Modelo de
simulación para la optimización del inventario de una distribuidora, basado en
Simulación Monte Carlo y Algoritmo Metaheurístico Genético
Simulation model for inventory optimization of
a distributor, based on Monte Carlo Simulation and Genetic Metaheuristic
Algorithm
Katherine R. Chicaiza1, Alex L. Gómez2, Peter A. Ruíz3, y Lorenzo Cevallos-Torres4
RESUMEN
La presente investigación tiene como objetivo minimizar los costos de ventas de una distribuidora, debido a que, al no llevar un correcto control de inventario, al final de cada periodo mensual quedan demasiados productos en stock almacenados en bodega que se convierten en grandes pérdidas de dinero. Para la realización de este estudio, se tiene un histórico de datos reales que va desde todo el año 2017 hasta junio del 2019, posteriormente desde el mes de julio hasta diciembre del 2019 se simularon las compras y ventas diarias de los productos mediante un Modelo de Simulación Monte Carlo, completando así la muestra necesaria para la generación de los resultados estimados en el año 2020 utilizando el modelo basado en el Algoritmo Metaheurístico Genético. Los resultados obtenidos mediante el Algoritmo Metaheurístico, Modelo de Simulación Monte Carlo, y Función Objetivo de minimización de costos que representan aproximadamente un 10% en comparación a los costos de periodos anteriores.
Palabras clave: Minimizar costos, Algoritmo
Metaheurístico Genético, Simulación Monte Carlo, Gestión de inventarios.
ABSTRACT
The purpose of this investigation is to
minimize the costs of sales of a distributor, since, not having adequate
inventory control, at the end of each monthly period there are too many
products stored in the warehouse that become large losses of money. For the
realization of this study, there is a history of real data that goes from the
whole year 2017 to June 2019, then, from July to December 2019, the daily
purchases and sales of the products were simulated through a simulation of the
Monte Carlo model, therefore completing the sample necessary for the generation
of the results estimated in the year 2020 using the model based on the Genetic
Metaheuristic Algorithm. The results obtained through the Metaheuristic
Algorithm, the Monte Carlo Simulation Model and the Objective Cost Minimization
Function that represent approximately 10% compared to the costs of previous
periods.
Keywords: Minimize
costs, Genetic Metaheuristic Algorithm, Monte Carlo Simulation, Inventory
Management.
Fecha de recepción: Mayo 20, 2019.
Fecha de aceptación: Septiembre 5, 2019.
La ejecución de un correcto control de inventario es de vital importancia para maximizar el lucro de las empresas al menor costo. Puesto que una mala gestión de este puede ser la culpable de generar inventarios excesivos al final del periodo, o por el contrario sufrir de desabastecimiento lo que, en cualquiera de los dos casos, tendrá como consecuencia pérdidas de dinero en cualquier negocio, como se lo puede apreciar en el local de distribución del presente estudio. Por tanto, el objetivo de este proyecto es hacer uso de algoritmos de simulación, como el del método Monte Carlo y Algoritmo Metaheurístico, para la generación de estimaciones puntuales cercanas a los datos reales que permitirán la optimización del manejo del inventario equilibrando la inversión del capital hacia los productos y la utilidad que generan los mismos.
Arias y Londoño en [1], desarrollan un algoritmo de Optimización basado en Algoritmos Genéticos con el fin de optimizar el problema asociado al sistema de inventario (Q; r) Multi-Artículos, con aleatoriedad tanto en la demanda como en el tiempo de reposición, cuya política de decisión es minimizar la inversión total de inventario anual, sujeta a un número máximo esperado de pedidos por año y a un nivel mínimo esperado de satisfacción. Como resultados ofrecieron una solución aceptable en un tiempo de cómputo razonable e incluso, presentan una solución alternativa para el caso en que haya pedidos pendientes ante la carencia de una metodología con herramientas analíticas para una solución con más precisión, cualesquiera sean las condiciones sobre Q y r, en dicho caso. Sin embargo, los autores hacen uso del paquete de optimización OptQuest que conlleva al manejo de múltiples variables para su funcionamiento, lo cual lo vuelve extenso y complicado de realizar en comparación con los algoritmos desarrollados en VBA sobre la hoja de cálculo de Microsoft Excel implementados sin mucha complejidad en el presente proyecto.
La simulación mediante métodos heurísticos es de gran ayuda cuando se quiere reproducir los rasgos de un sistema real, tal y como lo describe Montenegro en [2], quien realiza un sistema de inventarios mediante simulación Monte Carlo con el fin de mejorar el manejo del mismo, mediante el uso de herramientas o técnicas estadísticas que permitan pronosticar el producto terminado, cálculo de los tiempos de llegada de materias primas y stock de seguridad, para mejorar la administración de inventarios en la empresa. Sin embargo, el autor recalca que los resultados obtenidos no son muy precisos debido al modelo implementado en su proyecto y por lo tanto recomienda utilizar métodos más sofisticados, como el que se realiza en el presente estudio el cual se basa en Algoritmos Metaheurísticos que guían una heurística subordinada combinando distintos conceptos para explorar y explotar el espacio de búsqueda para determinar la mejor solución.
Izar e Ynzunza en [3] analizan un método Híbrido que combina dos modelos de inventarios: cantidad económica de pedido (EOQ) y punto de reorden, incluyendo el tiempo de entrega de forma aleatoria para que los datos se asemejen más a la realidad y sea aplicable a cualquier distribución de probabilidad haciendo uso de registros históricos de la demanda del artículo y los tiempos de entrega del proveedor. Con los resultados que obtuvieron determinaron la cantidad de pedido y el punto de reorden óptimos para la minimización de costos dentro del inventario en los meses posteriores. Pero, los mismos autores concluyen que el método no es práctico si la cantidad de datos a utilizar es demasiado grande debido al número elevado de cálculos que se necesitarían para llegar a una solución, lo que en comparación con el presente trabajo no sería un problema ya que se hace uso de sistemas de simulación que implementan algoritmos apropiados tanto para el manejo de volúmenes de datos y generación de estimaciones, como lo son el método Monte Carlo y el Algoritmo Metaheurístico Genético.
Azofeifa, Carlos E. en [4] utiliza simulación de Monte Carlo para estimar el riesgo de fracaso de un proyecto de inversión en una compañía que comercializa equipos informáticos, utilizando para este propósito la hoja electrónica Excel y haciendo uso de varias funciones preestablecidas dentro de la herramienta informática, demostrando lo importante que pueden llegar a ser estos sistemas para la toma de decisiones de una empresa. Los resultados obtenidos le permitieron tener un juicio sobre la probabilidad de los posibles valores de utilidad o de pérdida del proyecto. Por igual, en el presente estudio se hará el uso de simulación Monte Carlo en el programa informático Excel, con la diferencia de que aparte de utilizar las funciones de la herramienta se crearán nuevos sistemas con algoritmos específicos para el análisis y generación de resultados óptimos esperados.
Materiales y métodos
Para realizar el análisis y la simulación se tiene como material los datos históricos del inventario desde el año 2017 hasta el mes de junio del 2019, sin embargo, se hace uso del modelo de Simulación Monte Carlo, junto con su distribución de probabilidad, para la generación de los datos faltantes que van desde julio a diciembre del 2019.
En el estudio [16] se indica que la simulación es importante realizar debido a que reproduce objetos reales cuando por diversos problemas que se pueden presentar tales como los recursos, tiempo y seguridad no es posible llevar a cabo la actividad en su entorno natural con sus verdaderos componentes.
Cevallos y Botto en [6] indican que, el método Monte Carlo es una técnica de análisis numérico que se basa en el uso de una secuencia de números aleatorios, con el propósito de muestrear los valores correspondientes a las variables probabilísticas de un determinado problema. Debido al alto número de estados posibles del sistema, se hace imposible calcular el valor promedio de todos estos estados, por lo que se decide tomar una muestra y estimar esos valores promedio, de distribuciones de probabilidad.
El método de Monte Carlo es una técnica de análisis numérico para realizar simulación, basada en el uso de una secuencia de números aleatorios, con el propósito de muestrear los valores correspondientes a las variables probabilísticas de un determinado problema [17]. Además, en el trabajo [7] añade que la Simulación de Monte Carlo proporciona, con la creación de un modelo, la respuesta de posibles resultados mediante la sustitución de un rango de valores (representados por una distribución de probabilidad) para cualquier factor con incertidumbre. Luego calcula los resultados una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las funciones de probabilidad. Para completar una Simulación de Monte Carlo puede ser necesario realizar miles o decenas de miles de cálculos, dependiendo de la cantidad de incertidumbre y de los rangos especificados.
Algoritmo 1 AlgoritmoSimulacionModeloMonteCarlo() |
Sub randomValues() Read numProducts, numRowT, numPeriods, a, b As Integer Dim ramValue As Long numRow = 7 numColumn = 3 For p = 1 To numPeriods For i = 1 To numProducts For j = 1 To numRowT Cells(numRow, numColumn) = Round((a + (Rnd()* (b - a))), 0) numRow = numRow + 1 Next j numRow = 7 numColumn = numColumn + 1 Next i numRow = 7 numColumn = numColumn + 1 Next p End Sub |
La fórmula acorde a la distribución de probabilidad presente y que se utilizó para la simulación en el algoritmo 1 es:
𝑎 + 𝑟𝑎𝑛𝑑 () ∗ (𝑏−𝑎)
Donde:
𝑎: representa el valor mínimo dentro del rango de simulación.
𝑏: representa el valor máximo dentro del rango de simulación.
𝑟𝑎𝑛𝑑 (): son números aleatorios.
Distribución de probabilidad
La
distribución de probabilidad que siguen los datos de la muestra se logró
determinar mediante el uso de la herramienta Stat::Fit del software de modelado
de sistemas de simulación optimizados ProModel 2016. Cevallos y Botto en [15]
indican que esta herramienta se utiliza para determinar el tipo de distribución
de un conjunto de datos. Es por ello que en primer lugar se recolectan los
datos que posteriormente se proceden a insertar en la herramienta Stat::Fit una
muestra de 30 datos reales, la cual permite analizar el tipo de distribución de
probabilidad [18] y sobre la cual se utilizará para la simulación de compras y
ventas de los productos. lo que da como resultado una variada información
estadística como se muestra en la Fig. 1.
Figura
1. Datos estadísticos obtenidos mediante la herramienta Stat:Fit del
software ProModel en base a la muestra de 30 datos reales de ventas mensuales.
Tal
como se lo aprecia en la Fig. 1, los datos reales siguen una distribución de
tipo LogNormal tanto para ventas como compras de los productos, lo que para los
autores del [8], esta distribución es una probabilidad utilizada para expresar
el comportamiento de observaciones con asimetría positiva, en donde la mayoría
de los valores ocurren en las proximidades de un valor mínimo. En el estudio
[6] se indica que la distribución de probabilidad logNormal se obtiene cuando
la distribución normal describe los logaritmos de una variable. Esta
distribución es característica en conjunto de datos donde existe mayor
frecuencia de valores pequeños por lo cual la media se desplaza hacia la
derecha y esto hace que el mejor estadígrafo de posición sea la moda y no la
media aritmética.
La
función de densidad de probabilidad “PDF” es la siguiente:
𝑓(𝑥) = 1√2𝜋𝜎(𝑥−𝜆) 𝑒𝑥𝑝− [𝑙𝑛(𝑥−𝜆)−𝜇]22𝜎2, x > 𝜆,𝜎>0
La
función de distribución acumulada “CDF” es la siguiente:
𝑓(𝑥) = ∫1√2𝜋𝜎(𝑡−𝜆)𝑒𝑥𝑝[−[𝑙𝑛(𝑡−𝜆)−𝜇]22𝜎2]𝑑𝑡,𝑥>𝑥𝜆𝜆,𝜎>0
𝑚𝑒𝑑𝑖𝑎=𝑒𝑥𝑝 (𝜇+0.5𝜎2)+𝜆
𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎=𝑒𝑥𝑝 (2𝜇+𝜎2)(𝑒𝑥𝑝(𝜎2)−1)
Donde:
μ= parámetro de
ubicación
σ= parámetro de
escala
λ= parámetro de
valor umbral
π=3.1416…..
Herramienta Solver en hoja Excel
Cuesta en [11]
indica que, Solver es un programa de complemento de Microsoft Excel, muy
aplicado sobre todo en el mundo empresarial, permite calcular el valor de una
celda que depende de diversos factores o variables donde a la vez existen una
serie de restricciones que han de cumplirse, es decir la herramienta Solver de
Excel realiza cálculos para la resolución de problemas de programación lineal,
en donde a partir de una función lineal a optimizar (máximo o mínimo) y cuyas
variables están sujetas a unas restricciones expresadas como inecuaciones
lineales, el fin es obtener valores óptimos bien sean máximos o mínimos.
Solver
ajusta los valores de las celdas de variables de decisión para que cumplan con
los límites de las celdas de restricción y den el resultado deseado en la celda
objetivo. En resumidas cuentas, se puede usar Solver para determinar el valor
máximo o mínimo de una celda cambiando otras celdas.
Modelo de inventario
El
modelo AHP está definido de la siguiente forma:
Guamantica en
[5] considera que, el inventario es la cantidad almacenada de materiales que se
utiliza para la producción o satisfacción de la demanda del consumidor. La
finalidad en el manejo de los inventarios es tratar de minimizar costos y tener
un mejor control de estos. Es muy importante que las empresas tengan su
inventario atentamente controlado, vigilado y ordenado, dado a que de éste
depende el proveer y distribuir adecuadamente lo que se tiene, colocándolo a
disposición en el momento indicado.
De
acuerdo con como se maneja actualmente el inventario dentro de la distribuidora
de tarjetas, se utilizará el modelo EOQ sin faltantes ya que se toma en cuenta
varios supuestos:
•
La demanda es
constante, es decir que se conoce la tasa de demanda aproximada.
•
No se admiten
faltantes.
•
Se le atribuye un
costo por mantener guardado, es decir un costo por inventario.
•
Tiene un costo de
pedido.
•
Todos los costos
se mantienen constantes.
•
La reposición es
instantánea, esto es que NO existe un tiempo en el que el pedido se demora, es
decir se reabastece inmediatamente cuando este llega a cero o a una cantidad
determinada.
Figura
2. Gráfica representativa del modelo de inventario EOQ.
Por
tanto, para calcular la cantidad óptima de inventario se hará uso de la
siguiente fórmula:
Donde:
𝑄∗: Representa la cantidad óptima, y
depende principalmente de 𝐶𝑃 y 𝐶𝑀𝐼.
𝐶𝑃: Los costos
por hacer un pedido.
𝐶𝑀𝐼: Los costos de
inventario.
𝐷: Demanda del producto.
Además,
con respecto a esto se deben hacer las siguientes consideraciones:
1.
Cuando la
cantidad que se elige es menor que la óptima, se puede apreciar que los costos
de mantener en inventarios son menores que los generados por los costos por
pedido. Esto es: 𝐶𝑃>𝐶𝑀𝐼.
2.
Si se elige la
cantidad óptima se igualan los costos de inventario y de pedido. CP=CMI
3.
Si se elige una
cantidad mayor los costos por pedido tienden a ser menores que los generados
por los inventarios. CP<CMI
Algoritmo Genético
Los
Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para resolver
problemas de búsqueda y optimización. Si bien no se garantiza que el Algoritmo
Genético encuentre la solución óptima del problema, existe evidencia empírica
de que se encuentran soluciones de un nivel aceptable, en un tiempo competitivo
con el resto de los algoritmos de optimización combinatorios tal como lo
describen en [10].
Algoritmo 2 AlgoritmoSimulaciónModeloAlgoritmoGenetico() |
Sub GenethicAlgorithm() Declare maxValue, minValue, fixedValue, numGenerations as Double Declare numGenes, pcSelection, lvlMutation as Integer Initialize numRow = 3 Initialize = 3 Call clear(numGenes) Assign in Cell(numRow, numColumn) = "N° Gen" For i = 1 To numGenes Assign in numRow = numRow + 1 Assign in Cells(numRow, numColumn) = i Next i Declare functionObjetive, costTotal, earnings As Double Initialize numColumnX = 14 Initialize numRowX = 5 For m = 1 To 12 For b = 1 To numGenerations If b = 1 Then Assign in Cells(numRow, numColumn + 1) = "GENES" Assign in Cells(numRow, numColumn + 2) = "COST TOTAL" Assign in Cells(numRow, numColumn + 3) = "EARNINGS" Declare arrayGen(4) As Double For c = 1 To numGenes numRow = numRow + 1 For i = 1 To 4 If (i Mod 2) = 1 Then arrayGen(i - 1) = Round((minValue + (Rnd() * (maxValue - (maxValue * 0.42)))), 0) Else arrayGen(i - 1) = Round((minValue + (Rnd() * ((maxValue * 0.12) – minValue))), 0) End If gen = arrayGen(0) & "|" & arrayGen(1) & "|" & arrayGen(2) & "|" & arrayGen(3) Assign in Cells(numRow, numColumn + 1) = gen Next i Next c End If Call calCost(numGenes, fixedValue) Call SelectionProcess(numGenes, pcSelection) Call MCProcess(numGenes, pcSelection, lvlMutation) For i = 1 To numGenes numRow = numRow + 1 With Sheets("GENERATIONS") Assign in .Cells(3, b + 1) = b & "ª" & " "
& "GENERATION" Assign in .Cells(numRow, b + 1) = Worksheets(1).Cells(numRow, numColum + 6) End With If b unequal numGenerations Then Assign in Cells(numRow, numColumn + 1) = Cells(numRow, numColumn + 6) End If Next i Next b Call dataPass Next m End Sub |
Este
tipo de algoritmo Metaheurístico utiliza varios elementos denominados
operadores genéticos, los cuales se describen como:
•
Selección:
Michalewicz en [12] indica que, la selección hace una analogía entre la
Evolución Biológica y los Algoritmos Genéticos, en él, cada solución representa
un individuo con características propias y que es posible de evaluar, en donde
sobreviven aquellos individuos mejor evaluados y pasarán a las siguientes
generaciones creando una nueva descendencia más facultada.
•
Mutación:
Michalewicz en [12] indica que, la mutación es una operación cuyo objetivo es
generar nueva información dentro de la población de soluciones para obtener una
mejor exploración del espacio de búsqueda.
•
Mutación
estándar: en este caso Back en [13] considera que, dado un cromosoma, se altera
el valor de cada gen con una probabilidad pm, se denomina probabilidad de
mutación
•
Cruce:
durante esta fase se cruzan o mezclan los individuos seleccionados en la fase
anterior. Entre sus tipos se utilizará el cruce en un punto, donde se
selecciona el punto de cruce aleatoriamente.
•
Aceptación:
Eiben en [13] indica que, después de realizar el cruce y la mutación de los
individuos de la población llega el momento de decidir si aceptamos los hijos
generados. La técnica más utilizada es la aceptación total de todos los hijos
de la última generación.
La
función objetivo evalúa el dominio de la solución cuando se utilizan Algoritmos
Genéticos, en esta técnica existen algunos problemas comunes cuando se pretende
minimizarla o maximizarla, y cómo un proceso basado en una mejora repetitiva
puede ayudar a acercarnos al objetivo o por lo menos a estar muy cerca. Dicha
función de evaluación (fitness):
•
Representa la
función objetivo de nuestro problema de optimización.
•
Asigna valores
reales a cada genotipo.
•
Se utiliza de
base para realizar la selección
•
Cuanto más
discrimine, mejor (valores diferentes).
•
Normalmente,
pretenderemos maximizar el valor de fitness (aunque algunos problemas se
plantean mejor como problemas de minimización y la conversión resulta trivial).
Caso de Estudio
Se tiene como objeto de estudio cuatro
de las tarjetas prepagos que comercializa una distribuidora al por mayor y que,
de acuerdo con su histórico de inventario desde el 2017 hasta junio del 2019 se
evidencia que, al finalizar cada periodo mensual, en sus bodegas quedan una
inmensa cantidad de productos en stock. Además, para el inicio del siguiente
periodo recurren a comprar mucho más de los mismos productos, por lo que se
asume que no existe ningún tipo de control sobre ese inventario.
Estos datos históricos serán la base
para el proceso de simulación de las compras y ventas proyectadas para el 2020,
es por ello por lo que se utiliza el modelo de Monte Carlo para la obtención de
los datos que completarían el último año del histórico, correspondiente desde
julio a diciembre del 2019. Este modelo se lo desarrolló dentro de VBA en
Microsoft Excel 2013 y que responde al algoritmo 1.
Cevallos y Botto en [6] indica que
para realizar la simulación de los datos de una muestra real se debe determinar
el comportamiento que siguen dichos datos. Por lo cual en primera instancia se
debe determinar que tipo de distribución siguen esos datos para luego realizar
el proceso de simulación [19].
De tal manera que los datos obtenidos
completan la muestra de los datos referentes a la sumatoria de las compras y
ventas de los productos durante el periodo de tres años, como se muestra
tabulado en la Tabla 1.
Tabla
1. Muestra total del inventario de productos desde Enero/2017 hasta
Diciembre/2019.
Para
proyectar las estimaciones de las compras y ventas óptimos para el año 2020 se
hace uso de una función objetivo que permita la minimización de costos al
momento de realizar pedidos de los productos. Para ello se tiene en consideración
que las ganancias obtenidas mediante la venta de tarjetas de la distribuidora
son destinadas completamente al saldo del personal, este a su vez se distribuye
en:
Tabla
2. Distribución del sueldo del personal de la distribuidora.
Además, se considera la Fig. 3 que
detalla el porcentaje de gastos por compras de producto en el año 2017 y 2018,
pudiendo constatar así que los productos Paq. $1 y Paq. $3 generan muchos más
gastos, alrededor del 42%, en comparación con los otros dos productos que como
máximo llegan al 12%. El costo total es representado por la fórmula 5.
𝐶𝑇
= 𝑠𝑢𝑒𝑙𝑑𝑜 𝑑𝑒𝑙 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑙+0,98𝑋1+1,84𝑋2+2,76𝑋3+4,6𝑥4
Es así
como se determina la función objetivo junto con sus restricciones en base a los
datos anteriores. Quedando de la siguiente manera.
𝑍=0,92𝑋1+1,84𝑋2+2,76𝑋3+4,6𝑥4
Restricciones:
0,92𝑋1≤0.42𝐶𝑇
2,76𝑋3≤0.42𝐶𝑇
1,84𝑋2≤0.12𝐶𝑇
4,6𝑋4≤0.12𝐶𝑇
𝑋1+2𝑋2+3𝑋3+5𝑋4≥𝐶𝑇
Donde 𝑋𝑛 representa a los productos Paq. $1,
Paq. $2, Paq. $3 y Paq. $5 respectivamente, multiplicado por su valor unitario.
Y las restricciones se basan en el porcentaje máximo al que puede llegar cada
producto de acuerdo con el costo total del pedido. Por último, se utilizó la
herramienta Solver de la hoja de Excel para determinar la eficacia de la
función objetivo, dando como resultado la Fig. 3
Figura
3. Solución de Solver hacia la función objetivo planteada y sus restricciones.
Para realizar las simulaciones del periodo 2020 se
utiliza el Algoritmo Metaheurístico Genético, implementando la función objetivo
y sus restricciones para la aceptación de las soluciones más óptimas en cuanto
a estimaciones de pedidos y ventas con la intención de minimizar los costos por
la adquisición de los productos, su algoritmo es el 1 y el diagrama se presenta
en la Fig. 4.
Figura
4. Diagrama del Algoritmo Genético utilizado en este estudio.
Resultados y Discusión
A partir del histórico de datos reales se determinan
los parámetros necesarios que se utilizaron en el sistema de Simulación
Metaheurístico desarrollado en el presente proyecto, que permite obtener las
compras optimas del periodo 2020 para la optimización del inventario. Por
aquello, se pudo evidenciar que con el uso del modelo presentado como solución
existe un aproximado del 10% de minimización de los gastos por concepto de la
compra de tarjetas en comparación a los gastos generados durante los periodos
que van del 2017 al 2019.
Tabla
3. Tabla de compras estimadas para el periodo 2020 mediante el modelo de
Simulación Metaheurístico.
De manera detallada, el proceso de
simulación se llevó acabo utilizando los valores máximos y mínimos de las
compras en los periodos anteriores, permitiendo que los valores estimados sean
muy cercanos a los reales, por tanto, el comportamiento de las compras no
sufrió ningún tipo de alteración a considerar durante su simulación, lo que
hace a los datos confiables para su utilización.
Los datos
presentados en la tabla 3, son resultado de varios procesos de simulación donde
se visualizó como cambiaban su comportamiento en cada iteración, sobresaliendo
la característica principal de los modelos Metaheurístico, el aprendizaje
automático, donde se van descartando las respuestas más alejadas a la función
de minimización.
Conclusiones
La presente investigación tuvo como objeto de estudio un
centro de distribución de varios productos, entre ellos las tarjetas de recarga
de saldo para móviles, los cuales representan una gran demanda de usuarios en
sus diferentes denominaciones, lo que exige un correcto control de inventario
sobre ellos para evitar quedarse sin stock o más aún, analizar el
comportamiento de las ventas para no llegar a tener muchos de esos productos en
inventario.
Por ello se tuvo acceso al inventario que va desde enero
del año 2017 hasta junio del 2019 para el análisis de la forma en que se
controla actualmente el inventario de dichos productos, con aquello se define
el comportamiento de los datos haciendo uso de Stat::Fit con el fin de obtener
la distribución de probabilidad para la simulación de las ventas y compras en
los últimos 6 meses del 2019 mediante el método de Simulación Monte Carlo. De
tal forma que se completaría la muestra correspondiente a tres periodos
anuales. Luego se desarrolló el modelo de simulación Metaheurístico basado en
al Algoritmo Genético por el cual se estimaron las compras del siguiente año
para conocer los posibles gastos futuros.
El modelo de simulación desarrollado en la presente
investigación tiene como principal característica la ventaja de que combina
diferentes conceptos derivados de la inteligencia artificial, la evolución
biológica y los mecanismos estadísticos. Todos ellos relacionados por su
objetivo de simular el comportamiento real en las máquinas para la solución de
una amplia gama de problemas debido a su flexibilidad y con resultados óptimos.
Como trabajo futuro se recomienda analizar las
estacionalidades que se pueden dar durante los periodos de venta, debido al
impacto que puede llegar a tener con los resultados obtenidos. Además, se
propone llevar el modelo presentado hacia uno Híbrido para considerar los métodos
de investigación cualitativos permitiendo profundizar más sobre el tema y
determinar resultados más precisos.
Referencias Bibliográficas
[1] |
Arias,
S.; Londoño, M.: Algoritmos Genéticos: Una solución alternativa para
optimizar el modelo de inventario (Q,r), Medellín. Accedido en 2009. |
[2] |
Montenegro,
L.: Diseño e implementación de un sistema de inventarios, aplicando
simulación Monte Carlo, en una empresa de servicios petroleros. Quito,
Ecuador. Accedido en febrero del 2011. |
[3] |
Izar
J.; Ynzunza: «Método Híbrido de Inventario con Tiempo de Entrega Aleatorio,»
Conciencia Tecnológica, nº 48, pp. 12-16, 2014. |
[4] |
Azofeifa
y Carlos E.: «Aplicaión de la simulación Monte Carlo en el cálculo de riesgo
usando Excel.,» Tecnología en Marcha, vol. 17, nº 1, p. 13. |
[5] |
Guamantica,
V.: “Diseño del modelo de cantidad económica de pedido (EOQ) del inventario
de la empresa general motors del Ecuador”. Quito. Accedido en 2013. |
[6] |
Cevallos-Torres, Lorenzo, & Botto-Tobar, Miguel, "Case Study:
Probabilistic Estimates in the Application of Inventory Models for Perishable
Products in SMEs," in Problem-Based Learning: A Didactic Strategy in the
Teaching of System Simulation, Guayaquil, Springer, 2019, p. 144. |
[7] |
Causado,
E.: Modelo de inventarios para control económico de pedidos en empresa
comercializadora de alimentos. Medellín. Accedido en 2015. |
[8] |
González,
J..: Introducción del Factor Humano al Análisis de Riesgo. Barcelona, España.
Accedido en 2015. |
[9] |
Tamborero,
J., Cejalvo, A.: NTP 418: Fiabilidad: la distribución lognormal. España.
Accedido en 1999. |
[10] |
Gestal,
M., River, D., Rabuñal, J., Dorado, J.: Introducción a los Algoritmos
Genéticos y la Programación Genética. Coruña, 2010. |
[11] |
Cuesta,
Y.: Solver en Excel. Accedido el 17 de febrero del 2017. |
[12] |
Z. Michalewicz, Genetic Algorithms + Data Structures = Evolution
Programs. Springer Verlag, 1996. |
[13] |
T. Back, D.B. Fogel, Z. Michalewicz, Handbook of Evolutionary
Computation, Institute of Physics Publishers, 1997. |
[14] |
Lorenzo Cevallos-Torres, Miguel Botto-Tobar. " Case Study: Project-Based Learning to Evaluate
Probability Distributions in Medical Area" Problem-Based Learning: A
Didactic Strategy in the Teaching of System Simulation. Springer,
pp.113., 2019. |
[15] |
J. I. Córdoba García. "Propuesta de un sistema de gestión de inventarios de producto terminado
para la empresa Alimentos Exquisitos de la ciudad de Palmira, Valle Del Cauca". 11 Enero 2016. |
.
[1] Estudiante de Ingeniería en Sistemas Computacionales. Universidad de
Guayaquil, Ecuador. E-mail:
[email protected]
[2] Estudiante de
Ingeniería en Sistemas Computacionales. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
3 Estudiante de Ingeniería en
Sistemas Computacionales. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
4 Ing. en Estadística Informática, MSc. en Modelado Computacional en Ingeniería. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
Como citar: Chicaiza Moncayo, K., Gomez
Sanchez, A., Ruiz Anton, P., & Cevallos-Torres, L. (2019). Modelo de
simulación para la optimización del inventario de una distribuidora, basado en
Simulación Monte Carlo y Algoritmo Metaheurístico Genético. Ecuadorian Science,
3(2), 33-38.
DOI: https://doi.org/10.26911/issn.2602-8077vol3iss2.2019pp33-38p.