Escenarios y SAA: decidir antes de conocer la demanda
Sensibilidad, decisiones en dos etapas, VSS e incertidumbre computacional para evaluar una red logística.
Serie: de los datos a la decisión logística
- De los pedidos a la red logística: un proyecto de optimización y aprendizaje automático
- MILP: convertir una decisión logística en un modelo verificable
- Relajación lineal: cuánto puede mejorar una solución
- Voraz y búsqueda local: construir rápido y mejorar con criterio
- LNS: reorganizar parte de la red para escapar del óptimo local
- Predecir demanda: de una referencia poblacional a Poisson y boosting
- Previsión poblacional: tendencias, amortiguación y prueba temporal
- K-means: descubrir perfiles municipales sin inventar categorías naturales
- Scoring de candidatos: aprender a filtrar sin perder buenas decisiones
- Escenarios y SAA: decidir antes de conocer la demanda
La inversión llega antes que la certeza
Un almacén se contrata antes de conocer todos los pedidos futuros. La programación estocástica de dos etapas representa esa secuencia: primero se eligen centros; después de observar un escenario, se asignan regiones usando los centros elegidos. Es como elegir el tamaño de una sala antes de confirmar la asistencia: se puede reorganizar la distribución después, pero no ampliar mágicamente el edificio.
Sample Average Approximation, o SAA, reemplaza la expectativa por una media de escenarios de entrenamiento. El proyecto genera choques multiplicativos lognormales con media preservada; sigma controla dispersión y rho la fracción de variación del choque normal latente que es común a todas las regiones. Rho no es directamente la correlación final entre demandas lognormales. Un mercado que crece simultáneamente en muchos lugares exige considerar ese componente compartido.
Un primer experimento pequeño
from alocacao_capacitada.analysis.study import tiny_instance
from alocacao_capacitada.analysis.stochastic import assess
report = assess(tiny_instance(), sigma=0.3, rho=0.5,
n_train=4, n_test=8, time_limit_s=2.0, seed=0)
print(report.rp, report.eev, report.ws)
print(report.vss, report.vss_ci95, report.max_solver_gap)
print(report.same_policy)Estos tamaños sirven para explorar la interfaz, no para obtener evidencia estadística sólida. El límite de tiempo se aplica a varias resoluciones internas: dos segundos no significan dos segundos para todo el experimento. Para evaluar una política, conserve sus aperturas y resuelva las asignaciones en escenarios nuevos. Utilice los mismos escenarios de prueba para ambas políticas, de modo que la diferencia sea pareada.
Qué significan RP, EEV, WS y VSS
En el informe, RP es el coste medio de la política estocástica en prueba; EEV evalúa la política calculada para demanda media; WS permite elegir centros conociendo cada escenario. VSS=EEV−RP estima la ventaja de considerar incertidumbre y EVPI=RP−WS compara con información perfecta. Son estimaciones fuera de muestra con resoluciones potencialmente aproximadas, no los valores exactos de un problema estocástico conocido.
El intervalo implementado para VSS usa la media de diferencias por escenario más o menos 1,96 errores estándar. Si incluye cero, el experimento no distingue claramente una ventaja. Es una aproximación, especialmente frágil con pocas observaciones, y no incorpora por sí sola error de optimización ni incertidumbre sobre cómo generar escenarios. Un VSS negativo exige investigar esos factores antes de concluir que modelar incertidumbre perjudica.
Separar sensibilidad de robustez
La sensibilidad pregunta qué cambia al modificar un parámetro. Para probar aumento de demanda, mantenga capacidad y penalización fijas; si también aumenta capacidad, está evaluando otra pregunta. El estudio integrado hizo una cuadrícula independiente de demanda y capacidad cuyo mayor gap de solver llegó a 44,99%. Diferencias pequeñas de coste en esas celdas no sostienen conclusiones precisas. Lea siempre coste junto con servicio y calidad computacional.
Para aplicar el resultado, defina servicio mínimo aceptable, escenarios plausibles y presupuesto de inversión antes de comparar políticas. Después evalúe la misma red sin rediseñarla a conveniencia de cada futuro. La serie termina donde comienza una decisión responsable: los algoritmos organizan evidencia y alternativas, pero las hipótesis operativas deben comprobarse con datos de la operación que realmente se pretende atender.