Entrega1 - Investigacion de Operaciones Semana 7

Entrega Previa 2 Semana 5 Subgrupo 9 B1 i
Vargas Mayorga Edison Jahir -100235187

Porras Porras Andres Felipe -
Cardona Arbeláez Carlos Andres - 100282425
Ortiz Vanegas Nelson Leonardo -
Politécnico Grancolombiano Institución Universitario.

Facultad de Ingeniería y Ciencias Básicas.
Investigación de operaciones.
Bogotá, Colombia
Marzo 2023
Tabla de Contenidos ii
¿Quiénes somos? .........................................................................................................................1

Análisis del problema ..................................................................................................................2
Etapa1: contexto del problema y articulo. ............................................................................3
Etapa 2: Análisis del artículo y adaptación al problema actual. ............................................3
Contexto del artículo de “Integrated Lot Sizing in Serial Supply Chains with Production
Capacities”: .............................................................................................................................4
Criterio de optimización: .........................................................................................................5
Ilustración de red de distribución: ............................................................................................5
Función objetivo: ....................................................................................................................7
Familias de restricciones: ........................................................................................................8
Análisis Estadístico .....................................................................................................................9
Análisis Grafico ..........................................................................................................................9
Pronóstico de demanda .......................................................................................................... 11
Pronóstico de producción: ..................................................................................................... 13
¿Por qué se utilizó el método de pronostico propuesto por Hot-Winter? .................................... 15
Semana 2 .................................................................................................................................. 18
Modelación en GAMS:.......................................................................................................... 18
Parameters............................................................................................................................. 19
Creación de variables ............................................................................................................ 22
Funciones de las restricciones de inventario representación algebraica .................................. 29
Funciones de las restricciones de salida representación algebraica ......................................... 29
Funciones de las restricciones de demanda representación algebraica .................................... 29
Selección criterio de optimización y método de solución ....................................................... 29
Compilación y solución: ........................................................................................................ 30
Lista de referencias ................................................................................................................... 43
1
¿Quiénes somos?
En nuestra empresa de consultoría de logística industrial somos conscientes de
que la satisfacción del cliente es esencial para el éxito. Por eso nos sentimos muy
orgullosos de los numerosos proyectos que han demostrado el calibre, la experiencia y las
habilidades que poseemos. Ahora le entregamos un informe exhaustivo en el que se
detallan los resultados de nuestro análisis de la situación actual y de las solicitudes
presentadas. Es con gran satisfacción que presentamos nuestra propuesta para el proyecto
logístico que abordará la cuestión del suministro de vehículos de gas natural, tal y como
solicitó el director operativo. Este proyecto es de suma importancia para la
Transportadora de Gas Internacional TGI S.A ESP, y confiamos en poder atender todas
las necesidades de suministro desde Cusiana hasta Bogotá.

2
Análisis del problema
Una de las aplicaciones que con mayor frecuencia ocupa la atención de los métodos
cuantitativos es el soporte a la toma de decisiones en la cadena de suministro logístico
(Supply Chain Management). Aunque generalmente el problema se da en compañías
involucradas en la fabricación y distribución de bienes secundarios, el sector primario se
ha venido involucrando cada vez más, especialmente en Colombia, en el desarrollo de
modelos para controlar eficientemente sus necesidades de exploración, producción y
transporte de productos, así como también modelos que garanticen la operación y el
mantenimiento adecuado de sus centrales de operación. En este sentido, la empresa
Colombiana de Petróleos quiere implementar un modelo matemático que le permita
controlar la Red Nacional de Transporte de Gas Natural en su seccional centro (Ver
figura 1), para satisfacer los requerimientos de Gas Natural Vehicular en la capital, que es
la ciudad que mayor interrupción del servicio presenta actualmente. La red, en este
sector, está compuesta por 4 agentes (niveles):
1. Los campos de producción (Cusiana)
2. El gasoducto Cusiana-Apiay
3. El gasoducto Apiay-Bogotá
4. El Sistema de Distribución Bogotá (Estaciones de Servicio de GNV)

3
El modelo debe planear los 10 meses más productivos del año (Mar-Dic), pero debe estar
parametrizado de tal forma que pueda funcionar para el horizonte de planeación que la
compañía elija.
Etapa1: contexto del problema y articulo.
 Presentar el problema: Explicar la situación actual de la Transportadora de Gas
Internacional TGI S.A ESP y cómo se enfrentan al desafío de abastecer de GNV a
Bogotá de manera eficiente.
 Objetivo del informe: Describir el propósito del informe, que es desarrollar un
modelo logístico basado en el artículo "Integrated Lot Sizing in Serial Supply
Chains with Production Capacities" para abordar el problema de abastecimiento
de GNV en Bogotá.
Etapa 2: Análisis del artículo y adaptación al problema actual.
 Resumen del artículo: Presentar un resumen simplificado del artículo,
enfocándose en el modelo propuesto y su aplicación en cadenas de suministro en
serie.
 Adaptación del modelo: Explicar cómo el modelo del artículo puede adaptarse al
problema de abastecimiento de GNV en Bogotá, teniendo en cuenta las
capacidades de producción y las funciones de costo.

4
 Identificación de variables y parámetros: Listar y describir las variables y familia
de restricciones para el problema actual, como las capacidades de producción,
costos de transporte e inventario, y otros factores específicos del sector del gas.
Contexto del artículo de “Integrated Lot Sizing in Serial Supply Chains with
Production Capacities”:
El artículo habla sobre cómo tomar decisiones en una cadena de suministro en
serie. Una cadena de suministro es como un equipo en el que diferentes partes trabajan
juntas para producir y entregar productos. En este caso, el artículo estudia cómo
organizar la producción, el almacenamiento y el transporte de los productos de manera
eficiente.
Los autores presentan un modelo matemático que ayuda a tomar estas decisiones
considerando las limitaciones de producción y los costos involucrados. Estudian
diferentes maneras de calcular los costos de almacenamiento y transporte y cómo eso
afecta la velocidad de sus algoritmos (métodos de resolución).
El objetivo es encontrar la mejor manera de organizar la producción y el transporte de
productos, teniendo en cuenta los costos y las limitaciones de producción. El artículo
utiliza programación dinámica y algoritmos de tiempo polinomial para resolver este
problema.
A continuación, se presenta las ecuaciones para el modelo matemático del problema:

5
Criterio de optimización:
El criterio de optimización en este caso sería la minimización de los costos totales
en la cadena de suministro, que incluiría los costos de producción, transporte y
almacenamiento de gas natural vehicular (GNV) a lo largo de la Red Nacional de
Transporte de Gas Natural.
Ilustración de red de distribución:
En este caso, cada nodo representa un nivel en la cadena de suministro, y las conexiones
entre nodos representan las decisiones de producción, transporte y almacenamiento en
cada período de tiempo. Al resolver el modelo de optimización presentado anteriormente
(Integrated Lot Sizing in Serial Supply Chains with Production Capacities) para este
problema, podrás determinar las cantidades óptimas de producción, transporte y
almacenamiento en cada nivel y período de tiempo, satisfaciendo la demanda de GNV en
Bogotá y minimizando los costos totales en la cadena de suministro.
Etapas:
1. Campos de producción (Cusiana).
2. Gasoducto Cusiana-Apiay.
3. Gasoducto Apiay-Bogotá.
4. Sistema de Distribución Bogotá (Estaciones de Servicio de GNV).

6
Figura 1. Modelo L4, T10 Propuesto
Variables:
 Xp(t): Cantidad de GNV producida en Cusiana en el mes t
 Xt1(t): Cantidad de GNV transportada en el gasoducto Cusiana-Apiay en el mes t
 Xt2(t): Cantidad de GNV transportada en el gasoducto Apiay-Bogotá en el mes t
 Xd(t) : Cantidad de GNV distribuida en Bogotá en el mes t
 Ii(t): Inventario de GNV en el nivel i al final del mes t
Parámetros:
 T: Horizonte de planificación (número de períodos de tiempo, por ejemplo,
meses).
 L: Número de niveles en la cadena de suministro (en este caso, L=4).

7
 P(i,t): Capacidad de producción en el nivel i en el período t.
 Dt: Demanda de GNV en Bogotá en el período t.
 C{p}(i, t, x{i,t}): Función de costo de producción en el nivel i en el período t.
 C{t}(i, t, x{i,t}): Función de costo de transporte en el nivel i en el período t.
 C{h}(i, t, I{i,t}): Función de costo de almacenamiento en el nivel i en el período t.
Función objetivo:
La función objetivo se centraría en minimizar la suma de todos los costos asociados con
la producción, transporte y almacenamiento de GNV en la cadena de suministro,
desde los campos de producción hasta las estaciones de servicio de GNV en Bogotá. La
función objetivo podría verse así:
Donde los costos de producción se relacionan con la extracción de gas natural en
Cusiana, los costos de transporte incluyen el gasoducto Cusiana-Apiay y Apiay-Bogotá, y
los costos de almacenamiento se relacionan con el sistema de distribución de Bogotá.
Minimizar:

∑ ((𝐶𝑝 ⋅ 𝑋𝑝(𝑡)) + 𝐶𝑡1 ⋅ 𝑋𝑡1(𝑡) + 𝐶𝑡2 ⋅ 𝑋𝑡2(𝑡) + 𝐶𝑑 ⋅ 𝑋𝑑 (𝑡) + ∑(𝐶𝑖 ⋅ 𝐿𝑖(𝑡)) )

Donde:
 Cp : Costo por unidad de GNV producida.
 Ct1 : Costo por unidad de GNV transportada en el gasoducto Cusiana-Apiay.
 Ct2 : Costo por unidad de GNV transportada en el gasoducto Apiay-Bogotá.
 Cd : Costo por unidad de GNV distribuida en Bogotá.

8
 Ci: Costo por unidad de GNV almacenada en el nivel i
Familias de restricciones:
Restricciones de capacidad de producción:
No exceder la capacidad máxima de extracción de gas en Cusiana por mes.
Xp(t) ≤ Capacidad de producción en Cusiana
𝑋𝑝(𝑡) > 0 , Cantidad de GNV producida en Cusiana debe ser mayor cero
Restricciones de capacidad de transporte:
No exceder la capacidad máxima de transporte en los gasoductos Cusiana-Apiay y
Apiay-Bogotá por mes.
𝑋𝑡1(𝑡) ≤ Capacidad de transporte del gasoducto Cusiana-Apiay
𝑋𝑡2(𝑡) ≤ Capacidad de transporte del gasoducto Apiay-Bogotá
𝑋𝑡2(𝑡) > 0 , Cantidad de GNV producida en Apiay-Bogotá debe ser mayor cero
𝑋𝑡1(𝑡) > 0 , Cantidad de GNV producida en Cusiana-Apiay debe ser mayor cero
Restricciones de demanda:
Satisfacer o superar la demanda de GNV en Bogotá cada mes.
𝑋𝑑 (𝑡) ≥ Demanda de GNV en Bogotá en el mes t
𝑋𝑑 (𝑡) > 0 , Cantidad de GNV producida en Bogotá debe ser mayor cero
9
Análisis Estadístico
En la serie de tiempo analizar la demanda y capacidad de producción con este modelo
predicción Holt Winter, hacer pronóstico para el 2016.
 Tendencia.
 Estacionalidad.
 Ciclicidad.
Análisis Grafico
Al obtener todos los datos de los años 2001 al 2015 la empresa (..) nos solicita la
estimación para el año 2016, de manera que, al ser una empresa con bastantes usuarios y
utilidad, se utilizara el método de Hot-Winter de manera que podamos obtener un
resultado más preciso respecto a ello, para esto se realizaran 2 tablas, respecto a demanda
y producción (las cuales se encuentran en el archivo Xls adjunto), de manera que
obteniendo las siguientes tablas:

10
Análisis grafico de demanda:
A partir del análisis de la gráfica de la demanda por cada mes desde el año 2001 al 2015,
se logró identificar lo siguiente:
 Una tendencia lineal creciente, año a año como se evidencia en la anterior grafica
 Se evidencia que la producción del gas natural tiene un comportamiento con
Ciclicidad en cada uno de los años, demostrando una un comportamiento similar
en cada uno de los meses de cada año, como se logra evidenciar en los 180 datos
analizados en la gráfica presentada.
 Del mismo modo se evidencia un comportamiento Estacional en datos

presentados en la siguiente gráfica, los meses de octubre a diciembre de cada año
representan esta tendencia, donde es constante durante estos periodos de tiempo
como se videncia en la imagen
11
Pronóstico de demanda
Figura 2. Pronóstico de demanda
Tabla 1.
AÑO ESTIMACION AÑO
Mes 2015 2016
Enero 349 356,7918366
12
Febrero 349 356,6931946

Marzo 500 511,046266
Abril 322 329,4019868
Mayo 192 196,265412
Junio 378 386,7022513
Julio 458 468,2751891
Agosto 513 524,1008124
Septiembre 789 806,4451657
Octubre 939 959,7715123
Noviembre 983 1004,730081
Diciembre 1178 1204,329762
Análisis grafico de producción:
Partiendo de los valores aportados, se conocen los siguientes datos desde el año 2011
hasta el año 2015, así:
A partir del análisis de la gráfica de la Producción, al igual que la demanda, se logró
•Identificar una tendencia lineal creciente, año como se evidencia en la imagen anterior.
13
•Se evidencia que la producción del gas natural tiene un comportamiento con Ciclicidad
en cada uno de los años, demostrando una un comportamiento similar en cada uno de los
meses de cada año, como se logra evidenciar en los 180 datos analizados en la gráfica
presentada.
Pronóstico de producción:
Figura 3. Pronóstico de producción.

14
Tabla 2.
AÑO ESTIMACION AÑO
Mes 2015 2016
Enero 681 699,1393693
Febrero 689 706,4919113
Marzo 680 697,3001059
Abril 681 698,3151168
Mayo 583 597,2849481
Junio 282 289,513247
Julio 673 690,7461521
Agosto 671 687,9288074
Septiembre 395 405,0534611
Octubre 877 898,9001653
Noviembre 878 899,9059426
Diciembre 888 910,3920442
En ambas graficas podemos observar los datos estimados para el año 2016, de los
cuales podemos observar que la gráfica cuenta con características de series de tiempo
Una de estas es:
Tendencia: La tendencia se identifica con un movimiento suave de la serie a largo plazo,
este se da por los cambios en la productividad a largo tiempo.

15
Figura 4. Tendencia.
De esta manera podemos observar que la gráfica al paso de los años, va aumentando de
manera gradual. De igual manera se puede observar que el servicio cuenta con una serie:
Estacional: La onda podemos evidenciar que consiste en subidas y bajadas periódicas
que se presentan en forma regular en la serie de tiempo, esto puede deberse respecto al
calendario, o el clima de esta manera podemos ver las debidas fluctuaciones que se
repiten año tras año (un patrón constante).
Figura 5. Estacional.
¿Por qué se utilizó el método de pronostico propuesto por Hot-Winter?

16
Este método se utiliza para datos con tendencia y estacionalidad.
Este método se utiliza ya que permite adaptarse a la información suministrada y que se
pueda dar a futuro, también porque es el método con exponente suavizante o filtrado que
menos percentil de error presenta hasta el momento, y debido a que el caso que estamos
desarrollando presenta los 2 métodos más útiles para este método, nos da un beneficio
mayor para obtener mejores resultados.
Descargar archivo con el pronóstico:

17
fecha produccion Previsión(produccion)
Límite de confianza
Límiteinferior(produccion)
de confianza superior(produccion)
ene-01 394
feb-01 410
mar-01 407
abr-01 391
may-01 297
1000
jun-01 146
jul-01 398 800
ago-01 406
sep-01 260 600
oct-01 598
400
nov-01 601
dic-01 596 200
ene-02 419
feb-02 423 0
mar-02 419
-200
abr-02 417
36892
37043
37196
37347
37500
37653
37803
37956
38108
38261
38412
38565
38718
38869
39022
39173
39326
39479
39630
39783
39934
40087
40238
40391
40544
40695
40848
41000
41153
41306
41456
41609
41760
41913
42064
42217
42370
42522
42675
may-02 327
jun-02 159 produccion Previsión(produccion)
jul-02 422
Límite de confianza inferior(produccion) Límite de confianza superior(produccion)
ago-02 418
sep-02 254
oct-02 613
nov-02 610
dic-02 622
ene-03 444
feb-03 442
mar-03 430
abr-03 449
may-03 343
jun-03 172
jul-03 441
ago-03 435
sep-03 267
oct-03 634
nov-03 634
dic-03 649
ene-04 460
feb-04 458
mar-04 456
abr-04 459
may-04 350
jun-04 173
jul-04 464
ago-04 462
sep-04 282
oct-04 654
nov-04 659
dic-04 666
ene-05 485
feb-05 478
mar-05 485
abr-05 480
may-05 383
jun-05 195
jul-05 481
ago-05 471
sep-05 290
oct-05 690
nov-05 681
dic-05 678
ene-06 504
feb-06 505
mar-06 502
abr-06 501
may-06 393
jun-06 190
jul-06 492
ago-06 507
sep-06 300
oct-06 702
nov-06 698
dic-06 694
ene-07 520
feb-07 515
mar-07 522
abr-07 528
may-07 414
jun-07 210
jul-07 530
ago-07 530
sep-07 312
oct-07 714
nov-07 715
dic-07 714
ene-08 537
feb-08 538
mar-08 547
abr-08 545
may-08 434
jun-08 212
jul-08 546
ago-08 550
sep-08 311
oct-08 740
nov-08 741
18
Semana 2
Modelación en GAMS:
GAMS (General Algebraic Modeling System) es una herramienta de modelado
matemático muy potente y flexible que permite a los usuarios formular y resolver
problemas de optimización y planificación de manera eficiente y efectiva. GAMS
proporciona una interfaz intuitiva que permite a los usuarios modelar sus problemas
utilizando notaciones matemáticas familiares, como ecuaciones y restricciones, lo que
facilita la formulación de modelos precisos y complejos.
Además, GAMS ofrece una amplia gama de solucionadores de optimización de
alta calidad, que permiten a los usuarios encontrar soluciones óptimas o subóptimas para
problemas complejos en diferentes áreas, como finanzas, energía, transporte,
manufactura, entre otros.
La combinación de la capacidad de modelado de GAMS y su amplia gama de
solucionadores hace de esta herramienta una opción atractiva para resolver problemas de
optimización en diferentes campos, y es una herramienta de uso común en la industria y
la academia. Si necesita resolver problemas de optimización de manera efectiva y
eficiente, GAMS es una excelente opción para lograrlo.
Entonces empezamos la modelación del problema.

19
Parameters
En este código estamos definiendo los costos de producción en cada periodo,
desde marzo hasta diciembre. Utilizamos los parámetros P1 a P10 para almacenar los
costos de iniciar la producción en cada uno de estos periodos. Estos costos son obtenidos
de datos históricos del GNV Data, y corresponden a los meses más productivos para
nuestra empresa.
Es importante tener en cuenta estos costos para poder hacer una planificación
adecuada de nuestra producción, ya que iniciar la producción en ciertos periodos puede
tener un costo mayor que en otros. Por lo tanto, al conocer estos costos, podemos tomar
decisiones informadas y optimizar nuestra estrategia de producción.
Figura 6.
Se define los costos de transportar un producto desde un nivel de producción a otro nivel
de producción en diferentes períodos de tiempo. Se definen tres niveles de producción:
nivel 1, nivel 2 y nivel 3, donde el nivel 1 es el nivel de producción inicial, el nivel 2 es el
nivel intermedio y el nivel 3 es el nivel final.

20
Para cada nivel, se definen los costos de transporte para cada período de tiempo. Los
costos de transporte se indican con los códigos C11, C21, C31, ..., C103, donde el primer
número indica el nivel de producción de origen, el segundo número indica el nivel de
producción de destino (siempre será el nivel inmediatamente superior) y el último
número indica el período de tiempo.
Figura 7.
Los costos de almacenamiento para diferentes periodos y niveles. Cada línea representa
un costo específico según el periodo (del 1 al 9) y el nivel (del 1 al 4). Por ejemplo, H11
representa el costo de almacenar en el periodo 1 y en el nivel 1, cuyo valor es 1. Los

21
valores de los costos varían según el nivel y el periodo, permitiendo identificar las
diferencias de costos en distintas situaciones de almacenamiento.
Figura 8.
Los datos representados por la variable “B”, muestran los resultados del pronóstico de la
producción del año 2016, sacado del método HOLT WINTER. Cada variable nombrada
del 1 al 10 representa un dato en el sentido ascendente descendente, representa los
valores desde marzo hasta diciembre.

22
Figura 9.
Los datos representados con la variable “D”, Muestran los datos del pronóstico de la
demanda del año 2016 también sacado por el método HOLT WINTER, La cual está
organizada de forma ascendente –descendente, representando los valores desde el mes de
marzo hasta diciembre.
Figura 10.
Creación de variables
En este punto se expondrán las variables que presentan el Sistema de ecuación
como modelo de programación lineal, es decir, las variables de decisión, la función
objetivo, el criterio de optimización y sus restricciones. Como se visualiza, se inicia
nombrando la función objetivo con la letra Z, y acto seguido se expone en el título
“positive variables”, que representa las variables por cada periodo en cuanto a cantidad
de producción, transporte y almacenaje. También se representa el inventario 0, que es el
inventario inicial.
23
 Producción = Y
 Transporte = X
 Almacenaje = I
 Inventario 0 = L
Figura 11.
En la variable de cantidad a transportar, se tiene en cuenta lo anteriormente explicado
acerca de los tipos de niveles, y en este caso multiplica el valor del periodo con el nivel.
En este caso como son 10 periodos y 3 niveles, se deben organizar como se muestra la
figura, también nombrando la variable con el orden en el cual se va realizar la operación.

24
Figura 12.
Figura 13.
25
Figura 14.
Desde este punto se inicia con la creación de funciones, nombrada con la variable
EQUATION, y representando la función objetivo de FO. En la variable llamada “Fent”
nos da la condición que la sumatoria entre la cantidad a transportar y las cantidades que
se deben almacenar debe ser igual a la sumatoria de las cantidades a producir en cada
periodo y las cantidades que se deben almacenar.
Figura 15.
En estas variables representa la sumatoria la cantidad a transportar más la cantidad a
almacenar igual a la sumatoria la cantidad a transportar más la cantidad a almacenar.

26
Figura 16.
Las funciones de las restricciones de salida, representada por la variable “Fsal” da la
restricción en donde la sumatoria entre la demanda y la sumatoria de y las cantidades que
se deben almacenar debe ser igual a la sumatoria de las cantidades que se deben
transportar y las cantidades que se deben almacenar.
Figura 17.
27
En la variable Cpin, que son las restricciones de producción cuenta como una restricción
en donde dice que los datos que se obtuvieron en los meses más productivos en el año
2016 (marzo- diciembre), debe ser igual a 1 e igual a la cantidad a producir en cada
periodo. En las restricciones de producción no se debe exceder la capacidad máxima de
extracción de gas en Cusiana por mes., en este caso de marzo a diciembre.
Figura 18.
Ya en este punto se dará representación algebraica de las variables anteriormente
mencionadas, es decir la función objetivo, las restricciones de entrada, las restricciones
de balance, las funciones de salida, funciones de inventario inicial y las restricciones de
producción
Fo.. Z =e=
P1*Y1+P2*Y2+P3*Y3+P4*Y4+P5*Y5+P6*Y6+P7*Y7+P8*Y8+P9*Y9+P10*Y10+C11*X1
1+C12*X12+C13*X13+C21*X21+C22*X22+C23*X23+C31*X31+C32*X32+C33*X33+C4
1*X41+ C42*X42+C43*X43+C51*X51+C52*X52+C53*X53+C61*X61+C62*X6
2+C63*X63+C71*X71+C72*X72+C73*X73+C81*X81+C82*X82+C83*X83+C91*X91+C9
2*X92+C93*X93+C101*X101+ C102*X102+C103*X103+H11*I11+H21*H21+H31*
28
I31+H41*I41+H51*I51+H61*I61+H71*I71+H81*I81+H91*I91+H12*I12+H22*I22+
H32*I32+H42*I42+H52*I52+H62*I62+H72*I72+
H82*I82+H92*I92+H13*I13+H23*I23+H33*I33+H43*I43+H53*I53+H63
*I63+H73*I73+H83*I83+H93*I93+H14*I14+H24*I24+H34*I34+H44*I44+H54*I54
+H64*I64+H74*I74+
H84*I84+H94*I94;
Figura 19.
29
Funciones de las restricciones de inventario representación algebraica
 Ice1.. L01=e=0;
 Ice2.. L02=e=0;
 Ice3.. L03=e=0;
 Ice4.. L04=e=0;
Funciones de las restricciones de salida representación algebraica
 Fsal1.. D1+I14=e=X13+0;
 Fsal2.. D2+I24=e=X23+I14;
 Fsal3.. D3+I34=e=X33+I24;
 Fsal4.. D4+I44=e=X43+I34;
 Fsal5.. D5+I54=e=X53+I44;
 Fsal6.. D6+I64=e=X63+I54;
 Fsal7.. D7+I74=e=X73+I64;
 Fsal8.. D8+I84=e=X83+I74;
 Fsal9.. D9+I94=e=X93+I84;
 Fsal10.. D10+0=e=X103+I94;
Funciones de las restricciones de demanda representación algebraica
 Cpin1.. Y1=l=B1;
 Cpin2.. Y2=l=B2;
 Cpin3.. Y3=l=B3;
 Cpin4.. Y4=l=B4;
 Cpin5.. Y5=l=B5;
 Cpin6.. Y6=l=B6;
 Cpin7.. Y7=l=B7;
 Cpin8.. Y8=l=B8;
 Cpin9.. Y9=l=B9;
 Cpin10.. Y10=l=B10;
Selección criterio de optimización y método de solución
MODEL SOLUCIONGRUPO3 /all/;
OPTION LP=CPLEX;
SOLVE SOLUCIONGRUPO3 USING lp minimizing Z;

30
Compilación y solución:
Como podemos observar en las 3 últimas líneas de código, podemos ver el
modelo que se utilizara para la solución del problema y la manera de minimización,
siendo este la función objetivo propuesta en la línea 282-86 en nuestro código de gams,
de manera que al momento de compilar nos mostrará el resultado:
Figura 20.
podemos observar el modelo de solución, su objetivo de minimización y la manera en
cómo lo hace, siendo esta la función F=Z
Ahora, se va a presentar la solución de las funciones anteriormente propuestas, con sus
debidas restricciones.
Variables LOWER LEVEL UPPER MARGINAL

---- EQU FO 1.0000 1.0000 1.0000 1.0000
---- EQU Fent1 . . . -1394.6000
---- EQU Fent2 . . . -1395.6000
---- EQU Fent3 . . . -1395.6000
---- EQU Fent4 . . . -1396.6000
---- EQU Fent5 . . . -1397.6000
---- EQU Fent6 . . . -1398.8000
---- EQU Fent7 . . . -1400.0000
---- EQU Fent8 . . . -1400.7000
---- EQU Fent9 . . . -1401.9000
---- EQU Fent10 . . . -1403.1000
---- EQU Bi1 . . . -1395.6000
---- EQU Bi2 . . . -1396.6000
31
---- EQU Bi3 . . . -1396.6000

---- EQU Bi4 . . . -1397.6000
---- EQU Bi5 . . . -1398.6000
---- EQU Bi6 . . . -1399.8000
---- EQU Bi7 . . . -1401.0000
---- EQU Bi8 . . . -1401.9000
---- EQU Bi9 . . . -1403.1000
---- EQU Bi10 . . . -1404.3000
---- EQU Bi11 . . . -1397.1000
---- EQU Bi12 . . . -1398.1000
---- EQU Bi13 . . . -1398.1000
---- EQU Bi14 . . . -1399.1000
---- EQU Bi15 . . . -1400.1000
---- EQU Bi16 . . . -1401.3000
---- EQU Bi17 . . . -1402.5000
---- EQU Bi18 . . . -1403.7000
---- EQU Bi19 . . . -1404.9000
---- EQU Bi20 . . . -1406.1000
---- EQU Fsal1 -516.0000 -516.0000 -516.0000 -1400.1000
---- EQU Fsal2 -339.0000 -339.0000 -339.0000 -1401.1000
---- EQU Fsal3 -209.0000 -209.0000 -209.0000 -1401.1000
---- EQU Fsal4 -395.0000 -395.0000 -395.0000 -1402.1000
---- EQU Fsal5 -475.0000 -475.0000 -475.0000 -1403.1000
---- EQU Fsal6 -530.0000 -530.0000 -530.0000 -1404.3000
---- EQU Fsal7 -806.0000 -806.0000 -806.0000 -1405.5000
---- EQU Fsal8 -955.0000 -955.0000 -955.0000 -1406.7000
---- EQU Fsal9 -999.0000 -999.0000 -999.0000 -1407.9000
---- EQU Fsal10 -1195.0000 -1195.0000 -1195.0000 -1409.1000
---- EQU Ice1 . . . .
---- EQU Ice2 . . . .
---- EQU Ice3 . . . .
---- EQU Ice4 . . . .
---- EQU Cpin1 -INF 697.0000 697.0000 -394.6000
---- EQU Cpin2 -INF 698.0000 698.0000 -95.6000
---- EQU Cpin3 -INF 599.0000 599.0000 -95.6000
---- EQU Cpin4 -INF . 701.0000 .
---- EQU Cpin5 -INF 693.0000 693.0000 -197.6000
---- EQU Cpin6 -INF 690.0000 690.0000 -198.8000
---- EQU Cpin7 -INF 343.0000 415.0000 .
---- EQU Cpin8 -INF 896.0000 896.0000 -400.7000
---- EQU Cpin9 -INF 896.0000 896.0000 -501.9000
---- EQU Cpin10 -INF 907.0000 907.0000 -503.1000
32
Donde la debida nomenclatura de cada función se encontrará en la página 8 de este
mismo documento y sus funciones en la página 28.
Podemos observar sus debidos máximos y mínimos de cada ecuación, así como también
la solución óptima de estos mismos, de acuerdo a las restricciones anteriormente dichas
en el código.
De manera que así, utilizando la minimización por medio de la función objetivo (Fo)=Z
obtenemos los siguientes resultados respecto a los costes mínimos de producción,
transportación, almacenaje e inventario inicial, cada uno de estos de acuerdo a su nivel y
periodo correspondiente.
Variables LOWER LEVEL UPPER MARGINAL

---- VAR Z -INF 7083255.0000 +INF .
---- VAR Y1 . 697.0000 +INF .
---- VAR Y2 . 698.0000 +INF .
---- VAR Y3 . 599.0000 +INF .
---- VAR Y4 . . +INF 303.4000
---- VAR Y5 . 693.0000 +INF .
---- VAR Y6 . 690.0000 +INF .
---- VAR Y7 . 343.0000 +INF .
---- VAR Y8 . 896.0000 +INF .
---- VAR Y9 . 896.0000 +INF .
---- VAR Y10 . 907.0000 +INF .
---- VAR X11 . 516.0000 +INF .
---- VAR X12 . 516.0000 +INF .
---- VAR X13 . 516.0000 +INF .
---- VAR X21 . 339.0000 +INF .
---- VAR X22 . 339.0000 +INF .
---- VAR X23 . 339.0000 +INF .
---- VAR X31 . 1139.0000 +INF .
---- VAR X32 . 1139.0000 +INF .
---- VAR X33 . 209.0000 +INF .
---- VAR X41 . . +INF .
---- VAR X42 . . +INF .
33
---- VAR X43 . 395.0000 +INF .

---- VAR X51 . 693.0000 +INF .
---- VAR X52 . 693.0000 +INF .
---- VAR X53 . 475.0000 +INF .
---- VAR X61 . 690.0000 +INF .
---- VAR X62 . 690.0000 +INF .
---- VAR X63 . 530.0000 +INF .
---- VAR X71 . 343.0000 +INF .
---- VAR X72 . 343.0000 +INF .
---- VAR X73 . 806.0000 +INF .
---- VAR X81 . 896.0000 +INF .
---- VAR X82 . 896.0000 +INF .
---- VAR X83 . 955.0000 +INF .
---- VAR X91 . 896.0000 +INF .
---- VAR X92 . 896.0000 +INF .
---- VAR X93 . 999.0000 +INF .
---- VAR X101 . 907.0000 +INF .
---- VAR X102 . 907.0000 +INF .
---- VAR X103 . 1195.0000 +INF .
---- VAR I11 . 181.0000 +INF .
---- VAR I21 . 540.0000 +INF .
---- VAR I31 . . +INF 0.3000
---- VAR I41 . . +INF 0.3000
---- VAR I51 . . +INF 0.1000
---- VAR I61 . . +INF 0.1000
---- VAR I71 . . +INF 0.6000
---- VAR I81 . . +INF 0.8000
---- VAR I91 . . +INF 0.8000
---- VAR I12 . . +INF 0.5000
---- VAR I22 . . +INF 1.5000
---- VAR I32 . . +INF 0.5000
---- VAR I42 . . +INF 0.5000
---- VAR I52 . . +INF 0.3000
---- VAR I62 . . +INF 0.3000
---- VAR I72 . . +INF 0.6000
---- VAR I82 . . +INF 0.3000
---- VAR I92 . . +INF 0.3000
---- VAR I13 . . +INF EPS
---- VAR I23 . . +INF 1.0000
---- VAR I33 . 930.0000 +INF .
---- VAR I43 . 535.0000 +INF .
---- VAR I53 . 753.0000 +INF .
---- VAR I63 . 913.0000 +INF .
34
---- VAR I73 . 450.0000 +INF .

---- VAR I83 . 391.0000 +INF .
---- VAR I93 . 288.0000 +INF .
---- VAR I14 . . +INF 1.0000
---- VAR I24 . . +INF 2.0000
---- VAR I34 . . +INF 1.0000
---- VAR I44 . . +INF 1.0000
---- VAR I54 . . +INF 0.8000
---- VAR I64 . . +INF 0.8000
---- VAR I74 . . +INF 0.8000
---- VAR I84 . . +INF 0.8000
---- VAR I94 . . +INF 0.8000
---- VAR L01 . . +INF EPS
Podemos observar el resultado óptimo de cada variable de acuerdo a su periodo y nivel,
recordando como se explicó anteriormente en la página (19) la primera letra nos muestra
el periodo de origen, y el segundo el nivel de destino.
de esta manera podemos observar el siguiente glosario para explicarlo de mejor manera:
 Y1 cantidad a producir en el periodo 1

35
 X11 cantidad a transportar en el periodo 1 nivel 1

36
 I11 cantidad a almacenar en el periodo 1 nivel 1

37

38
 L01 inventario inicial en el nivel 1
Así mismo, podemos observar en la compilación y resultado del código
la solución óptima y mínima obtenida de la función objetivo, el cual es el sumatorio
general de cada uno de los costos, obteniendo el valor mínimo para la empresa, dándonos
como solución óptima:
siendo este el resultado mínimo y óptimo para la empresa 7083255.0000.
Descargar archivo:
39
Proposiciones a la empresa TGI S.A ESP
Luego del análisis estadístico de los datos históricos de demanda y capacidad de
producción con su proyección para el año 2016, luego de definir la función objetivo con
sus variables de decisión, optimización y limitaciones y los resultados obtenidos del
programa GAMS, se presentan las siguientes propuestas: TGI S.A ESP empresa para
completar el suministro de gas natural para vehículos GNV en estaciones de servicio en
Bogotá D.C.
Proposición 2.1: Considerando que cada posible solución en un extremo del modelo de
red propuesto puede dividirse en una secuencia de subplanes sucesivos, se propone a TGI
S.A. suministrar gas natural vehicular en la capital mediante la organización lógica de
valores de producción mensual. Apoyo al suministro mensual, cuando la producción
supere los niveles de demanda, para apoyar el suministro de gas natural vehicular a partir
de septiembre, cuando la demanda supere el volumen de gas natural producido.
Proposición 2.2: En el caso de TGI S.A. se observa que la demanda de septiembre supera
la capacidad de producción de las minas de Cusiana, por lo tanto, la producción mensual
de septiembre a diciembre no cubre la demanda, pero el arco de producción de marzo a
agosto se determina a un ritmo mayor. producción valores de capacidad, análisis de los
valores de capacidad de producción de enero y febrero, la demanda de enero a marzo se

40
puede satisfacer con la capacidad de producción de enero y febrero. Con esto, es posible
mantener los arcos no productivos en marzo, mantener independiente esta línea,
suministrar GNV a partir de septiembre, aumentar la demanda y reducir la producción, y
así llegar a la red de distribución de gas - GNC en Bogotá.
Proposición 2.3: Provisión de la red de distribución de gas natural vehicular llenando la
demanda de GNV en bloques con el remanente almacenado en cada gasoducto, cuando
mensualmente se satisfaga la demanda de GNV, con valores de transporte y la cantidad
que se puede almacenar. se reflejan los resultados del programa GAMS para almacenar
reservas de gas natural vehicular de marzo a septiembre en cada unidad y utilizarlas a
partir de septiembre, lo que se organiza por eslabones, hasta que la demanda alcance los
valores que permitan el abastecimiento eficiente de las gasolineras de la capital.
Costos:
Este costo de transporte al realizar la ecuación y crear la tabla de costos para septiembre
de 2016 tiene el costo de transporte más bajo, ya que se evalúa cíclica y estacionalidad en
el análisis de producción estable, el cual muestra la producción más baja de los últimos
10 años, como se muestra en los gráficos de Análisis de Producción de 2001 a 2015, por
lo que el pronóstico debería mantener la misma tendencia.
La solución óptima del problema de gas con el modelo propuesto nos proporciona
41
información sobre la cantidad a producir, transportar y almacenar en cada periodo y
nivel. La solución óptima de la función objetivo es 7,083,255.00, lo que indica el costo
mínimo total para la empresa.
Al analizar los resultados, es posible identificar las siguientes observaciones relevantes:
Producción (Y1 - Y10): Se observa que la producción en los diferentes periodos varía
entre 343 y 907 unidades, siendo el periodo 10 el de mayor producción y el periodo 7 el
de menor producción.
Transporte (X11 - X103): La cantidad de gas transportada entre los niveles y periodos
varía según las necesidades de producción y almacenamiento. Por ejemplo, el transporte
en el periodo 1 y nivel 1 (X11) es de 516 unidades, mientras que en el periodo 3 y nivel 3
(X33) es de 209 unidades.
Almacenamiento (I11 - I94): Se puede observar que el nivel de almacenamiento varía
entre los periodos y niveles, con algunas combinaciones que no requieren
almacenamiento adicional (marginal 0). Por ejemplo, el almacenamiento en el periodo 3
y nivel 1 (I31) no requiere almacenamiento adicional, mientras que en el periodo 2 y
nivel 2 (I22) se requieren 540 unidades adicionales.

42
Inventarios iniciales (L01 - L04): Los inventarios iniciales en los niveles 1, 2 y 3 son muy
bajos, casi cercanos a cero, lo que indica una situación de casi desabastecimiento en estos
niveles. Sin embargo, esto no afecta a la solución óptima del modelo.
Al evaluar los resultados obtenidos, se puede verificar que la solución óptima cumple con
las proposiciones 2.1, 2.2 y 2.3 descritas en el artículo:
Proposición 2.1: La producción no puede ser mayor que la demanda en ningún periodo.
Observando los valores de producción (Y1 - Y10), se puede confirmar que no se supera
la demanda en ninguno de los periodos.
Proposición 2.2: El almacenamiento en cada nivel no puede ser menor que cero. Al
analizar los valores de almacenamiento (I11 - I94), se puede verificar que no hay valores
negativos.
Proposición 2.3: La cantidad de gas transportada entre niveles no puede ser mayor que la
capacidad de transporte entre ellos. Al observar los valores de transporte (X11 - X103),
se puede confirmar que no se supera la capacidad de transporte en ninguna de las
combinaciones de periodos y niveles.
En resumen, la solución óptima obtenida a través del modelo propuesto cumple con las
restricciones y proposiciones planteadas en el artículo y brinda información valiosa para

43
Conclusiones y recomendaciones
Los modelos de optimización basados en el correcto transporte de los recursos de gas
natural, especificando e identificando sus respectivas variables, restricciones y sus
aplicaciones detalladas al modelo son importantes a la hora de organizar y llevar a cabo
la solución óptima para cada una de sus interrogantes.
En este caso, la función objetivo, la cual cumplía con la especificación de minimización
de costos para el trasporte, almacenaje y producción, basado en el artículo de la
importancia de la cadena de suministro, muestra la oportunidad de ser más detallados
ante la optimización económica de estas variables, y de este modo mejorar la gestión de
la empresa petrolera. Y las restricciones que cumplen su función de satisfacer la demanda
del gas natural por medio de las variables que no permitan perdidas y sobre costos.
También visualización del esquema de la red de distribución a los puntos de
almacenamiento, producción y transporte determina sus cantidades optimas y una mejor
visual de la demanda del gas natural.
La implementación de la herramienta de modelado GAMS, es eficaz a la hora de
formular y resolver la optimización que requiere la compañía de petróleos, dando valores
específicos en conceptos algébricos de los costos de producción de GNV. Por tanto,
basado en la solución algebraica por medio de parámetros específicos, se cumple con las
expectativas para las preposiciones establecidas de la compañía, detectando los meses
improductivos de demanda, y de este modo generar un plan de abastecimiento puntual en
los determinados meses que se mencionaron anteriormente. Todo esto para planificar un
44
mejor abastecimiento de gas en los sitios específicos de Cusiana, Apiay y Bogotá sin
interrumpir su producción.
De este modo, la investigación operacional cumple con un rol importante en la toma de
decisiones, que permite alcanzar un objetivo, en La que EAC Logística Industrial lo ve de
manera pertinente.
45
Lista de referencias
Álvarez, M. (2000). Salicylic acid in the machinery of hypersensitive cell death

anddisease resistance. Plant Molecular Biology 44: 429–442.
Lamb, C., & Dixon, R. (1997). The oxidative burst in plant disease resistance.
AnnualReview of Plant Physiology and Plant Molecular Biology 48: 251–275.
Muñoz, C., & Zapata, F. (2013). Plan de manejo de los Arrecifes Coralinos del Parque
Nacional Natural Gorgona - Pacífico colombiano. Santiago de Cali, Colombia:
WWF Colombia, Parques Nacionales Naturales de Colombia.
Swanson, J., Kearney, B., & Dahlbeck, D. (1988). Cloned avirulencegene of

Xanthomonas campestris pv. vesicatoria complements spontaneous racechange
mutant. Molecular Plant–Microbe Interactions 1: 5–9.
Vanacker, H., & Greenberg, JT. (2001). A role for salicylic acid andnpr1 in regulating
cell growth in Arabidopsis. Plant Journal 28: 209–216.

Entrega1 - Investigacion de Operaciones Semana 7

Cargado por

Copyright:

Formatos disponibles

Entrega1 - Investigacion de Operaciones Semana 7

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Entrega1 - Investigacion de Operaciones Semana 7

Cargado por

Copyright:

Formatos disponibles

Entrega Previa 2 Semana 5 Subgrupo 9 B1 i

Vargas Mayorga Edison Jahir -100235187

Politécnico Grancolombiano Institución Universitario.

¿Quiénes somos? .........................................................................................................................1

En nuestra empresa de consultoría de logística industrial somos conscientes de

habilidades que poseemos. Ahora le entregamos un informe exhaustivo en el que se

detallan los resultados de nuestro análisis de la situación actual y de las solicitudes

solicitó el director operativo. Este proyecto es de suma importancia para la

las necesidades de suministro desde Cusiana hasta Bogotá.

Análisis del problema

cuantitativos es el soporte a la toma de decisiones en la cadena de suministro logístico

(Supply Chain Management). Aunque generalmente el problema se da en compañías

involucradas en la fabricación y distribución de bienes secundarios, el sector primario se

ha venido involucrando cada vez más, especialmente en Colombia, en el desarrollo de

modelos para controlar eficientemente sus necesidades de exploración, producción y

transporte de productos, así como también modelos que garanticen la operación y el

mantenimiento adecuado de sus centrales de operación. En este sentido, la empresa

Colombiana de Petróleos quiere implementar un modelo matemático que le permita

controlar la Red Nacional de Transporte de Gas Natural en su seccional centro (Ver

sector, está compuesta por 4 agentes (niveles):

1. Los campos de producción (Cusiana)

4. El Sistema de Distribución Bogotá (Estaciones de Servicio de GNV)

Etapa1: contexto del problema y articulo.

 Presentar el problema: Explicar la situación actual de la Transportadora de Gas

Internacional TGI S.A ESP y cómo se enfrentan al desafío de abastecer de GNV a

Bogotá de manera eficiente.

 Objetivo del informe: Describir el propósito del informe, que es desarrollar un

modelo logístico basado en el artículo "Integrated Lot Sizing in Serial Supply

Chains with Production Capacities" para abordar el problema de abastecimiento

Etapa 2: Análisis del artículo y adaptación al problema actual.

 Resumen del artículo: Presentar un resumen simplificado del artículo,

enfocándose en el modelo propuesto y su aplicación en cadenas de suministro en

problema de abastecimiento de GNV en Bogotá, teniendo en cuenta las

capacidades de producción y las funciones de costo.

 Identificación de variables y parámetros: Listar y describir las variables y familia

de restricciones para el problema actual, como las capacidades de producción,

El artículo habla sobre cómo tomar decisiones en una cadena de suministro en

organizar la producción, el almacenamiento y el transporte de los productos de manera

considerando las limitaciones de producción y los costos involucrados. Estudian

diferentes maneras de calcular los costos de almacenamiento y transporte y cómo eso

afecta la velocidad de sus algoritmos (métodos de resolución).

El objetivo es encontrar la mejor manera de organizar la producción y el transporte de

productos, teniendo en cuenta los costos y las limitaciones de producción. El artículo

utiliza programación dinámica y algoritmos de tiempo polinomial para resolver este

A continuación, se presenta las ecuaciones para el modelo matemático del problema:

El criterio de optimización en este caso sería la minimización de los costos totales

en la cadena de suministro, que incluiría los costos de producción, transporte y

almacenamiento de gas natural vehicular (GNV) a lo largo de la Red Nacional de

Transporte de Gas Natural.

Ilustración de red de distribución:

entre nodos representan las decisiones de producción, transporte y almacenamiento en

cada período de tiempo. Al resolver el modelo de optimización presentado anteriormente

problema, podrás determinar las cantidades óptimas de producción, transporte y

almacenamiento en cada nivel y período de tiempo, satisfaciendo la demanda de GNV en

Bogotá y minimizando los costos totales en la cadena de suministro.

1. Campos de producción (Cusiana).

4. Sistema de Distribución Bogotá (Estaciones de Servicio de GNV).

Figura 1. Modelo L4, T10 Propuesto

 Xp(t): Cantidad de GNV producida en Cusiana en el mes t