertenencia lineal Función de pertenencia no lineal
á
g-1(á) Costo Iteración g-1(á) Costo Iteración
0.977 0.00766 1 1 2.61036x10-14 1 6
0.9976 0.000799 1 1 3.6691x10-22 1 8
Tabla 2.7: Grados de aproximación al óptimo 1, del ejemplo 2 de la sección 2.3.
2.5 CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DE PUNTOS INTERIORES
100
2.5 CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DE PUNTOS INTERIORES
2.5.1 Introducción
Los algoritmos de puntos interiores denominados también como algoritmos de escala
afín (affine-scaling) son obtenidos mediante la unificación de diversas variaciones del
algoritmo de Karmarkar. El algoritmo de Karmarkar, por ser un algoritmo que no utiliza
la característica combinatorial de los problemas de PL y con tiempo de ejecución polinomial
con respecto a la dimensión del problema, es un digno competidor del algoritmo simplex en
la solución de problemas de PL. Desde que aquél [99] apareció en 1984, ha sido y sigue
siendo hasta ahora punto de atención de muchos investigadores en la materia. Desde el
punto de vista aplicativo, los dos grandes inconvenientes del algoritmo de Karmarkar se
presentaron en la forma inicial de la resolución del problema y en la función objetivo, la
cual se transformaba en no lineal después de aplicar la transformación proyectiva en cada
iteración.
Como se ha visto, para aplicar el algoritmo de Karmarkar, todo problema de PL debe
ser de mínimización con función objetivo no negativa, además de que las restricciones
lineales deben ser iguales a cero y la suma de todas las variables igual a uno. Un problema
de la forma (2.40), para ser resuelto mediante el algoritmo de Karmarkar debería ser
trasformado en la forma (2.25'). La desventaja de esto radica en el incremento de la
dimensión del problema, como podemos apreciar en el ejemplo (2.36), de dimensión 262,
mientras que el problema inicial es de dimensión 20. Y si la función objetivo no fuera no
negativa la dimensión se hubiera incrementado a 524.
El algoritmo de Karmarkar en cada iteración obtiene una segunda solución a partir
de una solución conocida. Para ello, se construye un nuevo problema estándar de
Karmarkar mediante una transformación proyectiva. Esta proyección transforma a su vez
a la función objetivo en una función no lineal con lo cual el nuevo problema queda fuera del
contexto de PL. Este inconveniente es parcialmente superado con la introducción de una
función potencial, aunque con las consecuentes limitaciones en la obtención de la
convergencia en el caso de que el mínimo no sea cero.
Como hemos visto en la sección anterior, Barnes [9], Gay [70], Vanderbei [199] y
101
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
Vanderbei, Meketon y Freedman [200] han introducido la transformación lineal en lugar
de la proyectiva. Bayer y Lagarias [10], De Gellinck y Vial [71], Iri y Imai [95], Nazareth
[146], Rinaldi [159], Todd y Ye [195] han introducido en la PL los métodos clásicos de la
programación no lineal. Asimismo, Lustig [129], Lustig, Marsten y Shanno [130], Monma
y Morton [139], Monteiro y Adler [140], Monteiro, Adler y Resende [141], entre muchos
otros, han contribuido en el desarrollo de lo que se ha dado en llamar algoritmos de puntos
interiores de la PL, algoritmos que han sido sistematizados por Arbel [3], sobre cuyo trabajo
nos basamos aquí.
En la siguiente sección 2.5.2 presentamos las ideas geométricas y sus respectivas
representaciones algebraicas de los algoritmos de puntos interiores, en la sección 2.5.3, los
algoritmos en sí y finalmente, en la sección 2.5.4 introducimos las reglas de parada difusas
en dichos algoritmos.
2.5.2 Ideas básicas
Como en todo algoritmo, debemos precisar los tres pasos fundamentales de los
algoritmos de puntos interiores que son:
i) Etapa inicial
ii) Etapa iterativa
iii) Criterio de parada.
Cada uno de estos pasos se aplicarán al PLE (2.40). Esta forma es obtenida a partir
de otras formas incluyendo variables de holgura y/o artificiales.
Etapa inicial
El procedimiento inicial consiste en elegir un punto interior de la región factible, es
decir, un vector que satisface todas las restricciones del problema a resolver.
En general, cualquier vector puede ser considerado como un punto interior inicial x0,
ya que si no satisface las restricciones, siguiendo la sugerencia de Vanderbei y otros [200],
se puede introducir una nueva variable con costo muy alto M y con coeficientes b-x0A en las
restricciones, obteniendo así un problema de la forma (2.41). Naturalmente esta
102
2.5 CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DE PUNTOS INTERIORES
modificación incrementa el tamaño del problema con la consiguiente ralentización de la
convergencia de la solución. Para evitar este inconveniente nosotros proponemos utilizar
el algoritmo elipsoidal para determinar una solución factible inicial del problema en su
forma canónica.
Etapa iterativa
Conociendo un punto interior factible x0, el paso iterativo permite generar un nuevo
punto factible que reduzca el costo actual.
Puesto que se desea minimizar una función dentro de la región factible, la dirección
del gradiente descendente nos proporciona los puntos de mejor decrecimiento. Por tanto,
para obtener el nuevo punto debemos desplazarnos en dicha dirección, y la longitud del
desplazamiento debe ser de tal manera que el nuevo punto sea punto interior factible.
Además, este desplazamiento debe ser lo más grande posible para alcanzar el punto óptimo
con el menor número de pasos. Para compatibilizar estas dos condiciones se utiliza una
circunferencia con centro en el punto conocido e inscrita en la región factible. Un
desplazamiento de longitud ligeramente menor que el radio garantiza la factibilidad.
Por otro lado, si el punto conocido es el centro de la región factible, el desplazamiento
será mayor que en el caso contrario, y se acercará mejor al punto óptimo. Esta situación se
logra parcialmente haciendo un cambio de escala en el sistema de coordenadas.
Si x0 es el punto factible conocido, la transformación x’=Dx, con D=diag(x0) hace que
el punto factible conocido x0 se transforme en e = (1,1,...,1), punto factible del problema
escalado:
min c’x’
s.a. A’x’ = b (2.44)
x’ $ 0
donde A’ = AD, c’ = Dc.
Si x’1 = x’0 + dx’ es el nuevo punto, donde dx’ es el vector dirección de paso, la
condición de factibilidad requiere que Ax’1 = A(x’0 +dx’) = Ax’0 +Adx’1 = b, pero como Ax’0 =b,
103
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
entonces Adx’ = 0; esto último significa que el vector dirección dx debe pertenecer al espacio
nulo de la matriz A. Puesto que dicho vector sigue la dirección del gradiente descendente
de la función objetivo, este gradiente descendente -c debe ser proyectado ortogonalmente al
espacio nulo de A’ mediante el operador proyección P = In-A’T(A’A’T)-1A’, es decir, dx’=-P’c’.
Finalmente, para mantener la condición de punto interior el nuevo punto estaría dado por
x’1 = x’0 + ádx’ (2.45)
con á<1.
Este nuevo punto x’1 debe ser expresado en términos del sistema de coordenadas
iniciales. Esto se logra mediante una transformación afín. Debido a que se utiliza el proceso
de cambio de escala mediante una transformación afín, se denominan también algoritmos
“affine-scaling”.
De lo expresado arriba se tiene:
dx’ = -P’c’ = (In-A’T(A’A’T)-1A’) c’ = -D[c-AT(AD2AT)-1AD2c]
haciendo
(AD2AT)y = AD2c Y y = (AD2AT)-1AD2c (2.46)
entonces dx’ = -D[c-ATy] luego dx = Ddx’ = -D2[c-ATy] y si hacemos
z = c-ATy (2.47)
entonces
dx = -D2z (2.48)
finalmente
x = x0 + ádx (2.49)
es el nuevo punto factible con menor costo.
Sabemos que todo problema de PL tiene su respectivo problema dual. Una de las
ventajas del procedimiento que acabamos de explicar radica en el hecho de que en cada
iteración se obtiene una solución aproximada del problema primal, así como también para
el problema dual. Si el x dado en (2.49) es el nuevo punto factible o solución aproximada,
entonces el y dado en (2.46) es el punto factible del problema dual.
104
2.5 CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DE PUNTOS INTERIORES
Criterio de parada
Dados los problemas primal (P) y su respectivo dual (D)
min cTx max bTy
(P) s.a. Ax = b (D) s.a. Aty # c (2.50)
x$0 y irrestrictas
por el teorema de la dualidad débil se tiene que cx$bTy, y por el teorema general de la
dualidad en el óptimo se cumple la igualdad. Por lo tanto para alcanzar la solución óptima
del problema primal y dual el procedimiento debe detenerse cuando se obtienen x*, y* tales
que cx*=bTy*. Sin embargo, debido a que en cada iteración se obtienen puntos interiores
mientras que el punto óptimo es de la frontera, el procedimiento no determina exactamente
el punto óptimo sino una sucesión de puntos que convergen al punto óptimo. En
consecuencia, el procedimiento se realiza hasta alcanzar un valor fijado como un umbral
para la diferencia entre los valores de las funciones objetivos primal y dual.
El criterio de parada que han sugerido muchos autores es:
gap = 2cx-bTy2/(1+2cx2)#g (2.51)
donde g varía entre 10-6 y 10-8.
2.5.3 Algoritmos de puntos interiores
En el algoritmo que se ha explicado en la sección anterior, aunque en cada iteración
se obtiene una solución aproximada x para el problema primal, y otra solución aproximada
y para el problema dual, el procedimiento mantiene que la solución aproximada del
problema primal sea factible, por lo que se denomina algoritmo primal . Si en lugar de
mantener la factibilidad primal se modifica el procedimiento de tal manera que mantenga
la factibilidad dual, se obtendría un algoritmo similar denominado algoritmo dual. Si se
mantiene la factibilidad primal y dual simultáneamente, se obtiene el algoritmo
denominado algoritmo primal-dual.
[Link] Algoritmo Primal
105
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
Este algoritmo recoge fundamentalmente las aportaciones de Barnes [9], Vanderbei
[199] y Vanderbei, Meketon y Freedman [200] entre otros, cuyo procedimiento se ha
explicado en la sección anterior, por lo tanto sin más comentario, presentamos en forma
ordenada el algoritmo primal, para resolver los problemas primal y dual dados en (2.50):
Etapa Inicial:
Paso 0: Dado x0 > 0 un punto interior factible, hacer k=0, y x(k) = x0.
Etapa iterativa:
Paso 1: Definir: D(k) = diag(x(k)), la matriz de cambio de escala.
Paso 2: Calcular la estimación dual y(k), resolviendo [AD2(k)AT]y(k) = AD2c
Paso 3: Evaluar el vector costo reducido z(k) = c-ATy(k), luego dx(k) = -D2(k)z(k)
Paso 4: El siguiente vector solución está dado por:
x(k+1) = x(k) + ñádx(k)
donde
Criterio de Parada:
Paso 5: Si el criterio de parada se cumple, terminar el proceso. En el caso contrario
incrementar k e ir al paso 1.
[Link] Algoritmo Dual
Este algoritmo mantiene la factibilidad dual, es decir, a partir de un punto factible
conocido del problema dual determina otro punto factible de tal manera que el valor de la
función objetivo sea mayor. Las propuestas de Todd y Burrell [194] y de Monma y Morton
[139] son las aportaciones de mayor relevancia en este algoritmo.
Introduciendo variables artificiales en el problema dual de (2.50) se obtiene el
problema estándar siguiente:
max bTy
s.a. Aty+z = c (2.52)
106
2.5 CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DE PUNTOS INTERIORES
y irrestrictas, z $ 0
Asumiendo que un punto factible inicial (y0,z0) de (2.52), con z0 $ 0 es conocido, el
siguiente paso consiste en determinar los vectores dirección de paso dy y dz de tal manera
que nos permita determinar (y,z) un nuevo punto interior factible de (2.52), donde y = y0,
+ á dy , y irrestrictas; z = z0 + ádz , z $ 0. De las condiciones de factibilidad se deduce que
ATdy +dz = 0; esta dependencia nos permite determinar una de las direcciones a partir de
la otra. La condición de no negatividad de z nos permite hacer los cálculos de una manera
semejante que en el algoritmo primal.
Los pasos del algoritmo dual son los siguientes:
Etapa inicial:
Paso 0: Dados y0, z0 vectores iniciales factibles, con z0 > 0, sean k = 0, y(k) = y0 y z(k)
= z0.
Etapa iterativa:
Paso 1: Definir D(k )= diag[1/z1(k),1/z2(k),...,1/zn(k)].
Paso 2: Hallar dy(k), resolviendo el sistema [AD2(k)AT]dy(k) = b.
Paso 3: Calcular: dz(k) = -Atdy(k).
Paso 4: Encontrar el siguiente costo reducido: z(k+1) = z(k) + ñádz
el vector dual y(k+1) = y(k) + ñády(k),
donde y 0<ñ<1
y el correspondiente vector primal x(k+1) = -D2dz(k).
Criterio de parada:
Paso 5: Si el criterio de parada se cumple, terminar las iteraciones. En el caso contrario
incrementar k en una unidad e ir al paso 1.
[Link] Algoritmo Primal-Dual
107
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
Como ya hemos comentado al inicio de la sección (2.5.3), el algoritmo primal-dual
mantiene la factibilidad primal y dual al mismo tiempo, en cada iteración. Para poder hacer
esto, las condiciones de no negatividad tanto del problema primal como del dual son
expresadas en otra forma, por tanto, el problema primal de (2.50) y el dual (2.52) son
transformados respectivamente en:
(Pì) :
(Dì):
Los términos que contienen la función logaritmo no sólo obligan a las variables a ser
positivas sino a mantenerse en una posición central con respecto a los ejes para alcanzar la
optimalidad. El parámetro de barrera ì sirve para mantener la posición centrada de los
puntos interiores y al mismo tiempo la condición de reducción del costo.
Como podemos observar, los problemas (2.53) y (2.54) son no lineales, por tanto,
debemos aplicar los métodos para resolver problemas de optimización no lineales. Las
propuestas de Bayer y Legarias [10], De Gellinck y Vial [71], Iri e Imai [95], Lustig [129] y,
Montero y Adler [140] entre otros, han permitido desarrollar el algoritmo Primal-Dual,
cuyos pasos resumimos a continuación:
Etapa Inicial:
Paso 0: Sean x0,y0 y z0, puntos interiores factibles, es decir, que satisfacen las
restricciones de (2.53) y (2.54), con x0>0 y z0>0 . Hacer k=0 y x(k)=x0, y(k)=y0 y
z(k)= z0.
Etapa Iterativo:
Paso 1: Evaluar el parámetro barrera: ì=0.1zT(k)x(k)/n.
Paso 2: Definir las matrices diagonales de cambio de escala siguientes:
X(k) = diag[x(k)], Z(k) = diag[z(k)] y D2(k)=Z-1X.
Paso 3: Evaluar el vector auxiliar: í(ì)=ìe-XZe, e=(1,1,...,1)T.
Paso 4: Hallar el vector dirección de paso dual dy resolviendo el sistema:
108
2.5 CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DE PUNTOS INTERIORES
[AD2(k)AT]dy(k) = -AZ-1í(ì)
Paso 5: Evaluar los vectores dirección de paso:
dz(k)=-ATdy(k) y dx(k)=[Z-1 - D2AT(AD2AT)-1AZ-1]í(ì)
Paso 6: Evaluar:
x(k+1) = x(k) + ñápdx(k), nuevo punto interior primal,
y(k+1) = y(k) + ñáddy(k), nuevo punto interior dual y
z(k+1) = z(k) + ñáddz(k), nuevo costo reducido.
Donde:
Criterio de parada:
Paso 7: Si el criterio de parada se cumple finalizar la iteración, en el caso contrario
aumentar en uno el valor de k e ir al paso 1.
2.5.4 Criterio de parada difuso en algoritmos de puntos interiores
El criterio de parada en los algoritmos de puntos interiores expuestos en la sección
2.5.3 presenta una aproximación a la solución óptima que en muchos casos puede alcanzarse
con un número muy elevado de iteraciones.
Para obtener una solución exacta la condición de parada matemáticamente exacta en
estos algoritmos sería:
ë = gap = 2cx-bTy2/(1+2cx2)=0. (2.55)
Sin embargo debido a que estos algoritmos son de aproximación no es práctico imponer
esta condición de parada, por ello se ha establecido la condición (2.51). Esto nos dice que
la solución óptima, es decir, el punto de convergencia se puede obtener cuando ë se
encuentra entre 10-6 y 10-8. Evidentemente, otros umbrales inferiores a esos números
posiblemente proporcionarían soluciones más cercanas al óptimo pero no óptimas. La
109
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
diferencia entre el punto óptimo y la solución aproximada será menor cuanto menor sea el
umbral para ë.
El criterio de parada (2.51) obedece a un criterio de aproximación fundamentalmente
de precisión, y no es susceptible de ser reajustado en función a las características de los
problemas a resolver, ni en función a las expectativas del decisor, pese a que este último es
quién en última instancia las ha de usar.
Siguiendo con el objetivo de este trabajo, también proponemos flexibilizar los
algoritmos de puntos interiores, de tal manera que sea posible controlar la detención del
proceso de cálculo en función al tiempo de ejecución razonable, y que el resultado obtenido
sea aceptable para el decisor aunque no sea la óptima.
Puesto que la condición de parada (2.55) (ë=0) es similar a la condición de parada del
algoritmo de Karmarkar, el criterio de parada difuso estaría dado por la expresión
lingüística “ë positivamente casi cero” es decir un número difuso con función de pertenencia
dado por (2.37). Igualmente la función g es la función definida por (2.39) con 0<r<1 y cm se
sustituye por ë0 (calculado según (2.51) o (2.55)) obtenido en la primera iteración.
Una vez introducida la condición de parada difusa, el decisor podrá fijar el grado á
(0<á<1) de tolerancia del incumplimiento de la regla de parada (2.55), es decir, el grado de
cercanía a cero de ë para considerar aceptable la solución que se obtenga. Con lo cual se
tiene el Criterio de Parada difuso:
ë # g-1(á)
esta condición debe ser utilizada en cada uno de los criterios de parada de los tres
algoritmos de puntos interiores, así se obtendrán dichos algoritmos con criterios de parada
difuso.
110
2.5 CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DE PUNTOS INTERIORES
Algoritmo Primal Algoritmo Dual Algoritmo Primal-Dual
x0=(2,2,2,2) y0=(-1,3/2) ë0=0.3668
ë0=0.6505 z0=(1,1/2,1,3/2)
á
ë0=0
g-1(á) Costo Primal Costo iteración g-1(á) Costo Costo iteración g-1(á) Costo Primal Costo iteración
Dual Primal Dual Dual
Función de pertenencia lineal g(t)=1-t/ë0
0.977 0.015 0.01066 0 4 0 0 0 1 0.0084 0.00202 0 3
0.9976 0.00156 0.00152 0 25 0 0 0 1 0.00088 0.000112 0 4
Función de pertenencia no lineal g(t)=1-(t/ë0)1/8
0.5 0.00254 0.002447446 0 15 0 0 0 1 0.0014 0.000112 0 4
0.8 1.6654x10-6 1.665314x10-6 0 25274 0 0 0 1 0.0000009 0.00000034 0 6
0.9 6.5054x10-9 6.505376x10-9 0 6472365 0 0 0 1 3.66x10-9 1.033498x10-9 0 8
Tabla 2.8: Grados de aproximación al costo óptimo 0 del ejemplo 1 de la sección 2.3.
111
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
Algoritmo Primal Algoritmo Dual Algoritmo Primal-Dual
x0=(3,3,5,1) y0=(1/2,-1/4) ë0=0.2681
ë0=0.3695 z0=(3/4,1/4,1/2,1/4)
á
ë0=0.1001
g-1(á) Costo Primal Costo Dual itera- g-1(á) Costo Costo Dual iteración g-1(á) Costo Primal Costo Dual itera-
ción Primal ción
Función de pertenencia lineal g(t)=1-t/ë0
0.977 0.0085 1.000625 0.999695 3 0.003 0.999991 0.9960991 5 0.0062 1.000625 0.99514 3
0.9976 0.0008868 0.000625 0.999695 3 0.00024 0.9999999 0.99952 59 0.00064 1.000031 0.99964 4
Función de pertenencia no lineal g(t)=1-(t/ë0)1/8
0.5 0.0014 1.000625 0.9996953 3 0.00039 0.9999998 0.99923 35 0.001 1.000031 0.99964 4
0.8 9.4594x10-7 1.0000018916 1-7.16x10-12 5545 0.00000025 1-7x10-14 0.9999995 61602 0.0000007 1.0000000039 0.9999999916 7
0.9 3.6954x10-9 1.0000000036 1.00 1310853 1.001x10-9 1.00 0.9999999992 15923095 2.68x10-9 1.0+1.9x10-11 0.99999999995 8
3
Tabla 2.9: Grados de aproximación al costo óptimo 1, del ejemplo 2 de la sección 2.3.
112
2.6 EJEMPLOS NUMÉRICOS COMPARATIVOS
Aplicando los algoritmos de puntos interiores con esta regla de parada difusa a los
mismos problemas utilizados en la sección 2.4 obtenemos los resultados mostrados en las
Tablas 2.8 y 2.9. En estos algoritmos, utilizando una función de pertenencia no lineal para
definir la regla de detención difusa se pueden emplear grados de tolerancias más realistas,
mientras que si se usa una función de pertenencia lineal se tienen que utilizar grados de
tolerancia muy altos pero aún así, se obtienen peores aproximaciones. Por otro lado, de
entre los tres algoritmos de puntos interiores, el algoritmo primal-dual requiere menor
número de iteraciones para alcanzar buenas aproximaciones, aunque el inconveniente
radica en la forma de obtener una solución inicial primal y dual simultáneamente.
2.6 EJEMPLOS NUMÉRICOS COMPARATIVOS
Como dijimos al inicio de este capítulo, vamos a ilustrar las ventajas de utilizar el
criterio de parada difuso en los algoritmos de PL mediante dos ejemplos. El primer ejemplo
es el mismo que se ha utilizado en la sección 2.2 al ilustrar la versión difusa del algoritmo
simplex, el segundo, es el ejemplo de Klee-Minty [103] que muestra que el algoritmo simplex
es de tiempo de ejecución no polinomial y veremos allí que los algoritmos de puntos
interiores son más eficientes y, sobre todo, la ventaja de utilizar el criterio de parada difuso.
2.6.1 Ejemplo 1 :
Se trata de resolver:
Este ejemplo, originalmente de tamaño 77, resulta ser de tamaño 135 al
transformarlo a la forma estándar para poder aplicar el algoritmo simplex (AS), el algoritmo
113
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
de Vanderbei-Miketon-Freedman (AVMF), el algoritmo de Barnes (AB), el algoritmo primal
(AP), al algoritmo dual (AD) y el algoritmo primal-dual (APD).
Para aplicar el algoritmo original de Karmarkar (AK), debido a que la función objetivo
al convertirla en minimización no es “no negativo”, se obtiene un sistema de ecuaciones de
tamaño 377 que, después de transformarlo en la forma estándar de Karmarkar resulta un
ejemplar de tamaño 21350. Para obtener la solución óptima de este ejemplar mediante el
algoritmo de Karmarkar, se requiere un máximo número de 5.124.000 iteraciones
aproximadamente.
En la Tabla 2.10 en la fila señalada como “no difusa” se presentan las soluciones
obtenidas utilizando los algoritmos con el criterio de parada original. En los dos grupos de
líneas siguientes se muestran las soluciones obtenidas con los respectivos algoritmos en los
que se han introducido criterios de parada difusos. En la primera línea se utiliza una
función de pertenencia lineal y en la segunda, una función no lineal.
En la columna con encabezado á se indica el grado de tolerancia del incumplimiento
de la condición de parada; en las demás columnas, para cada algoritmo se consigna el error
que se comete al admitir una solución aceptable con respecto a la solución exacta y el
número de iteraciones realizadas para obtenerla. Para expresar el error se utiliza una de
las fórmulas más usadas en los algoritmos aproximados:
error =
Se observa claramente que el uso de un criterio de parada difuso reduce el número de
iteraciones. Lo más sorprendente es en los algoritmos de Barnes, dual y primal-dual, con
criterio de parada difuso con sólo el 20% de iteraciones se obtiene el mismo resultado que
sin el criterio de parada difuso, esto indica que para ejemplos particulares existen
iteraciones que no mejoran sustancialmente el resultado, por lo tanto sólo consumen tiempo
y recursos, situación que puede evitarse usando un criterio de parada difuso.
En general, el uso de un criterio de parada difuso en los algoritmos de PL proporciona
una reducción muy ventajosa del número de iteraciones, entre el 10% y el 50%, consiguiendo
unos resultados aceptables muy cercanos al óptimo.
114
2.6 EJEMPLOS NUMÉRICOS COMPARATIVOS
á AS AK AVMF AB AP AD APD
error iteración error iteración error iteración error iteración error iteración error iteración error iteración
NO DIFUSO 0.00 4 0.00 5124000 5x10-6 19 0.00 9 5x10-8 9786 0.00 12232 0.00 9
DIFUSO-LINEAL
0.5 1.83 3 1.8x10113 17 63.40 1 9.52 0 1.77 2 0.57 2 3.53 2
0.8 1.83 3 7.3x10102 25 13.59 2 9.52 0 1.77 2 0.57 2 3.52 2
DIFUSO-NO LINEAL
0.5 0.00 4 43.72 1406 6.48 3 9.52 0 0.15 4 0.005 5 0.04 5
0.8 0.00 4 0.0238 3054 0.007 9 0.00 6 0.0004 2480 0.00 2062 0.00 8
Tabla 2.10: Soluciones mediante algoritmos con y sin criterio de parada difuso.
Este logro, que constituye la mayor ventaja del uso de un criterio de parada difuso, se aprecia mejor en algoritmos menos eficientes,
115
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
como es el caso del algoritmo de Karmarkar original con respecto a las modificaciones del
mismo, como son los algoritmos de Vanderbei-Meketon-Freedman, Barnes y los tres
algoritmos de puntos interiores.
En la Tabla 2.10 al igual que en las Tablas anteriores se observa la ventaja de utilizar
una función de pertenencia no lineal y particularmente convexa con respecto a una función
de pertenencia lineal, ventaja que se hace más evidente en el algoritmo de Karmarkar.
4.5.2 Ejemplo 2: problema de Klee-Minty:
En 1972 Klee y Minty [103] construyeron un ejemplo de 50 variables y 50 restricciones
cuya resolución mediante el algoritmo simplex requería 300,000 años. La forma general de
este ejemplo es la siguiente:
Para obtener la solución óptima mediante el algoritmo simplex se requieren 2n-1
iteraciones. En ejemplos como éste resulta fundamental la introducción del criterio de
parada difuso, y ya no sólo en el algoritmo simplex sino también en algoritmos más
eficientes como son los algoritmos de puntos interiores.
Ilustramos los resultados de aplicar los algoritmos con criterio de parada difuso
estudiados en el ejemplo de Klee-Minty para n=6 (6 variables y 6 restricciones) en la Tabla
2.11. El ejemplo tal como está enunciado (n=6) es de tamaño 99, y expresado en su forma
estándar es de tamaño 147. Si combinamos el ejemplo con su dual y con la condición de
116
2.6 EJEMPLOS NUMÉRICOS COMPARATIVOS
igualdad de las funciones objetivo en el caso óptimo, se obtiene un sistema de tamaño 534.
Consecuentemente, la forma estándar de Karmarkar alcanza un tamaño 41.464, por lo cual
este algoritmo requeriría a lo sumo 12.936.768 de iteraciones para obtener la solución
óptima. Ya que es elevado el número de iteraciones que se requieren, no se ha intentado
resolver el ejemplo de Klee-Minty mediante el algoritmo de Karmarkar.
Todo lo expresado a la luz de los resultados mostrados en la Tabla 2.10 respecto del
primer ejemplo de esta sección se ve corroborado y aún reforzado con los resultados
mostrados en la Tabla 2.11. La nota más importante que recogemos de esta última Tabla
es el hecho de que el porcentaje del error promedio con respecto a la solución exacta es tan
sólo de 5.35, obtenido en tan sólo el 40.1727 % de iteraciones, cuando la función de
pertenencia es convexa y el grado de aceptación á=0.8. Proporciones semejantes se pueden
obtener también al trabajar con los datos de la Tabla 2.10.
Estos dos ejemplos son pequeñas muestras de las grandes bondades del uso de
criterios de parada difusos en los algoritmos denominados exactos. La ventaja de los
criterios de parada difusos se perciben mejor cuanto mayores sean las dimensiones de los
problemas de PL.
117
CRITERIOS DE PARADA DIFUSOS EN LA PROGRAMACIÓN LINEAL
á AS AVMF AB AP AD APD
error iteración error iteración error iteración error iteración error iteración error iteración
NO DIFUSO 0.00 63 0.00 52 0.00 302 0.00 2584 0.00 2586 0.00 12
DIFUSO-LINEAL
0.5 91.36 11 0.41 39 25.31 5 14.14 2 18.991 2 8.37 2
0.8 67.08 30 0.41 39 25.31 5 14.14 2 7.076 3 8.37 2
DIFUSO-NO
LINEAL
88.88 15 0.041 41 24.69 7 0.0014 7 0.186 6 0.058 5
0.5
23.46 44 0.00 46 8.64 13 0.00012 211 0.00029 93 0.00004 8
0.8
Tabla 2.11: Soluciones mediante algoritmos con y sin regla de parada difusa.
118
Capítulo 3
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL
PROBLEMA DE LA MOCHILA Y DEL VIAJANTE DE
COMERCIO
3.1 INTRODUCCIÓN
En el problema de la mochila se trata de llenar una mochila con todos los objetos
posibles que quepan de un total de n objetos, de tal manera que el valor de los objetos
transportados sea el mayor posible. Dicho en otras palabras, el objetivo es llenar la mochila
de tal manera que se maximice el valor de los objetos transportados respetando la limitación
de la capacidad impuesta.
El muy conocido problema del viajante de comercio, que brevemente se conoce como
TSP (Traveling Salesman Problem o Traveling Salesperson Problem) consiste en determinar
el programa de recorrido de una visita a cada una de n ciudades de tal manera que la
distancia total sea el menor y que no se repita ninguna de ellas por más de una vez.
En este capítulo exploraremos la aplicabilidad de los criterios de parada difusos a estos
dos importantísimos problemas.
3.2 EL PROBLEMA DE LA MOCHILA
El “problema de la mochila”, cuyo nombre apareció por primera vez en 1957 sugerido
por Dantzig [45] para referirse al problema que Bellman [12], unos años antes, denominó
como “problema de la carga”(loading problem), es un problema simple en su formulación,
como se puede observar, pero muy complejo para resolverlo, tal es así que constituye un
problema test para medir la eficiencia de diferentes algoritmos.
La importancia de este problema se puede percibir si lo reformulamos en otros
términos como por ejemplo, “se dispone de un capital c para financiar proyectos de inversión,
119
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
existen n proyectos candidatos que en total requieren capital muy superior al disponible. El
problema reside en seleccionar aquellos proyectos de tal manera que los beneficios sean los
mayores posibles.
A partir del enunciado anterior y de otros muchos alternativos, resulta evidente la
aplicabilidad del problema de la mochila en diversos problemas como los de selección de
proyectos y asignación de capital de inversión, los problemas de corte de stock (Cutting
Stock), o problemas de los de carga, etc. Un resumen y las correspondientes referencias de
estas y otras aplicaciones del problema de la mochila puede encontrarse en [175].
Puesto que el problema de la mochila es NP-completo [134], no admite algoritmos con
tiempo de ejecución polinomial en n, aunque sí pseudo polinomiales, es decir, algoritmos
cuyos tiempos de ejecución estén acotados por un polinomio en n y c. Sin embargo, existen
algoritmos de tipo enumerativo que resuelven el problema de la mochila, como veremos más
adelante, en tiempos de ejecución acotados por un polinomio en n, que en el “peor caso”
pueden tener un crecimiento exponencial. Estos últimos algoritmos son denominados
algoritmos exactos.
Otros algoritmos, denominados aproximados, determinan soluciones factibles en
tiempos de ejecución polinomial en n. Estas soluciones no óptimas (con algunas excepciones,
naturalmente) constituyen cotas inferiores de la solución óptima
En el presente trabajo, al igual que en el capítulo 2, flexibilizaremos algunos
algoritmos exactos de tal manera que se comporten como algoritmos aproximados. Pero
antes, en la sección 3.2.1 describiremos la mayoría de los modelos clasificados dentro del
grupo de problemas de la mochila, aunque la flexibilización la haremos para los algoritmos
más importantes del problema de la mochila en su caso simple. Analizamos tales algoritmos
en la sección 3.2.3.
El comportamiento de los algoritmos aproximados para un ejemplar específico se
mide comparando con la solución óptima, o bien si se desconoce la solución óptima, con
alguna cota superior. Puesto que nuestro trabajo consistirá en intentar hacer que los
algoritmos exactos se comporten como los algoritmos aproximados, resulta importante hacer
las comparaciones respectivas. Teniendo en cuenta que no es muy fácil obtener una solución
exacta para el problema de la mochila de grandes dimensiones, optamos por las
comparaciones con alguna cota. Por ello en la sección 3.2.2 revisaremos algunos algoritmos
120
3.2 EL PROBLEMA DE LA MOCHILA
importantes para calcular las cotas superiores del problema de la mochila. En la 3.2.4 se
exponen las modificaciones que proponemos, la introducción de criterios de parada difusos
en los algoritmos que resuelven el problema de la mochila, y particularmente ilustramos
dichos criterios difusos en dos algoritmos de ramificación y acotamiento, y en dos algoritmos
de programación dinámica que estudiaremos en la sección 3.2.3. Finalmente en la sección
3.2.5 presentamos los resultados de experimentos numéricos, las comparaciones y las
conclusiones respectivas.
3.2.1 Formulación y tipos de problemas de la mochila
El problema de la mochila formulado literalmente en la sección anterior puede ser
matemáticamente expresado enumerando los objetos de 1 a n que de aquí en adelante
llamaremos ítems, introduciendo números wj, pj (j=1,...,n) llamados peso y valor
respectivamente del j-ésimo ítem e introduciendo variables binarias xj (j=1,...,n) con el
siguiente significado:
Por lo tanto el problema de la mochila consiste en seleccionar aquellos objetos (ítems)
de entre los n de tal manera que la suma total de sus valores respectivos sea el mayor
posible, pero que la suma de sus pesos respectivos no sea superior a la capacidad c de la
mochila, es decir, se trataría de resolver el siguiente problema:
Este problema prototipo que en adelante denominaremos problema clásico de la
mochila o simplemente problema de la mochila (PM), es conocido como el problema de la
mochila 0-1 (0-1 Knapsack Problem).
En la generalidad de los casos no se imponen condiciones sobre los parámetros del
modelo (3.1). Debido a que casi la totalidad de los algoritmos construidos consideran que
121
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
todos los parámetros son enteros positivos, si no se especifica lo contrario, también
consideraremos que todos los parámetros son enteros positivos. Cada ítem es de menor peso
que la capacidad y la suma de los pesos de los n ítems es superior a la capacidad de la
mochila, y sobre todo, consideraremos que los ítems están ordenados, en orden decrecientes
del valor por unidad de peso, es decir:
Cualquier situación diferente se puede reducir siempre a este caso. Así por ejemplo,
si algunos parámetros son fracciones, multiplicamos por un factor apropiado. Si algún ítem
tiene valor negativo simplemente se descarta, y si tiene peso negativo pero con valor positivo
se selecciona; luego, se construye un nuevo problema excluyendo los ítems descartados y
admitidos inicialmente; y si la suma de los pesos es menor que la capacidad, la solución es
trivial pues todos los ítems son seleccionados para meter a la mochila.
Aunque en este trabajo fijaremos nuestra atención sólo en el problema clásico de la
mochila, no podemos dejar de mencionar los otros tipos de problemas de la mochila
derivados del problema clásico, también de importancia, que darían lugar a un posterior
trabajo ya que su estudio en profundidad desbordaría los límites de esta memoria. En
cualquier caso pueden destacarse los siguientes:
a) Cuando los n ítems se agrupan en r grupos Nk (k=1,...,r) y se impone la condición de que
debe elegirse necesariamente un ítem de cada subgrupo, se obtiene el denominado
problema de la mochila de múltiple elección (multiple-choice Knapsack problem), que se
formula de la siguiente manera:
b) Cuando en el PM se admite la posibilidad de elegir a lo sumo bj unidades del ítem j, el
122
3.2 EL PROBLEMA DE LA MOCHILA
problema se denomina problema acotado de la mochila (bounded Knapsack problem):
y si bj=+4 (j=1,...,n), se denomina problema no acotado de la mochila (unbounded
Knapsack problem).
c) Un caso especial del PM se presenta cuando pj=wj (j=1,2,..,n), lo que se conoce como el
problema de subconjunto suma (subset-sum problem):
d) Si en el problema acotado de la mochila pj=1 (j=1,...,n) o bien todos los ítems tienen el
mismo valor, se obtiene el denominado problema de hacer cambios (change-making
problem):
Naturalmente, se obtiene el correspondiente problema no acotado cuando bj=+4 (j=1,...,n).
e) Si en lugar de tener una mochila se tienen m mochilas y además se impone la condición
de introducir un ítem a lo sumo en una mochila, el problema se denomina el problema
múltiple de la mochila. Para la formulación matemática introducimos constantes ci
(i=1,...,m) para expresar las respectivas capacidades de las mochilas, y variables binarias
xij con valor 1, para indicar que el ítem j se ha seleccionado para llenar a la mochila i, y
valor 0 en otros casos; de este modo, tenemos:
123
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
Cuando en este problema tanto el valor como el peso del ítem varía de acuerdo a la
mochila, estamos ante el problema de asignación generalizado.
A su vez, en cada uno de los casos anteriores, puede existir más de una función
objetivo. De ser así se originarían los correspondientes problemas de la mochila
multiobjetivo.
3.2.2 Cotas superiores del problema de la mochila
Sea z(PM) la función objetivo del problema de la mochila. Una cota superior de PM es
un número U tal que z(PM)#U. Para calcular una cota superior se han desarrollado
diferentes algoritmos, siendo de mayor importancia los derivados de la relajación continua
por una parte y por otra parte los de enumeración parcial. Revisaremos en esta sección las
cotas superiores obtenidas mediante la relajación y por enumeración parcial; todas ellas
tomadas de [134].
[Link] Cotas obtenidas mediante relajación
Existen dos tipos importantes de relajación: continua, llamada también relajación en
programación lineal, y lagrangiana. Algunos conceptos importantes asociados a cada una
de ellas son las siguientes:
124
3.2 EL PROBLEMA DE LA MOCHILA
[Link].1 Relajación continua
La relajación continua es una relajación natural y quizás por ello, fue la primera en
ser propuesta. Dicha relajación se ha denominado problema continuo de la mochila, que
denotaremos por C(PM), y se obtiene a partir de (3.1) reemplazando la condición de variable
binaria por variable con valores en el intervalo [0,1], es decir:
C(PM):
Esta relajación no es sino el mismo problema inicial pero en el que a la hora de
seleccionar los objetos, se puede proceder a fraccionarlos cuando ya no es posible introducir
los objetos enteros. Bajo esta condición, el procedimiento de selección es muy simple, ya que
se seleccionarán todos los objetos que quepan en la mochila hasta alcanzar el (s-1)-ésimo
ítem de tal manera que el siguiente ítem s ya no quepa; luego, este último objeto se
romperá en las fracciones necesarias hasta llenar completamente la mochila. Este
procedimiento, propuesto por Dantzig en 1957, fue utilizado durante dos décadas como el
mejor método para resolver el problema de la mochila.
Ítem crítico: El ítem s mencionado en el párrafo anterior se denomina ítem crítico y
formalmente lo definimos como:
Solución continua: Luego la solución óptima x* del problema C(PM) es:
donde
125
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
(3.
y el valor de la solución óptima de C(PM) es:
La cota de Dantzig: Teniendo en cuenta la condición de variable entera para el problema
de la mochila inicial se obtiene una cota superior denominada cota de Dantzig:
donde lam nota el mayor de los números enteros no mayores que a.
Martello y Toth obtienen una cota superior mejor que la de Dantzig imponiendo la
condición de que la variable crítica xs sea entera. Así, se tienen:
donde s y son valores definidos por (3.3) y (3.4) respectivamente.
Cota superior de Martello-Toth: Luego una cota superior mejor es:
U2= max (U0,U1); (3.9)
Otra mejora de la cota superior se obtiene a raíz de la propuesta de Hudson para
mejorar (3.7), por una parte, y por otra, de la propuesta de Fayard y Plateau quienes
realizan cálculos que mejoran (3.8), del siguiente modo:
126
3.2 EL PROBLEMA DE LA MOCHILA
donde
como consecuencia se obtiene una cota superior mejor, que es la conocida como cota superior
de Hudson-Fayard-Plateau:
Estas cotas satisfacen la relación U3 # U2 # U1, de donde se refleja la condición de que
U3 es una cota superior mejor que U 2, y ésta a su vez mejor que U1.
[Link].2 Relajación lagrangiana
La otra relajación que hemos mencionado es la lagrangiana, que notaremos por
L(PM,ë), donde ë es un multiplicador no negativo, y que constituye el problema:
cuya función objetivo se simplifica en:
con la notación
127
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
La solución óptima de la relajación lagrangiana se obtiene fácilmente haciendo:
y luego, definiendo
J(ë) = { j: pj/wj > ë },
con los cuales el valor de la solución resulta:
Si ë* =ps/ws = mín{ëj, j0J(ë)} ,donde s es el ítem crítico, se cumple z(C(PM))=z(L(PM,ë*)), y
viene a ser:
(3.17)
Utilizando este valor, Müller-Merbach propuso la llamada cota de Müller-Merbach:
Esta cota es mejor que la cota de Dantzig, pero, en general, no es mejor que las cotas
U2 y U3, aunque en algunas situaciones se cumple que U 4 < U3 # U2 # U1.
Partiendo de las ideas usadas en el cálculo de las cotas anteriores, Dudzinski y
Walukievicz obtuvieron una cota mejor que las anteriores. Para ello, primero, usando la
solución óptima xj* de la relajación continua, definen una solución factible de la
siguiente manera:
luego para cada k tal que :
Ahora sean
128
3.2 EL PROBLEMA DE LA MOCHILA
donde son dados en (3.10) y (3.11). Luego la cota de Dudzinski-Walukiewicz está
dada por:
que es la mejor de las cuatro cotas definidas anteriormente.
[Link] Cota obtenida mediante enumeración parcial
Teniendo como referencia el ítem crítico s, Martello y Toth [133] propusieron otra
forma de determinar una cota superior del problema de la mochila. Para ello seleccionan
números r y t tales que 1 < r # s y s # t < n, y construyen una solución factible de PM
haciendo xj=1 para j<r, xj=0 para j>t y hallando la solución óptima del sub-problema PM(r,t)
definido por los ítems r,r+1,...,t con capacidad
La solución óptima del subproblema PM(r,t) se calcula mediante el árbol de decisión binaria
para j=r,r+1,...,t, generando pares de nodos de decisión haciendo xj = 1 y xj = 0 en cada
nodo k. Para cada nodo k del árbol resultante, sea f(k) el ítem que ha generado el nodo k
(haciendo xf(k) = 1 o xf(k) = 0). El conjunto de los nodos terminales (ramas) del árbol puede ser
particionado en:
(Ramas
129
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
(Ram
Luego para cada l 0 L1cL2, sea ul una cota superior de PM, definida de la siguiente manera:
donde:
y el máximo de estas cotas es la denominada Cota de Martello y Toth:
U6 = max { ul: l 0L1cL2 }. (3.21)
Esta cota es mejor que las cotas anteriores excepto la cota de Dudzinsky y
Walukiewicz. Por tanto, la mejor cota de entre las seis cotas dadas es:
U= min (U5, U6).
3.2.3 Algoritmos de solución del problema de la mochila
Para cada uno de los modelos presentados en la sección 3.2.1 y para otros casos
especiales existen muchos algoritmos de solución. Una muy buena recopilación de dichos
algoritmos puede encontrarse en [134]; también [175] recoge un buen número de algoritmos
para resolver particularmente el problema de la mochila en su caso más simple. Los
algoritmos que presentamos aquí se han recogido de estos dos libros.
Como se sabe, dentro de la programación entera y en particular para problemas 0-1
los métodos de ramificación y acotación y el de la programación dinámica son los más
utilizados. Puesto que el PM es uno de los casos de la programación binaria, no es una
excepción en dicha utilización, por ello y porque basándose en estos métodos se han
130
3.2 EL PROBLEMA DE LA MOCHILA
construido los algoritmos más eficientes para resolver el PM, en este trabajo hemos elegido
dos algoritmos basados en el método de ramificación y acotación que veremos en la sección
[Link] y dos algoritmos basados en la programación dinámica que veremos en la sección
[Link]. Además, previamente en la sección [Link], revisamos un algoritmo aproximado y
una heurística de tipo voraz (greedy). Sobre cada uno de los algoritmos que estudiamos,
explicamos su metodología general y presentamos su procedimiento detallado en la forma
de pseudo-código-pascal, siguiendo la misma forma que utilizan Martello y Toth [134].
[Link] Algoritmos de aproximación
Consideramos dentro de esta sección aquellos algoritmos que resuelven el PM en un
tiempo de ejecución polinomial, pero que no garantizan la optimalidad de la solución
obtenida; razón por la cual el valor correspondiente a la solución obtenida por un algoritmo
de aproximación constituye solamente una cota inferior del valor óptimo.
Existen diferentes tipos de algoritmos aproximados, los llamados heurísticas o los
propiamente algoritmos aproximados. Una revisión de los más importantes algoritmos de
este tipo poden encontrarse en [134].
Puesto que nuestro objetivo no es hacer una revisión de los algoritmos aproximados,
sino que sólo utilizarlos como una herramienta, en este trabajo hemos elegido un algoritmo
voraz por ser el más popular y eficiente de los algoritmos heurísticos para resolver PM y el
algoritmo aproximado de Sahni por ser uno de los más simples de este tipo.
[Link].1 El algoritmo de tipo voraz
Los algoritmos voraces son los más fáciles de entender e implementar y típicamente
se utilizan para resolver problemas de optimización. Se puede decir que su procedimiento
se asemeja al de un “método de la fuerza bruta”, característica por la cual actúan de modo
inmediato basándose sólo en la información actual, y sin tener en cuenta los efectos futuros,
y sobre todo, no revisan (sino que olvidan) las decisiones tomadas anteriormente.
Los algoritmos voraces, pese a su simplicidad, aparecieron tardíamente -en 1971-
introducidos por Edmonds [59]. Por su tosquedad, son inaplicables en muchos casos, y
131
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
pueden proporcionar resultados erróneos, haciendo creer por ejemplo, que un problema no
tiene solución aún teniéndola. Generalmente las soluciones que proporciona no son óptimas.
A pesar de todas sus limitaciones en muchas circunstancias son algoritmos muy eficientes.
De ahí que sean frecuentemente utilizados como heurísticas en problemas NP-completos.
En este trabajo los utilizaremos como referencia en la definición de los criterios de parada
difusos.
Los algoritmos voraces aplicados al problema de la mochila dan lugar al algoritmo que
aquí llamaremos algoritmo voraz, cuya metodología de funcionamiento se basa en el más
elemental sentido común. Pués, sabiendo que los ítems están ordenados de mayor a menor
valor por unidad de peso, este algoritmo los introduce ordenadamente, desde el primero
hasta el último, excluyendo sólo el ítem que no quepa en el espacio restante de la mochila.
El algoritmo voraz, puede también entenderse como la modificación de la solución
continua (solución de la relajación de PM en programación lineal vista en [Link].1). Esta
modificación consiste en asignar valor cero a la única variable con valor fraccionario; luego
se asigna valor uno (si existe) a aquella variable que tiene valor cero y que corresponde a
un ítem cuyo peso no excede al espacio restante de la mochila; y así sucesivamente hasta
llenar la mochila o hasta terminar de verificar los ítems restantes. Basándonos en esto, el
algoritmo voraz para resolver el problema de la mochila, ordenado como en (3.2), podemos
resumirlo de la siguiente manera:
Etapa Inicial:
Determinar el ítem crítico s; luego, hacer:
Etapa Iterativa:
Naturalmente, la regla de parada implícita es j=n, por tanto el valor final de la función
132
3.2 EL PROBLEMA DE LA MOCHILA
objetivo es z*=zn.
El procedimiento detallado del algoritmo voraz que acabamos de resumir podemos
encontrarlo en el Cuadro 3.1.
Procedimiento Voraz:
Input: n, c, (pj), (wj);
output: zg, (xj);
begin
for j:=1 to n do
begin
if then xj:=0
else
begin
end;
if pj>pj* then j*:=j
end;
if pj* > zg then
begin
z g :=pj*;
for j:=1 to n do xj:=0;
x j*:=1;
end;
end;
Cuadro 3.1: El Procedimiento del algoritmo Voraz en elPM.
133
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
[Link].2 Algoritmo aproximado de Sahni
El algoritmo de Sahni [164] es similar al procedimiento del algoritmo voraz. La idea
de este algoritmo es llenar la capacidad restante de la mochila una vez introducido un
conjunto M de k ítems. Para ello, en primer lugar se generan todos los subconjuntos M
posibles de k items para introducirlos en la mochila, posteriormente rellena el espacio
restante. El procedimiento de este algoritmo se presenta aquí en dos procesos anidados: S(k)
y GS.
En el proceso S(k) (k es un entero no negativo) del Cuadro 3.2 se generan todos los
subconjuntos posibles M de k ítems para introducirlos en la mochila, y mediante el proceso
GS del Cuadro 3.3 se rellena el espacio restante de la mochila. Al final de cada iteración,
es decir, para cada conjunto M se obtiene su valor. Si el valor obtenido es mejor se reserva.
El algoritmo finaliza cuando se haya terminado de analizar todos los subconjuntos con
M con k elementos, la solución corresponde al valor último reservado.
Puesto que a mayor valor k el número de conjuntos M es muy grande, el algoritmo de
Sahni se utiliza generalmente sólo para valores pequeños de k ( k=1,2,3).
Procedimiento S(k)
input: n, c, (pi), (wi);
output; zh, Xh;
begin
end;
Cuadro 3.2. Procedimiento del algoritmo de Sahni.
134
3.2 EL PROBLEMA DE LA MOCHILA
Procedimiento GS
input: n, c, (pi), (wi), M;
output; zg, X;
begin
end;
Cuadro 3.3. Procedimiento en el proceso GS del
algoritmo aproximado de Sahni.
[Link] Algoritmos de ramificación y acotación en PM
Las primeras ideas del método de método de ramificación y acotación (branch-and-
bound), y se sustituye en lo que sigue por RA, aparecieron en 1954 en el trabajo de Dantzig,
Fulkerson y Johnson [48], pero las ideas centrales fueron propuestas por Land y Doig en
1960 como un método de enumeración; y la expresión “ramificación y acotación” fue
acuñado por Little, Murty, Sweeney y Karel [120] en 1963, mientras que como método de
ramificación y acotación para resolver problemas generales de optimización combinatorial
fue introducido por Balinski] [7] en 1965.
En la formulación de un problema de PE de cualquier situación del mundo real se
puede asumir que cada variable entera está acotada; por tanto, cualquier problema con un
número finito de variables tendrá un número finito de soluciones factibles. El método de RA
enumera inteligentemente todos estos puntos factibles. La enumeración inteligente consiste
en realizar una prueba de optimalidad de la solución actual basándose en los procesos de
ramificación y acotación con la finalidad de no enumerar todos los puntos factibles para
encontrar una solución óptima. La denominación de ramificación se refiere al proceso de
135
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
partición del conjunto factible en subconjuntos, mientras que el término acotación se refiere
a la determinación de cotas para el valor de la función objetivo sobre cada uno de los
subconjuntos obtenidos en la partición.
Dicho en otros términos, el método de RA llamado también como el método de
enumeración implícita, resuelve un problema de optimización discreta subdividiendo su
conjunto factible sucesivamente en subconjuntos más pequeños, calculando la cota de la
función objetivo en cada subconjunto, y usando dichas cotas para descartar ciertos
subconjuntos de toda consideración futura. Frecuentemente, las cotas son obtenidas
reemplazando el problema sobre un subconjunto dado por un problema mucho más fácil
denominado problema relajado. El procedimiento termina cuando para cada subconjunto
obtenido en las particiones se ha obtenido la solución factible o cuando se ha verificado que
no contiene una solución mejor que la obtenida anteriormente. Por tanto, dado un problema
de optimización discreta P con v(P) que nota el valor de la solución óptima, al resolver
mediante el método de RA se presentan cuatro componentes generales:
i) Una relajación Ri(Pi) de cada sub-problema Pi, es decir, un problema Ri de la misma
forma que Pi pero que engloba al sub-problema P i y sobre todo más fácil de resolver.
ii) Una regla de ramificación o separación, es decir, una regla que divide el conjunto factible
del sub-problema Pi .
iii) Un procedimiento de acotación, es decir, un procedimiento para encontrar v(Ri ) para
la relajación Ri de cada sub-problema Pi , y
iv) Una regla de selección, es decir, una regla para elegir el siguiente sub-problema Pi que
debe ser analizado.
Una presentación formal del método de RA podemos encontrarla por ejemplo en [4] y
[136] entre otros.
El primer algoritmo basado en el método de RA desarrollado para aproximar a una
solución exacta de un PM fue propuesto por Koleser en 1967. Posteriormente Greenberg y
Hegerich propusieron un algoritmo más eficiente que el de Koleser. Basándose en los
anteriores algoritmos y siguiendo la estrategia de un algoritmo voraz, Horowitz y Sahni
propusieron uno de los algoritmos más eficientes para resolver el PM y sobre todo de fácil
implementación. A partir de los anteriores algoritmos y en especial del algoritmo de
136
3.2 EL PROBLEMA DE LA MOCHILA
Horowitz-Sahni se han derivado muchos algoritmos. Abundante referencias al respecto
podemos encontrar en [134], siendo de mayor importancia el algoritmo de Martello y Toth
[132] considerado de alta efectividad.
El algoritmo Horowitz-Sahni (HS1), sigue la estrategia de ramificación binaria en
profundidad, y consiste en que:
a) En cada nodo se selecciona el ítem j con el máximo valor por unidad de peso de entre los
ítems que aún no están seleccionados y se generan dos nodos descendientes asignando
a xj respectivamente el valor 1 y 0.
b) La búsqueda continúa desde el nodo asociado con la selección del ítem j (condición xj=1),
es decir, siguiendo la estrategia del algoritmo voraz.
c) Revisa las decisiones tomadas anteriormente mediante movimientos de retroceso.
Cada una de las acciones indicadas arriba, las ejecuta como pasamos a relatar. Un
movimiento hacia adelante consiste en insertar el mayor número posible de nuevos ítems
consecutivos en la solución actual, y un movimiento de retroceso consiste en borrar el más
reciente ítem insertado de la solución actual. Cuando el movimiento hacia adelante es
exhaustivo, se calcula la cota superior U1 correspondiente a la solución actual para comparar
con la mejor solución obtenida. Se efectúa un movimiento hacia adelante si se obtiene una
mejora, y se retrocede en caso contrario. Cuando se ha analizado el último ítem se ha
completado la solución actual y entonces, se actualiza la mejor solución. El Criterio de
parada, que es lo que nos interesa, indica que el procedimiento de este algoritmo finaliza
cuando no se puede efectuar ningún retroceso.
En el algoritmo HS, escrito detalladamente como se muestra en el Cuadro 3.4 en
donde, al igual que en todos los algoritmos que veremos, se considera que los valores y pesos
están ordenados de acuerdo a (3.2), y se utilizan las notaciones siguientes:
137
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
Procedimiento HS:
input: n, c, (pj), (wj);
output: z, (xj);
begin
1.[Inicialización]
2. [Calcular la cota superior U1]
3. [Efectuar un paso hacia adelante]
4. [Actualiza la mejor solución ]
5. [Retrocede]
end;
Cuadro 3.4. Procedimiento del algoritmo Horowitz-Sahni.
138
3.2 EL PROBLEMA DE LA MOCHILA
: representa a la solución actual;
represe:nta al valor de la solución actual;
represen:ta la capacidad residual;
(xj) : representa a la mejor solución actual: y
represen
: ta al valor de la mejor solución actual.
Por otra parte el algoritmo de Martello y Toth (MT1) es una eficiente modificación del
algoritmo de HS, realizada por Martelo y Toth [132], en los siguientes:
a) Utiliza la cota superior U2 en lugar de U1.
b) El movimiento asociado con la selección del j-ésimo ítem se efectúa en dos fases:
i) Construcción de una nueva solución, y ii) Almacenamiento de la solución actual.
En la primera fase, si j es el ítem actual, se determina el conjunto Nj con el mayor
número de ítems consecutivos a partir del ítem j que pueden ser insertados en la mochila,
y también se determina la cota superior U2 correspondiente. Si esta cota superior es
menor o igual que el valor de la mejor solución obtenida se hace un movimiento de
retroceso; por el contrario, si es mayor se pasa a la siguiente fase. En la segunda fase,
existen dos posibilidades, una, que se haya obtenido la solución máxima en cuyo caso se
actualiza la mejor solución y no la solución actual para poder efectuar el retroceso en Nj,
y la otra, el caso contrario, en que sí se efectúa la inserción de N j en la solución actual.
c) La tercera modificación consiste en que se realiza un movimiento especial hacia adelante,
sobre la base del criterio de dominancia, siempre que después de un movimiento hacia
atrás sobre el ítem i, la capacidad residual no permita la inserción en la solución actual
de ningún ítem siguiente al i-ésimo. Esto se debe a que la solución actual puede ser
mejorada sólo si el ítem i es reemplazado por un ítem con el mayor valor y un peso
suficientemente pequeño, o cuando menos, mediante dos ítems que tengan peso global
no mayor que el peso i más la capacidad residual.
139
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
Procedimiento MT:
input: n, c, (pj), (wj);
output: z, (xj);
begin
1.[Inicialización]
2. [Construir una nueva solución]
3. [Guardar la solución actual]
4. [Actualiza la mejor solución ]
continúa...........
140
3.2 EL PROBLEMA DE LA MOCHILA
.....continuación de procedimiento MT:
5. [Retrocede]
6. [Tratar de reemplazar el ítem i con el ítem h]
end;
Cuadro 2.5. Procedimiento del algoritmo Martello-Toth.
d) La cuarta y última modificación consiste en que las cotas superiores asociadas con los
nodos del árbol de decisión se calculan mediante una técnica paramétrica basada en el
almacenamiento de la información relacionada con la solución actual. Imaginémonos que
la solución actual ha sido construida insertando todos los ítems desde el j hasta r.
141
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
Entonces, cuando se efectúa un retroceso sobre uno de los ítems, digamos item i ( j# i<r),
si no se han insertado los ítems precedentes al ítem j, es posible insertar cuando menos
los items i+1,...,r en la nueva solución actual. Con esta finalidad se introducen las
notaciones:
e) El Criterio de parada consiste en que el procedimiento finaliza en uno de estos dos
supuestos:
i) Cuando se obtiene la cota superior U=U2; ó bien,
ii) Cuando no sea posible efectuar ningún retroceso.
El procedimiento detallado del algoritmo MT1, con las mismas notaciones usadas
en el algoritmo anterior, se presenta en el Cuadro 2.5.
[Link] Algoritmos de la programación dinámica en PM
La programación dinámica es un método procedente del campo de la Teoría de Control
que consiste en dividir un problema en sub-problemas más simples para resolverlos. Su
característica principal es reducir un problema a su caso más simple; resolver este caso más
simple y conservar las soluciones factibles de éste para utilizarlas en el siguiente caso, un
poco más complejo. Luego progresivamente, sobre la base del problema simple anterior
construye un problema más complejo y resuelve con la ayuda de la solución anterior; y así
sucesivamente, hasta alcanzar la complejidad del problema inicial.
La programación dinámica, que simula las actividades planificadas por períodos de
tiempo (ya que se ejecuta por etapas), fue desarrollada por Bellman [12] en los años 50 como
una técnica para resolver procesos de decisión secuencial temporal discreta con aplicaciones
fundamentalmente en los problemas de optimización.
Para resolver un problema de optimización mediante la programación dinámica,
primeramente se tiene que descomponer en sub-problemas encajados denominados etapas,
luego, por el principio de optimalidad de Bellman, resolviendo en forma secuencial los sub-
problemas asociados con cada etapa, se obtendrá la solución.
142
3.2 EL PROBLEMA DE LA MOCHILA
Para dar una idea intuitiva de cómo la PD encara un problema de decisión,
consideremos un sistema de decisión esquematizado en la Figura 3.1. Como se puede
observar, tanto la salida Y como la medida de efectividad R dependen tanto de la entrada
X como de la decisión D, lo que escribimos:
Y = F(X,D), R = r(X,D),
El objetivo de todo sistema de decisión es elegir la mejor decisión posible, lo que se refleja
cuando se consigue optimizar la medida de efectividad, es decir,
h(X) = opt(r(X,D)).
Consideremos que Y=F(X,D)=G(X), es decir, la dependencia de Y con respecto a D está
implícita en la transformación G. La función G se puede descomponer, expresándose
entonces como composición de varias funciones g k (k=1,...,n) , así:
Y=G(X)=gn(gn-1 (...(g2 (g1(X)))...)).
Sea
Xk = gk(Xk-1)=fk(Xk-1,Dk)
la salida de la k-ésima etapa con entrada Xk-1 , con decisión Dk y con transformación fk, y sea
143
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
Rk=rk(Xk-1,Dk)
su correspondiente medida de efectividad.
Entonces el sistema de decisión inicial queda descompuesto en n etapas para k=1,2,...,n
respectivamente, lo que da base al principio de optimalidad de Bellman.
En el anterior proceso la descomposición de la transformación F es evidente, pero la
descomposición de la medida de efectividad R no es muy clara, esto hace que no todo
problema puede ser encarado mediante la PD, sino sólo aquellas que satisfacen con el
principio de optimalidad de Bellman. Este principio afirma que en el sistema descompuesto
en n etapas si las decisiones D1,...,Dn-1 son las óptimas en sus respectivas etapas, la decisión
óptima en la n-ésima etapa genera un resultado óptimo de todo el sistema. Este principio
significa que existe una función denominada función recursiva o simplemente recursión, tal
que:
hk(Xk)=optDk (rk(Xk-1,Dk)*hk-1(Xk-1))
donde * representa alguna operación que está relacionada con el problema en concreto.
De esta manera un problema de decisión que satisface el principio de optimalidad,
queda transformado en un problema multi-etápico, de tal manera que en cada etapa se tiene
un problema fácil de resolver y resolviendo todas las etapas se tiene la solución del problema
inicial.
La aplicación de la programación dinámica al PM nace casi a la par que la propia
programación dinámica, en los trabajos iniciales de Bellman, aplicación que luego sería
complementada con la aportación de Dantzig.
La descomposición natural del PM consiste en los sub-problemas con m
(1#m#n) ítems y con capacidad
Sea el valor de la solución óptima de es decir,
144
3.2 EL PROBLEMA DE LA MOCHILA
el caso más simple es:
Para resolver el PM, la programación dinámica considera n etapas (igual al número
de ítems) y calcula en cada una de ellas, los valores , usando la recursión clásica de
Bellman-Dantzig siguiente:
Las soluciones factibles asociadas a los valores se denominan estados. La
solución óptima del problema es el estado correspondiente a fn(c).
La implementación de este algoritmo es de tiempo de ejecución y espacio de
almacenamiento muy elevados porque calcula todos los estados incluidos aquéllos que no
influyen en la determinación de los estados óptimos. Felizmente este inconveniente se ha
menguado con la propuesta de Horowitz y Sahni, que es la de eliminar estos estados
denominados estados dominados.
Notamos los estados en cada etapa por , donde y
solución factible. Los estados dominados son aquellos estados para los cuales
existe un estado tal que ; esto significa que cua
que se obtenga de puede ser obtenida de por lo que no es nec
calcularla ni reservarla.
Con esta modificación se obtiene el denominado algoritmo dinámico con estados
reducidos (ADER) que en cada etapa calcula y reserva los estados no dominados, los mismos
que utiliza como valores de entrada para determinar los estados de la siguiente etapa.
El procedimiento detallado de este algoritmo aparece en dos procesos: PRODIN
(Cuadro 3.6) y RECUR (Cuadro 3.7). El primero inicializa el proceso y luego divide el
problema en n etapas; posteriormente, en cada etapa recurre al proceso RECUR para
determinar los estados no dominados. En dichos procedimientos se utilizan las siguientes
145
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
notaciones:
s: número de estados en la etapa m-1; (3.23)
b: con valor 2m-1 (3.24)
W1i : peso total del i-ésimo estado (i=1,...,s) (3.25)
P1i: valor total del i-ésimo estado (i=1,...,s) (3.26)
X1i={xm-1,xm-2 ,...,x1} (3.27)
donde xj define el valor de la j-ésima variable en la solución óptima parcial del i-ésimo
estado, es decir,
las componentes de W1 y P1 están estrictamente ordenadas de menor a mayor.
Procedimiento PRODIN
input: n, c, (pi), (wi);
output; z, (xj);
begin
end;
Cuadro 3.6. Procedimiento del algoritmo de la PD.
146
3.2 EL PROBLEMA DE LA MOCHILA
Procedimiento RECUR
input:s ,b,(W1i), (P1i) (X1i),wm, pm, c;
output; s,b,(W2k), (P2k), (X2k);
begin
end;
Cuadro 3.7. Parte recursiva, que calcula los estados no dominados.
147
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
En los procedimientos se utilizan los índices i para revisar los estados de la etapa
actual y el índice k para guardar los estados de la nueva etapa. Cada estado actual puede
producir un nuevo estado de peso total y=W1i+wm; así los estados actuales son de peso total
W1h<y, y el nuevo estado se guarda en la nueva etapa siempre que sea no dominado por
algún estado ya guardado. Después de la ejecución de RECUR los valores (3.23) y (3.24) son
relativos a la nueva etapa, mientras que los nuevos valores de (3.25), (3.26) y (3.27) son
dados por (W2k), (P2k) y (X2k), respectivamente. Además, X1i y X2k, utilizados en los
procesos PRODIN y RECUR son números enteros cuya representación binaria es la
concatenación de los elementos del conjunto dado en (3.27), es decir, son números cuya
representación binaria es la concatenación de xm-1,xm-2,...,x1.
Por otro lado, además de proponer la eliminación de los estados no dominados en la
solución del PM mediante la programación dinámica, Horowitz y Sahni propusieron un
algoritmo basado en la subdivisión del problema original de n variables en dos sub-
problemas independientes, cada uno con q y r=n-q variables, donde q=jn/2k. Este algoritmo
se denomina algoritmo dinámico de Horowitz-Sahni (HS2).
HS2, para resolver ambos sub-problemas, utiliza los procesos PRODIN y RECUR de
los Cuadros 3.6 y 3.7 respectivamente, obteniendose así una lista de estados para cada sub-
problema. Para obtener la solución del problema global combina las listas correspondientes
a la última etapa de ambos sub-problemas.
[Link] Algoritmo de reducción de Martello y Toth
Las variables de toda solución factible de un PM se pueden particionar en dos
conjuntos, uno formado por variables con valor 1, y otro con variable cuyo valor es cero. Con
ello se ha particionado el conjunto N = { 1,2,...,n } en dos conjuntos: N1 = { j 0 N: xj = 1 }
y N0 = { j 0 N: xj = 0 }.
Consideremos ahora el conjunto de las soluciones exactas obtenidas mediante
diferentes algoritmos. Hay que tener en cuenta que dichas soluciones no son necesariamente
óptimas ni mucho menos todas iguales. Sin embargo, posiblemente existen variables que en
todas las soluciones exactas tienen el mismo valor, por tanto podemos realizar la siguiente
148
3.2 EL PROBLEMA DE LA MOCHILA
partición de N:
J1 = { j 0 N: xj = 1 en todas las soluciones exactas de PM }
J0 = { j 0 N: xj = 0 en todas las soluciones exactas de PM }
F=N\(J1cJ0).
Si se conoce tanto J1 y J0, el PM se transforma en el problema más simple siguiente:
donde
Ingargiola y Korsh fueron los primeros en proponer un método para determinar J1 y
J0. La idea básica de dicho método es la siguiente:
Si xj = b (b=0, ó 1) produce infactibilidad o implica una peor solución que la mejor
solución existente, entonces xj tendrá el valor 1-b en cualquier solución exacta. Sea l el valor
de una solución factible de PM, y para j 0 N, sea:
(respectivamente (3.28)
un límite superior para PM con la restricción adicional xj = 1(respectivamente xj = 0).
Entonces tenemos:
(3
En el algoritmo de Ingargiola-Korsh, las cotas superiores (3.28) son calculadas
mediante la cota superior de Dantzig.
Existen otros algoritmos de reducción que mejoran sustancialmente el algoritmo de
Ingargiola-Korsh, de entre los que se destaca por su eficiente el algoritmo propuesto por
Martello y Toth [132,133], y las diferencias sustanciales en los procedimientos serían las
siguientes:
a) Las cotas superiores de (3.28) son calculadas mediante la cota U2 de Martello-Toth.
b) J1 y J0 son determinados al final, usando la mejor solución heurística l.
c) El valor crítico s es calculado mediante la búsqueda binaria.
149
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
El procedimiento detallado de este algoritmo de reducción se presenta en el Cuadro
3.8, mediante el procedimiento denominado REDUC.
Procedimiento REDUC
input: n, c, (pi), (wi);
output: J1, J0, l;
begin
end;
Cuadro 3.8. El procedimiento del algoritmo de reducción de Martello y Toth.
150
3.2 EL PROBLEMA DE LA MOCHILA
3.2.4 Criterios de parada difusos en los algoritmos del PM
La complejidad de los algoritmos más eficientes para resolver el PM es como promedio
2
O(n ) en el caso de los algoritmos de ramificación, y O(nc) en el caso de los algoritmos de la
programación dinámica que hemos revisado. Si bien es verdad que esta complejidad no es
exagerada, dado que se trata de un problema NP-completo, en casos de ejemplares con
muchos ítems, el tiempo de ejecución de uno de estos algoritmos para obtener una solución
exacta puede ser muy prolongado.
Puesto que en muchas situaciones se admite como aceptable una solución no óptima
con tal de que se obtenga en un tiempo razonable, los algoritmos exactos del problema de
la mochila pueden ser flexibilizados de tal manera que se puede detener el proceso de
cálculo cuando se haya obtenido una solución aceptable.
Como hemos expuesto en el capítulo 2, la flexibilización de los algoritmos exactos se
consigue introduciendo un criterio de parada difuso, y esto a su vez, mediante una función
de pertenencia.
Los criterios de parada de los algoritmos del PM difieren con respecto a los criterios
de parada de los algoritmos de la programación lineal. Al menos esto es lo que ocurre en los
algoritmos que hemos revisado que, al igual que otros algoritmos que resuelven el PM,
presentan un criterio de parada implícita y no en forma explícita. Esta diferencia nos obliga
a definir de otra forma los criterios de parada difusos.
Al flexibilizar un algoritmo de tal manera que se obtenga una solución aceptable, en
cierto modo se da lugar a que el número de iteraciones, y por ende el tiempo de ejecución,
sea dependiente de la calidad del valor de la solución factible que se obtenga. Dicho de otro
modo, el procedimiento del algoritmo flexibilizado se detendrá cuando encuentre una
solución factible cuyo valor sea considerado aceptable por el decisor. La calidad de aceptable
de una solución no óptima la decidirá únicamente el decisor, pero para ello éste deberá tener
alguna referencia que le facilite la elección.
Dicha referencia que proponemos, estaría constituida por una cota inferior L0 y una
cota superior U0 para el valor z* de la solución óptima del problema de la mochila, es decir,
L0 # z* # U0.
151
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
Estas cotas tienen que ser obtenidas para cada ejemplar que se pretenda resolver.
Como cota superior, por ejemplo, puede utilizarse cualquiera de las cotas superiores
estudiadas en la sección 3.2.2, y como cota inferior, por ejemplo, la solución obtenida
mediante el algoritmo voraz ó la suma de todos los valores menores que el ítem crítico. Es
recomendable utilizar la cota de Dantzig U1 para la cota superior mientras que para la cota
inferior se puede utilizar cualquiera de las formas sugeridas. Así, el tiempo de cálculo de L0
y U0 sería a lo sumo de O(n). Usar otras formas de cálculo de la cota superior sólo
incrementaría el tiempo de ejecución, que es precisamente lo que se quiere evitar con la
introducción del criterio de parada difuso.
Cuando se conocen solamente la cota inferior y superior del valor de la solución
óptima, este valor puede expresarse como un número difuso, mediante una función de
pertenencia, de la siguiente forma:
donde f(.) es una función continua no decreciente con valor entre [0,1].
Sobre la base de las cotas y la función de pertenencia, si el decisor considerara
aceptable la solución cuyo valor tiene un grado de pertenencia mayor que á,, entonces el
criterio de parada sería:
f(z) $ á ó z $ f-1(á) (3.31)
Al introducir este criterio de parada en los algoritmos estudiados, se flexibilizarán de tal
manera que se pueda detener el proceso de cálculo cuando se obtenga la condición (3.31).
Una vez fijado el grado de aceptación á existen dos posibilidades:
a) Que el valor z* sea mayor que f-1(á), en cuyo caso se obtendrá una solución aceptable.
b) Que el valor óptimo z* sea menor o igual que f-1(á), en cuyo caso el criterio de parada
difusa no tendrá sentido ya que el proceso nunca terminaría, razón por la cual es
necesario mantener los criterios exactos, y que el criterio difuso sea adicional.
152
3.2 EL PROBLEMA DE LA MOCHILA
Una forma de reducir la posibilidad de que se presente el caso (b) es utilizando una
función f(.) cóncava. Como vemos en la Figura 3.2, se cumple f-1(á) < h-1(á) cuando f es
cóncava pero h no lo es. La importancia de esta característica radica en que existe grandes
posibilidades de evitar el caso (b) cuando se utiliza una función cóncava f en la definición
de la pertenencia (3.30), mientras que si se utiliza una función no cóncava como h de la
Figura 3.2 hay pocas posibilidades de evitar que se cumpla el caso (b).
Una función cóncava que se puede utilizar en la definición de la función de pertenencia
(3.30) puede ser de la siguiente forma:
donde n>1. Esta función tienen inversa, ya que es inyectiva en el dominio de definición de
la función de pertenencia (3.30).
Luego usando (3.32), la condición (3.31) se transforma en:
(3
A continuación modificamos los criterios de parada de los algoritmos que hemos
revisado en las secciones ([Link]) y ([Link]).
153
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
[Link] Criterios de parada difusos en los algoritmos de RA en el PM
En el algoritmo HS1, el criterio de parada consiste en detener el procedimiento cuando
no existe ninguna posibilidad de retroceder. Al flexibilizar el algoritmo, además de mantener
el criterio anterior, incluimos la condición (3.31).
Con este criterio de parada adicional, en el procedimiento correspondiente que se
encuentra en el Cuadro 3.4, inmediatamente después de actualizar la mejor solución se debe
analizar si cumple o no con la condición (3.31), es decir, el número 4 del procedimiento HS
del Cuadro 3.4 debe quedar de la siguiente manera:
La instrucción que aparece con letras mayúsculas corresponde al criterio de parada difuso.
En el caso del algoritmo MT1 los criterios de parada son explícitos. El procedimiento
se detiene cuando alcanza la cota U 2 o cuando no existe ningún retroceso posible.
En la flexibilización de este algoritmo modificamos la condición: si z=U2 , detener el
proceso, por la condición si se cumple (3.31), detener el proceso, es decir, en el procedimiento
MT del Cuadro 3.5, tanto en el número 4 como en el número 6, la instrucción:
if z = U then return;
debemos sustituirla por la instrucción
if z $ f-1(á) then return
Así obtenemos el algoritmo de MT1 con criterio de parada difuso.
Al igual que en el caso anterior, también es este algoritmo se mantiene la condición
de detener el proceso cuando no existe ningún retroceso posible.
154
3.2 EL PROBLEMA DE LA MOCHILA
[Link] Criterios de parada difusos en los algoritmos de PD en el PM
En primer lugar veamos el criterio de parada en el ADER. En este algoritmo no es
explícito el criterio de parada, pero es evidente que el procedimiento se detiene cuando se
obtiene el estado con el valor fn(c). Con este criterio, el procedimiento seguirá hasta el
último estado de la última etapa, aunque la solución exacta se haya obtenido en las etapas
anteriores o estados anteriores.
Al introducir el criterio de parada difusa, en cada etapa y en cada estado se analizará
si se ha obtenido un valor aceptable o no; si es afirmativo, se detiene el proceso.
Naturalmente, con este criterio no hay la necesidad de resolver todas las etapas ni todos los
estados.
En consecuencia, el procedimiento de este algoritmo dado en los Cuadros 3.6 y 3.7
quedaría modificado de la siguiente manera:
S En el procedimiento PRODIN:
S En el procedimiento RECUR:
Con ambos procedimientos se obtiene el algoritmo dinámico con estados reducidos y con
criterio de parada difuso.
En el caso del algoritmo HS2, que divide el problema en dos sub-problemas y los
resuelve cada uno usando ADER para finalmente combinar los resultados obtenidos, la
flexibilización, adicionalmente a la heredada de la flexibilización de ADER, tiene que
hacerse en la parte de la combinación de las listas de los resultados de los dos subproblemas
155
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
imponiendo la condición (3.31). Con este último criterio adicional, la combinación de las
listas finales no se hará con todos los resultados sino solo hasta que cumpla con la condición
(3.31).
3.2.5 Experimentos computacionales
En esta sección presentamos los resultados de los experimentos computacionales
realizados con problemas de la mochila de 1.000, 5.000, 10.000 y 50.000 ítems cuyos valores
y pesos comprendidos en el intervalo [1,1000] han sido generados aleatoriamente y como
capacidad de la mochila se ha utilizado la semi-suma de los pesos.
En cada uno de los algoritmos con criterios de parada difusos vistos en la sección
anterior se considera un grado de pertenencia á=0.5, á=0.8 y á=1; este último caso
corresponde a la solución obtenida mediante el algoritmo sin el criterio de parada difuso.
En cada una de las Tablas de los resultados que corresponden a cada uno de los
algoritmos con criterios de parada difusos vistos en la sección 3.2.4, para cada valor á
indicado, se consignan el error cometido y el tiempo de ejecución. El error se obtiene
mediante la siguiente fórmula:
Debido a que los algoritmos con criterios de parada difusos son algoritmos de
aproximación, para comparar su ventaja con respecto al algoritmo aproximado de Sahni se
muestran también los resultados que proporciona dicho algoritmo tanto para k=2 como para
k=3.
En los criterios de parada difusos de los cuatro algoritmos revisados en la sección
3.2.4, cuyos resultados presentamos en esta sección, se ha utilizado la condición:
z $ L0 +(U0 -L0).á4
es decir, los criterios difusos están definidos mediante la función de pertenencia (3.30) con
f(.) dada por (3.32) con n=4 (un valor no muy grande pero que le da buena concavidad a la
función f); L0 es la solución respectiva obtenida mediante el algoritmo voraz y U0 es la cota
de Dantzig.
156
3.2 EL PROBLEMA DE LA MOCHILA
Las Tablas 3.1, 3.2, 3.3 y 3.4 muestran los resultados de los experimentos
computacionales tras haber utilizado los algoritmos con criterios de parada difusos de la
sección 3.2.4, y en cada una de ellas, para poder compararlas, se consignan los resultados
que proporciona el algoritmo aproximado de Sahni .
Algoritmo HS1 Algoritmo de Sahni
n exacta á=0.5 á=0.8 k=2 k=3
error tiempo error tiempo error tiempo error tiempo error tiempo
1.000 .001928 .044 .00517 .0 .003959 .0 .0032556 .11 .002471 .23
5.000 .000098 1.462 .000464 .0 .000316 .022 .000237 2.538 .000168 4.58
10.000 .00002 3.72 .000108 .01 .000059 .012 .000298 8.802 .000272 13.97
50.000 .00000 21.8380 .000021 .096 .000013 .136 .000003 212.476 .0 257.764
Tabla 3.1. Algoritmo de Horowitz-Sahni con criterio de parada difuso.
Algoritmo Martello-Toth (RA) Algoritmo de Sahni (aprox.)
n Exacta á=0.5 á=0.8 k=2 k=3
error tiempo error tiempo error tiempo error tiempo error tiempo
1.000 .001928 .042 .00517 .03 .003959 .04 .0032556 .11 .002471 .23
5.000 .000098 1.462 .000464 1.407 .000316 1.446 .000237 2.538 .000168 4.58
10.000 .00002 4.736 .000098 4.624 .000059 4.712 .000298 8.802 .000272 13.97
50.000 .0 114.324 .000022 114.114 .000013 114.312 .000003 212.476 .0 257.764
Tabla 3.2. Algoritmo de Martello-Toth con criterio de parada difuso.
Como podemos observar en la Tabla 3.1, el algoritmo de Horowitz Sahni (método de
ramificación y acotación) con criterio de parada difuso proporciona resultados con muy pocos
errores y en tiempos también muy cortos tanto con respecto a la solución exacta como con
respecto a soluciones aproximadas dadas por el algoritmo de Sahni. La ventaja en el tiempo
de ejecución de la versión difusa del algoritmo con respecto a los tiempos de ejecución del
157
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
caso no difuso y con respecto al algoritmo aproximado de Sahni es muy grande, haciéndose
más significativa cuando n (número de ítems) se incrementa.
Asimismo, el algoritmo de Martello-Toth con criterio de parada difuso (del método de
ramificación y acotación), es más ventajoso en cuanto al tiempo de ejecución respecto al
algoritmo aproximado de Sahni, esta ventaja se hace más significativa cuando n se
incrementa; aunque supone sólo una leve mejoría con respecto a la solución exacta, como
podemos observar en la Tabla 3.2.
Las ventajas que se observan en el tiempo de ejecución de los algoritmos con criterios
de parada difusos alcanzan mayor relevancia si tenemos en cuenta que el algoritmo
aproximado de Sahni se ha aplicado después de reducir (mediante el procedimiento REDUC
Cuadro 3.8.) el problema inicial, reducción que consigue una disminución considerable de
tiempo de ejecución.
Con relación a los resultados de las Tablas 3.3.y 3.4, la escasa diferencia que existe en
los tiempos de ejecución se debe a que se ha utilizado primero el algoritmo de reducción de
Martello-Toth (procedimiento REDUC Cuadro 3.8), y luego, se ha aplicado solamente en el
problema reducido, tanto los algoritmos con criterios de parada difusos como el algoritmo
aproximado de Sahni. Aún así, se observa la ventaja en el tiempo de ejecución de los
algoritmos con criterios de parada difusos con respecto los algoritmos correspondiente sin
los criterios difusos, y con respecto al algoritmo aproximado de Sahni, se aprecia la ventaja
en el error correspondiente.
Algoritmo dinámico con estados reducidos Algoritmo de Sahni (aprox.)
n Exacta á=0.5 á=0.8 k=2 k=3
error tiempo error tiempo error tiempo error tiempo error tiempo
1.000 .001928 .24 .004367 .19 .00382 .236 .0032556 .11 .002471 .23
5.000 .000098 3.778 .000276 3.076 .000247 3.098 .000237 2.538 .000168 4.58
10.000 .00002 12.198 .000069 10.182 .000029 10.252 .000298 8.802 .000272 13.97
50.000 .0 223.944 .000004 218.350 .000003 218.376 .000003 212.476 .0 257.764
Tabla 3.3. Algoritmo dinámico con estados reducidos
con criterio de parada difuso.
158
3.2 EL PROBLEMA DE LA MOCHILA
Algoritmo de Horowitz-Sahni (PRODIN) Algoritmo de Sahni (aprox.)
n Exacta á=0.5 á=0.8 k=2 k=3
error tiempo error tiempo error tiempo error tiempo error tiempo
1.000 .002576 .67 .006421 .428 .004398 .484 .0032556 .11 .002471 .23
5.000 .000177 12.978 .000672 11.534 .000395 12.918 .000237 2.538 .000168 4.58
10.000 .000024 61.364 .000118 41.688 .000029 41.976 .000298 8.802 .000272 13.97
50.000 .0 488.136 .000016 483.292 .000011 485.070 .000003 212.476 .0 257.764
Tabla 3.4. Algoritmo de Horowitz-Sahni (PD) con criterio de parada difuso.
En todos los casos en las que se ha utilizado el algoritmo de reducción de Martello-
Toth, el problema reducido que se obtiene tiene sólo 10 ítems, sobre este nuevo problema se
ha aplicado los correspondientes algoritmos. En consecuencia, la diferencia en el tiempo así
como en el error obtenido en las Tablas 3.3 y 3.4 se reflejan sólo la diferencia en el nuevo
problema.
3.3 EL PROBLEMA DEL VIAJANTE DE COMERCIO
El TSP, pese a que según Hoffman y Wolfe [83] los orígenes de este problema se
encuentran en los planteamientos tanto de Euler como de Vandermonde (siglo XVIII) sobre
la ruta del caballo en un tablero de ajedrez, en el mundo de las matemáticas recién a
principios de la década 50 alcanzó gran popularidad debido a su relación con prominentes
problemas combinatoriales que dieron origen a nuevas ramas de la programación lineal
como son los problemas de asignación y problemas de transporte.
Actualmente, no existe ninguna discusión sobre la importancia del TSP, por una parte
por sus múltiples aplicaciones como se puede ver en [ 20, 44, 60, 68, 112, 118] entre otros;
y por otra parte porque el TSP, debido a su característica de NP-completo entre otras
razones, constituye un banco de pruebas de diversos algoritmos ya sean exactos,
159
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
aproximados o heurísticas, razón por la cual no podíamos dejar de verificar nuestra
propuesta en este problema.
Nuestra propuesta de nuevo consiste en introducir criterios de parada difusos en los
algoritmos exactos para el TSP, para que puedan ser utilizados en la obtención de soluciones
aceptables para el decisor.
En el TSP los algoritmos exactos generales más eficientes se derivan de las
aplicaciones del método de ramificación y acotación, razón por la cual en tales algoritmos
introduciremos los criterios de parada difusos en la sección 3.3.4. Previamente en la sección
3.3.1 presentamos la formulación matemática, en la sección 3.3.2 el método de ramificación
y acotación en el TSP y en la sección 3.3.3 cotas para el valor óptimo.
3.3.1 Formulación y tipos de TSP
Comenzamos presentando la formulación matemática del TSP con n ciudades, incluida
la ciudad desde donde se inicia el recorrido. Dicha ciudad se acostumbra a notar i=1 y las
demás n-1 ciudades como ciudad 2, 3,...n, además utilizamos las notaciones siguientes:
dij = la distancia desde la ciudad i a la ciudad j ( i j)
Puesto que la aspiración del viajante es recorrer la menor distancia posible, la función
objetivo será:
Para garantizar que cada ciudad j sea visitada una única vez, debemos imponer dos
condiciones, la primera
para indicar que a cada ciudad el viajante llega una sola vez y la segunda condición
160
3.3 EL PROBLEMA DEL VIAJANTE DE COMERCIO
para indicar que el viajante sale una sola vez de cada ciudad.
Si utilizamos el lenguaje de grafos para representar el TSP, los nodos como ciudades
y los caminos como arcos, la condición (3.35) indica que para cada ciudad hay un sólo arco
de llegada, mientras que la condición (3.36) indica que hay un sólo arco de salida.
Adicionalmente, debido a que las dos condiciones anteriores no evitan que se generen
sub-rutas aisladas unas de otras, se deben incluir otras restricciones. Un conjunto de
ciudades QdN ( N = { 1,2,...,n} ) forman una sub-ruta si en el recorrido el viajante no puede
salir de dicho grupo de ciudades, esto se puede evitar introduciendo un arco que una la
ciudad i de Q con cualquier ciudad de N-Q; en general se evitará una sub-ruta si imponemos
la condición de que siempre alguna ciudad i de todo subconjunto Q estará unido con alguna
ciudad j de N-Q, esto es:
o equivalentemente
esta última restricción indica que en cada subconjunto QdN el número total de arcos debe
ser menor que el número de ciudades *Q*.
Finalmente el modelo como un problema de PL de TSP es:
161
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
donde, cuando i=j se asume que dii es suficientemente grande para obligar que en el óptimo
xii=0.
Si las n ciudades del TSP se encuentran localizadas en un mismo plano geométrico,
al correspondiente problema se le denomina TSP Euclidiano, y las distancias entre ellas
están dadas por la distancia Euclidiana. Generalmente un problema de TSP se le identifica
mediante una matriz cuadrada de orden n, d = (dij), donde dij representa la distancia de la
ciudad i a la ciudad j y n el número de ciudades. De acuerdo a las características de su
matriz de las distancias existen diferentes tipos de casos especiales de TSP. En tales casos,
como por ejemplo cuando d es: una matriz triangular superior (dij = 0 si i > j), una matriz
graduada (dij # di,j+1 y/o dij $dij para todo i,j), etc., existen métodos muy eficientes. Una
buena recopilación de estos y otros TSP especiales podemos encontrarla en [27, 72]. Otros
dos grupos importantes de TSP, que no son excluyentes con los casos anteriores, son
aquellos cuyas matrices de distancias son simétricas y asimétricas, denominados
respectivamente TSP simétrico y TSP asimétrico, un caso particular de TSP con matrices
simétricas es el TSP Euclidiano.
Además de su representación como un problema de programación lineal, el TSP se
puede considerar como un grafo. C on mayor frecuencia, esta representación se utiliza para
un TSP simétrico, es decir cuando dij =dji. Se puede considerar como un grafo completo no
dirigido G=(V,E), con V el conjunto de n vértices, E el conjunto de aristas y distancias dij,
planteándose el TSP como un problema de minimización
(3.40)
sujeto a:
la condición de la eliminación de sub-rutas (3.42) puede ser representado también mediante
la siguiente restricción:
162
3.3 EL PROBLEMA DEL VIAJANTE DE COMERCIO
El uso de una u otra forma de representación depende del método y tipo de algoritmo que
se utilice para resolver el correspondiente problema.
3.3.2 El método de ramificación y acotación en TSP
Para encontrar las primeras aplicaciones del método de ramificación y acotación (RA)
en la solución del TSP tenemos que remontarnos al año 1954, año en que Dantzig, Fulkerson
y Johnson [48] propusieron un método para resolver el TSP. Dicho método tenía las
características de lo que ahora se conoce como el método de ramificación y acotación, aunque
entonces aún no se conocía como un método general para resolver problemas de optimización
de características específicas. Desde entonces hasta la actualidad se han desarrollado
diferentes tipos de algoritmos de RA para resolver el TSP. Una recopilación de los más
importantes podemos encontrarla en [6].
En cualquier caso los procedimientos particulares de los diferentes algoritmos de RA
para el TSP, según Balas y Toth [6] pueden ser vistos como variantes de una de las
siguientes versiones:
Versión 1:
Paso 1: (Inicialización) Poner el TSP en una lista (de subproblemas activos). Inicialice la
cota superior U=4.
Paso 2: (Selección de un subproblema): Si la lista es vacía, detener el proceso, la ruta
asociada con U es óptima (ó si U=4, el TSP no tiene solución). En otro caso
seleccione un subproblema TSPi de acuerdo a una regla de selección del
subproblema y borrar TSPi de la lista.
Paso 3: (Acotación inferior) Resolver la relajación Ri del TSPi o hallar la cota v(Ri ) de Ri.
Sea Li el valor obtenido:
Si Li$U, regresar al paso 2.
Si Li <U, y la solución define una ruta para TSP, reemplazar la mayor ruta
163
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
existente por esta nueva ruta, y hacer U=Li . Luego ir al paso 5.
Si Li <U pero la solución no define una ruta de TSP, ir al paso 4.
Paso 4: (Cota superior: opcional) Utilice una heurística para encontrar una ruta para TSP.
Si se obtiene una ruta mejor que la existente, reemplazarla ésta y actualizar U.
Paso 5: (Reducción: opcional) Eliminar del grafo de TSPi todos los arcos cuya inclusión en
una ruta podría aumentar su valor por sobre el valor de U.
Paso 6: (Ramificación) Aplicar una regla de ramificación a TSPi, es decir, generar nuevos
sub-problemas TSPi1....TSPiq y colocarlos en la lista, luego ir al paso 2.
Versión 2:
Paso 1: (Inicialización) Igual que en la versión 1, pero aquí hay que resolver R antes de
poner el TSP en la lista.
Paso 2. (Selección de un sub-problema): Igual que en la versión 1.
Paso 3: (Acotación superior: opcional) Igual que en el paso 4 de la versión 1.
Paso 4: (Reducción: opcional) Igual que en el paso 5 de la versión 1.
Paso 5: (Ramificación) Usar una regla de ramificación para definir el conjunto de sub-
problemas TSPi1,...,TSPiq, generado del sub-problema actual TSPi,.
Paso 6: (Acotación inferior) Si todos los subproblemas a ser generados de TSPi, de acuerdo
a una regla de ramificación, ya existen, ir al paso 2. En otro caso generar el
siguiente subproblema TSPij, definido mediante una regla de ramificación, resuelve
la relajación Rij deTSPij, o hallar v(Rij) de Rij. Sea Lij el valor obtenido:
Si Lij$U, repetir el paso 6.
Si Lij <U, y la solución define una ruta para TSP, reemplazar la mejor ruta previa
por esta nueva ruta, y hacer U=Lij. luego repetir el paso 6.
Si Lij <U, y la solución no define una ruta para TSP, colocar TSPij en la lista y luego
repetir el paso 6.
En ambas versiones, el procedimiento puede ser representado mediante un árbol
(árbol de búsqueda o árbol de ramificación y acotación) cuyos nodos corresponden a los sub-
problemas generados, con la raíz correspondiente al problema original, y los nodos sucesores
de un nodo dado i asociado con TSPi correspondientes a los sub-problemas TSPi1,...,TSPiq,
164
3.3 EL PROBLEMA DEL VIAJANTE DE COMERCIO
definidos mediante alguna regla de ramificación.
La diferencia entre uno y otro algoritmo, basado en el método de RA, radica
fundamentalmente en:
S La relajación del TSPi
S La regla de ramificación
S La regla de elección de un subproblema, y
S La heurística utilizada para calcular la cota superior
Respecto a la elección de un sub-problema, puede utilizarse la búsqueda en
profundidad, es decir, eligiendo siempre el nodo de más reciente creación, o la búsqueda en
amplitud es decir eligiendo un nodo de las generaciones primeras.
El punto básico en los algoritmos de RA, lo constituyen las relajaciones y las reglas
de ramificación. Existen muchas relajaciones utilizadas, y a su vez dentro de cada
relajación varias reglas de ramificación. Cada una de ellas determinan algoritmos
diferentes. Una revisión de las relajaciones más importantes con sus respectivas reglas de
ramificación se puede encontrar en [6,111], las mismas que revisamos a continuación.
Históricamente la primera relajación que se ha utilizado, de gran importancia incluso
en la actualidad, es la relajación a un problema de asignación (PA), introducida por
Eastman. Esta relajación de TSP, obtenida a partir de la formulación como un problema de
programación lineal, consiste en un problema de asignación, dado por el problema (3.39),
pero excluyendo la restricción (3.38), es decir sin considerar la restricción que evita la
obtención de las sub-rutas, y se nota por PA(TSP). Asociada a esta relajación se han
utilizado varias reglas de ramificación, siendo los más destacados: la regla propuesta por
Eastman, la propuesta por Little, Murty, Sweeney y Karel, la propuesta por Murty, la
propuesta por Bellmore y Malone y la propuesta por Garfinkel.
La segunda relajación en aparecer fue la relajación como problema de 1-árbol con
función objetivo lagrangiana propuesta por Held y Karp para resolver el TSP simétrico. Esta
relajación, obtenida a partir de la representación del TSP como un grafo no dirigido, consiste
en encontrar un sub-grafo generador conexo H del grafo G, con aristas que minimizan la
165
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
función objetivo (3.40). Este sub-grafo H se denomina 1-árbol que minimiza (3.40). Para
facilitar la obtención del tal 1-árbol, se combina la función objetivo (3.40) y las restricciones
(3.41) mediante multiplicadores de lagrange, razón por la cual también se denomina
relajación lagrangiana.
Balas y Christofides [5] en 1981 propusieron el uso de una relajación obtenida
mediante la unión de la relajación lagrangiana y la relajación PA(TSP), para resolver el TSP
asimétrico. Esta unión consistiría en considerar el problema de asignación, pero con la
función objetivo dada por el lagrangiano.
[Link] El algoritmo LMSK
Denominamos algoritmo LMSK al algoritmo que utiliza la relajación como problema
de asignación, y la regla de ramificación propuesta por Little, Murty, Sweeney y Karel [120].
La idea de este algoritmo es muy natural y simple. En principio el TSP inicial se resuelve
considerandolo como un simple problema de asignación, usando el método Húngaro; esta
solución obtenida, si no posee sub-rutas, constituye la solución óptima del TSP. En el caso
contrario, utilizando la respectiva regla de ramificación, se elige una variable xij y se
obtienen dos sub-problemas, fijando el valor 1 y 0 respectivamente, para la variable elegida.
En este procedimiento se genera un árbol de decisión binario, y el algoritmo se detiene
cuando en todas las ramas se han obtenido soluciones sin sub-rutas o cuando hay un
indicador de que en las ramas con sub-rutas, no existe la posibilidad de mejorar el resultado
existente.
Este algoritmo utiliza la versión 1 del procedimiento general del método de
ramificación y acotación para TSP. En el paso 2, la regla de elección consiste en elegir el
sub-problema TSPi de más reciente creación eligiendo primero aquel sub-problema en la que
el valor para la última variable fijada es 1. Los pasos opcionales 4 y 5 no los utiliza. Y en el
paso 6 utiliza la siguiente regla de ramificación:
En un sub-problema TSPk (nodo k) como consecuencia de las ramificaciones anteriores
existen variables xij con valores fijados (1 o 0), o dicho en término de grafo existen aristas
166
3.3 EL PROBLEMA DEL VIAJANTE DE COMERCIO
(i,j) incluidas o excluidas en la ruta. Notamos I al conjunto de las aristas incluidas, E al
conjunto de las aristas excluidas. Entonces, la relajación de TSPk, es decir el sub-problema
de asignación en el nodo k, puede ser escrito como:
donde:
además dij son los coeficientes de la matriz de distancias reducidas del nodo anterior, es
decir, la matriz que queda después de obtener la asignación óptima en el nodo anterior.
Este sub-problema se resuelve usando el método Húngaro, si la solución obtenida tiene
sub-rutas se procederá a la ramificación. Una regla de ramificación es elegir una variable
xrs donde r 0 S y s 0 T, y crear dos nodos asignando el valor 1 o 0 respectivamente. Little,
Murty, Sweeney y Karel [120] sugieren seleccionar, para ramificar, una variable xrs que
tenga el máximo potencial de incremento en la función objetivo del sub-problema, cuando
fijamos en xrs el valor cero. Para hacer esto, sea
el costo reducido de la solución óptima del sub-problema. Entonces para cada arco (i,j), i0S,
j0T con costo reducido 0, calculamos:
cantidad mínima en la que se incrementará el valor de la asignación óptima del sub-
problema, si la variable xij es fijado a cero. Por tanto podemos escoger xrs tal que:
167
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
Una vez escogida la variable de ramificación xrs, los dos nuevos nodos se obtienen haciendo
xrs =1 y xrs =0 respectivamente, es decir en el primer nodo nuevo, el conjunto I tiene como
nuevo elemento al arco (r,s), y en el segundo nuevo nodo el conjunto E tiene al arco (r,s),
como un nuevo elemento.
Resumen del algoritmo LMSK
Paso 1: [Inicialización] Hacer U=4 (mejor cota y valor actual) y L={TSP} (lista de sub-
problemas).
Paso 2: [Selección de un sub-problema] Si L=ö detener el proceso, pues la ruta asociada con
U es óptima (si U=4 el TSP no tiene solución).
Si L
ö, elegir el sub-problema TSPi de más reciente creación, y eliminarlo de la
lista L. Ir al paso 3.
Paso 3: [Determinación de una cota superior] Resolver mediante el método Húngaro el
AP(TSPi). Sea Zi el valor obtenido:
Si Zi $U, regresar al paso 2.
Si Zi <U y la correspondiente solución es una ruta para TSP (es decir no existen
subrutas) entonces hacer U=Zi.
Si Zi <U, y la correspondiente solución no define una ruta para TSP (es decir si
existen sub-rutas) ir al paso 4.
Paso 4: [Ramificación] Elegir xrs de acuerdo a (3.47), y generar dos nuevos sub-problemas
TSPi1 y TSPi2, fijando xrs=0 y xrs=1 respectivamente. Hacer L=Lc{ TSPi1,TSPi2 }. Ir
al paso 2.
Observación: Resaltamos el criterio de parada de este algoritmo, que es la condición de que
la lista L sea vacía, es decir no queda ningún sub-problema por resolver.
3.3.3 Cotas del valor optimo de un TSP
En general todo algoritmo aproximado o heurística proporciona una cota superior del
168
3.3 EL PROBLEMA DEL VIAJANTE DE COMERCIO
valor óptimo de un TSP. Una revisión de estos tipos de algoritmos podemos encontrarla en
[73, 97, 111, 131, 198].
[Link] Cota superior
La cota superior para el valor óptimo del TSP que utilizaremos en este trabajo será
obtenida mediante la heurística denominada Procedimiento de Construcción de una Ruta.
Es una heurística que se inicia con pocas ciudades, pero va adicionando una a una las
ciudades restantes en el recorrido. El orden y la forma en que adiciona cada ciudad se basa
en algún criterio que habrá que fijar, y que le confiere una marcada naturaleza voraz. Por
lo tanto en esta heurística se distinguen tres componentes:
S La elección de una sub-ruta inicial.
S El criterio de selección, y
S El criterio de inserción.
Existen diferentes heurísticas con estas componentes pero que se diferencian entre si
por el procedimiento utilizado en cada una de ellas. Aquí, debido a su eficiencia y
simplicidad, hemos elegido la heurística denominada Procedimiento de la Inserción
Arbitraria, propuesto por Rosenkrantz, Stearns y Lewis [162]
El Procedimiento de la Inserción Arbitraria se inicia con un sub-grafo consistente en
una sola ciudad arbitraria i ( es decir el recorrido i6 i), luego selecciona la ciudad más
cercana k y genera una sub-ruta ( i, k) (es decir i 6k6 i). Para insertar las demás ciudades,
selecciona una siguiente ciudad k arbitrariamente e inserta entre las ciudades i y j con el
menor dik +dkj -dij. Para precisar mejor el procedimiento, hacemos un pequeño reajuste en
el paso inicial, eligiendo la ciudad 1 en lugar de una ciudad arbitraria i, y en la selección,
seleccionando en forma ordenada las ciudades 2,3,...,n sucesivamente, quedando finalmente
de la siguiente manera:
Procedimiento de la inserción arbitraria:
Paso 1: [Inicio] Inicialice la sub-ruta 16i61, con i que minimiza d1i + di1.
Paso 2: [Selección] Seleccione la ciudad k+1 (k+1
i) siendo k la última ciudad insertada.
169
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
Paso 3: [Inserción] Encontrar el arco {i,j} en la sub-ruta el cual minimiza dik +dkj-dij . Inserte
k entre i y j.
[Link] Cota inferior
Una cota inferior para el valor óptimo del TSP es el valor óptimo de su relajación.
Particularmente el valor óptimo de PA(TSP) constituye una cota inferior. Más aún a partir
de la matriz reducida, producida por la asignación óptima, se puede obtener una mejor cota
inferior, si esta asignación no proporciona una ruta de TSP (es decir si no existen sub-rutas).
En este último caso, la función objetivo de TSP se puede escribir en la forma:
donde: zA es el valor de la asignación óptima, y
es la distancia reducida producida por la asignación óptima.
Ahora, definamos el grafo G0 que incluye todos los n nodos y sólo los arcos (i,j)
correspondientes a la distancia reducida cero, es decir, . A su vez, en el grafo G0
definimos como componente a un conjunto de nodos K si no existe ningún arco
y ningún
esta condición.
Sean K1,...,Kr todas las componentes de G0, entonces puede demostrarse que
es una cota inferior de TSP [175].
170
3.3 EL PROBLEMA DEL VIAJANTE DE COMERCIO
3.3.4 Criterios de parada difusos en algoritmos del TSP
Solo hay algoritmos exactos que resuelven el TSP para casos especiales o para un
número reducido de ciudades, como podemos ver en [27, 72]. Para los casos generales se han
desarrollado algoritmos aproximados o heurísticas de tipo clásico, como podemos ver en
[73,97] y heurísticas que utilizan procedimientos basados en las leyes naturales, como son
los algoritmos genéticos, recocido simulado etc. [111, 131, 198].
La propuesta que hicimos para los algoritmos de la PL y PM, consistente en la
introducción de criterios de parada difusos, también la extendemos al TSP para obtener
nuevos algoritmos de tipo aproximado, pero sobre la base de los algoritmos exactos
existentes en este caso..
Cuando incluimos los criterios de parada difusos en los algoritmos exactos, lo que
hacemos es flexibilizar el algoritmo de tal manera que puede ser manipulado fácilmente por
el decisor, es decir, si el tiempo de ejecución para obtener la solución óptima es muy
prolongado, el decisor puede considerar aceptable una solución cercana a la óptima, pero
obtenida en un tiempo razonable.
Para esto, consideramos que el valor de la solución óptima del TSP no solo es una
incógnita, sino también un valor impreciso, debido a que valores cercano a la óptima puede
ser admitidos por el decisor como si lo fueran, es decir, es un conjunto difuso con soporte
determinado por una cota inferior L0 y una cota superior U0, y mediante una función de
pertenencia:
donde: f(z) 0 [0,1] z 0 [L0,U0], es una función continua no creciente.
Esta función de pertenencia indica que si el valor z de una ruta TSP es superior a U0,
no es admitido por el decisor. Un valor menor que L0 sería una buena solución, y los valores
entre L0 y U0 son aceptables, pero el grado de aceptación se incrementa, a medida que
171
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
disminuye, hasta alcanzar el mayor grado de aceptación cuando alcanza el valor L 0.
Si el decisor considera aceptable una solución no óptima, con un grado de pertenencia no
menor que á (0<á<1), una de las condiciones de parada estaría dada por:
ì(z) $ á o z # f -1(á) (3.50)
Para que esta condición proporcione los resultados esperados por el decisor, los valores L0,
U0 y la función f en la definición del conjunto difuso deben ser adecuados. Unos valores
inapropiadas de L0 y U0 pueden conducir a soluciones con grandes errores. Así mismo una
función inadecuada puede anular la flexibilización.
En la definición de la función de pertenencia, por las mismas razones expresadas en
la sección 3.2.4 correspondiente al PM, es recomendable utilizar una función cóncava f,
como el de la Figura 3.3. Igualmente, un ejemplo de estos tipos de funciones es:
y las cotas L0 y U0 pueden ser determinadas mediante heurísticas apropiadas y eficientes.
Si flexibilizamos los algoritmos de RA del TSP, una buena cota inferior está dada por
el valor óptimo de una relajación. Mientras que una cota superior apropiada puede
obtenerse como en la sección [Link].
172
3.3 EL PROBLEMA DEL VIAJANTE DE COMERCIO
[Link] El criterio de parada difuso en el algoritmo LMSK
Como ilustración, vamos a introducir un criterio de parada difuso en el algoritmo
LMSK. Para definir la función de pertenencia, en el paso inicial se debe resolver mediante
el método Húngaro el PA(TSP). Si la asignación óptima no constituye una ruta para el TSP,
calculamos L0 como en la sección [Link] y U0, como en la sección [Link]. También en el
mismo paso inicial, el decisor, deberá elegir el grado de aceptación mínima á. Finalmente
en el paso 2 debe incluirse la condición de parada difusa (3.50). Así tenemos el siguiente
algoritmo:
Paso 1: [Inicialización] Hacer L=ö. Resolver mediante el método Húngaro PA(TSP).
Si la asignación óptima es una ruta de TSP ir al paso 2.
En caso contrario, ir al paso 1'.
Paso 1': Hallar L0 según (3.48) y U0 como en la sección [Link], luego hacer U=U0 (mejor cota
actual) e ir al paso 1";
Paso 1": Dar el valor á (0<á#1).
Si 0<á<1 hacer z0 = f -1(á) (cota para la solución aceptable, donde f es como en (3.49))
y si L ö ir al paso 2. En caso contrario ir al paso 4.
Si á=1 (no quiere mejorar la solución aceptable), hacer L=ö e ir al paso 2.
Paso 2: [Selección de un sub-problema] Si L = ö o U# z0 detener el proceso, pues la ruta
asociada con U es aceptable; si L ö ir al paso 1". En caso contrario salir.
Si L ö y U >z0 , elegir el sub-problema TSPi de más reciente creación, eliminarlo
de la lista L e ir al paso 3.
Paso 3: [Determinación de una cota superior] Resolver mediante el método Húngaro el
PA(TSPi). Sea Zi el valor obtenido:
Si Zi $U, regresar al paso 2.
Si Zi <U y la correspondiente solución es una ruta para TSP (es decir no existe
sub-rutas) entonces hacer U7Zi.
Si Zi <U y la correspondiente solución no define una ruta para TSP (es decir si
existen sub-rutas) ir al paso 4.
Paso 4: [Ramificación] Elegir xrs de acuerdo a (3.47) y generar dos nuevos sub-problemas
TSPi1 y TSPi2 fijando xrs=0 y xrs=1 respectivamente, y hacer L7Lc{ TSPi1,TSPi2 },
luego ir al paso 2.
173
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
Al introducir el criterio de parada difuso se ha flexibilizado el algoritmo de tal manera
que el decisor puede controlar las iteraciones, pues en el paso 1" puede introducir valores
pequeños para á e ir incrementando si desea mejorar la solución aceptable. Para esto
naturalmente tendrá en cuenta el tiempo utilizado en la obtención de las anteriores
soluciones aceptables.
[Link] Ejemplo numérico
Consideremos el TSP de 10 ciudades, con matriz de distancias siguiente:
Los elementos de la diagonal de la matriz de distancias, así como las distancias de
arcos excluidos durante las iteraciones, los consideramos con valor M=10x(max dij), es decir
dii=M y dij=M si el arco (i,j) es excluido de una posible ruta.
Resolviendo el problema mediante el algoritmo exacto LMSK, se obtiene la ruta
óptima
1÷2÷9÷6÷5÷10÷4÷8÷7÷3÷1
con distancia total z=218, después de resolver en total 15 sub-problemas incluido el
problema original. En la Figura 3.4 se presenta el árbol de ramificación y acotación
correspondiente, en donde la enumeración de los nodos corresponde al orden en que el
algoritmo LMSK resuelve los sub-problemas.
174
3.3 EL PROBLEMA DEL VIAJANTE DE COMERCIO
Utilizando el algoritmo LMSK con criterio de parada difuso, en el que la función f está
dada por (3.51), con n=2, se obtiene L0=208, U0=308 y las soluciones aceptables para
distintos valores de á se muestran en la Tabla 3.5.
á z0=f -1(á) Ruta aceptable Valor aceptable No. Sub-probl.
resueltos (Itera.)
0.5 283 1-7-3-10-5-2-9-8-4-6-1 258 8
0.8 244 1-8-7-4-3-19-5-2-9-6-1 221 10
0.94 219.64 1-2-9-6-5-10-4-8-7-3-1 218 14
Tabla 3.5: Soluciones aceptables para el ejemplo según el
algoritmo LMSK con criterio de parada difuso.
Se observa que para á=0.8, la solución aceptable se obtiene resolviendo sólo las 2/3
partes del total de los sub-problemas que el algoritmo clásico tiene que resolver. Sin
embargo el valor aceptable que se obtiene es muy cercano al óptimo. Por lo tanto es evidente
que la proporción del tiempo que se ahorra es muy superior en comparación con el
diferencial del valor aceptable con valor óptimo. Además para á=0.94 se obtiene una
solución aceptable que es exacta, en menos iteraciones que con el algoritmo original clásico.
Estas ventajas se hacen más evidentes cuanto mayor es el número de ciudades en el TSP.
175
CRITERIOS DE PARADA DIFUSOS EN ALGORITMOS DEL PM Y DEL TSP
176
3.3 EL PROBLEMA DEL VIAJANTE DE COMERCIO
177
COMENTARIOS FINALES
Con la constante variación de las características del mundo empresarial, nunca una
base de modelos de un sistema de soporte de decisión (SSD) es completa, lo que se
evidencia con la incesante aparición de problemas reales para los cuales en el SGBM no
existen modelos con sus correspondientes métodos de solución apropiados o bien los
existentes presentan limitaciones. Ante esta situación se presentarían dos opciones a
seguir (no excluyentes o mejor dicho complementarias): una, la actualización
permanente del SGBM y otra, el diseño de nuevos modelos y métodos de resolución o el
reajuste de los existentes para resolver los nuevos problemas.
En lo que respecta a este trabajo, como se expuso en la introducción, nos ha
preocupado de entre los problemas de la asignación de recursos limitados y del control de
acciones cambiantes con el tiempo, los siguientes aspectos:
1) La toma de decisiones en ambiente semi-estructurado, es decir, en realidades donde
los datos son imprecisos; y
2) Las limitaciones que presentan los modelos y métodos existentes en un ambiente
estructurado para casos de grandes dimensiones.
Para el primer aspecto, correspondiente a situaciones semi-estructuradas, hemos
optado por el camino de la actualización del SGBM recogiendo en un solo documento los
principales modelos y métodos de la programación lineal difusa, junto con sus
extensiones más importantes y sus aplicaciones. Todo ello ha ocupado la primera parte
de la presente Memoria.
Al abordar el segundo aspecto, referente a las limitaciones que presentan los
modelos existentes en casos complejos, se ha optado por proponer nuevas alternativas
basadas en propuestas y teorías también nuevas. Esto ha ocupado la segunda parte de
esta Memoria, donde nos hemos dedicado concretamente a las limitaciones, en problemas
NP-completos, de los algoritmos exactos; eficientes para ejemplares pequeños o con
177
COMENTARIOS FINALES
características particulares pero ineficientes en la generalidad para grandes
dimensiones. Las alternativas que hemos propuesto se basan en la propuesta de Herrera
y Verdegay [81] sugiriendo el uso de las reglas de control difusas en tales algoritmos, y
que nos han conducido a formular las conclusiones y líneas futuras siguientes.
CONCLUSIONES
I. La introducción de las reglas de control difusas en los algoritmos exactos los
transforma en flexibles y dinámicos, susceptibles de ser manipulados por el decisor
para adaptarlos a situaciones y criterios concretos, de interés sólo para el decisor.
II. La etapa que caracteriza la rigidez o flexibilidad de un algoritmo es aquélla en que
se decide continuar o terminar las iteraciones, por lo tanto la flexibilización se
efectúa en los criterios de parada introduciendo las reglas difusas, transformándose
éstos en criterios de parada difusos.
III. Los criterios de parada difusos están asociados con conjuntos difusos y éstos,
definidos a su vez mediante funciones de pertenencia. Estas funciones de
pertenencia deben ser no lineales, convexas o cóncavas, de acuerdo a las
particularidades de los problemas, para obtener los mejores resultados.
IV. El uso de los criterios de parada difusos en los algoritmos exactos permite obtener
nuevos algoritmos de tipo heurístico que proporcionan soluciones aceptables
(cercanas al óptimo) en tiempos de ejecución razonables.
V. En algunas situaciones, los criterios de parada difusos pueden permitir obtener
soluciones óptimas en menor número de iteraciones, y en consecuencia, en menor
tiempo de ejecución que el correspondiente algoritmo exacto.
Adicionalmente, al introducir los criterios de parada difusos en algoritmos de problemas
con características más específicas se ha llegado a las siguientes conclusiones:
178
CONCLUSIONES
A. En los algoritmos de la programación Lineal:
A.1 En el algoritmo simplex:
Dado el criterio de parada: j 0 j, con expresión língüística “j no
negativa” . Herrera y Verdegay proponen flexibilizarlo con el criterio
difuso de expresión lingüística “j poco negativo” que conduce al criterio de
parada difuso:
j hj-1() , (0,1], j (*)
donde hj es la función de pertenencia lineal y el nivel de tolerancia.
En este trabajo se propone:
En lugar de (*) la condición:
j /u (hj-1()) /m , (0,1], j
donde u es el número de la iteración actual y m el número de
restricciones. Esta condición se adecua mejor a situaciones más
variadas.
Usar una función no lineal y convexa h, porque proporciona mejores
aproximaciones con niveles de tolerancia razonables.
A.2 En el algoritmo de Karmarkar:
Este algoritmo resuelve la forma estándar de Karmarkar que consiste en
minimizar una función objetivo no negativo con mínimo cero. El número de
iteraciones de este algoritmo es fijo y depende de la dimensión del
problema, aunque puede finalizar el proceso cuando alcanza el mínimo, es
decir, cuando cx=0.
La flexibilización que se propone, al introducir una regla de parada difusa,
conduce al criterio difuso:
cx g-1()
179
COMENTARIOS FINALES
con g función de pertenencia:
Convexa, si se presume que el mínimo es cero.
Cóncava si se presume que el mínimo es positivo.
El algoritmo de Karmarkar incluye en su proceso indicadores para
determinar si el mínimo es cero o positivo.
A.3 En algoritmos modificados de Karmarkar:
Tanto en el algoritmo de modificación que proponen Vanderbei y otros,
como en el que propone Barnes, los criterios de parada difusos que se
derivan del uso de funciones de pertenencia convexa proporcionan mejores
soluciones aceptables con niveles de tolerancia moderados.
A.4 En los algoritmos de puntos interiores
En los algoritmos de puntos interiores, algoritmo primal, algoritmo dual y
algoritmo primal-dual, que tienen los mismos criterios de parada, el uso de
una función no lineal convexa en el criterio de parada difusa proporciona
mejores soluciones aceptables para niveles de tolerancia moderados.
B. En los algoritmos del problema de la mochila:
Los algoritmos exactos más importantes del problema de la mochila son los
basados en los métodos de ramificación y acotación, por un lado, y los basados en
la programación dinámica, por otro lado. En algunos de los más eficientes de
estos tipos de algoritmos hemos introducido criterios de parada difusos, en los
que ha quedado verificado la ventaja de utilizar funciones de pertenencia no
lineales cóncavas. De esta manera se han obtenido algoritmos de aproximación
que son más eficientes que el algoritmo aproximado de Sahni, haciéndose más
significativa la ventaja cuando el número de ítems se incrementa.
180
CONCLUSIONES
C. En los algoritmos del problema del viajante de comercio:
En el problema del viajante de comercio, un algoritmo exacto de mayor
importancia por su aplicabilidad a situaciones muy generales proviene del uso
del método de ramificación y acotación, razón por la cual hemos dedicado
nuestra atención en este algoritmo para introducir los criterios de parada
difusos.
También aquí se ha verificado que la utilización de las funciones no
lineales cóncavas en la definición de los criterios de parada difusos son de
aplicabilidad general y proporcionan mejores resultados.
LÍNEAS FUTURAS:
El uso de reglas difusas ha tenido y tiene significativa importancia en muchos
aspectos de la Inteligencia Artificial, y posiblemente ello alentó a Herrera y Verdegay a
proponer el uso de las reglas difusas en los algoritmos exactos para ensanchar su
aplicabilidad. Pese a que desde la primera propuesta han transcurrido casi cuatro años,
la utilización de las reglas difusas en los diferentes algoritmos exactos no ha hecho más
que empezar. Los resultados que se han obtenido en este trabajo refuerzan las
posibilidades de tener muchos éxitos cuando se utilicen en distintos tipos de algoritmos
exactos, no sólo en problemas de tipo NP-completos sino también en aquéllos en los que
existen algoritmos exactos con tiempos de ejecución teóricamente polinomiales pero que
en la práctica requieren tiempos prolongados.
Por lo tanto, las líneas futuras en este contexto están abiertas en todos los ámbitos,
como el de la programación no lineal por citar alguno.
En el contexto de la programación lineal en la que se ha trabajado, resta sin
embargo un largo camino por recorrer, en particular, y dentro del problema de la
mochila, los algoritmos de problemas multiobjetivos, de múltiple elección, etc, más largo
si cabe por lo que respecta al problema del viajante de comercio.
181
COMENTARIOS FINALES
En cualquier caso, las expectativas de aplicación y desarrollo de los SDD en la
sociedad de la información, son tan importantes que la continuidad de este trabajo, tanto
desde el punto de vista de la disponibilidad del autor, como del de la necesidad en el
entorno social donde se ha de desenvolver, está absolutamente asegurada a corto y medio
plazo.
182
BIBLIOGRAFÍA
[1] Abboud, N.J., M. Sakawa y M. Inuiguchi, A fuzzy programming approach to
multiobjective multidimensional 0-1 knapsack problems, Fuzzy Sets and Systems
86 (1997) 1-14.
[2] Aho, A.V., J.E. Hopcroft y J.D. Ullman, The design and Analysis of Computer
Algorithms, Addison Wesley P.C., California-USA. 1974.
[3] Arbel, Ami, Exploring Interior-Point Linear Programming: Algorithms and
Software, Mit Pres, London, 1993.
[4] Balas, E., A note on the branch-and-bound principle, Operations Research
16(2)(1968)442-445.
[5] Balas, E. Y N. Christofides, A restricted Lagrangean approach to the traveling
salesman problem, Mathematical Programming 21 (1981) 19-46.
[6] Balas, E. Y P. Toth, Branch and bound methods, Cap. 10 de [113], (1985) 361-402.
[7] Balinski, M., Integer programming:methods, uses, computation, Management
Science 12 (2)(1965) 253-313.
[8] Baptistella, L.F.B. y A. Ollero, Fuzzy methodologies for interactive multicriteria
optimization, IEEE Transaction Systems Man Cybernet. 10 (1980) 355-365.
[9] Barnes, E.R., A variation on Karmarkar•s algorithm for solving linear
programming problems, Mathematical Programming 36 (1986) 174-182.
[10] Bayer, D.A. y J.C. Lagarias, Karmarkar•s linear programming algorithm and
Newton´s method, Mathematical programming 50 (1991) 291-330.
[11] Bazaraa, M.s. y C.M. Shetty, Nonlinear Programming, Theory and Algorithms,
John Wiley and sons 1979.
[12] Bellman, R., Some aplications of the theory of dynamic programming: A review,
Operations Research 2 (2) (1954) 275-288.
[13] Bellman, R.E. y Zadeh, L.A. Decision-making in a fuzzy environmement,
Management Science 17 (1970) B141-B164.
[14] Benoit, J., An extension to possibilistic linear programming, Fuzzy Sets and
Systems 64 (1994) 195-206.
[15] Benson, H. P., Multiple objetive linear programming with parametric criteria
coefficients. Man. Sci. 31, 4 (1985) 694-706.
[16] Berloux P. y P. Bizard, Algoritms: the construction, proof and analysis of programs,
John Wiley and sons 1987.
[17] Bitran, G. R.; Linear multiple objective problems with interval coeficients, Man.
Sci. 26 (1980) 7, 694-706.
[18] Bit, A.K., M.P. Biswal y S.S. Alam, Fuzzy programming approach to multicriteria
decision making transportation problem, Fuzzy Sets and Systems 50 (1992) 135-
141.
183
BIBLIOGRAFÍA
[19] Bit, A.K., M.P. Biswal y S.S. Alam, Fuzzy programming approach to multiobjective
solid transportation problem, Fuzzy Sets and Systems 57 (1993) 183-194.
[20] Bland, R.G. y D.F. Shallcross, Large traveling salesman problems arising
experiments in X-ray crystallography; a preliminary report on computation,
Operations Research Letters 8 (1989) 125-128.
[21] Braasard G. Y P. Bratley, Algoritmica:Concepción y Análisis, Masson (ed.
Española), Barcelona 1990.
[22] Brassard G. Y P. Bratley, Fundamentos de Algorítmia, Prentice Hall, Madrid, 1•
reimpresión 1998 (Primera edición 1997).
[23] Buckley , J. J. Fuzzy programmming and the pareto optimal set, Fuzzy Sets and
Systems 10(1983) 57-63.
[24] Buckley, J.J., Possibilistic linear programming with triangular fuzzy numbers,
Fuzzy Sets and Systems 26 (1988) 135-138.
[25] Buckley, J.J., Solving possibilistic linear programming problems, Fuzzy Sets and
Systems 31 (1989) 329-341.
[26] Buckley, J.J., Multiobjective possibilistic linear programming, Fuzzy Sets and
Systems 35 (1990)23-28.
[27] Burkard, R.E., V.G. Deineko, R. Van Dal, J.A.A. Van Der Veen y G.J. Woeginger,
Well-solvable special cases of the traveling salesman problem: A survey, Siam
Review, vol. 40 No.3 (1998) 496-546.
[28] Cadenas, J.M. y J.L. Verdegay, Using ranking functions in multiobjective fuzzy
linear programming, por aparecer en Fuzzy Sets and Systems.
[29] Cadenas, J.M. y J.L. Verdegay, PROBO: an interactive system in fuzzy linear
programming, Fuzzy Sets and Systems 76 (1995) 319-332.
[30] Carlsson, Ch. y P. Korhonen; A parametric approach to fuzzy linear programming.
Fuzzy Sets and Systems 20(1986) 17-30.
[31] Castro, J.L., F. Herrera y J.L. Verdegay, Solving linear boolean programming
problems with imprecise costs, Proceedings of the IEEE International Conference on
Fuzzy Systems 1992, San Diego(1992) 1025-1032.
[32] Campos, L., Fuzzy linear programming models to solve fuzzy matrix games, Fuzzy
Sets and Systems 32 (1989) 275-289.
[33] Campos, L. y J.L. Verdegay, Linear programming problems and ranking of fuzzy
numbers, Fuzzy Sets and Systems 32 (1989) 1-11.
[34] Chalam, G.A. , Fuzzy goal programming (FGP) approach to a stochastic
transportatión problem under budgetary constraint, Fuzzy Sets and Systems 66
(1994) 293-299.
[35] Chanas S., The use of parametric programming in FLP, Fuzzy Set and Systems 11
(1983) 243-251.
[36] Chanas, S., Fuzzy programming in multiobjetive linear programming - A
parametric aproach, Fuzzy Sets and Systems 29 (1989)303-313.
[37] Chanas, S., M. Delgado, J.L. Verdegay y M.A. Vila, Interval and fuzzy extensions of
classical transportation problems, Transportation Planing and Technology 17
(1993) 203-218.
184
BIBLIOGRAFÍA
[38] Chanas, S., W. Kolodziejczyk y A. Machay, A fuzzy approach to the transportation
problem, Fuzzy Sets and Systems 13 (1984) 221-221.
[39] Chanas, S. y D. Kuchta, Fuzzy integer transportation problem, Fuzzy Sets and
Systems 98 (1998) 291-298.
[40] Chang, S-Y., E.D. Jr. Brill y L.D. Hopkins, Modelling to generate alternatives: A
fuzzy approach, Fuzzy Sets and Systems 9 (1983) 137-151.
[41] Chang, N-B, Y.L. Chen y S.F. Wang , A fuzzy interval multiobjective mixed integer
programming approach for the optimal planing of solid waste management
systems, Fuzzy Sets and Systems 89 (1997) 35-60.
[42] Charnes, A. Y W.W. Coper, Manegement Models and Industrial Applications of
Linear Programming, John Wiley, New York, 1961.
[43] Chen, H.K. A note on a fuzzy goal programming algorithm by Tiwari, Dharmar and
Rao, Fuzzy Sets and Systems 62 (1994)287-290.
[44] Christofides, N., Vehicle routing, Capítulo 12 en [113] (1985) 431-448.
[45] Dantzig, G.B., Discrete variable extremum problems, Operations Research 5(2)
(1957) 266-277.
[46] Dantzig, G.B. y P. Wolfe, The decomposition algorithm for linear programming,
Econometrica, vol. 29 (1961) 767-768.
[47] Dantzig, G.B., Linear Programming and Extensions, Princeton University Press,
Princeton-N.J., 1963.
[48] Dantzig, G., D. Fulkerson y S. Johnson, Solution of a large scale traveling
salesman problem, Operations Research 2 (4) (1954) 393-410.
[49] Delgado, M., A resolution method for multiobjective problems, Eur. J. of Oper.
Research 13 (1983) 165-172.
[50] Delgado, M., F. Herrera, J.L. Verdegay y M.A. Vila, Post-optimality analysis on the
membership functions of a fuzzy linear programming problem, Fuzzy Sets and
Systems 53 (1993) 289-297.
[51] Delgado, M., J.L. Verdegay y M.A. Vila, Fuzzy transportation problems: A general
analisis, Kacprzyk and Orlovski (Eds) Optimization Models Using Fuzzy Sets and
Possibility Theory, Reidel Dordrecht-Boston-Lancaster-Tokio (1987) 342-358.
[52] Delgado, M, J. L. Verdegay, M. A. Vila; A general model for fuzzy linear
programming. Fuzzy Sets and Systems 29 (1989) 21-29.
[53] Delgado, M., J.L. Verdegay y [Link], Relating different approaches to solve
linear programming problems with imprecise costs, Fuzzy Sets and Systems 37
(1990) 33-42.
[54] Dorfman, R., P.A. Samuelson y R.M. Solow, Programación Lineal y Análisis
Económico, Segunda edición, Aguilar ediciones, Madrid, 1964.
[55] Dubois, D. Y H. Prade; Fuzzy Sets and Systems: Theory and Applications, Academic
Press, New York, 1980.
[56] Dutta, D., R.N. Tiwari y J.R. Rao, Multiple objective linear fractional
programming-A fuzzy set theoretic approach, Fuzzy Sets and Systems 52 (1992) 39-
45.
[57] Dutta, D., J.R. Roa y R.N. Tiwari, Sensitivity analysis in fuzzy linear fractional
programming problem, Fuzzy Sets and Systems 48 (1992) 211-216.
185
BIBLIOGRAFÍA
[58] Dutta, D., J.R. Rao y R.N. Tiwari, Fuzzy approaches for multiple criteria linear
fractional optimization: A comment, Fuzzy Sets and Systems 54 (1993) 347-349.
[59] Edmonds, J., Matroids and greedy algorithm, Mathematical Programming, vol 1
(1971) pp. 127-136.
[60] Eiselt, H. A. Y G. Laporte, A combinatorial optimization problem arising in
dartboard design, Journal of the Operational Research Society 42 (1991) 113-118.
[61] Fabian, C., G. Ciobanu y M. Stoica, Interactive polyoptimization for fuzzy
mathematical programming, in J. Kacprzyk y S.A. Orlovski (Eds.) Optimization
Models Using Fuzzy Sets and Possibility Theory (D. Reidel, Dordrecht, 1987)272-
291.
[62] Fabian, C. Y M. Stoica, Fuzzy integer programming, In Fuzzy Sets and Decision
Analysis, H.J. Zimmermann, L.A. Zadeh y B.R. Gaines (Eds.), Amsterdam(1984)
123-132.
[63] Fedrizzi, M., J. Kacprzyk y M. Roubens (Eds), Interactive Fuzzy Optimization,
Lecture Notes in Economics and Mathematical Systems, No. 368, Springer-Verlag.
1991.
[64] Fedrizzi, M. y R. Fullér, Stability in possibilistic linear programming with
continuous fuzzy number parameters, Fuzzy Sets and Systems 47 (1992) 187-191.
[65] Feng Ying-Jun, A method using fuzzy mathematics to solve vectormaximum
problem, Fuzzy Sets and Systems 9 (1983) 129-136.
[66] Fullér, R., On stability in fuzzy linear programming problems, Fuzzy Sets and
Systems 30 (1989) 39-344.
[67] García-Aguado, C. Y J.L. Verdegay, On the sensitivity of membership functions for
fuzzy linear programming problems, Fuzzy Sets and Systems 56 (1993) 47-49.
[68] Garfinkel, R. S., Motivation and modelling, Cap.2 en [113] (1985) 17-36.
[69] Gass, S., Programación Lineal: Métodos y aplicaciones, ed. Continental, Mexico,
1985.
[70] Gay, D.M., A variant of Karmarkars linear programming algorithm for problems in
standard form, Mathematical programming 37 (1987) 81-90.
[71] Gellinck(de), G.T. y J.P. Vial, A polinomial Newton method for linear
programming, Algorithmica (1986) 1:425-453.
[72] Gilmore. P.C., E.L. Lawler y D.B. Shmoys, Well-solved special cases, Cap. 4 de
[113] (1985) 87-143.
[73] Golden, B.L. y W.R. Stewart, Empirical analysis of heuristics, Cap. 7 en [113]
(1985) 207-249.
[74] Goldfarb, D. Y S. Mehrotra, A relaxed version of Karmarkar•s method,
Mathematical Programming 40 (1988) 289-315.
[75] Goldfarb, D. Y S. Mehrotra, Relaxed variants of Karmarka•s algorithm for linear
programs with unknown optimal objective value, Mathematical Programming 40
(1988) 183-195.
[76] Gorry, G.M. y M.S. Scott-Morton, A Framework for management information
systems, Sloan Management Review, Fall-1971.
[77] Hamacher, H., H. Leberling y H.J. Zimmermann, Sensitivity analisis in fuzzy
linear programming , Fuzzy Sets and Systems 1 (1978) 269-281.
186
BIBLIOGRAFÍA
[78] Hannan, E. L., Linear programming with multiple fuzzy goals, Fuzzy Sets and
Systems, 6 (1981) 235-248.
[79] Herrera, F., M. Kovács y J.L. Verdegay, Optimality for fuzzified mathematical
programming problems: A parametric approach, Fuzzy Sets and Systems 54 (1993)
279-285.
[80] Herrera, F. y J.L. Verdegay, Aproaching fuzzy integer linear programming
problems, In Fedrizzi, Kacprzyk and Roubens (Eds.), Interactive Fuzzy
Optimization (Springer-Verlag, Berlin, 1991) 78-91.
[81] Herrera, F. Y J.L. Verdegay. Fuzzy control rules in optimization problems, Scientia
Iranica, Vol 3, Nos.1,2,3. (1996) 89-96.
[82] Herrera, F., J.L. Verdegay y H.J. Zimmermann, Boolean programming problems
with fuzzy constraints, Fuzzy Sets and Systems 55 (3 )(1993) 285-293.
[83] Hoffman, A. J. y P. Wolfe, History, Cap. 1 en [113] (1985) 1-15.
[84] Horowtz, E., S. Sahni y S. Rajasekaran, Computer Algorithms, Computers Sc.
Press,1998.
[85] Hulsurkar, S., M.P. Biswal y S.B. Sinha, Fuzzy programming approach to multi-
objective stochastic linear programming problems, Fuzzy Sets and Systems 88
(1997) 173-181.
[86] Hussein, M.L. Qualitative analysis of basic notions in an iteractive approach to
possibilistic goal programming, Fuzzy Sets and Systems 54 (1993) 39-46.
[87] Ida, K. y M. Gen, Improvemen of the two-phase approach to solving fuzzy multiple
objective linear programing problems, Japanese Journal of Fuzzy and Systems vol
9 (1) (1997) 105-114.
[88] Ignizio, J.P., On the (re)discovery of fuzzy goal programming, Decision Sci. 13
(1982) 331-336.
[89] Ignizio, J.P., Goal programming and extension (Heath Lexington Bookc, London,
1976).
[90] Inuiguchi, M. y H. Ichihashi, Relative modalitoes and their use in possibilistic
linear programming, Fuzzy Sets and Systems 35 (1990) 303-323.
[91] Inuiguchi, M., H. Ichihashi y Y. Kume, A solution algorithm for fuzzy linear
programming with pieciwise linear memnership functions, Fuzzy Sets and Systems
34 (1990) 15-31.
[92] Inuiguchi, M., H. Ichihashi y Y. Kume, Relationships between modality
constrained programming problems and various fuzzy mathematical programming
problems, Fuzzy Sets and Systems 49 (1992) 243-259.
[93] Inuiguchi, M. y M. Sakawa, Possible and necesary optimality tests in possibilistic
linear programming problems, Fuzzy Sets and Systems 67 (1994) 29-46.
[94] Inuiguchi, M. y M. Sakawa, Possible and necesary efficiency in possibilistic
multiobjetive linear programming problems and possible eficiency test, Fuzzy Sets
and Systems 78 (1996) 231-241.
[95] Iri, M. y H. Imai, A multiplicative barrier function method for linear programming,
Algorithmica (1986) 1:455-482.
[96] Jimenez F. y J.L. Verdegay, Uncertain solid transportation problems, Fuzzy Sets
and Systems 100 (1998) 45-57.
187
BIBLIOGRAFÍA
[97] Johnson, D.S. y C.H. Papadimitriou, Performance guarantees for heuristics, Cap. 5
en [113] (1985) 145-180.
[98] Karloff, Howard, Linear Programming, Ed. Birkhäuser, Boston, USA, 1991.
[99] Karmarkar, N., A new polynomial-time algorithm for linear programming,
Combinatórica 4 (1984), 373-395.
[100] Kato, K., M. Sakawa y T. Ikegame, Interactive decision making for multiobjective
block angular 0-1 programming problems with fuzzy parameters trough genetic
algorithms, Japanese Journal of Fuzzy Theory and Systems vol. 9 (1) (1997) 49-59.
[101] Keen, P.G.W. y M.S. Scott-Morton, Decision Support Systems, An Organizational
Perspective, ponencia, MA:Addison-Wesley, 1978.
[102] Khachiyan, L. G., A polynomial algorithm for linear programming, Soviet
Mathematics Doklady 20(1979), 191-194.
[103] Klee, V. y G. J. Minty, How good is the simplex Algorithm?, in Inequalities-III, O.
Shisha, ed., Academic Press, New York, NY, 1972, 159-175.
[104] Kojima, M., Determining basic variables of optimal solutions in Karmarkar•s new
LP algorithm, Algorithmica (1986) 1:499-515.
[105] Lai, Y. J. Y Ch. L. Hwang, Interactive fuzzy linear programming, Fuzzy Sets and
Systems 45 (1992) 169-183.
[106] Lai, Y.J. y Ch.L. Hwang, A new approach to some possibilistic linear programming
problems, Fuzzy Sets and Systems 49 (1992) 121-133.
[107] Lai, Y. J. Y Ch. L. Hwang, Fuzzy Mathematical Programming, methods and
aplications. Lecture notes in economics and mathematical systems 394. Springer-
Verlag, Berlin, 1992.
[108] Lai, Y. J. Y Ch. L. Hwang, IFLP-II: a decision support system, Fuzzy Sets and
Systems 54 (1993) 47-56.
[109] Lai, Y.J. y Ch.L. Hwang, Possibilistic linear programming for managing interest
rate risk, Fuzzy Sets and Systems 54 (1993) 135-146.
[110] Lai, Y.J. y Ch.L. Hwang, A stochastic possibilistic programming model for bank
hedging decision problems, Fuzzy Sets and Systems 57 (1993) 351-363.
[111] Laporte, G. The traveling salesman problem: An overview of exact and aproximate
algoritms European Journal of Operational Research, 59 (1992) 231-247.
[112] Laporte, G. The vehicle routing problem: An overview of exact and aproximate
algorithms, European Journal of Operational Research, 59 (1992) 345-358.
[113] Lawler E.L., J.K. Lenstra, A.H.G. Rinnooy Kan y D.B. Shmoys (editores), The
Traveling Salemsan Problem: A Guided tour of combinatorial optimization, Jhon
Wiley & Sons, Chichester, 1985.
[114] Leberling, H., On finding compromice solutions in multi-criteria problems using
the fuzzy min-operator, Fuzzy Sets and Systems 6 (1981)105-118.
[115] Lee, E.S. y R.J. Li, Fuzzy multiple objective programming and compromise
programming with pareto optimum, Fuzzy Sets and Systems 53 (1993)275-288.
[116] Lee, Y.R., Y. Shi y P.L. Yu, Linear optimal designs and optimal contingency plans,
Management Science 36 (1990) 1106-1119.
[117] Lee, C-S y C-G. Wen, Fuzzy goal programming approach for water quality
management in a river basin, Fuzzy Sets and Systems 89 (1997) 181-192.
188
BIBLIOGRAFÍA
[118] Lenstra, J.K. y A.H.G. Rinnooy Kan, Some simple applications of the traveling
salesman problem, Operational Research Quarterly 26 (1975) 717-783.
[119] Li, H.L. y Ch. S. Yu, Comments on •fuzy programming with nonlinear
membership functions...•, Fuzzy Sets and Systems101 (1999) 109-113.
[120] Little, J.D.C., K.G. Murty, D.W. Sweeney y C. Karel, An algorithm for the traveling
salesman problem, Operations research 11 (1963) 972-989.
[121] Liu, B. y K. Iwamura, Chance constrained programming with fuzzy parameters,
Fuzzy Sets and Systems 94 (1998) 227-237.
[122] Liu, B. y K. Iwamura, A note on chance constrained programming with fuzzy
coefficients, Fuzzy Sets and Systems 100 (1998) 229-233.
[123] Liu, Y.H. y Y. Shi, A fuzzy programming approach for solving a multiple criteria
and multiple constraint level linear programming problem, Fuzzy Sets and Systems
65 (1994) 117-124.
[124] Luhandjula, M. K., Compensatory operators in fuzzy linear programming with
multiple objectives, Fuzzy Sets and Systems 8(1982) 245-252.
[125] Luhandjula, M.K., Linear programming under randomness and fuzzines, Fuzzy
Sets and Systems 10 (1983) 45-55.
[126] Luhandjula, M.K., Fuzzy approaches for multiple objective linear fractional
optimizatión, Fuzzy Sets and Systems 13 (1984)11-23.
[127] Luhandjula, M.K., On possibilistic linear programming, Fuzzy Sets and Systems 18
(1986) 15-30.
[128] Luhandjula, M.K., Multiple objective programming problems with possibilistic
coeficients, Fuzzy Sets and Systems 21 (1987)135-146.
[129] Lusting, I.J., Feasibility issues in a primmal-dual interior-point method for linear
programming, Mathematical Programming 49 (1991) 145-162.
[130] Lusting, I.J., R.E. Marsten y D.F. Shano, Computational experience with a primal-
dual interior point method for linear programming, Linear Algebra and its
Applications, vol. 152 (1991) pp. 191-222.
[131] Malek, M., M. Guruswamy y M. Pandya, Serial and parallel simulated annealing
and tabu search algorithms for the traveling salesman problem, Annals of
Operations Research 21 (1989) 59-84.
[132] Martello, S. y P. Toth, An upper bound for the zero-one knapsack problem and a
branch and bound algorithm, European Journal of Operational Research 1 (1977)
169-175.
[133] Martello, S. y P. Toth, A new algorithm for the 0-1 knapsack problem, Management
Science 34 (1988) 633-644.
[134] Martello, S. y P. Toth, Knapsack Problems, John Wiley and Sons 1990.
[135] Masaaki, I., Optimality on possibilistic linear programming with normal possibility
distribution coefficient, Japanese Journal of Fuzzy Theory and Systems vol 7 (3)
(1995) 349.
[136] Mitten, L.G. Branch-and-bound methods:general formulations and properties,
Operations Research 18(1)(1970) 24-34.
189
BIBLIOGRAFÍA
[137] Mizunuma, H. y J. Watada, Fuzzy mixed integer programming based on genetic
algorithm and its application to resource distribution, Japanese Journal of Fuzzy
Theory and Systems, vol. 7 (1) (1995) 97-117.
[138] Mohamed, R.H., The relationship goal programming and fuzzy programming,
Fuzzy Sets and Systems 89 (1997) 215-222.
[139] Monma, C.L. y A. J. Morton, Computational experiencewith a dual variant of
Karmarkar•s method for linear programming, Operations Research Letters, vol. 6,
No. 6 (1987) pp. 261-267.
[140] Monteiro, R.D.C. y I. Adler, Interior path following primal-dual algorithms. Part I:
Linear programming, Mathematical programming 44 (1989) 27-41.
[141] Monteiro, R., I. Adler y M.G.C. Resende, A polinomial-time primal dual affine-
scaling algorithm for linear and convex quadratic programming and its power
series estensions, Mathematics of Operations Research, Vol. 15, No. 2 (1990) pp.
191-214.
[142] Nagata, M., T. Yamaguchi y Y. Kono, An interactive method for multi-period
multiobjective production-transportation programming problems with fuzzy
coeficients, Japanese Journal of Fuzzy Theory and Systems vol. 7 (1) (1995) 81.
[143] Nakahara, Y. y M. Gen, New relations of trapezoidal fuzzy numbers and its
application to fuzzy linear programming problems, Japanese Journal of Fuzzy
Theory and Systems, vol. 7 (6) (1995) 775-791.
[144] Narasimhan, R., Goal programming in a fuzzy enviroment, Decision Sci. 11 (1980)
325-336.
[145] Narasimhan, R., On fuzzy Goal programming-some comments, Decision Sci. 12
(1981) 532-538.
[146] Nazareth, J.L. Homotopy techniques in linear programming, Algorithmica (1986) 1:
529-535.
[147] Negoita, C. V. y M. Sularia, On fuzzy mathematical programming and tolerances in
planning, Economic Computer and Economic Cybernetic Studies and Researches 1
(1976) 3-15.
[148] Óhéigeartaigh, M., A fuzzy transportation algorithm, Fuzzy Sets and Systems 8
(1982) 235-243.
[149] Ohta, H, y Yamaguchi T., Multi-goal programming including fractional goal in
consideration of fuzzy solutions, Japanese Journal of Fuzzy Theory and Systems
vol. 7 (6) (1995) 793.
[150] Okada, S. Y M. Gen, Fuzzy 0-1 knapsack problem, Proceedings of the Fifth
International Fuzzy System Association World Congress, in Seoul, Korea (1993)
616-619.
[151] Okada, S. Y M. Gen, A method for solving fuzzy multidimensional 0-1 knapsack
problems, Japanese Journal of Fuzzy Theory and Systems vol. 6 (6) (1994) 687-702.
[152] Ollero, A., J. Aracil y E.F. Camacho, Optimization of dynamic regional models: an
interactive multiobjective approach, Large Scale Systems 6 (1984) 1-12.
[153] Orlovski, S.A., Multiobjective programming problems with fuzzy parameters, In
Kacprzyk (1984), 175-184.
[154] Ostermark, R., Sensitivity analysis of fuzzy linear programs: an approach to
parametric interdependence, Kibernetes 16 (1987) 113-120.
190
BIBLIOGRAFÍA
[155] Papadimitriou, C.H. y K. Steiglitz, Combinatorial Optimization: Algorithms and
Complexity, Prentice-Hall, New Jersey, 1982.
[156] Prawda, J., Métodos y Modelos de Investigación de Operaciones, Tomo 1, Limusa,
Mexico, 1995.
[157] Ramik, J. y H. Rommelfanger, A single and a multivalued order on fuzzy numbers
and its use in linear programming with fuzzy coefficients, Fuzzy Sets and Systems
57 (1993) 203-208.
[158] Ravi, V. Y Reddy P.J. Fuzzy linear fractional goal programming applied to refinery
operations planning, Fuzzy Sets and Systems 96 (1998) 173-182.
[159] Rinaldi, G. A projective method for linear programming with box-type constraints,
Algorithmica (1986) 1: 517-527.
[160] Rodder, W. Y H.J. Zimmermann, Duality in fuzzy linear programming, In A.V.
Fiacco and K.O. Kortanek (Eds), Extremal Methods and Systems Analysis,
Springer-Verlag, Berlín, Heidelberg, New York (1980) 415-429.
[161] Rommelfanger, H., R. Hanuscheck y J. Wolf; Linear programming with fuzzy
objectives. Fuzzy Sets and Systems 29 (1989), 31-48.
[162] Rosenkrantz, D.J., R.E. Stearns y P.M. Lewis II, An analysis of several heuristics
for the traveling salesman problem. SIAM J. Computing 6 (1977) 563-581.
[163] Rubin, P.A. y R. Narasimhan, Fuzzy goal programming with nested priorities,
Fuzzy Sets and Systems 14 (1984) 115-129.
[164] Sahni, S. Approximate algorithms for the 0-1 knapsack problem, Journal of ACM
22 (1975) 115-124.
[165] Sakawa, M. Fuzzy interactive multiobjetive programming, Japanese Journal of
Fuzzy Theory and Systems, vol. 4 (1) (1992) 85.
[166] Sakawa, M., M. Iuiguchi y K. Sawada, Fuzzy satisfactionmethod using a convex
fuzzy decision for large-scale linear programming problems with a block angular
structure, Japanese Journal of fuzzy Theory and Systems, vol. 5 (3) (1993) 283-298.
[167] Sakawa, M., M. Inuiguchi y K. Sawada, A fuzzy satisficing method for large-scale
multiobjective linear programming problems with block angular structure, Fuzzy
Sets and Systems 78 (1996) 279-288.
[168] Sakawa, M y K. Kato, Interactive decision making for large-scale multiobjective
linear programs with fuzzy numbers, Fuzzy Sets and Systems 88 (1997) 161-172.
[169] Sakawa, M. y K. Kato, Interactive decision-making for multiobjective linear
fractional programming problems with block angular structure involving fuzzy
numbers, Fuzzy Sets and Systems 97 (1998) 19-31.
[170] Sakawa, M., K. Kato y R. Mizouchi, Interactive decision-making for large scale
multiobjective linear programming problems with fuzzy parameters, Japanese
Journal of Fuzzy Theory and Systems, vol 7 (3) (1995) 377-390.
[171] Sakawa M. y K. Sawada, An interactive fuzzy satisficing method for large-scale
multiobjective linear programming problems with block angular structure, Fuzzy
Sets and Systems 67 (1994) 5-17.
[172] Sakawa, M. y H. Yano, An interactive fuzzy satisficing method for multiobjective
linear fractional programming problems, Fuzzy Sets and Systems 28 (1988) 129-
144.
191
BIBLIOGRAFÍA
[173] Sakawa, M. y H. Yano, An interactive fuzzy satisfacing method for generalized
multiobjective linear programming problems with fuzzy parameters, Fuzzy Sets
and Systems 35 (1990) 125-142.
[174] Sakawa, M. y H. Yano, Interactive decision making for multiobjective linear
fractional programming problems with fuzzy parameters based on solution
concepts incorporating fuzzy goals, Japanese Journal of Fuzzy Theory and Systems
vol. 3 (1) (1991) 45.
[175] Salkin, H.M. y K. Mathur, Foundations of integer programming, North-Holland,
New York, 1989.
[176] Sawada, K. y M. Sakawa, An interactive fuzzy satisficing method for large-scale
multiobjective linear programming problems with block angular structure,
Japanese Journal of Theory and Systems vol. 6 (4) (1994) 373-387.
[177] Seiford , L. y P. L. Yu, Potential solutions of linear systems; the multi-criteria
multiple contraint level program, Journal of Mathematical Analysis and
Applications 69 (1979) 283-303.
[178] Seo, F. y M. Sakawa, Multiple Criteria Decision Analysis in Regional
Planning:Concepts, Models and Applications (D. Reidel, Dordrecht, 1988)
[179] Shi, Y. y Y.H. Liu, Fuzzy potential solutions in multicriteria and multiconstraint
level linear programming problems, Fuzzy Sets and Systems 60 (1993)163-179.
[180] Simon, H., The New Science of Management Decision, Englewood Cliffs, NJ,
Prentice-Hall, 1977.
[181] Slowinski, R., A multicriteria fuzzy linear programming method for water supply
system development planning, Fuzzy Sets and Systems 19 (1986) 217-237.
[182] Slowinski, R., An interactive method for multiobjective linear programming with
fuzzy parameters and its applications to water supply planning, in J. Kacprzyk y
S.A. Orlovski (Eds), Optimization Models using Fuzzy Sets and Possibility theory
(D. Reidel, Dordrecht, 1987) 396-414.
[183] Slowinski, R. y J. Teghem (Eds), Stochastic versus Fuzzy Approaches to
Multiobjective Mathematical Programming under Uncertainty, D. Reidel
Publishing Co. 1990.
[184] Smith, J.D. Design and Analysis of Algorithms, Pws-Kent p. co, Boston, 1989.
[185] Stancu-Minasian, I.M., Stochastic Programming with Multiple Objective Functions
(D. Reidel, Dordrecht, 1984).
[186] Sularia, M., On fuzzy programming in planning, Kybernets 6 (1977) 229-230.
[187] Tanaka, H. Y K. Asai; Fuzzy linear programming problems with fuzzy numbers.
Fuzzy Sets and Systems 13 (1984) 1-10.
[188] Tanaka, H., H. Ichihashi y K. Asai; A formulation of fuzzy linear programing
problems basad on comparison of fuzzy numbers. In Kacprzyk (1984), 185-194.
[189] Tanaka, H., H. Ichihashi y K. Asai, A value of information in FLP problems via
sensitivity analysis, Fuzzy Sets and Systems 18 (1986) 119-129.
[190] Tanaka, H., T. Okuda y K. Asai, On fuzzy mathematical programming, Journal of
Cybernetics 3 (1974) 37-46.
[191] Teng, J-Y. y G-H. Tzeng, Transportation investment project selection using fuzzy
multiobjective programming, Fuzzy Sets and Systems 96 (1998) 259-280.
192
BIBLIOGRAFÍA
[192] Tiwari, R.N., S. Dharmar y J.R. Rao, Priority structure in fuzzy goal programming,
Fuzzy Sets and Systems 19 (1986)251-259.
[193] Tiwari, R.N., S. Dharmar y J.R. Rao, Fuzzy goal programming - an additive model,
Fuzzy Sets and Systems 24 (1987)27-34.
[194] Todd, M.J. y B.P. Burrell, An extension of Karmarkar•s algorithm for linear
programing using dual variables, Algorithmica (1986) 1: 409-424.
[195] Todd, M.J. y Y. Ye, A centered proyective algorithm for linear programming,
Mathematics of Operations Research, Vol 15 (1990) pp. 508-529.
[196] Tong S., Interval number and fuzzy number linear programmings, Fuzzy Sets and
Systems 66 (1990) 301-306.
[197] Turban. E., Decision Suport and Expert Systems: Management Support Systems,
Fourth edition, Englewood Cliffs-NJ , Prentice Hall, 1995.
[198] Valenzuela, Ch.L. y A.J. Jones, Evolutionary divide and conquer (I): A novel
genetic approach to the TSP, Evolutionaruy Computation 1 (4) (1994) 313-333.
[199] Vanderbei, R.J., Affine-scaling for linear programs with free variables,
Mathematical Programming 43 (1989) 3-44.
[200] Vanderbei, R.J., M.S. Meketon y B.A. Freedman, A modification of Karmarkar•s
linear programming alghorithm, Algorithmica (1986) 1:395-407.
[201] Verdegay, J.L. Problemas de transporte con parámetro difuso, Rev. Acad. Ciencias
Mat. Fis. Quim. Y Nat. De Garanada, 2 (1983) 47-56.
[202] Verdegay, J. L., A dual approach to solve the fuzzy linear programming problem,
Fuzzy Sets and Systems 14(1984) 131-141.
[203] Verdegay, J.L. Fuzzy mathematical programming, Approximate Reasoning in
Decision Analysis - Gupta, M.M. y E. Sanchez (eds) (North_holland, A,sterdam,
1992).
[204] Verdegay, J. L.; Fuzzy optimization: Models, methods and Perspectives; 6thIFSA-95
World Congress. Sou Paulo - Brazil, 1995, pp. 39-71.
[205] Verma, R., M.P. Biswal y A. Biswas , Fuzzy programming technique to solve multi-
objective transportation problems with some non-linear membership functions,
Fuzzy Sets and Systems 91 (1997) 37-43.
[206] Wang, H.F. y M.L. Wang, A fuzzy multiobjective linear programming, Fuzzy Sets
and Systems 86 (1997) 61-72.
[207] Wang, G-Y. y Q. Zhong, Linear programming with fuzzy random variable
coeficients, Fuzzy Sets and Systems 57 (1993) 295-311.
[208] Werners, B., An interactive fuzzy programming system, Fuzzy Sets and Systems 23
(1987) 131-147.
[209] Werners, B., Interactive multiobjective programming subject to flexible constraints,
European J. Oper. Res. 31 (1987) 342-349.
[210] Wets, R.J.B. , Stochastic Programming, in G.L. Nemhauser, A. H.G. Rinnooy Kan y
M.J. Todd (Eds.), Handbooks in Operations Research and Management Science:
Optimization (North-holland, Amsterdam, 1989) 573-629.
[211] Yamaguchi, T. e Y. Kono, Application of fuzzy multiobjective linear programming
to greenhouse cultivation planning, Japanese Journal of Fuzzy Theory and Systems
vol 4 (6) (1992) 701.
193
BIBLIOGRAFÍA
[212] Yang, T. Y J.P. Ignizio, Fuzzy programming with nonlinear membership functions:
piecewise linear approximation, Fuzzy Sets and Systems 41 (1991)39-53.
[213] Yano, H. Y M. Sakawa, Interactive fuzzy decision making for generalized
multiobjective linear fractional programming problems with fuzzy parameters,
Fuzzy Sets and Systems 32 (1989) 245-261.
[214] Ye, Y. Y M. Kojima, Recovering optimal dual solutions in Karmarkar•s polynomial
algorithm for linear programming, Mathematical Programming 39 (1987) 305-317.
[215] Yokoyama, T., H. Ohta y T. Yamaguchi, Multiobjective probabilistic constrained
programming problems using fuzzy goal, Japanese Journal of Fuzzy Theory and
Systems vol 6 (6) (1994)
[216] Zadeh, L.A.: Fuzy sets, Information and Control 8 (1965) 338-353.
[217] Zadeh, L.A., Fuzzy sets as a basis para una theory of possibility, Fuzzy Sets and
Systems 1 (1978) 3-28.
[218] Zeleny, M., Compromise programming, in: J.L. Cochrane and M. Zeleny, Eds.
Multiple Criteria Decision Making, University of South carolina Pres (1973).
[219] Zhao, R., R. Govind y G. Fan, The complete decision set of the generalized
symetyrical fuzzy linear programming problem, Fuzzy Sets and Systems 51 (1992)
53-65.
[220] Zhong, Q. Y G-Y. Wang, On solutions and distribution problems of the linear
programming with fuzzy random variable coeficients, Fuzzy Sets and Systems 58
(1993) 155-170.
[221] Zhong, Q., Y. Zhang y G-Y. Wang, On fuzzy random linear programming, Fuzzy
Sets and Systems 65 (1994) 31-49.
[222] Zimmermann, H. J., Description and optimization of fuzzy system, International
Journal of general System 2 (1976) 209-216.
[223] Zimmermann, H. J., Fuzzy programming and linear programming with several
objective functions, Fuzzy Sets and Systems 1 (1978) 45-55.
[224] Zimmermann H.J., Fuzzy Sets, Decision Making y Sistemas Expertos (Kluwer
Academic, Boston , 1987).
[225] Zimmermann H.J. y M.A. Pollatschek, Fuzzy 0-1 linear programs, In H.J.
Zimmermann, L.A. Zadeh and [Link] (Eds.), Amsterdam (1984) 133-145.
[226] Zionts, S. Y J. Wallenias, An interactive programming method for solving the
multiple criteria problems, Management Sci. 22 (1976) 652-663.
194
También podría gustarte
- TF - Investigación de Operaciones II.Aún no hay calificacionesTF - Investigación de Operaciones II.30 páginas
- Hibridación de Metaheurísticas para OptimizaciónAún no hay calificacionesHibridación de Metaheurísticas para Optimización74 páginas
- Algoritmos Meméticos Self-⋆ para OptimizaciónAún no hay calificacionesAlgoritmos Meméticos Self-⋆ para Optimización269 páginas
- Crítica a MAML: Meta-Learning EfectivoAún no hay calificacionesCrítica a MAML: Meta-Learning Efectivo1 página
- Machine Learning contra Despoblamiento en CantabriaAún no hay calificacionesMachine Learning contra Despoblamiento en Cantabria51 páginas
- Planeamiento Estratégico UPN 2023Aún no hay calificacionesPlaneamiento Estratégico UPN 20232 páginas
- Optimización de Localidad en HadoopAún no hay calificacionesOptimización de Localidad en Hadoop66 páginas
- Uso y curva de aprendizaje de CassandraAún no hay calificacionesUso y curva de aprendizaje de Cassandra1 página
- Predicción de Hidrocarburos con RNA en PythonAún no hay calificacionesPredicción de Hidrocarburos con RNA en Python3 páginas
- Programa de Conteo de Palabras en MapReduceAún no hay calificacionesPrograma de Conteo de Palabras en MapReduce3 páginas
- Perceptrones y AdaBoost en Clasificación ExtremaAún no hay calificacionesPerceptrones y AdaBoost en Clasificación Extrema73 páginas
- Análisis de Matrices Dispersas en DatosAún no hay calificacionesAnálisis de Matrices Dispersas en Datos15 páginas
- Multi-clasificación de extremidades en visión artificialAún no hay calificacionesMulti-clasificación de extremidades en visión artificial80 páginas
- Redes Neuronales y Deep Learning PrácticoAún no hay calificacionesRedes Neuronales y Deep Learning Práctico1 página
- Clasificador de Imágenes de Pokémon con TensorFlowAún no hay calificacionesClasificador de Imágenes de Pokémon con TensorFlow25 páginas
- Método de Máximo Descenso en Redes NeuronalesAún no hay calificacionesMétodo de Máximo Descenso en Redes Neuronales4 páginas
- Destilación de Conocimiento en CNNsAún no hay calificacionesDestilación de Conocimiento en CNNs70 páginas
- Modelado LSTM Difuso en Control No LinealAún no hay calificacionesModelado LSTM Difuso en Control No Lineal136 páginas
- Modelo de neumático con redes neuronalesAún no hay calificacionesModelo de neumático con redes neuronales124 páginas
- Ataques Adversarios en Visión ArtificialAún no hay calificacionesAtaques Adversarios en Visión Artificial85 páginas
- Detección de Botnets con Snort y ELKAún no hay calificacionesDetección de Botnets con Snort y ELK1 página
- Hoja de Ruta del Proyecto EA en MT5Aún no hay calificacionesHoja de Ruta del Proyecto EA en MT52 páginas
- Deepfakes: Generación de Nuevas CarasAún no hay calificacionesDeepfakes: Generación de Nuevas Caras75 páginas
- Asociación de Direcciones con SparkAún no hay calificacionesAsociación de Direcciones con Spark67 páginas
- Coordinación de Robots en Laboratorios VirtualesAún no hay calificacionesCoordinación de Robots en Laboratorios Virtuales222 páginas
- Informe sobre Máquina de BoltzmannAún no hay calificacionesInforme sobre Máquina de Boltzmann9 páginas
- Mejora de Segmentación Cerebral U-NetAún no hay calificacionesMejora de Segmentación Cerebral U-Net58 páginas
- Clasificación de Autopsias Verbales con LSTMAún no hay calificacionesClasificación de Autopsias Verbales con LSTM1 página
- Segmentación automática de imágenes médicasAún no hay calificacionesSegmentación automática de imágenes médicas64 páginas
- Sistema de Reconocimiento Emocional en IAAún no hay calificacionesSistema de Reconocimiento Emocional en IA91 páginas
- TFG GE 24-25 EduardoChamizoFernándezAún no hay calificacionesTFG GE 24-25 EduardoChamizoFernández104 páginas
- Generación de señales cerebrales con Reservoir ComputingAún no hay calificacionesGeneración de señales cerebrales con Reservoir Computing142 páginas
- Modelo Bi-LSTM en Procesamiento de LenguajeAún no hay calificacionesModelo Bi-LSTM en Procesamiento de Lenguaje6 páginas
- Uso de Matrices en Redes NeuronalesAún no hay calificacionesUso de Matrices en Redes Neuronales6 páginas
- Algoritmo para Máquinas de Boltzmann ProfundasAún no hay calificacionesAlgoritmo para Máquinas de Boltzmann Profundas8 páginas
- Gestión de Memoria en Windows: Guía CompletaAún no hay calificacionesGestión de Memoria en Windows: Guía Completa2 páginas
- Concluciones, Recomendaciones AnexosAún no hay calificacionesConcluciones, Recomendaciones Anexos7 páginas
- Aplicación Del Aprendizaje Automático A Sistemas Cuánticos de Pocas PartículasAún no hay calificacionesAplicación Del Aprendizaje Automático A Sistemas Cuánticos de Pocas Partículas74 páginas
- Controlador Difuso para Péndulo InvertidoAún no hay calificacionesControlador Difuso para Péndulo Invertido8 páginas
- Análisis de Big Data y Machine LearningAún no hay calificacionesAnálisis de Big Data y Machine Learning54 páginas
- Nuevo algoritmo para subgrupos no redundantesAún no hay calificacionesNuevo algoritmo para subgrupos no redundantes25 páginas
- Aprobacion de Proyecto de Grado 11Aún no hay calificacionesAprobacion de Proyecto de Grado 1132 páginas
- Diseño de brazo robótico educativoAún no hay calificacionesDiseño de brazo robótico educativo17 páginas
- Dialnet-ExploracionDeModelosGenerativosProfundosParaUnaMej-10359108Aún no hay calificacionesDialnet-ExploracionDeModelosGenerativosProfundosParaUnaMej-1035910810 páginas
- Análisis de Consejos con RNN y PLNAún no hay calificacionesAnálisis de Consejos con RNN y PLN114 páginas
- Guía de Optimización con RestriccionesAún no hay calificacionesGuía de Optimización con Restricciones20 páginas
- Preguntas sobre Sistemas DigitalesAún no hay calificacionesPreguntas sobre Sistemas Digitales1 página
- Autómatas Finitos Deterministas ExplicadosAún no hay calificacionesAutómatas Finitos Deterministas Explicados14 páginas
- Sistema de Control de Insumos QuímicosAún no hay calificacionesSistema de Control de Insumos Químicos10 páginas
- Fundamentos de la Carga EléctricaAún no hay calificacionesFundamentos de la Carga Eléctrica8 páginas
- Ley de Ohm y Resistencia EléctricaAún no hay calificacionesLey de Ohm y Resistencia Eléctrica4 páginas
- Orden y grado de ecuaciones diferencialesAún no hay calificacionesOrden y grado de ecuaciones diferenciales4 páginas
- Gestión de Riesgos en Cadenas de SuministroAún no hay calificacionesGestión de Riesgos en Cadenas de Suministro33 páginas
- Dinámica en planos inclinados y cuerdasAún no hay calificacionesDinámica en planos inclinados y cuerdas2 páginas
- Proyecto de Fuerzas y Movimiento en AulaAún no hay calificacionesProyecto de Fuerzas y Movimiento en Aula10 páginas
- Ejemplo de Orden de Cateo en Proceso Penal100% (1)Ejemplo de Orden de Cateo en Proceso Penal17 páginas
- Crítica a la Ideología de Género y AbortoAún no hay calificacionesCrítica a la Ideología de Género y Aborto12 páginas
- Modelo de Negocio: Calzado Bravo ProduccionesAún no hay calificacionesModelo de Negocio: Calzado Bravo Producciones4 páginas
- Estrategias para Mejorar la Caligrafía Infantil0% (1)Estrategias para Mejorar la Caligrafía Infantil7 páginas
- Lineamientos Antisoborno SuperserviciosAún no hay calificacionesLineamientos Antisoborno Superservicios5 páginas
- Derechos Reales: Conceptos y ClasificacionesAún no hay calificacionesDerechos Reales: Conceptos y Clasificaciones3 páginas
- Bebidas Isotónicas: Composición y BeneficiosAún no hay calificacionesBebidas Isotónicas: Composición y Beneficios17 páginas
- Transistor como Amplificador con EmisorAún no hay calificacionesTransistor como Amplificador con Emisor9 páginas
- Educación Inclusiva en la Cosmovisión Adventista100% (1)Educación Inclusiva en la Cosmovisión Adventista2 páginas
- Efectos y uso de Dermisan tabletasAún no hay calificacionesEfectos y uso de Dermisan tabletas1 página
- SERVIR Declara Infundada Impugnación de Director Ugel Pallasca100% (1)SERVIR Declara Infundada Impugnación de Director Ugel Pallasca26 páginas
- Informe de Lectura: Micosis y HemodinámicaAún no hay calificacionesInforme de Lectura: Micosis y Hemodinámica2 páginas
- Biología y Morfología de Lutzomyia sp.Aún no hay calificacionesBiología y Morfología de Lutzomyia sp.11 páginas
- Estadística Aplicada en Evaluaciones Académicas y de ServicioAún no hay calificacionesEstadística Aplicada en Evaluaciones Académicas y de Servicio4 páginas
- Danzas de Proyección Folklórica en Paraguay64% (11)Danzas de Proyección Folklórica en Paraguay7 páginas
- Características del cuy en VenezuelaAún no hay calificacionesCaracterísticas del cuy en Venezuela6 páginas