La sociedad de la que formamos parte confía cada vez más en sistemas tecnológicos complejos para prestar servicios y producir bienes de consumo. Podemos pensar en sistemas de gestión de tráfico y flotas de vehículos, sistemas de producción, puertos y aeropuertos, sistemas de mantenimiento industrial, redes de telefonía, sistemas de gestión médica y hospitalaria, sistemas de gestión de recursos en catástrofes naturales, etc.
Estos sistemas complejos deben ser diseñados y operados de manera que satisfagan las expectativas de los usuarios, que suelen ser muy exigentes, por lo que es necesario que su funcionamiento sea óptimo o, al menos, que utilicen de forma eficiente los recursos disponibles.
El diseño y la operación de estos sistemas exigen tomar numerosas decisiones, ya que suelen presentar muchos grados de libertad que deben ser configurados. Por ejemplo, al operar un sistema productivo es preciso definir el tipo de productos que se van a fabricar en cada momento, las materias primas y otros recursos, los flujos de información, recursos y productos, etc. Al diseñar un sistema productivo es necesario definir el tipo y número de máquinas que se instalarán, su ubicación y cómo será la operación de dicho sistema.
Problemas y dificultades
Uno de los problemas más difíciles en el contexto de la toma de decisiones en sistemas complejos es predecir cuáles serán las consecuencias de tal o cual decisión, especialmente en escenarios con alta incertidumbre. En ocasiones, una mala decisión puede tener consecuencias nefastas para la seguridad de las personas o para la supervivencia de una empresa.
Existen diversas técnicas que ayudan a tomar decisiones basándose en predicciones. Una de ellas está sustentada en modelos de simulación. Este concepto se basa en el desarrollo de una descripción cuantitativa del sistema complejo de interés. Puede realizarse por medio de un algoritmo, de un grafo (en la imagen inferior se muestra un tipo particular de grafos de sistemas complejos llamados redes de Petri) o de expresiones matemáticas como ecuaciones diferenciales o ecuaciones de estado para sistemas de eventos discretos.
Los modelos se pueden configurar con las decisiones que se deseen tomar y su evolución puede simularse en periodos de tiempo virtual, permitiendo así conocer los efectos de dichas decisiones. El grado de precisión de la predicción dependerá de lo fiel y detallado que sea el modelo respecto del sistema original, así como del grado de incertidumbre en la información disponible para construir el modelo.
Una dificultad añadida al problema de la toma de decisiones en sistemas complejos es la llamada explosión combinatoria. Este problema surge cuando se pueden construir soluciones al problema de decisión completo combinando soluciones parciales a cada grado de libertad del sistema. El número de combinaciones posibles en ese contexto puede ser gigantesco y es lo que define el tamaño del espacio de soluciones.
Selección de soluciones
La exploración exhaustiva del espacio de soluciones llevaría demasiado tiempo, por lo que solo suele ser posible analizar un pequeño número de ellas. Estas soluciones permiten configurar el modelo y simularlo para predecir los efectos de dicha decisión. La selección de las soluciones a simular se suele hacer de forma intuitiva. La intuición puede ser de personas expertas en el ámbito del problema, aunque también es posible utilizar la “intuición” de un algoritmo, como en el caso de las heurísticas y las metaheurísticas. Algunas de ellas imitan fenómenos naturales como el de la evolución de las especies, el comportamiento de colonias de hormigas, enjambres de partículas o el recocido de metales.
Una vez explorado un cierto número de soluciones prometedoras y evaluados los efectos de cada una de ellas en relación con los objetivos del sistema, es posible jerarquizar las soluciones analizadas o escoger una de ellas para una toma de decisiones. Este tipo de metodología ha sido planteado y aplicado satisfactoriamente por investigadores de la UPNA a sistemas de fabricación, industria alimentaria, industria 4.0, gestión de tráfico y redes logísticas, entre otros.
Este post ha sido realizado por Juan Ignacio Latorre Biel, profesor del Departamento de Ingeniería Mecánica, Energética y de Materiales de la Universidad Pública de Navarra (UPNA) y miembro del Institute of Smart Cities (ISC)