modelo estocástico por escenarios para una red de logística inversa- tesis presentación
DESCRIPTION
Slides de la defensa de tesis para obtener el grado de Maestro en Ciencias en Ingeniería de Sistemas, se presenta una formulación estocástica por escenarios para atacar el problema del diseño de una red de logística con demanda y tasa de retorno bajo incertidumbre. Modelado, metodología, resultados y conclusiones.TRANSCRIPT
Modelo estocastico por escenarios para una red de
logıstica inversa.
Ing. Leonardo Gabriel Hernandez Landa
Dir. Dr. Igor Litvinchev.Rev. Ada M. Alvarez
Rev. Dra. Gabriela Garcıa
Programa de Posgrado en Ingenierıa de SistemasFacultad de Ingenierıa Mecanica y Electrica
Universidad Autonoma de Nuevo Leon
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 1 / 47
Agenda.
1 IntroduccionDefinicionMotivacion
2 Descripcion del problemaObjetivo
3 Antecedentes
4 ModeloDiagramaModelado
5 Metodologıa para la solucion
6 Resultados computacionalesAnalisis de resultados preliminares
7 ConclusionesConclusiones
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 2 / 47
Introduccion Definicion
Logıstica inversa
Definicion
“El proceso de planear, implementar ycontrolar el flujo eficiente demateriales, desde el punto deconsumo hasta el punto de origencon el proposito de recapturar valor odesechar los productos de maneraadecuada ”Rogers andTibben-Lembke(1999).
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 3 / 47
Introduccion Definicion
Logıstica inversa
Definicion
“El proceso de planear, implementar ycontrolar el flujo eficiente demateriales, desde el punto deconsumo hasta el punto de origencon el proposito de recapturar valor odesechar los productos de maneraadecuada ”Rogers andTibben-Lembke(1999).
Una de las caracterısticas principales de la logıstica tanto tradicional como inversaes la incertidumbre.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 3 / 47
Introduccion Motivacion
Motivacion
Figure: Motivacion
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 4 / 47
Descripcion del problema
Descripcion
Descripcion del problema
Se presenta una red logıstica de 2 niveles y deseamos conocer las mejores zonaspara localizar instalaciones de centros de almacenamiento, inspeccion y plantasde remanufactura, que nos permita minimizar los costos de distribucion yrecoleccion de producto.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 5 / 47
Descripcion del problema
Descripcion
Descripcion del problema
Se presenta una red logıstica de 2 niveles y deseamos conocer las mejores zonaspara localizar instalaciones de centros de almacenamiento, inspeccion y plantasde remanufactura, que nos permita minimizar los costos de distribucion yrecoleccion de producto.
Objetivo del problema
Se desea determinar un modelo para el problema estocastico, partiendo de unmodelo determinıstico, dado que en las cadenas de suministro siempre existeincertidumbre.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 5 / 47
Descripcion del problema Objetivo
Objetivo
Objetivo del modelo
El objetivo es minimizar los costos generales, por medio de una buena delocalizacion de instalaciones, en conjunto con un optimo diseno de rutas y a la parencontrar el mejor precio de oferta al cliente para los productos recuperados.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 6 / 47
Antecedentes
Antecedentes
El diseno de las redes de LI requiere la consideracion de muchos temas diferentesen una perspectiva multidimensional. Newton(1999) caracteriza como tradicionallos flujos desde la produccion y distribucion de las partes hasta los clientes, einversa cuando los flujos son de reutilizacion, reciclado y eliminacion de losproductos. Desarrollan un modelo MILP para apoyar la toma de decisiones para eldiseno y operacion efectiva del sistema de logıstica inversa y responde a laspreguntas siguientes:
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 7 / 47
Antecedentes
Antecedentes
¿En cual caso se debe establecer centros de reciclaje?
¿Que tecnologıa se debe emplear para llevar a cabo las tareas de reciclaje?
¿Cual deberıa ser su plan de expansion para el crecimiento de la red?
¿Cuales son los productos finales mas favorables y como las ubicaciones desus centros de reciclaje afectan la rentabilidad de la red?
¿Que volumen de material es necesario para justificar las tareas de reciclaje?
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 8 / 47
Antecedentes
Antecedentes
Otros factores que se toman en cuenta al disenar las redes de LI es el tiempo dedevolucion de productos, la categorıa de producto, los mercados globales, que elproducto sea rentable contra que sea sensible, el costo de los retrasos y susefectos en la recuperacion de activos, Guide(2006).
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 9 / 47
Antecedentes
Antecedentes
Otros factores que se toman en cuenta al disenar las redes de LI es el tiempo dedevolucion de productos, la categorıa de producto, los mercados globales, que elproducto sea rentable contra que sea sensible, el costo de los retrasos y susefectos en la recuperacion de activos, Guide(2006).
Por consiguiente, el nivel optimo de la capacidad de manejo para retorno en latienda y el centro de inspeccion, la eleccion de los modos de transporte condiferentes niveles de capacidad de respuesta y la eleccion del fin de su vida util ode las estrategias de recoleccion de retorno debe ser decidido.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 9 / 47
Antecedentes
Antecedentes
Wojanowski(2003) Estudio estrategias basadas en incentivos de recoleccion delproducto mediante un modelo continuo. Comparan polıticas con respecto a laadquisicion de los productos utilizados. Tambien examinan los efectos de lavariable de recoleccion para los costos y la cantidad de productos utilizados en laeleccion de la estrategia de produccion.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 10 / 47
Antecedentes
Antecedentes
Wojanowski(2003) Estudio estrategias basadas en incentivos de recoleccion delproducto mediante un modelo continuo. Comparan polıticas con respecto a laadquisicion de los productos utilizados. Tambien examinan los efectos de lavariable de recoleccion para los costos y la cantidad de productos utilizados en laeleccion de la estrategia de produccion.
De esta manera en este problema tambien abordaremos a parte de el diseno de lasinstalaciones, la variable que determine que precio le podemos ofrecer al clientemediante una formulacion que nos compara con el precio que ofrece el competidor.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 10 / 47
Modelo Diagrama
Diagrama
i j kPlantas Almacenes Clientes
s
rkdk
Escenario
Figure: Grafico de la red
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 11 / 47
Modelo Diagrama
Notacion
Variables binarias.Hi Indica cuando una PR es abierta en la zona i .Yj Indica cuando un CD es abierta en la zona j .Tj Indica cuando un CI es abierta en la zona j .
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 12 / 47
Modelo Diagrama
Notacion
Variables continuas.Log. tradicional.
Uijs Monto enviado de planta i al CD j en el escenario s.Xjks Monto enviado de DC j a ZC k en el escenario s.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 13 / 47
Modelo Diagrama
Notacion
Variables continuas.Log. tradicional.
Uijs Monto enviado de planta i al CD j en el escenario s.Xjks Monto enviado de DC j a ZC k en el escenario s.
Log. Inversa.Wkjs Monto enviado de ZC k a CI j en el escenario s.Vjis Monto enviado de CI j a PR i en el escenario s.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 13 / 47
Modelo Diagrama
Notacion
Variables continuas.Log. tradicional.
Uijs Monto enviado de planta i al CD j en el escenario s.Xjks Monto enviado de DC j a ZC k en el escenario s.
Log. Inversa.Wkjs Monto enviado de ZC k a CI j en el escenario s.Vjis Monto enviado de CI j a PR i en el escenario s.
Rks Total recuperado de ZC k en el escenario s.L Precio de compra.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 13 / 47
Modelo Modelado
Funcion Objetivo
min z =∑
j
fjYj +∑
j
gjTj +∑
i
hiHi Costos fijos
+∑
s
ps(∑
i
∑
j
cijUijs +∑
j
∑
k
ejkXjks Flujo primal
+∑
j
∑
i
cpjiVjis +∑
k
∑
j
epkjWkjs Flujo inverso
+∑
k
(L− b)Rks) Beneficio
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 14 / 47
Modelo Modelado
Restricciones
∑
j
Xjks = dks ∀ k , s. Satisfaccion demanda
∑
j
Wkjs = Rks ∀ k , s. Recoleccion
∑
k
Xjks =∑
i
Uijs ∀ j , s. Conservacion de flujo
α
∑
k
Wkjs =∑
i
Vjis ∀ j , s.
∑
i
Uijs −∑
j
Vjis ≤ ssi ∀ i .s. Capacidad en planta
∑
j
Vjis ≤ Uijs ∀ i , s.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 15 / 47
Modelo Modelado
Restricciones
∑
j
Vjis ≤ aiHi ∀ i , s. Cap. Remanufactura
Xjks ≤ dksYj ∀ j , k , s. Validacion flujo
Wjks ≤ τsdksTj ∀ j , k , s.
Rks = τsdksL
L+ l∀ j , s. % de Recoleccion
Xjks ,Wkjs ,Uijs ,Vjis , L,Rks ≥ 0 ∀ i , j , k , s.
Yj ,Tj ,Hi ∈ (0, 1) i , j .
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 16 / 47
Metodologıa para la solucion
Metodologıa
Como se observado en la ecuacion de comparativa contra el competidor en elprecio de adquisicion que integra nuestras restricciones:
Rks = τsdksL
L+ l∀ j , s.
Hace que el problema sea del tipo no lineal entero mixto debido a la restricciondonde involucra el precio de adquisicion que se ofrece al cliente. Se propuso atacarla variable que hace nuestro problema no lineal mediante una busquedaunidimensional con el objetivo de encontrar el mejor valor para esta variable delprecio de adquisicion L y ası poder minimizar la funcion objetivo principal.
Se aplico el metodo de la seccion dorada para la busqueda del valor de la variableL y esto nos permitio trabajar con el problema como de tipo entero mixto.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 17 / 47
Metodologıa para la solucion
Metodologıa
Metodos de solucion
Con la parametrizacion de la variable L el problema se puede manejar como linealentero mixto. Se han probado dos distintos metodos de solucion, el primeroutilizando el metodo de ramificacion y acotamiento anidado al metodo de laseccion dorada mediante el uso de CPLEX, el cual ha demostrado una potentecapacidad de resolver estos problemas. Tambien se propone aplicar la tecnica dedescomposicion de Benders que ha demostrado mejor rendimiento para esteproblema en su version determinıstica en tanto a resultado del costo total yeficiencia en el tiempo de solucion.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 18 / 47
Metodologıa para la solucion
Metodo de la seccion dorada
Figure: Algoritmo del metodo de la seccion dorada
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 19 / 47
Metodologıa para la solucion
Algoritmo de descomposicion de Benders
Figure: Metodo de descomposicion de Benders
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 20 / 47
Resultados computacionales
Parametros
Los parametros de entrada de los precios fijos para PR, CD y CI fueron del 5000,7500 y 10000 unidades respectivamente, ası mismo se fijo un precio de adquisiciondel competidor l en 10 unidades y un costo de salvamento b en 20, para lascapacidades de las plantas y plantas de remanufactura se utilizo la siguienteformula que nos asegura factibilidad en el problema:
ai =
[
ατs
∑
ks dks
n
]
ssi =
[∑
ks dks
n
]
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 21 / 47
Resultados computacionales
Escenarios
Determinacion de escenarios
Se desarrollaron diversos experimentos estadısticos, en base a la aplicacion delmodelo determinıstico con instancias pequenas, con la finalidad de determinar queescenarios utilizaremos para el modelo
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 22 / 47
Resultados computacionales
Escenarios
Determinacion de escenarios
Se desarrollaron diversos experimentos estadısticos, en base a la aplicacion delmodelo determinıstico con instancias pequenas, con la finalidad de determinar queescenarios utilizaremos para el modelo
Los factores de variacion
Para determinar cuales factores estarıan bajo incertidumbre, se experimento conla variacion en los valores de los parametros para observar su tendencıa yestablecer de la misma manera su relevancia en la afectacion del valor objetivo.las estadısticas mostraron que los factores que mas influyen son: la demanda y latasa de retorno de producto. Claramente se observa que la interaccion de estosfactores es muy influyente dentro del resultado final, ası entonces podemosdeterminar que para el modelo la solucion sera muy robuzta en tanto a lavariacion de estos 2 parametros.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 22 / 47
Resultados computacionales
Construccion de escenarios
La construccion de los escenarios es la siguiente:
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 23 / 47
Resultados computacionales
Construccion de escenarios
La construccion de los escenarios es la siguiente:
1 Retorno alto, baja demanda.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 23 / 47
Resultados computacionales
Construccion de escenarios
La construccion de los escenarios es la siguiente:
1 Retorno alto, baja demanda.
2 Retorno alto, alta demanda.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 23 / 47
Resultados computacionales
Construccion de escenarios
La construccion de los escenarios es la siguiente:
1 Retorno alto, baja demanda.
2 Retorno alto, alta demanda.
3 Retorno bajo, baja demanda.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 23 / 47
Resultados computacionales
Construccion de escenarios
La construccion de los escenarios es la siguiente:
1 Retorno alto, baja demanda.
2 Retorno alto, alta demanda.
3 Retorno bajo, baja demanda.
4 Retorno bajo, alta demanda.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 23 / 47
Resultados computacionales
Construccion de escenarios
La construccion de los escenarios es la siguiente:
1 Retorno alto, baja demanda.
2 Retorno alto, alta demanda.
3 Retorno bajo, baja demanda.
4 Retorno bajo, alta demanda.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 23 / 47
Resultados computacionales
Arbol de probabilidad
Z
DA
DB
DA− RA
DA− RB
DB − RA
DB − RB
Figure: Arbol de probabilidad
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 24 / 47
Resultados computacionales
Numero de instancias
Los tamanos de instancias fueron fijados para las comparaciones entre lasalternativas de solucion y estandarizar la experimentacion para el problema. Elformato que se presenta en los resultados es construido en base a:
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 25 / 47
Resultados computacionales
Numero de instancias
Los tamanos de instancias fueron fijados para las comparaciones entre lasalternativas de solucion y estandarizar la experimentacion para el problema. Elformato que se presenta en los resultados es construido en base a:
1 Numero de PM: Numero de plantas existentes y activas para satisfacer lademanda, estas tambien son centros potenciales para PR.
2 Numero de CD y/o CI: Es el numero de zonas potenciales donde puedeubicarse un centro de distribucion, ası mismo representa la zonas potencialespara la instalacion de de centros de recoleccion de producto proveniente delcliente que enviara remanufactura a las PR si se presenta el caso.
3 Numero de ZC: Este es el numero de ZC existentes de donde proviene lademanda y la tasa de retorno para nuestro modelo, estas zonas son fijas ydistribuidas aleatoriamente.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 25 / 47
Resultados computacionales
Instancias
Instancia Tamano Consideracion1 5-10-15 Pequena2 5-10-20 Pequena3 5-10-30 Pequena4 8-15-50 Mediana5 5-20-100 Mediana6 10-20-50 Mediana7 10-30-100 Mediana8 20-50-150 Mediana9 30-60-100 Grande10 20-50-150 Grande11 30-100-200 Grande
Table: Tabla de instancias
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 26 / 47
Resultados computacionales
Experimentacion
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
xx1
yy1
1
2
3
4
5
1
2
3
4
5
6
78
9
10
1
2
3
4
56
7
8
9 10
Figure: Ejemplo de localizacion del modelo estocastico(5-10-30)
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 27 / 47
Resultados computacionales Analisis de resultados preliminares
Desempeno de los metodos propuestos
Se evaluo el modelo primeramente en instancias pequenas para observar sucomportamiento, en comparativa para ambos metodos tanto el metodo deramificacion y acotamiento como para el metodo de descomposicion deBenders usando el metodo de la seccion dorada.
Con esto hemos evaluado el comportamiento y se ha observado que los 2 metodostanto el metodo de ramificacion y acotamiento como Benders obtienen buenosresultados pero en tanto a la eficiencia del tiempo el metodo de ramificacion yacotamiento demostro ser mucho mejor para instancias pequenas. Observemos lasiguiente tabla:
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 28 / 47
Resultados computacionales Analisis de resultados preliminares
Comparativa Metodos
MRyA BendersInst Cost L T(seg) Cost L T(seg)2-3-6 612.36 6.22 9.93 612.36 6.22 290.09
3-10-20 1181.69 6.28 241.29 1181.69 6.28 3115.555-10-25 1167.07 5.01 399.69 1167.07 5.01 5709.5110-30-100 24930.01 2.50 58289.96 - - 360000+
Table: Tabla comparativa de desempeno entre metodos
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 29 / 47
Resultados computacionales Analisis de resultados preliminares
Comparativa Metodos
Ramificacion y acotamient BendersInstancia L Mejor valor Optimo Tiempo L Mejor Valor Optimo Tiempo5-10-20 6.71 30122.44 Si 178.45 6.71 30122.44 Si 2173.315-20-100 6.67 20522.43 Si 9947.01 6.4 20589.94 No 12080.445-25-100 6.66 20524.43 No 10927.38 6.18 20666.62 No 11441.525-30-10 6.53 20455.78 No 11539.44 6.18 20570.04 No 13563.910-20-50 5.41 22143.06 Si 10826.61 6.11 22453.16 No 12401.5310-20-100 5.21 13656.07 No 11713.8 6.54 13665.28 No 12799.3610-25-50 5.48 22143.27 Si 9486.32 5.55 22448.5 No 14379.5910-25-100 6.1 19989.32 No 10882.71 6.1 19989.32 No 12932.5310-30-100 5.81 13526.48 No 12004.07 6.84 19865.82 No 11480.6620-50-100 3.82 63267.08 No 34264.09 - - No 40000+20-50-150 3.82 58275.36 No 58105.93 - - no 60000+
Table: Tabla de desempeno de metodos de solucion con lımite de tiempo.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 30 / 47
Resultados computacionales Analisis de resultados preliminares
Presentamos el grafico 7 donde observamos la evolucion del tiempo de ambosmetodos. Podemos observar que el incremento es exponencial en el tiempo para elmetodo de Benders.
1 2 3 4 5
050
000
1000
0015
0000
2000
00
Evolución en incremento de instancia
Instancia
Tie
mpo
(s)
BendersCplex
Figure: Grafico comparativo en la evolucion en tiempo para los metodos propuestos
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 31 / 47
Resultados computacionales Analisis de resultados preliminares
Evaluacion del desempeno del modelo estocastico
Una vez determinada la ventaja de el uso de el metodo de ramificacion yacotamiento sobre el metodo de descomposicion de Benders para el modeloestocastico, se realiza la comparativa de desempeno del modelo estocasticopropuesto con el modelo determinıstico. La siguiente tabla proporcionainformacion valiosa sobre el comportamiento de este.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 32 / 47
Resultados computacionales Analisis de resultados preliminares
Estocastico Determinıstico Variacion
Instancia Minimo L Tiempo(s) Minimo L Tiempo(s) +% Costo %L +Tiempo5-10-20 30122.81 6.68 200.07 27531.55 6.66 5.5 9.41 0.30 30.045-10-30 28654.17 6.65 362.2 25538.57 6.64 7.05 12.20 0.15 54.555-20-60 25306.67 6.66 3367.16 17374.09 6.64 36.16 45.66 0.30 507.105-20-100 20524.43 6.66 10672.82 17275.05 6.66 89.21 18.81 0.00 1602.538-15-50 28298.29 3.32 3157.15 24435.89 3.32 19.81 15.81 0.00 950.958-20-50 24678.25 3.36 4256.86 24542.35 3.32 29.85 0.55 1.19 1282.1910-20-50 29242.59 2.48 7925.93 25350.37 2.48 28.41 15.35 0.00 3195.9410-20-60 28671.1 2.48 11012.39 25315.79 2.48 42.51 13.25 0.00 4440.4810-30-50 29113.41 2.48 29113.41 25350.37 2.48 51.94 14.84 0.00 11739.2810-30-100 ? ? ? 18413.27 2.48 292.72 ? ? ?
Table: Tabla de comparacion en desempeno de modelo determinıstico y estocastico con4 escenarios
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 33 / 47
Resultados computacionales Analisis de resultados preliminares
0 2 4 6 8 10
050
0010
000
1500
020
000
2500
030
000
Comparativa de óptimos
Instancias
Val
or
EstocásticoDeterminístico
Figure: Diferencia para las soluciones obtenidas entre el modelo estocastico y eldeterminıstico
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 34 / 47
Resultados computacionales Analisis de resultados preliminares
0 2 4 6 8 10
02
46
810
Comparativa del valor L
Instancias
Val
orl
EstocásticoDeterminístico
Figure: Diferencia para la variable de decision L entre el modelo estocastico y eldeterminıstico
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 35 / 47
Resultados computacionales Analisis de resultados preliminares
0 2 4 6 8 10
050
0010
000
1500
020
000
2500
030
000
Comparativa de tiempo
Instancias
Val
ort
EstocásticoDeterminístico
Figure: Diferencia para los tiempos obtenidos en la solucion del modelo estocastico y eldeterminıstico
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 36 / 47
Resultados computacionales Analisis de resultados preliminares
precision de la solucion
Se observa claramente que el tiempo para nuestro modelo sigue siendo un puntoque tenemos que atacar para mejorar el desempeno en la solucion, se proponereducir la precision del GAP en el metodo de ramificacion y acotamientogradualmente y ver si esto afecta nuestra solucion final.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 37 / 47
Resultados computacionales Analisis de resultados preliminares
Instancia gapMRyA gapGS Obj ValorL Tiempo %Total %Lvalue %tiempo5-10-30 0 0 28988.14 6.66 397.57 1.000 1.000 1.0005-10-30 15 0 29316.55 6.66 122.21 0.989 1.000 3.2535-10-30 30 0 29316.55 6.66 88.33 0.989 1.000 4.5015-10-30 40 0 29316.55 6.66 109.85 0.989 1.000 3.6195-10-30 0 10 29029.47 6.18 140.22 0.999 1.078 2.8355-10-30 10 10 29220.5 5.28 85.43 0.992 1.261 4.6545-10-30 20 10 29357.4 6.18 66.35 0.987 1.078 5.9925-10-30 30 10 29357.4 6.18 9.83 0.987 1.078 40.4455-10-30 40 10 29357.4 6.18 15.82 0.987 1.078 25.1315-10-30 0 20 29029.47 6.18 92.04 0.999 1.078 4.3205-10-30 10 20 29220.5 5.28 30.98 0.992 1.261 12.8335-10-30 20 20 29357.4 6.18 38.72 0.987 1.078 10.2685-10-30 30 20 29357.4 6.18 9.75 0.987 1.078 40.7765-10-30 40 20 29357.4 6.18 13.34 0.987 1.078 29.803
Table: Tabla de rendimiento en reduccion de precision de la solucion
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 38 / 47
Conclusiones
Conclusiones
Se aplicaron las tecnicas de solucion mas eficientes reportadas en el problemaoriginal, Tombus(2009), las cuales son el uso del metodo de descomposicion deBenders anidado dentro del Metodo de la seccion dorada, con el objetivo deatacar la restriccion no lineal y el segundo metodo fue el de ramificacion yacotamiento igualmente anidado dentro del metodo de la seccion dorada, esteprocedimiento resulto ser eficaz en la busqueda de soluciones.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 39 / 47
Conclusiones Conclusiones
Conclusiones
conclusiones del modelo
Determinado el uso de el metodo de ramificacion y acotamiento, el analisiselaborado para el desempeno del modelo determinıstico contra el modeloestocastico demostro que los tiempos de solucion son muy diferentes a lo que sepensarıa, esto es afectado por causa del aumento de los escenarios, el tiempotiende a incrementarse exponencialmente para el modelado estocastico segun seael caso de los escenarios manejados.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 40 / 47
Conclusiones Conclusiones
Conclusiones
conclusiones del modelo
Determinado el uso de el metodo de ramificacion y acotamiento, el analisiselaborado para el desempeno del modelo determinıstico contra el modeloestocastico demostro que los tiempos de solucion son muy diferentes a lo que sepensarıa, esto es afectado por causa del aumento de los escenarios, el tiempotiende a incrementarse exponencialmente para el modelado estocastico segun seael caso de los escenarios manejados.
La solucion en tanto al optimo del costo total se ve afectada en un rangoconsiderable pero aun aceptable de riesgo, mismo que para el caso estocastico laplaneacion para el corto plazo sera mas caro, pero como se considero el factor deriesgo con los escenarios agregados en el largo plazo este reducira y sera estable.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 40 / 47
Conclusiones Conclusiones
Conclusiones
Para fines practicos en instancias grandes se decidio reducir la precision de lasolucion observandose la robustez del modelado dada su escasa variacion del costode la red en la funcion objetivo, a cambio de una reduccion bastante buena en eltiempo de computo, esto es conveniente si se quiere obtener una solucion buena,mas no la optima en corto tiempo y establecer una configuracion de red aceptable.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 41 / 47
Conclusiones Conclusiones
Areas de Oportunidad
Usar otras tecnicas de modelado estocastico para el modelo determinıstico yhacer la comparacion co respecto a las soluciones presentadas en este trabajo.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 42 / 47
Conclusiones Conclusiones
Areas de Oportunidad
Usar otras tecnicas de modelado estocastico para el modelo determinıstico yhacer la comparacion co respecto a las soluciones presentadas en este trabajo.
Obtener comparaciones resolviendo para la media por el metododeterminıstico variando la demanda y retorno para finalmente compararlo conel modelo presentado.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 42 / 47
Conclusiones Conclusiones
Areas de Oportunidad
Usar otras tecnicas de modelado estocastico para el modelo determinıstico yhacer la comparacion co respecto a las soluciones presentadas en este trabajo.
Obtener comparaciones resolviendo para la media por el metododeterminıstico variando la demanda y retorno para finalmente compararlo conel modelo presentado.
Establecer un punto de intercambio para la recoleccion, restringiendo elhecho de para que el cliente obtenga un descuento en la compra del productonuevo, haga la entrega del viejo, como el caso de baterıas de automoviles oautomoviles.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 42 / 47
Conclusiones Conclusiones
Areas de Oportunidad
Usar otras tecnicas de modelado estocastico para el modelo determinıstico yhacer la comparacion co respecto a las soluciones presentadas en este trabajo.
Obtener comparaciones resolviendo para la media por el metododeterminıstico variando la demanda y retorno para finalmente compararlo conel modelo presentado.
Establecer un punto de intercambio para la recoleccion, restringiendo elhecho de para que el cliente obtenga un descuento en la compra del productonuevo, haga la entrega del viejo, como el caso de baterıas de automoviles oautomoviles.
Agregar capacidades a los CD y CI.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 42 / 47
Conclusiones Conclusiones
Bibliografıa
A. C. Tombus. Quantitative model for decision making in reverse logisticsnetwork design. PhD thesis, Bogazici University, Turkey, February 2009.
V. Jayaraman. A closed-loop logistics model for remanufacturing. Journal ofthe Operational Research Society, 50, 1999.
H. Krikke, J. Bloemhof-Ruwaard, and L. N. Van Wassenhove. Concurrentproduct and closed-loop supply chain design with an application torefrigerators. International journal of production research, 2003.
H.R. Krikke, A. van Harten, and P.C. Schuur. Business case: Reverselogistics network re-design for copiers. OR Spectrum, 21:381-409, 1999.
L. Kroon and G. Vrijens. Returnable containers: an example of reverselogistics. International Journal of Physical Distribution and LogisticsManagement, 1995.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 43 / 47
Conclusiones Conclusiones
Bibliografıa
D.W. Krumwiede and C. Sheu. A model of reverse logistics entry bythird-party providers. Omega, 30(5):325-333, 2002.
B. Lebreton. Strategic impact of closed-loop supply chains. In StrategicClosed-Loop Supply Chain Management, volume 586 of Lecture Notes inEconomics and Mathematical Systems, pages 31-50. Springer BerlinHeidelberg, 2007.
O. Listes and R. Dekker. A stochastic approach to a case study for productrecovery network design. European Journal of Operational Research,160(1):268-287, 2005.
D. Louwers, Bert J. Kip, Edo Peters, Frans Souren, and Simme Douwe P.Flapper. A facility location allocation model for reusing carpet materials.Comput. Ind. Eng., 36(4):855-869, 1999.
R. T. Lund. Remanufacturing : the experience of the United States andimplications for developing countries, Robert T. Lund. World Bank,Washington, D.C., U.S.A., 1984.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 44 / 47
Conclusiones Conclusiones
Bibliografıa
S. Pokharel and A. Mutha. Perspectives in reverse logistics: A review.Resources, Conservation and Recycling, 53:175-182, 2009.
A. Ramos and S. Cerisola. Optimizacion estocastica. ICAI, 1(1):1-48, 2008.
M. Reaff. Robust reverse production system design for carpet recycling. IIETransactions, 36, 2004.
M. J. Realff, C. Ammons Jane, and David Newton. Carpet recycling:Determining the reverse production system design. Polymer-PlasticsTechnology and Engineering, 1999.
M. Salema, A. Barbosa, and A. Novais. An optimization model for the designof a capacitated multi-product reverse logistics network with uncertainty.European Journal of Operational Research, 179(3):1063-1077, June 2007.
M. Salomon, M. Thierry, Jo Van Nunen, and Luk Van Wassenhove. Strategicissues in product recovery managemen. California Management Review, 1995.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 45 / 47
Conclusiones Conclusiones
Bibliografıa
S. K. Srivastava. Network design for reverse logistics. Omega, 36(1):535-548,2006.
S. K. Srivastava. Green Supply-Chain Management: A State of the ArtLiterature Review. International Journal of Management Reviews, 9(1):53-80,2007.
A. C. Tombus. Quantitative model for decision making in reverse logisticsnetwork design. PhD thesis, Bogazici University, Turkey, February 2009.
Rico Wojanowski, Vedat Verter, and Tamer Boyaci. Incentive basedcollection strategies for product recovery, 2003.
Rico Wojanowski, Vedat Verter, and Tamer Boyaci. Retail-collection networkdesign under deposit-refund, 2007.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 46 / 47
Conclusiones Conclusiones
Agradecimientos
A mi Mujer(Belinda Gomez) y mis ninos(Viria y Raymundo).
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 47 / 47
Conclusiones Conclusiones
Agradecimientos
A mi Mujer(Belinda Gomez) y mis ninos(Viria y Raymundo).
A mi Madre, mi Padre y Hermanos.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 47 / 47
Conclusiones Conclusiones
Agradecimientos
A mi Mujer(Belinda Gomez) y mis ninos(Viria y Raymundo).
A mi Madre, mi Padre y Hermanos.
Al Doctor Igor Litvinchev.
A mis revisores de tesis, Dra. Gabriela Garcıa y Dra. Ada Alvarez.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 47 / 47
Conclusiones Conclusiones
Agradecimientos
A mi Mujer(Belinda Gomez) y mis ninos(Viria y Raymundo).
A mi Madre, mi Padre y Hermanos.
Al Doctor Igor Litvinchev.
A mis revisores de tesis, Dra. Gabriela Garcıa y Dra. Ada Alvarez.
A la Dra. Deniz Ozdemir.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 47 / 47
Conclusiones Conclusiones
Agradecimientos
A mi Mujer(Belinda Gomez) y mis ninos(Viria y Raymundo).
A mi Madre, mi Padre y Hermanos.
Al Doctor Igor Litvinchev.
A mis revisores de tesis, Dra. Gabriela Garcıa y Dra. Ada Alvarez.
A la Dra. Deniz Ozdemir.
A Profesores y alumnos del PISIS.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 47 / 47
Conclusiones Conclusiones
Agradecimientos
A mi Mujer(Belinda Gomez) y mis ninos(Viria y Raymundo).
A mi Madre, mi Padre y Hermanos.
Al Doctor Igor Litvinchev.
A mis revisores de tesis, Dra. Gabriela Garcıa y Dra. Ada Alvarez.
A la Dra. Deniz Ozdemir.
A Profesores y alumnos del PISIS.
Universidad Autonoma de Nuevo Leon.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 47 / 47
Conclusiones Conclusiones
Agradecimientos
A mi Mujer(Belinda Gomez) y mis ninos(Viria y Raymundo).
A mi Madre, mi Padre y Hermanos.
Al Doctor Igor Litvinchev.
A mis revisores de tesis, Dra. Gabriela Garcıa y Dra. Ada Alvarez.
A la Dra. Deniz Ozdemir.
A Profesores y alumnos del PISIS.
Universidad Autonoma de Nuevo Leon.
Consejo Nacional de Ciencia y Tecnologıa.
Ing. Leonardo Gabriel Hernandez (PISIS) Modelo estocastico para una red LI 02 de junio del 2011 47 / 47