Programación adaptativa por metas mediante procesos gaussianos para la coordinación de la cadena de suministro forestal
Palabras clave:
optimización multiobjetivo, procesos gaussianos, optimización bayesiana, cadena de suministro forestalResumen
La cadena de suministro forestal involucra múltiples actores cuyas decisiones operativas se encuentran interrelacionadas, generando desafíos en la coordinación y distribución eficiente de beneficios. En este trabajo, se analiza cómo la exploración sistemática de distintas configuraciones de coordinación entre empresas de la cadena impacta en el desempeño económico global del sistema y en el beneficio individual de cada empresa. Con este objetivo, se desarrolla un esquema iterativo de optimización multiobjetivo asistida por inteligencia artificial que combina un modelo de programación mixto entero lineal (MILP) basado en programación por objetivos, Procesos Gaussianos y criterios de mejora esperada para guiar la exploración del espacio de búsqueda de pesos. A diferencia de enfoques tradicionales, la metodología propuesta incorpora un mecanismo de selección adaptativa de objetivos que prioriza dinámicamente aquellos con mayor margen de mejora. En cada iteración, se ajustan modelos de Procesos Gaussianos que capturan la relación entre los pesos y el desempeño de los objetivos, permitiendo construir funciones de adquisición que balancean exploración y explotación en la búsqueda de nuevas configuraciones. Los resultados muestran que el enfoque propuesto permite identificar un conjunto diverso de soluciones eficientes, representando distintos trade offs entre los objetivos económicos. Asimismo, se evidencia que la integración de decisiones puede modificar la distribución de beneficios entre los actores y generar configuraciones operativas más favorables para el desempeño global de la cadena.
Descargas
Referencias
Ahmadvand, S., Khadivi, M., Arora, R., Sowlati, T. (2021) Bi-objective optimization of forestbased biomass supply chains for minimization of costs and deviations from safety stock. Energy Conversion and Management: X, 11, 100101. https://doi.org/10.1016/j.ecmx.2021.100101
Alayet, C., Lehoux, N., Lebel, L. (2018) Logistics approaches assessment to better coordinate a forest products supply chain. Journal of Forest Economics, 30, 13–24. https://doi.org/10.1016/j.jfe.2017.11.001
Bengio, Y., Lodi, A., Prouvost, A. (2021). Machine learning for combinatorial optimization: A methodological tour d’horizon. European Journal of Operational Research, 290(2), 405–421. https://doi.org/10.1016/j.ejor.2020.07.063
Broz, D. Vanzetti, N. Corsano, G. Montagna, J. (2019) Goal programming application for the decision support in the daily production planning of sawmills. Forest Policy and Economics, 102, 29–40. https://doi.org/10.1016/j.forpol.2019.02.004
Díaz-Balteiro, L.; Pachón, J.; Romero, C. Goal programming in forest management: customizing models for the decision-makers preferences. Scandinavian Journal of Forest Research (2013) 28(2): 166-173. https://doi.org/10.1080/02827581.2012.712154
Gambella, C., Ghaddar, B., Naoum-Sawaya, J. (2021). Optimization problems for machine learning: A survey. European Journal of Operational Research, 290(3), 807–828. https://doi.org/10.1016/j.ejor.2020.08.045
Goli, A., Tirkolaee, E. B., Malmir, B., Bian, G.-B., & Sangaiah, A. K. (2019). A multi-objective invasive weed optimization algorithm for robust aggregate production planning under uncertain seasonal demand. Computing, 101(6), 499–529. https://doi.org/10.1007/s00607-018-00692-2
Gütmen, S.; Roy, S. K.; Weber, G-W. (2023). An overview of weighted goal programming: a multi-objective transportation problem with some fresh viewpoints. Central European Journal of Operations Research, 32 (3), 1-12. 10.1007/s10100-023-00861-5.
Kotary, J., Fioretto, F., Hentenryck, P. van, Wilder, B. (2021). End-to-End Constrained Optimization Learning: A Survey. Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence, 4475–4482. https://doi.org/10.24963/ijcai.2021/610
Kumar, A.; Pant, S. (2023). Analytical hierarchy process for sustainable agriculture: An overview. MethodsX, 10, 101954. https://doi.org/10.1016/j.mex.2022.101954.
Lee, A.H.I.; Chen, H. H.; Kang, H.Y. (2017) A conceptual model for prioritizing dam sites for tidal energy sources, Ocean Eng., 137, 38-47. https://doi.org/10.1016/j.oceaneng.2017.03.039.
Najafizadeh, A., Salajegheh, A., Rahmani, A.M.; Sahafi, A. (2022) Multi-objective Task Scheduling in cloud-fog computing using goal programming approach. Cluster Computing, 25, 141–165. https://doi.org/10.1007/s10586-021-03371-8
Qin, C., Klabjan, D., Russo, D. (2017). Improving the expected improvement algorithm. In Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS'17). Curran Associates Inc., Red Hook, NY, USA, 5387–5397.
Rasmussen, C. E., & Williams, C. K. I. (2005). Gaussian Processes for Machine Learning. The MIT Press. https://doi.org/10.7551/mitpress/3206.001.0001
San Cristobal, J.R. (2012) A goal programming model for the optimal mix and location of renewable energy plants in the north of Spain, Renew. Sustain. Energy Rev., 16 (7), 4461-4464. https://doi.org/10.1016/j.rser.2012.04.039.
Santos, A.; Carvalho, A.; Barbosa-Póvoa, A.; Marques, A.; Amorim, P. (2019) Assessment and optimization of sustainable forest wood supply chains – A systematic literature review. Forest Policy and Economics, 105, 112-135. https://doi.org/10.1016/j.forpol.2019.05.026
Vanzetti, N.; Corsano, G.; Montagna, J. M. (2022) Economical Assessment of the Benefits of the Supply Chain Management: A Forestry Industry Example. Ind. Eng. Chem. Res., 61 (35), 13205-13220. https://doi.org/10.1021/acs.iecr.2c01655.
Yue, D., You, F. (2017) Stackelberg-game-based modeling and optimization for supply chain design and operations: A mixed integer bilevel programming framework. Computers and Chemical Engineering, 102, 81–95. https://doi.org/10.1016/j.compchemeng.2016.07.026
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Dan E. Kröhling, María Laura Cúnico, Nicolás Andrés Vanzetti, Gabriela Corsano
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
