SciELO - Scientific Electronic Library Online

 
vol.20 número2Control de Sistemas No Lineales de datos muestreados a través de un enfoque de ganancia programada difusa por Modo Deslizante índice de autoresíndice de assuntospesquisa de artigos
Home Pagelista alfabética de periódicos  

Serviços Personalizados

Journal

Artigo

Indicadores

Links relacionados

  • Não possue artigos similaresSimilares em SciELO

Compartilhar


Revista de la Facultad de Ingeniería Universidad Central de Venezuela

versão impressa ISSN 0798-4065

Rev. Fac. Ing. UCV v.20 n.2 Caracas maio 2005

 

Propuesta de una mejora Computacional del Método de Descomposición de Benders

Pedro J. di  Novella C.1 y Juan C. Moreno P.2

1 Dpto. Procesos y Sistemas, Universidad Simón Bolívar, Aptdo. postal 89000,
Valle de Sartenejas, Baruta, Edo. Miranda, Venezuela. E-mail: dinovell@usb.ve
2 Gerencia de Análisis de Riesgo, Banco Mercantil S.A.C.A. Av. Andrés Bello
Edificio Mercantil. Caracas 1010. Venezuela. E-mail: morenojc@cantv.net

RESUMEN

El objetivo principal de este trabajo es presentar una versión modificada del método de Descomposición de Benders que permita encontrar soluciones a problemas de Programación Entera Mixta, con tiempos de convergencia mejores que los obtenidos por la versión original. El método consiste en combinar apropiadamente el método de Descomposición de Benders (Benders 1962) y un Algoritmo Genético (Holland 1975). Este método híbrido permitió obtener tiempos de convergencia hasta 47 veces más rápidos que método de Benders original, con errores relativos menores al 2%, en un conjunto de problemas de prueba generados aleatoriamente. Las pruebas computacionales fueron realizadas usando una implementación del Método de Benders original y su versión modificada en Matlab®.
Palabras claves: Descomposición de Benders, Algoritmos Genéticos, Programación Entera Mixta, Metaheurística, Métodos Iterativos.

A COMPUTACIONAL APPROACH TO IMPROVE THE BENDERS' DECOMPOSITION METHOD

ABSTRACT

The main goal of this paper is to present a new approach to the Benders decomposition method that helps to find solutions to Mixed Integer Programming problems in faster times than in the original version. This method consists of making an appropriate combination of the Benders Decomposition Method (Benders 1962) and a Genetic Algorithm (Holland 1975). This hybrid method achieves convergence times up to 47 times faster than in the original version, with relative errors of less than 2%, in problems randomly generated. The computational tests were made using an implementation of the original Benders Method and its modified version in Matlab®.
Keywords: Benders Decomposition Method, Genetics Algorithms, Mixed Integer Programming, Metahuristic, Iterative Methods.

Recibido: Agosto de 2004 Recibido en forma final revisado: Junio de 2005


1 INTRODUCCIÓN

La Programación Entera Mixta es una de las áreas relevantes dentro del campo de la investigación de operaciones, puesto que ha permitido la modelación y optimización de un gran número de procesos. Entre las principales aplicaciones se pueden citar:

§ Programación de turnos dentro de plantas de producción.
§ Diseño de sistemas de distribución
§ Modelos con restricciones lógicas (Implicaciones, disyunciones, conjunciones, etc.)
§ Colocación de entidades, por ejemplo: Bancos, plantas termo o hidroeléctricas, oficinas comerciales, etc.
§ Modelación de sistemas eléctricos de multiperíodos.
§ Toma de decisiones: Decisiones de inversión y sus implicaciones en la operación.

El desarrollo de métodos que permitan la resolución de Problemas Entero-Mixtos (PEM) se hace relevante debido a la gran variedad y complejidad de este tipo de problemas hoy en día.

Se han desarrollado métodos y procedimientos para la resolución de este tipo de problemas. Los métodos exactos más conocidos en la práctica son el de Ramificación y Acotamiento (Branch & Bound), propuesto por Land y Doig (1960) y mejorado por Dakin J. R.(1965) y el método de los planos cortantes propuesto por Gomory en 1960 (Gomory R.E. (1960)). Los métodos exactos para la solución de estos problemas pueden tener largos tiempos de ejecución para hallar la solución, pues son métodos con tiempos de orden exponencial, en el peor de los casos.

A pesar de los avances de la computación, donde la velocidad de procesamiento hace que cada vez se puedan resolver problemas complejos en un menor tiempo, los PEM siguen siendo complejos de resolver en la práctica. Es por ello que se hace relevante la búsqueda de nuevos métodos numéricos con mayor eficiencia computacional, que permitan obtener una solución satisfactoria de estos problemas en tiempos "razonables".

El tratar de obtener mejoras en los tiempos de convergencia hizo que las investigaciones se orienten hacia métodos iterativos. Los métodos iterativos son algoritmos que hacen transformaciones y divisiones del problema original para generar procesos de retroalimentación, que al iterar convergen hacia la solución del problema original. Uno de estos métodos fue propuesto por el matemático alemán J.F. Benders en 1962 y es conocido como Método de Descomposición de Benders (Benders J.F. (1962)).

2 PLANTEAMIENTO DEL PROBLEMA

El método de Benders consiste básicamente en la generación, a partir del problema original, de dos subproblemas: Uno entero (PE) denominado problema maestro y uno continuo (PL) denominado problema esclavo. Apoyándose en la teoría de dualidad y relajando ciertas condiciones, el método de Benders genera un proceso iterativo que converge a una solución épsilon-óptima del problema original. Un esbozo del método de Benders se presenta en la figura 1. Aplicaciones recientes del método de Benders se encuentran en: Beran E. & Vandehberghe L. & Boyd S. (1997) y en Randazzo C.D. & Luna H.P.L & Mahey P. (2001).

A pesar de que el método de Benders no es exacto, puesto que converge a una solución épsilon-óptima del problema, se debe mencionar que la complejidad de los PEM está en la resolución del problema entero asociado. Por lo tanto, este método puede tener un tiempo de convergencia similar al de los métodos exactos.

En 1974 Geoffrion y Graves (Geoffrion, A.M., & Graves, G.W. (1974)) demostraron que no es necesario resolver el programa entero asociado a la descomposición del método de Benders para hallar una solución óptima, basta solamente con obtener una solución factible para hacer iterar el método. Dependiendo de la calidad de esta solución factible puede haber mejoras en el tiempo de convergencia del método.

Una vía para obtener soluciones factibles de los PEM, en forma confiable y en tiempos razonablemente cortos, en comparación con los métodos exactos, es a través del uso de heurísticas. Véase: Gaudin E. & Benoist & Rotembourg T (2002). En particular una metaheurística de tipo adaptativa, denominada Algoritmos Genéticos, puede ser utilizada para implementar búsquedas de soluciones en problemas de optimización. Esta metahuerística utiliza una analogía directa de la teoría de la evolución en la naturaleza. El poder de los Algoritmos Genéticos proviene del hecho de que se trata de una técnica robusta que puede tratar con éxito una gran variedad de problemas provenientes de diferentes áreas, incluyendo aquellos en los que otros métodos encuentran dificultades. Si bien no se garantiza que los Algoritmos Genéticos encuentren una solución óptima del problema, existe evidencia empírica de que se encuentran soluciones "aceptables", en un tiempo competitivo con el resto de algoritmos de optimización combinatoria. (Véase Larrañaga P, también Gen M. & Cheng R. (1997)).

La aplicación de los Algoritmos Genéticos se relaciona tanto con problemas para los cuales no existen métodos especializados, como aquellos donde existen y funcionan bien, pues en algunos de estos métodos se pueden efectuar mejoras haciéndolos híbridos con los Algoritmos Genéticos.

Basándose en la idea anterior, se plantea combinar el método de Benders con los Algoritmos Genéticos, con la finalidad de obtener una mejora significativa en su desempeño computacional. Por esta razón se implementó tanto el método de Benders y el método modificado con el Algoritmo Genético, en un lenguaje de alto nivel y se elaboraron varias pruebas con problemas modelo, verificando tiempo de convergencia y precisión versus métodos exactos como el de Ramificación y Acotamiento (Branch & Bound), al igual que con el método de Benders en su concepción original.

Los Algoritmos Genéticos fueron desarrollados por John Holland y sus colaboradores. Esta idea de una metaheurística diseñada para la búsqueda y optimización, fue presentada en el libro "Adaption in Natural and Artificial Systems" publicado en 1975 (Holland J 1975). Estos métodos adaptativos pueden ser utilizados para implementar búsquedas de soluciones en problemas de optimización. Estos utilizan una analogía directa del fenómeno de evolución en la naturaleza. Trabajan con una población de individuos, donde cada uno representa una posible solución del problema. A cada individuo se le asigna una puntuación de adaptación, dependiendo de la bondad de ajuste o función objetivo del problema. A los más aptos se les da la oportunidad de reproducirse mediante cruces con otros individuos de la población, produciendo descendientes con características de ambos padres. Los miembros menos aptos poseen pocas probabilidades de que sean seleccionados para la reproducción, de forma que desaparecen puesto que son sustituidos por nuevas generaciones mejores adaptadas. Un esbozo de un Algoritmo Genético se representa en la figura 2.

3 MÉTODO DE BENDERS MODIFICADO

Como se mencionó anteriormente, el Método de Benders no simplifica la complejidad de la resolución de

los PEM, puesto que el costo computacional está en la resolución del PE asociado al Programa Maestro. Por lo tanto se plantea hacer una modificación del método, combinándolo apropiadamente con un Algoritmo Genético que encuentre una solución, no necesariamente óptima, del Programa Maestro. Esta combinación tiene sentido debido al resultado teórico de Geoffrion, A.M., y Graves, G.W. (1974) quienes demostraron que no es necesario resolver, hasta la optimalidad, el Programa Maestro del método de Benders para su convergencia.

En la figura 3 se presenta un bosquejo del Método de Benders Modificado.

 

Figura 1. Diagrama de Flujo del Método de Benders.

Figura 2. Diagrama de Flujo de un Algoritmo Genético.

Figura 3. Método de Benders Modificado.


Para la combinación del método de Benders con un Algoritmo Genético fue necesario definir elementos particulares de los Algoritmos Genéticos, tales como: la representación de las soluciones, la función de adaptabilidad, la selección, el cruce, la mutación, la aceptación, los parámetros iniciales y la condición de parada.

3.1 La Representación de las Soluciones
La representación de las soluciones que se utilizó para la implementación del algoritmo genético fue la siguiente:

3.2 Cromosomas:
Cada cromosoma Xi representa una posible solución del problema maestro de Bender. La representación de Xi = [x1i,...,xki] se hace como un vector con k entradas.

3.3 Población:
La población S = (X1,...,Xm) se representa como una matriz donde las columnas corresponden a los cromosomas Xi.

3.4 La Función de Adaptabilidad
La función de adaptabilidad fue modelada a partir de la función objetivo del problema a resolver. Sin embargo, se tuvo que considerar un sistema de penalidades para las soluciones no factibles, a saber:


Este sistema de penalidades se basa en el planteado por Fung R & Tang J & Wang D. (2002), para algoritmos genéticos al resolver problemas con restricciones.

3.5 Proceso de Selección
El proceso de selección de las soluciones mejor adaptadas se hizo utilizando escogiendo un par de soluciones al azar, utilizando las probabilidades de selección. Este método se conoce como La Ruleta (ver figura 4).

3.6 Proceso de Cruce
El proceso de cruce está dado por la elección al azar de un punto de cruce, dentro de los cromosomas de cada uno de los individuos a cruzar. Es decir, se establece aleatoriamente un punto r, tal que 1 £ r £ k y a partir de la posición r se combinan las cargas genéticas de los padres, como lo ilustra la figura 5.

3.7 Proceso de Mutación
El proceso de mutación se hace seleccionando un punto aleatorio dentro de la solución y "mutándolo". Para esto, se desarrolló un procedimiento que incrementa o decrementa aleatoriamente el valor del elemento seleccionado. Un esbozo este procedimiento se presenta a continuación:



 

Figura 4. Método de la Ruleta.


Figura 5. Proceso de Cruce.

Considérese la solución X = [x1,...,xr,...xk]. Sea xr el elemento seleccionado para ser mutado. Si X fuese binario entonces bastaría con cambiar 0 por 1 o viceversa. Sin embargo, cuando X no es binario una forma para incrementar o decrementar el xr puede ser:


donde:
escala(r): es un vector con el orden de magnitud para las entradas r y rand es un número aleatorio entre 0 y 1. Este vector de escala se calcula de la siguiente forma:


donde: Xo es el correspondiente al punto inicial admisible y ëUû es la función piso, que devuelve el entero menor o igual a U.

Para terminar, se hace un proceso de validación para verificar que el nuevo xr es no negativo.

3.8 Aceptación
La aceptación viene dada por aquellos individuos mejor adaptados. En cada iteración se guardan los individuos mejor adaptados y se van reemplazando los menos adaptados hasta que la población esté completa. Esto debido a que se consideran tamaños de población fija.
Para preservar los individuos mejor adaptados de cada generación se utiliza un proceso conocido como "elitismo", que consiste en guardar en la próxima generación los dos individuos mejor adaptados de la generación anterior. Esto a se hace a fin de preservar las mejores soluciones encontradas hasta el momento.

3.9 Parámetros iniciales
· La probabilidad de cruce fue de 0.7.
· La probabilidad de mutación inicial fue de 0.7. Sin embargo, se hizo una modificación para que esta probabilidad fuese descendiendo a una razón de 0,75 cada 10 iteraciones del algoritmo. Esto con la finalidad de minimizar perturbaciones en las soluciones ya que a medida que se ejecuta una iteración se va hallando mejores soluciones, lo cual hace innecesario altas perturbaciones al final de la corrida.
· El tamaño de la población inicial: Este elemento es crucial, puesto que tamaños de poblaciones muy grandes pueden hacer que el método sea muy lento a la hora de hallar una solución. Por el contrario, poblaciones muy pequeñas pueden hacer que el método converja prematuramente, o simplemente que no haya una solución factible. En este trabajo se utilizó como tamaño 100. Este número se obtuvo después de hacer varias pruebas iniciales. Sin embargo, no deja de ser arbitrario.
3.10 Condición de Parada
· El algoritmo se detiene si existe muy poca variedad de individuos. Esto se conoce como población élite. Para ello se calculó la distancia promedio entre cada individuo, utilizando la norma 2.
· También se detiene si ha transcurrido un numero igual a 100 iteraciones.

4 RESULTADOS COMPUTACIONALES

A continuación se presentan la descripción de los problemas de prueba utilizados y los resultados computacionales obtenidos. Las pruebas fueron realizadas utilizando un microcomputador con procesador Intel® Celeron® 850 Mhz, con 128 Mb de memoria RAM.

La implementación del método de Benders se desarrolló en el ambiente de programación Matlab® ver 6.5. Para resolver el problema maestro y el esclavo se utilizó el programa LP_Solve 2.3 desarrollado por Berkelaar M. (ver Berkelaar M). Este programa se integró como una rutina invocada desde Matlab®. Esto pudo ser posible gracias a la interfaz Lpmex, elaborada por los profesores Kantor y Chen de la Universidad de Notre Dame. (Ver Kantor J y Chen A).

Para probar los algoritmos implementados, se generaron aleatoriamente ocho problemas de prueba de varias dimensiones, de la siguiente manera:

· Vector inicial xo¢ Î Rn+m con entradas aleatorias.

· El vector del lado derecho de las restricciones bÎ Rp se forzó a que fuese b = A¢xo¢. Esto permitió establecer por diseño que los problemas no fuesen infactibles.

· Por otra, parte se consideró que las entradas de las funciones objetivo (cÎ Rn y d Î Rm ) fuesen aleatorias y positivas, para evitar problemas de no acotamiento.

Los problemas de prueba se generaron de manera aleatoria para no sesgar las experiencias computacionales a problemas que presentasen un tipo especifico de estructura. Por el contrario, un formato abierto como el de los generados aleatoriamente, permite validar la robustez del método con cualquier tipo de problemas que puedan presentarse en aplicaciones reales.

Otra de las características de los problemas de pruebas fue que presentaron tiempos de hasta de doce horas o más de ejecución para ser resueltos, cuando se utilizó el método de ramificación y acotamiento (Branch & Bound), en algunos casos no se pudo obtener una solución exacta, sólo se encontró una "solución" aproximada después de un número significativo de iteraciones.

En la tabla 1 se presenta un resumen de las principales características de estos problemas.

El proceso de prueba consistió en resolver cada uno de los problemas utilizando cuatro métodos distintos:

1. Branch & Bound: Se utilizó el programa LPSolve 2.3, que contiene el método de Ramificación y Acotamiento (Branch & Bound), como una rutina invocada desde Matlab®.
2. Método de Benders: Implementación en Matlab® del método de Descomposición de Benders según su concepción original. Se utilizó el programa LPSolve para resolver el maestro y el esclavo.
3. Algoritmo Genético: Una implementación en Matlab® de la versión canónica del Algoritmo Genético presentado en Gen M. & Cheng R. (1997), adaptado para resolver PEM con restricciones.
4. Método de Benders Modificado: Una implementación en Matlab® del método de Descomposición de Benders combinada con el Algoritmo Genético.

Para establecer una comparación entre estos cuatro métodos se utilizaron los siguientes indicadores, que miden el desempeño del cómputo:

1. Tiempo de Ejecución (en segundos): Tiempo de CPU que emplearon las rutinas para hallar una solución del problema.

2. Comparativo de Tiempos: Relación entre el tiempo de duración de cada uno de los métodos (Branch & Bound, método de Benders, Algoritmo Genético) versus el desempeño del método de Benders Modificado. Este indicador dice qué tan rápido o lento es un método respecto a otro. Esta relación viene dada por la siguiente expresión:


Adicionalmente, para validar la precisión de cada uno de los métodos se utilizaron los siguientes indicadores:

3. Valor de la Función Objetivo: Resultado de la evaluación de la función objetivo en las soluciones encontradas por cada uno de los métodos.

Tabla 1. Características de los Problemas de Prueba.

Nombre del Problema

Número de Restricciones

Número de Variables

Número de Variables Enteras

Elementos No Ceros

Valor Óptimo (Mejor Solución Conocida)

Test250x300x200

250

300

250

37.680

2,2119e+003

Test200x500x250

200

500

250

50.245

3,1686e+003

Test300x400x180

300

400

180

60.252

2,8516e+003

Test500x300x150

500

300

150

74.792

2,5925e+003

Test300x500x200

300

500

100

75.276

3,4422e+003

Test600x300x200

600

300

200

90.267

2,3140e+003

Test400x600x200

400

600

200

119.718

4,0771e+003

Test900x600x300

900

600

300

270.257

4,3830e+003










4. Error Relativo: Cálculo del error relativo cometido por cada uno de los métodos, cuando se compara el valor de la función objetivo con el valor óptimo arrojado por el método Branch & Bound. La expresión del error relativo del Método i viene dada por la siguiente expresión:



Las tablas 2 y 3 resumen el resultado de las pruebas de los cuatro métodos con cada uno de los problemas de la tabla 1.

5 ANÁLISIS DE LOS RESULTADOS

Los resultados presentados en las tablas 2 y 3 muestran varios elementos a destacar:

1. La rutina Branch & Bound en algunos casos no pudo hallar una solución exacta. Es por ello que se registraron tiempo elevados (hasta de 12 horas o más) tratando de buscar que el método convergiera a una solución.

2. En algunos casos el método de Benders generó soluciones con errores por debajo del 3%. Sin embargo, en la mayoría de los casos al igual que el método Branch & Bound no se lograron tiempos de convergencia inferiores de los 90 minutos. Esto se debe principalmente, que a pesar de generarse una reducción del tamaño de la matriz a resolver, asociada al problema entero por la descomposición de Benders, no se elimina la complejidad asociada al número de variables enteras. Adicionalmente, otro de los problemas que se presentan en el método de Benders, es la obtención de cortes (restricciones a partir del esclavo) que al ser introducidos en el problema maestro no mejoran la solución anterior como se muestra en la tabla 4. Nótese que en Z no hubo ninguna mejoría.

3. Si bien los Algoritmos Genéticos obtuvieron un buen desempeño en cuento a tiempo de resolución, estos métodos reportaron errores por encima del 5%. Errores de esta magnitud, pueden ser poco tolerables en la práctica. En otras palabras, este tipo de heurísticas alcanza resultados en muy corto tiempo, pero no garantizan confiabilidad de la solución, puesto que no se sabrá cuán lejos se está del óptimo.

4. El Método de Benders Modificado alcanzó en todas las pruebas realizadas resultados con errores menores al 2% y con tiempos de convergencia significativamente inferiores a los obtenidos por el método original. A pesar del reducido número de experiencias numéricas realizadas, debido a que los problemas de prueba fueron generados aleatoriamente, estos resultados sugieren que la propuesta de modificación del método de Descomposición de Benders puede comportarse más efectiva y eficiente en la práctica que su versión original.

5. De igual manera se debe mencionar que el método de Benders Modificado presentó el desempeño señalado en el párrafo anterior, sin la necesidad de una exhaustiva calibración de los parámetros del Algoritmo Genético, tales como población inicial, probabilidad de mutación, probabilidad de cruce, etc., para cada problema en particular, por el contrario se utilizaron los mismos parámetros para todos los problemas de prueba.

Tabla 2. Tiempo de Ejecución de los Métodos.

(*) Se obtuvo una solución intermedia del método, puesto que no convergió

 

Problema

Branch & Bound

Método de Benders Original

Algoritmo Genético

Método de Benders Modificado

T. Branch & Bound / T. Benders Modificado

T. Benders Original / T. Benders Modificado

T. A. Genético / T. Benders Modificado

Test250x300x200

25440

17350

21

1295

19,6

13,4

0,02

Test200x500x250

32727*

5960*

13

576

56,8

10,3

0,02

Test300x400x180

2326

24028*

8

503

4,6

47,8

0,02

Test500x300x150

1956

19381*

10

582

3,4

33,3

0,02

Test300x500x200

2963

902

8

646

4,6

1,4

0,01

Test600x300x200

28800*

19158*

7

565

51,0

33,9

0,01

Test400x600x200

28740*

12000*

13

673

42,7

17,8

0,02

Test900x600x300

42978*

49210*

25

1309

32,8

37,6

0,02

 

Tabla

 






Tabla 3. Errores Relativo de los Métodos.

(**) Se obtuvo una mejor solución que el Branch & Bound

 

Valor de la Función Objetivo

Error Relativo del Método

Problema

Branch & Bound

Método de Benders Original

Algoritmo Genético

Método de Benders Modificado

Error Benders Original

Error A. Genético

Error Benders Modificado

Test250x300x200

2,2119E+03

3,1992E+03

2,4890E+03

2,2297E+03

44,6%

12,5%

0,8%

Test200x500x250

3,1722E+03

4,8246E+03

3,3520E+03

3,1686E+03

52,1%

5,7%

-0,1%**

Test300x400x180

2,8516E+03

2,8907E+03

3,1760E+03

2,8558E+03

1,4%

11,4%

0,1%

Test500x300x150

2,5925E+03

2,6169E+03

2,9380E+03

2,5953E+03

0,9%

13,3%

0,1%

Test300x500x200

3,4422E+03

3,4553E+03

3,6250E+03

3,4462E+03

0,4%

5,3%

0,1%

Test600x300x200

2,3140E+03

3,2353E+03

2,5630E+03

2,3395E+03

39,8%

10,8%

1,1%

Test400x600x200

4,0772E+03

4,1854E+03

4,3180E+03

4,0886E+03

2,7%

5,9%

0,3%

Test900x600x300

4,3830E+03

7,3779E+03

4,9610E+03

4,4667E+03

68,3%

13,2%

1,9%

 

Tabla 4. Evolución de Iteraciones en el Benders

Iteración

Tiempo

Valor de Z

Valor de z

GAP

33

1,6231e+4

2.8975e+3

2,8262e+003

71,2987

34

1.7879e+4

2.8975e+3

2,8271e+003

70,3524


6 CONCLUSIONES

El método de Bender al usarlo en su versión original puede heredar los tiempos de convergencia método Branch & Bound, cuando se utiliza este último para resolver el problema maestro.

Por otra parte, los Algoritmos Genéticos también son altamente sensibles a elementos, tales como:

· Población inicial: Tamaños de poblaciones muy grandes pueden hacer que el método sea muy lento hallar una solución. Por el contrario, poblaciones muy pequeñas pueden hacer que el método converja prematuramente, o simplemente que no halle una solución factible. Por otra parte la selección de la población inicial puede influir notablemente en la convergencia del método.
· La probabilidad de cruce también puede influir en los resultados, puesto que con altas probabilidades de cruce el algoritmo hará más cruces y esto genera costos computacionales. Sin embargo, bajas probabilidades de cruce, hacen que generen pocos cruces, es decir se copian los cromosomas de los padres en los hijos, esto hace que no se evolucione hacia una nueva solución.
· La probabilidad de mutación también debe ser considerada, ya que bajas probabilidades de mutación, pueden hacer que el método converja a un óptimo local o que cicle en torno a una misma solución, generando una convergencia prematura. Por otra parte, altas probabilidades de mutación hacen que se generen perturbaciones cuando ya se está cerca del óptimo.

Todos estos elementos pueden hacer compleja la calibración de un Algoritmo Genético a la hora de resolver con éxito un problema determinado. Pues prácticamente hay que adecuar estos parámetros al tipo de problema que se está resolviendo.

Ahora bien, los resultados aquí presentados indican que es posible hacer una mejora computacional al combinar el Método de Benders con un Algoritmo Genético. El valor agregado de la combinación de ambos métodos radica en que el método de Benders Modificado puede encontrar soluciones épsilon óptimas en tiempos más rápidos que el método de Bender original.

Adicionalmente, otro elemento a destacar es que pareciera que esta combinación hace prescindible una calibración exhaustiva de los parámetros iniciales del Algoritmo Genético para la resolución de un problema, pues basta con una configuración relativamente "básica" como la presentada en este trabajo para que el método de Bender Modificado funcione. Esto último se soporta en el hecho de haber utilizado problemas con entradas aleatorias.

Finalmente la confiabilidad del Método de Benders Modificado está garantizada, es decir, las soluciones obtenidas a través de este método serán épsilon-óptimas, debido a los resultados de Geoffrion & Graves (1974).

7 REFERENCIAS

1. BENDERS J.F. (1962) Partitioning Procedures for Solving Mixed-Variables Programming Problems. Numerizhe Mathematik. 238 - 252.
2. BERAN E. & VANDEHBERGHE L. & BOYD S. (1997) A Global BMI Algorithm based on the Generalized Benders Decomposition. European Control Conference. Brussels Belgium, 937.
3. BERKELAAR M. Programa no comercial para la resolución de problemas de programación lineal y entera. Extraído en Enero de 2004. http://www.cs.sunysb.edu/~algorith/implement/lpsolve/implement.shtml
4. DAKIN R.J. (1965). A tree-search algorithm for mixed integer programming problems. The Computer Journal 8. 250-255.
5. DRIEBEEK N. J. (1966) An algorithm for solution mixed integer programming problems. Management Science. Vol 12 576-587.
6. FUNG R & TANG J & WANG D. (2002). Extension of a hybrid Genetic Algorithm for nonlinear programming problems with equality and inequality constraints. Computer & Operations Research. 29 pp 261-274.
7. GAUDIN E. & BENOIST & ROTEMBOURG T (2002). Hybridization using Decomposition Methods of Mathematical Programming. Extraído en Abril de 2004. http://e-lab.bouygues.com
8. GEN M. & CHENG R. (1997) Genetic Algorithms and Engineering Design. John Wiley and Sons. USA.
9.  GEOFFRION, A.M (1972) Generalized Benders decomposition. Journal of Optimization Theory and Applications, 10:237-260.
10. GEOFFRION, A.M., & GRAVES, G.W. (1974) Multicommodity distribution system design by Benders Decomposition. Management Science, 20/5
11. GOMORY R.E. (1960). An algorithm for mixed integer problem. RAND Report RM-2597.
12. GOMORY R.E. & HOFFMAN A (1963). On the convergence of an integer programming process. Naval Research Logistics Quarterly 10 (1), 121-123.
13. HOLLAND, J. (1975) Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor. USA
14. KANTOR, J. & CHEN A. University of Notre Dame. Interfaz lpmex para Lpsolve en Matlab. Extraído en Enero 2004.
http://www.mathworks.com/matlabcentral/fileexchange/loadFile.do?objectId=98&objectType=file
15. LAND A. & DOIG A. (1960). Automatic Methods of Solving Discrete Programming Problems. Ec14, rica 28(3) 497 - 520
16.LARRAÑAGA P. Algoritmos Genéticos. Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco. Extraído en Octubre de 2001. www.geocities.com/CapeCanaveral/9802/3d5ca000.htm
17. LAURENCE W. (1998). Integer Programming. Wiley Interscience, John Wiley & Sons, Inc. New York.
18. MARTIN R.K. (1999). Large scale linear and integer optimization. Kluwer Academic Publishers.
19. RANDAZZO C.D. & LUNA H.P.L & MAHEY P. (2001). Benders Decomposition for Local Access Network Design with Two Technologies. Discrete Mathematics and Theoretical Computes Science 4, 235-246.
20. SCHRIJVER A (1990). Theory of linear and integer programming. Wiley - Interscience series in discrete mathematics and optimization.
21. SIERKSMA G.(1996). Linear and integer programming. Marcel Dekker, Inc.