💻 computer science

Viable Supply Chain Network Design: Machine Learning-Derived Chance-Constrained Programming

Este artículo propone un enfoque de programación con restricciones de probabilidad mejorado mediante aprendizaje automático para diseñar una red de cadena de suministro de dos niveles viable, resiliente y ambientalmente sostenible que considere las interrupciones entre niveles, demostrando que la formulación implícita resultante y sus heurísticas asociadas proporcionan soluciones de alta calidad y computacionalmente eficientes para instancias a gran escala en comparación con los métodos tradicionales basados en escenarios.

Autores originales: Mohammad Rohaninejad, Behdin Vahedi-Nouri, Elham Jelodari Mamaghani, Mehdi Foumani, Olga Battaia

Publicado 2026-06-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mohammad Rohaninejad, Behdin Vahedi-Nouri, Elham Jelodari Mamaghani, Mehdi Foumani, Olga Battaia

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres el gerente de un sistema de entrega masivo de dos niveles. En la planta baja, tienes tiendas locales (el primer escalón) que sirven a los clientes. En la planta alta, tienes grandes almacenes (el segundo escalón) que abastecen a las tiendas. Tu objetivo es decidir dónde construir estas tiendas y almacenes, cómo conectarlos y cómo mantener todo funcionando sin problemas incluso cuando las cosas salen mal.

Este artículo aborda un problema muy específico: ¿Cómo se diseña esta red para que no solo sobreviva a un desastre, sino que en realidad prospere? Los autores llaman a esto "viabilidad". Ellos argumentan que ser "resiliente" (tener planes de respaldo) no es suficiente. También necesitas "agilidad" (la capacidad de moverse rápido) y "sostenibilidad" (mantener la contaminación baja).

Aquí hay un desglose de su solución utilizando analogías simples:

1. Los tres pilares de una red "viable"

Los autores dicen que una buena red necesita tres superpoderes:

Resiliencia (El plan de respaldo): Si una tienda cierra debido a un corte de energía, los clientes no deberían quedarse sin comida. Necesitan una tienda de respaldo a la cual cambiarse.
Agilidad (El escuadrón de emergencia): A veces, una tienda de respaldo está demasiado lejos. En esos casos, la red necesita "instalaciones móviles": piensa en ellas como camiones de comida de emergencia que pueden estacionarse justo donde se necesitan, instantáneamente.
Sostenibilidad (El límite verde): La red no debe contaminar demasiado. Los autores establecen un "límite de velocidad" estricto para la cantidad total de emisiones de carbono que los camiones pueden producir.

2. El problema: Demasiados "¿Qué pasaría si...?"

Diseñar esta red es como intentar resolver un rompecabezas donde las piezas cambian de forma constantemente.

El enfoque basado en escenarios (El método de la "lista"): Una forma de resolver esto es escribir cada posible desastre (por ejemplo, "La tienda A falla", "La tienda B falla", "Ambas fallan", "La tienda A falla y además llueve"). Luego, calculas el costo para cada una de las listas.
- El inconveniente: Si tienes 100 tiendas, el número de posibles listas de desastres es tan enorme (como el número de granos de arena en una playa) que incluso las supercomputadoras más rápidas se quedan trabadas intentando leer la lista. Toma demasiado tiempo.
El enfoque implícito (El método de la "regla"): Los autores probaron una forma más inteligente. En lugar de listar cada desastre, construyeron un conjunto de reglas (una "jerarquía de respaldo"). "Si la Tienda A falla, ve a la Tienda B. Si la Tienda B falla, ve a la Tienda C". Esto es mucho más rápido de calcular.

3. El arma secreta: El Aprendizaje Automático como una "Bola de Cristal"

La parte difícil son las instalaciones móviles (los camiones de emergencia). No puedes simplemente decir: "Tendremos 5 camiones". Tienes que preguntar: "¿Cuál es la probabilidad de que necesitemos más de 5 camiones al mismo tiempo?".

Calcular esta probabilidad es matemáticamente imposible de hacer perfectamente en un tiempo razonable. Es como intentar predecir exactamente cuántas personas asistirán a una fiesta en un martes cualquiera.

La solución: Los autores utilizaron el Aprendizaje Automático (Machine Learning) para actuar como una "bola de cristal".

Ejecutaron miles de simulaciones para ver qué sucede cuando fallan diferentes cantidades de tiendas.
Enseñaron a una computadora (usando algoritmos como la Regresión Logística) a reconocer patrones: "Ah, cuando 3 tiendas fallan con este patrón específico, siempre necesitamos más de 5 camiones. Ese es un mal patrón".
Convirtieron este aprendizaje en una regla matemática simple (un "corte lineal").
Ahora, en lugar de realizar cálculos de probabilidad complejos cada vez, la computadora simplemente verifica la regla: "¿Este plan parece tener los 'malos patrones' que la computadora aprendió? Si es así, recházalo. Si no, acéptalo".

Esto les permitió resolver el problema el 95% de las veces (el nivel de confianza que querían) sin quedarse trabados en las matemáticas.

4. La estrategia "Fix-and-Relax" (Corregir y Relajar)

Incluso con el truco del aprendizaje automático, el problema sigue siendo enorme para grandes ciudades con cientos de tiendas. Resolverlo todo de una vez es como intentar comerse un elefante entero de un solo bocado.

Los autores desarrollaron una estrategia de "Fix-and-Relax":

Paso 1: Resuelve el problema para solo las primeras pocas tiendas (el "primer bocado").
Paso 2: Una vez que decidas dónde van esas tiendas, "congela" esa decisión.
Paso 3: Relaja las reglas para el resto de la red (pretende que las otras tiendas son flexibles) y resuelve para el siguiente lote.
Paso 4: Repite hasta que toda la red esté diseñada.

Probaron dos versiones de esto: una que construye la red capa por capa (basada en escalones) y otra que la construye nivel por nivel de respaldo (basada en respaldos). Ambas fueron increíblemente rápidas y encontraron soluciones de alta calidad.

5. El gran descubrimiento: Trabajar juntos, no trabajar solos

El artículo comparó dos formas de planificación:

Jerárquica: El jefe del almacén decide dónde van los almacenes, bloquea esa decisión y luego le dice al jefe de las tiendas: "Bien, ahora tú decides dónde van las tiendas".
Integrada: Todos se sientan en la misma sala y deciden toda la red al mismo tiempo.

El resultado: El enfoque Integrado fue significativamente mejor (ahorrando aproximadamente un 12% en costos en promedio). Demostró que si los diferentes niveles de la cadena de suministro no se comunican y no planifican juntos, todo el sistema se vuelve ineficiente y más costoso.

Resumen

El artículo presenta una nueva forma de diseñar cadenas de suministro que sean resistentes, ágiles y ecológicas. Combinaron la optimización matemática con el aprendizaje automático para manejar la incertidumbre de los desastres. Descubrieron que, al usar "reglas" inteligentes en lugar de listas interminables, y al lograr que todas las partes de la red planifiquen juntas en lugar de por separado, las empresas pueden construir cadenas de suministro que sobrevivan a las interrupciones sin quebrar el banco o el planeta.

Resumen Técnico: Diseño de Red de Cadena de Suministro Viable: Programación con Restricciones de Probabilidad Derivada de Aprendizaje Automático

Definición del Problema
Este estudio aborda el diseño de un Problema de Diseño de Red de Cadena de Suministro de Dos Eslabones Viable (VTE-SCNDP) bajo condiciones de interrupción de instalaciones. A diferencia de los modelos tradicionales que tratan los eslabones de la cadena de suministro de forma aislada o se centran únicamente en la resiliencia, esta investigación integra tres pilares fundamentales de la viabilidad:

Resiliencia: Lograda mediante mecanismos de reasignación de respaldo donde los clientes son redirigidos a instalaciones alternativas si su asignación primaria falla.
Agilidad: Modelada mediante el despliegue de instalaciones móviles que pueden establecerse rápidamente para atender a los clientes afectados cuando las instalaciones regulares no están disponibles o cuando se exceden los umbrales de tiempo de respuesta.
Sostenibilidad: Impuesta mediante una restricción estricta sobre las emisiones totales de transporte esperadas.

La red consta de dos eslabones donde el primer eslabón actúa tanto como proveedor de servicios a los usuarios finales como cliente del segundo eslabón. Se asume que las interrupciones ocurren de forma independiente en ambos niveles. El objetivo es minimizar el costo total esperado, que comprende costos fijos de establecimiento, costos de transporte y penalizaciones por demanda no satisfecha, garantizando la satisfacción de la demanda en ambos eslabones bajo incertidumbre.

Metodología
El artículo propone dos formulaciones distintas de Programación Entera Mixta (MIP) y un conjunto de algoritmos de solución:

Formulación Basada en Escenarios (SBF):
- Enumera explícitamente todos los posibles escenarios de interrupción.
- Minimiza los costos esperados a través de estos escenarios.
- Aunque es precisa, sufre un crecimiento exponencial en el tamaño del problema, lo que la vuelve computacionalmente intratable para instancias de gran escala.
Formulación Implícita (IF):
- Evita la enumeración explícita de escenarios mediante el modelado de relaciones de respaldo. Los clientes son preasignados a secuencias de instalaciones de respaldo basadas en prioridad y proximidad.
- Integración de Aprendizaje Automático: Una innovación clave es el manejo del requerimiento de programación con restricciones de probabilidad para la capacidad de la instalación móvil. La restricción de que la probabilidad de exceder la capacidad de la instalación móvil sea menor al 5% (es decir, un 95% de confianza de servicio) es computacionalmente intratable debido a la falta de una Función de Distribución Acumulativa (CDF) de forma cerrada para la suma de fallos de Bernoulli independientes.
- Solución: Los autores reemplazan esta restricción intratable con cortes lineales aprendidos. Generan un conjunto de datos de patrones de asignación de clientes, los etiquetan según si satisfacen el umbral de capacidad del 95%, y entrenan clasificadores lineales (Regresión Logística, LR con regularización L1, SGD, Perceptrón y LR con $C=0.1$ ). El mejor clasificador se incorpora al MIP como una restricción lineal para imponer el nivel de servicio.
Algoritmos de Solución:
- Heurísticas de Fix-and-Relax: Se desarrollan dos heurísticas para resolver el IF para problemas de gran escala:
  - Fix-and-Relax Basado en Respaldo (BBFR): Descompone el problema por niveles de respaldo ( $R_1 + R_2$ iteraciones), optimizando un nivel a la vez mientras fija los niveles anteriores y relaja los futuros.
  - Fix-and-Relax Basado en Eslabones (EBFR): Descompone el problema por eslabón, resolviendo completamente el primer eslabón antes de fijar sus decisiones para resolver el segundo eslabón.
- Aproximación de Promedio de Muestreo (SAA): Aplicada al SBF para aproximar el valor esperado para instancias de tamaño medio mediante el muestreo de un subconjunto de escenarios.
- Ajuste de Post-Optimalidad: Se aplica un algoritmo de corrección a las soluciones del IF para contabilizar la ligera subestimación de los costos causada por la naturaleza probabilística de las restricciones de probabilidad (las violaciones en la cola <5% se penalizan post-hoc).

Contribuciones Clave

Integración Conceptual: El artículo operacionaliza el concepto de "viabilidad" al modelar simultáneamente la resiliencia, la agilidad (vía instalaciones móviles) y la sostenibilidad ambiental dentro de un marco de diseño de red multi-eslabón.
Modelado de Doble Eslabón: A diferencia de estudios previos restringidos a un solo eslabón o interrupciones de un solo eslabón, este modelo captura interrucciones de doble eslabón, reconociendo que los fallos en un eslabón pueden derivar en cascada afectando al otro.
Aprendizaje Automático para la Optimización: El estudio es pionero en el uso de cortes lineales aprendidos derivados de algoritmos de clasificación para reemplazar restricciones de probabilidad intratables en el diseño de redes de cadena de suministro, cerrando la brecha entre los requisitos de servicio probabilísticos y la tractabilidad computacional.
Desarrollo Algorítmico: La introducción de heurísticas de Fix-and-Relax diseñadas específicamente para problemas de red de doble eslabón viables y la aplicación de SAA a escenarios viables.

Resultados
Se realizaron experimentos computacionales en 12 conjuntos de datos generados aleatoriamente que variaban desde escalas pequeñas hasta grandes (hasta 375 nodos).

Comparación de Formulaciones: La Formulación Implícita (IF) superó consistentemente a la Formulación Basada en Escenarios (SBF) en términos de tiempo de cómputo y escalabilidad. Mientras que el SBF no pudo resolver instancias mayores a 80 nodos dentro del límite de tiempo, el IF resolvió instancias de hasta 300 nodos. Las soluciones del IF se encontraron dentro del 0.7% al 3.69% de las mejores soluciones conocidas (tras la corrección de post-optimalidad).
Desempeño de las Heurísticas: Tanto la heurística BBFR como la EBFR demostraron ser altamente efectivas. La EBFR generalmente proporcionó las soluciones de mayor calidad (a menudo con un RPD1 de 0.00%) con tiempos de cómputo razonables, superando al SAA en instancias de gran escala.
Eficacia del Aprendizaje Automático: Los clasificadores entrenados (particularmente la Regresión Logística con $C=0.1$ ) lograron una alta precisión (hasta un 95.1%) en distinguir patrones de asignación factibles de los no factibles, validando la sustitución de la restricción de probabilidad con cortes lineales aprendidos.
Optimización Integrada vs. Jerárquica: Un análisis comparativo reveló que la optimización integrada (toma de decisiones simultánea en todos los eslabones) produce resultados significativamente mejores que la optimización jerárquica (optimizar los eslabones secuencialmente). El enfoque integrado redujo los costos en un promedio del 12.26% en comparación con el enfoque jerárquico.
Sensibilidad: Los métodos propuestos demostraron robustez bajo variaciones en las probabilidades de fallo, aunque se observó una degradación del desempeño en el SAA a medida que las probabilidades de fallo superaban el 0.7.

Significancia y Reivindicaciones
Los autores afirman que este estudio representa la primera aplicación de heurísticas de fix-and-relax y aprendizaje de restricciones basado en aprendizaje automático al diseño de redes de cadena de suministro de doble eslabón viables bajo interrupciones. La importancia del trabajo radica en:

Escalabilidad: Proporcionar una alternativa computacionalmente eficiente (IF + Heurísticas) a los métodos exactos basados en escenarios para redes de cadena de suministro de gran escala y complejas.
Viabilidad Práctica: Demostrar que integrar resiliencia, agilidad y sostenibilidad no solo es teóricamente posible, sino también computacionalmente tratable, ofreciendo una vía para la supervivencia de la red a largo plazo.
Perspectiva Estratégica: Destacar la importancia crítica de la toma de decisiones integrada a través de los eslabones de la cadena de suministro. Los resultados sugieren que la optimización aislada conduce a diseños de red subóptimos, mientras que la planificación coordinada mejora significativamente el desempeño del sistema y la eficiencia de costos.
Avance Metodológico: Cerrar con éxito la brecha entre la teoría y la práctica al reemplazar las complejas restricciones probabilísticas con aproximaciones lineales basadas en datos, haciendo que los modelos de optimización avanzada sean aplicables a los desafíos reales de la cadena de suministro.