<p>Este trabajo de título se basa en diseñar una red de distribución, que abarque la toma de decisiones estratégicas, lo cual consiste en determinar la cantidad necesaria de instalaciones y donde localizarlas para proveer a los distintos clientes, de la forma más eficiente posible. Se tomó como base el modelo de localización Distribution Network Design with Risk Pooling (DNDRP), donde el problema apoya las decisiones estratégicas con las tácticas, es decir, considera decisiones de control de inventario para brindar el nivel de servicio exigido por los clientes, manteniendo un stock de seguridad apropiado para satisfacer la demanda de los clientes. El problema fue resuelto mediante la metaheurística, Algoritmos Genéticos, la cual parte con una red generada aleatoriamente, utilizando la codificación entera positiva. Esta población está formada por individuos, los cuales se irán cruzando y mutando iterativamente hasta arrojar una solución factible para el problema. Los resultados obtenidos, si bien no fueron óptimos, con respecto a otros métodos de resolución, arrojaron soluciones donde en algunos casos hubo una diferencia de tan solo un 0,1% de la óptima encontrada.</p>
<p>This work is based on designing a distribution network, including strategic decisions, which is to determine the amount needed and where to locate facilities to provide individual customers, as efficiently as possible. Will be based on the model of localization Distribution Network Design with Risk Pooling (DNDRP), where the problem supports strategic decisions with the tactics, ie, considered decisions of inventory control to provide the level of service demanded by customers, keeping an appropriate safety stock to meet customer demand. The problem was solved by the metaheuristic, genetic algorithms, this start with a randomly generated network, using encoding entire positive. This population was comprised of individuals or chromosomes, which are iteratively crossing and mutating to produce a workable solution to the problem. The results obtained, were not optimal, with respect to exact methods of resolution. In some case the solutions was a difference of only 0.1% of the optimum found.</p>
last modification
Licenciado en Ciencias de la Ingeniería
Ingeniero Civil en Informáticatítulo
INGENIERIA CIVIL INFORMATICA
<p>Este trabajo de título se basa en diseñar una red de distribución, que abarque la toma de decisiones estratégicas, lo cual consiste en determinar la cantidad necesaria de instalaciones y donde localizarlas para proveer a los distintos clientes, de la forma más eficiente posible. Se tomó como base el modelo de localización Distribution Network Design with Risk Pooling (DNDRP), donde el problema apoya las decisiones estratégicas con las tácticas, es decir, considera decisiones de control de inventario para brindar el nivel de servicio exigido por los clientes, manteniendo un stock de seguridad apropiado para satisfacer la demanda de los clientes. El problema fue resuelto mediante la metaheurística, Algoritmos Genéticos, la cual parte con una red generada aleatoriamente, utilizando la codificación entera positiva. Esta población está formada por individuos, los cuales se irán cruzando y mutando iterativamente hasta arrojar una solución factible para el problema. Los resultados obtenidos, si bien no fueron óptimos, con respecto a otros métodos de resolución, arrojaron soluciones donde en algunos casos hubo una diferencia de tan solo un 0,1% de la óptima encontrada.</p>
<p>This work is based on designing a distribution network, including strategic decisions, which is to determine the amount needed and where to locate facilities to provide individual customers, as efficiently as possible. Will be based on the model of localization Distribution Network Design with Risk Pooling (DNDRP), where the problem supports strategic decisions with the tactics, ie, considered decisions of inventory control to provide the level of service demanded by customers, keeping an appropriate safety stock to meet customer demand. The problem was solved by the metaheuristic, genetic algorithms, this start with a randomly generated network, using encoding entire positive. This population was comprised of individuals or chromosomes, which are iteratively crossing and mutating to produce a workable solution to the problem. The results obtained, were not optimal, with respect to exact methods of resolution. In some case the solutions was a difference of only 0.1% of the optimum found.</p>