Comparación de modelos de optimización-simulación para la asignación de recursos en un sistema de cosecha forestal

• Jaime Castillo Departamento de Procesos Industriales, Facultad de Ingeniería, Universidad Católica de Temuco, Rudecindo Ortega #02950, P.O. Box 15D., Código Postal 4780000, Temuco Chile.
• Rodrigo Mancilla Departamento de Procesos Industriales, Facultad de Ingeniería, Universidad Católica de Temuco, Rudecindo Ortega #02950, P.O. Box 15D., Código Postal 4780000, Temuco, Chile.
• Celso Navarro Departamento de Ciencias Ambientales, Facultad de Recursos Naturales, Universidad Católica de Temuco, Rudecindo Ortega #02950, P.O. Box 15D., Código Postal 4780000, Temuco, Chile.

Palabras clave: Cosecha forestal, Asignación de recursos, Optimización vía simulación, Programación lineal.

Resumen

Este artículo presenta una comparación entre dos técnicas para resolver problemáticas de asignación de maquinaria, en torno a la planificación táctica de faenas de cosecha forestal. La primera es una optimización simulada, que se basa en una solución obtenida de un modelo de programación lineal entera.La segunda técnica es una optimización vía simulación, descrito como un proceso iterativo que vincula un modelo de optimización y un modelo de simulación de eventos discretos. Ambas técnicas fueron analizadas en cuanto a su producción, variabilidad y costo unitario de producción.Como herramientas para la toma de decisiones permitieron flexibilizar la planificación, por medio del análisis de distintos escenarios, otorgando confiabilidad al cumplimiento de plazos y efectividad en el cálculo de los costos.Además, se plantea que el uso de métodos probabilísticos para la asignación de recursos en sistemas productivos, como el estudiado, permite aumentar y mejorar la información en la toma de decisiones.

Citas

INFOR.:Anuario forestal, Boletín estadístico.Instituto Forestal, No. 163 (2018). Disponible enhttps://www.wef.infor.cl/publicaciones/anuario/2018/Anuario2018.pdf.

Acuña E., Drake F. y Garcias M.: A application to decision support system in logging machineries costs. Rev. Arvore, Vol.35, No. 1 (2011) 165-172. DOI: 10.1590/S0100-67622011000100020.

Mac Donagh P., Botta G., Schlichter T. y Cubbage F.: Harvesting contractor production and costs in forest plantations of Argentina, Brazil, and Uruguay.Int. J. Forest Eng., Vol.28, No. 3 (2017) 157–168. DOI: 10.1080/14942119.2017.1360657.

Linfati-Medina R., Pradenas-Rojas L. y Ferland J.: Aggregate planning in forest harvest: A mathematical programming model and solution. Maderas-Cienc. Tecnol., Vol.18, No. 4 (2016) 555-566. DOI: 10.4067/S0718-221X2016005000048.

Robinson AP., McLarin M. y Moss I.: A simple way to incorporate uncertainty and risk into forest harvest scheduling. For. Ecol. Manage., Vol.359 (2016.) 11-18. DOI: 10.1016/j.foreco.2015.09.027.

Carey P.: Metodología y diseño de un sistema para el apoyo en la planificación de operaciones forestales. Bosque, Vol.18, No. 1 (1997) 83-88.

Parra M. y Carey P.: Consideraciones metodológicas para la evaluación de la cortadora-procesadora (harvester) en operaciones forestales. Bosque, Vol. 21, No. 2 (2000) 137-146.

Caglayan I., Yesil A., Cinar D. y Cieszewski C.: Taxonomy for the optimization in forest management: a review and assessment.Forestist, Vol. 68, No. 2 (2018) 122-135. DOI: 10.26650/forestist.2018.354789.

Palma CD. y Vergara FP.: A multiobjective model for the cutting pattern problem with unclear preferences. For. Sci., Vol.62, No. 2 (2016) 220-226. DOI: 10.5849/forsci.14-100.

Veliz FB., Watson JP., Weintraub A., Wets RJB. yWoodruff DL.: Stochastic optimization models in forest planning: a progressive hedging solution approach.Ann. Oper. Res., Vol.232, No. 1 (2015) 259-274. DOI: 10.1007/s10479-014-1608-4.

Garcia-Gonzalo J., Pais C., Bachmatiuk J. y Weintraub A.: Accounting for climate change in a forest planning stochastic optimization model. Can. J. For. Res., Vol. 46, No. 9 (2016) 1111-1121. DOI: 10.1139/cjfr-2015-0468.

Alvarez P. yVera JR.: Application of robust optimization to the sawmill planning problem.Ann. Oper. Res., Vol.219, No. 1 (2014) 457-475. DOI: 10.1007/s10479-011-1002-4.

Bettinger P., Demirci M. y Boston K.: Search reversion within s-metaheuristics: Impacts illustrated with a forest planning problem. Silva. Fenn., Vol.49, No. 2 (2015) 1-20. DOI: 10.14214/sf.1232.

Weintraub A, Church RL., Murray AT. y Guignard M.: Forest management models and combinatorial algorithms: Analysis of state of the art.Ann. Oper. Res., Vol.96 (2000) 271-285. DOI:10.1023/A:1018991116559.

Weintraub A.: Integer programming in forestry.Ann. Oper. Res., Vol. 149, No. 1 (2007) 209-216. DOI: 10.1007/s10479-006-0105-9.

Alonso-Ayuso A., Escudero L., Guignard M., Quinteros M. y Weintraub A: Forestry management under uncertainty.Ann. Oper. Res., Vol.190, No. 1 (2011) 17-39. DOI: 10.1007/s10479-009-0561-0.

Palma CD. y Troncoso J.: Asignación óptima de equipos en faenas de cosecha forestal. Bosque, Vol.22, No. 1 (2001) 65-73.

Wei R. y Murray AT.: Spatial uncertainty in harvest scheduling. Ann. Oper. Res., Vol.232, No. 1 (2015) 275–289. DOI: 10.1007/s10479-012-1178-2.

Rebolledo MM. y Abufarde FB.: The use of artificial inteligence for the optimization of a simulation model applied to a radiata pine manufacturing process.Maderas-Cienc. Tecnol., Vol.3, No. 1-2 (2001) 52-62.

Marques AF., de Sousa JP., Rönnqvist M. y Jafe R.: Combining optimization and simulation tools for short-term planning of forest operations.Scand. J. Forest Res., No.29 (2014) 166-177. DOI: 10.1080/02827581.2013.856937.

Rytwinski A. y Crowe KA.: A simulation-optimization model for selecting the location of fuel-breaks to minimize expected losses from forest fires. For. Ecol. Manage., Vol260, No. 1 (2010) 1-11. DOI: 10.1016/j.foreco.2010.03.013.

Castillo J.:Propuesta para la asignación de equipos en un sistema de cosecha forestal, incorporando escenarios de variabilidad. Tesis Magister en Ingeniería Industrial y de Sistemas. Concepción, Chile. Facultad de Ingeniería, Universidad del Desarrollo. (2016) 69 p.

Jerbi A., Ammar A., Krid M. y Salah B.: Performance optimization of a flexible manufacturing system using simulation: the Taguchi method versus OptQuest. Simulation, (2019). DOI: 10.1177/0037549718819804.

Laguna M. y Martí R.: Neural network prediction in a system for optimizing simulations. IIE Trans., Vol. 34, No. (3) (2002) 273-282. DOI: 10.1080/07408170208928869.