You are on page 1of 2

? entonces el problema es de optimización estocástica.

Hay dos preguntas


especialmente incómodas:

¿Qué ocurre con la factibilidad cuando las restricciones


son aleatorias?
Una solución es factible cuando satisface todas las restricciones, pero con restricciones
aleatorias no podemos hablar estrictamente de factibilidad sino de probabilidad de
que una cierta solución sea factible. Así en el problema de planificar la red de
distribución de energía una restricción podría ser “la capacidad de la red de distribución
es mayor o igual que la demanda” pero si la demanda resulta ser muy alta puede ocurrir
que no la podamos satisfacer.

¿Cómo redefinir la función objetivo?


La respuesta a esta pregunta es menos obvia, podríamos redefinir la función objetivo
como el valor esperado de la función objetivo anterior, pero podría ser más interesante
reducir el riesgo de la decisión utilizando el peor de los casos (dada una solución ¿qué
es lo peor que puede pasar?). En general este tipo de problemas se han afrontado
utilizando programación lineal. Por lo que también se habla de Programación
Estocástica.

¿Qué tienen de complicado estos problemas?


La complejidad de estos problemas radica en su tamaño. Pensemos en la
aparentemente inofensiva señora que sale de la peluquería. Supongamos que además
deba decidir si ir en autobús o andando a hacer un recado. Cada nueva variable
aleatoria (el estado del tráfico, una huelga, una manifestación, ¿a qué hora cerraba
20:00 o 20:30?) y cada nueva decisión (ir en autobús, ir dando un rodeo por zona de
soportales) multiplica las posibilidades. En vez de considerar cuatro posibles resultados
deberíamos considerar decenas o cientos. Si seguimos considerando elementos de
incertidumbre que pueden amenazar a la señora, el número de posibles resultados
aumentará exponencialmente. Volvamos ahora al problema de planificación de la red
de distribución de energía, la demanda es aleatoria, los precios futuros de la energía
son aleatorios, la producción de energía eólica es aleatoria, así como los precios de los
combustibles. El resultado de cualquier decisión en este contexto dependerá de lo que
ocurra con cada uno de esos sucesos aleatorios, ¡hay millones de escenarios posibles!.
Por suerte para nosotros hay técnicas que permiten resolver estos problemas de forma
más eficiente, Descomposición de Dantzig-Wolfe , Descomposición de
Benders o Generación de Columnas, pero eso ya es tema para otro post.

Conclusión
La mayor parte de los problemas reales son de naturaleza estocástica, hay pocos
negocios en que se conozcan todos los datos de antemano, no podemos seguir
evitándolos, entonces… ¿por qué simplificar el problema y renunciar al uso de
optimización avanzada? La optimización estocástica nos puede permitir afrontar
problemas que hasta ahora se han resuelto por “intuición”, por “sentido común”, o
porque “de toda la vida se ha hecho así”, de una forma más eficiente, aportando
soluciones que nos situarán en clara ventaja frente a nuestros
competidores.Siempre merece la pena intentarlo

You might also like