Cada año alrededor de 500 desastres naturales provocan la muerte de aproximadamente 70000 personas, y afectan a más de 200 millones de personas en todo el mundo. Cuando esos eventos ocurren, se requieren cantidades muy altas de suministros para proveer apoyo a las personas afectadas. Una forma en que las organizaciones que brindan asistencia ante desastres mejoran su efectividad es mediante la localización anticipada de suministros, lo que se conoce como preposicionamiento. Este tipo de problema es difícil de resolver computacionalmente ya que está relacionado a los problemas de localización y cubrimiento, los cuales se conocen por ser NP-hard. El objetivo del presente proyecto fue desarrollar y evaluar un algoritmo para maximizar el cubrimiento de la demanda de las personas afectadas por un desastre natural, minimizando a su vez los costos involucrados en la localización de suministros. Para ello se utilizó una formulación de programación Bi-Nivel para resolver el problema mencionado anteriormente, tomando como base el modelo Maximal Covering Location Problem. Una de las dificultades de la programación bi-nivel es que no existe una forma de hallar una solución óptima de forma eficiente, por lo tanto, lo que se buscó en este trabajo es desarrollar un procedimiento heurístico para intentar obtener una solución con la mayor cobertura posible y de menor costo. Se desarrolló un procedimiento iterativo que utiliza la metaheurística Tabu Search para resolver el problema de primer nivel, y el segundo nivel a través de GLPK. Se implementaron distintas variantes del algoritmo que emplean diferentes optimizaciones para el problema de primer nivel, consiguiendo así soluciones de distintas características para una misma instancia. La evaluación de la mejor solución se hizo en base al concepto de Costo-Efectividad, la cual considera tanto el costo como el cubrimiento de una solución. Por lo tanto, partiendo de soluciones en las cuales no se tiene en cuenta el costo, se fue evolucionando hasta llegar a una solución de mejor Costo-Efectividad. Los resultados obtenidos mejoraron el Costo-Efectividad obtenido por un algoritmo existente, esto quiere decir que el preposicionamiento es más efectivo en cuanto a costos.