Algoritmos Evolutivos para la Secuenciación de Operaciones con Tiempos de Preparación

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Algoritmos Evolutivos para la Secuenciación de Operaciones con Tiempos de Preparación"

Transcripción

1 7 Algoritmos Evolutivos para la Secuenciación de Operaciones con Tiempos de Preparación Evolutionary Algorithms for the Scheduling with Setups Times Mayra D Armas Regnault Palabras Claves: Algoritmos Evolutivos, Secuenciación, tiempos de preparación, familia de productos Key Words: Evolutionary Algorithms, Scheduling, setup times, family jobs RESUMEN Este trabajo se enmarca dentro del área de la programación de procesos de producción y tiene como objetivo evaluar, mediante pruebas computacionales, el comportamiento de los Algoritmos Evolutivos en la resolución de un problema de secuenciación de operaciones. El problema estudiado considera una máquina con tiempos de preparación dependientes de la secuencia, familia de productos y fechas de vencimientos, con el objetivo de minimizar el retraso total. Dado que alcanzar la solución óptima requiere un proceso excesivamente largo, se optó por un algoritmo metaheurístico, del grupo de los Algoritmos Evolutivos. La dimensión de la población se tomó en función del número de piezas, se consideró como medida de calidad de un individuo (solución) el valor del retraso total, parejas por bondad de la solución, cruce PMX y probabilidad de mutación del 30% con mutación blanda. Cada uno de los diferentes operadores que configuran el Algoritmo Evolutivo, se implementaron mediante el lenguaje Visual Basic 6.0 y se probaron en una colección de 1000 instancias del problema con un número de familias entre 4 6 y con un número de piezas entre Los resultados computacionales obtenidos demuestran que el Algoritmo Evolutivo propuesto arroja mejores resultados que los obtenidos con las reglas de secuenciación. ABSTRACT This work can be located in the production scheduling area and pretends to evaluate, using computational tests, the behavior of Evolutionary Algorithms to solve a scheduling problem. The studied problem considers a single machine with sequencedependent setup times, family jobs and deadlines, with the objective to minimize the total tardiness. Since the optimal solution requires an excessively long time, it is applied a meta heuristic algorithm, within the group of Evolutionary Algorithms. The sample size depends on the number of jobs, individual solutions are selected through the value of total tardiness, pairs by flexibility of the solution, crossover PMX and the mutation probability of 30% with soft mutation. Therefore, each of the different operators used in Evolutionary Algorithms were implemented, by means of Visual Basic language 6.0, and tested on 1000 instances with a total number of families between 4 6 and with a total number of jobs between 15

2 8 25. The obtained computational results demonstrated that the proposed Evolutionary Algorithm had a better performance than the sequencing rules. INTRODUCCIÓN En muchos ambientes industriales tales como la industria química, textil, del plástico, farmacéutica y del metal, es común que se lleven a cabo diversos tipos de operaciones que requieren un cierto tiempo de preparación entre una operación y otra (D Armas, 2005). También, es muy común la existencia de unas fechas límites para la entrega de los pedidos, lo que puede determinar la presencia de retrasos en las entregas, con lo que el objetivo básico se convierte en la minimización de los retrasos de los pedidos. Muchas de las investigaciones en el área de la secuenciación de operaciones, consideran que cuando una máquina cambia de un trabajo a otro no hay tiempos de preparación, y si los hay, éstos se consideran independientes de la secuencia. No obstante, la suposición de que los tiempos de preparación son insignificantes o forman parte del tiempo de procesamiento no es válida para el caso de tiempos de preparación dependientes de la secuencia, y en el caso de tiempos de preparación independientes de la secuencia puede conducir a un incremento de los tiempos muertos en algunas de las máquinas (Allahverdi, 2000). El problema objeto de estudio es de tipo combinatorio (Morales, 2004). Resolver un problema combinatorio se puede resumir en encontrar la solución óptima dentro de un conjunto finito de alternativas, asumiendo que la calidad de la solución es cuantificable y comparable con cualquier otra solución. Sin embargo, alcanzar la solución óptima requiere un proceso excesivamente largo. Por ejemplo, para resolver un problema combinatorio por enumeración con n=20, se tendrían 20!= 2,43x10 18 posibilidades. Obviamente, no es factible resolver cada una de las posibles soluciones, por lo que en este trabajo se recurrió a otro tipo de métodos de resolución llamados heurísticos. En este trabajo se planteó encontrar una secuencia de n piezas, en una situación de una máquina, con tiempos de preparación dependientes de la secuencia, y familia de productos que minimice el retraso total. Para resolver este problema se programó un Algoritmo Evolutivo (EA, por sus siglas en inglés). Mediante una investigación no experimental se evaluó el comportamiento del algoritmo. La experiencia computacional se realizó en 1000 ejemplares con un número total de piezas entre y un número de familias entre 4 6. La importancia del caso tratado en esta investigación radica en que muchas industrias del sector metalmecánico en Venezuela, se caracterizan por una situación casi prototípica reducible a un problema de una máquina con tiempos de preparación dependientes de la secuencia, con familia de productos y fechas de vencimiento, con lo que el objetivo básico

3 9 se convierte en la minimización de los retrasos de los pedidos. En el desarrollo del trabajo se muestran los antecedentes y trabajos relacionados. Seguidamente se presenta el planteamiento del problema. Posteriormente se describe la metodología aplicada, las reglas de secuenciación que permitieron generar las soluciones iniciales y el algoritmo evolutivo. Finalmente, se muestran los resultados obtenidos en la experiencia computacional y las conclusiones. Antecedentes Según Lee y Pinedo (2002) hay varios ambientes productivos que son de interés. El ambiente más básico es el de una máquina, todas las piezas tienen que procesarse una y solamente una vez en esta máquina. Un ambiente más general es un conjunto con m máquinas idénticas en paralelo, en este conjunto cada pieza tiene que procesarse exactamente una vez y puede hacerlo en cualquier máquina. Un tercer ambiente es el denominado ambiente flowshop, en este ambiente cada pieza tiene que ser sometida al procesamiento en cada una de las m máquinas. Cada pieza se procesa primero en la máquina 1, luego se procesa en la máquina 2, después de finalizado su procesamiento tiene que ir a la máquina 3, y así sucesivamente. Dado que las rutas de todas las piezas en un flowshop son idénticas, las máquinas se organizan en serie. Un cuarto ambiente es una generalización del flowshop, el cual se denomina job shop. Otra vez cada pieza tiene que ser procesada en cada una de las máquinas, pero ahora cada pieza tiene su propia ruta y las rutas pueden ser diferentes. Los trabajos sobre el tema, reflejados en el presente artículo se basan en estudios de una máquina. Siguiendo lo propuesto por Allahverdi, Gupta y Aldowaisan (1999), se clasificaron en problemas con familias y sin familias, con tiempos de preparación que pueden ser dependientes de la secuencia o independientes de la secuencia. De acuerdo con Narasimhan et al (1995), el caso de una máquina es el más sencillo de todos los ambientes industriales y es un caso especial de todos los otros ambientes industriales más complicados. En la figura siguiente se presenta un esquema del ambiente de una máquina n 1 Piezas Máquina Figura 1. Configuración de n piezas, una máquina

4 10 Los modelos de una máquina son importantes por varias razones. Los resultados que puedan obtenerse de modelos de una máquina no solamente proporcionan conocimiento en el ambiente de una máquina, también proporcionan una base para las heurísticas de ambientes industriales más complicados. En la práctica, los problemas de programación en ambientes con más máquinas con frecuencia se descomponen en subproblemas que se ocupan de una máquina (Narasimhan et al, 1995). La investigación sobre la programación de una máquina, desde el punto de vista teórico, es muy útil para compenetrarse en el comportamiento de las reglas de programación según ciertos criterios particulares. Desde el punto de vista práctico tiene aplicación en diversos casos reales en donde existe una sola máquina o instalación compleja funcionando sincronizadamente (industrias químicas y de proceso, detergentes, pinturas, etc.) o bien cuando una sola máquina es el cuello de botella del taller. En la Tabla 1 se resumen los trabajos relacionadas con la secuenciación de operaciones en una máquina, indicando si consideran familias de productos y tiempos de preparación dependientes o independientes de la secuencia, así como también el índice de eficiencia y el método de resolución del problema (la aplicación de diferentes métodos como son la Programación Lineal PL, Programación Lineal Entera Mixta MILP, Algoritmos Branch & Bound B&B, Recocido Simulado SA, Algoritmo Genético GA, Búsqueda Tabú TS, Programación Dinámica PD y Greedy Randomized Adaptive Search Procedure GRASP). A partir de la revisión de la literatura mostrada, se evidencia el interés en investigaciones con consideraciones de tiempos de preparación, la falta de aplicaciones en ambientes industriales reales y que la mayoría de las investigaciones que consideran las familias de productos, asumen que los tiempos de preparación son independientes de la secuencia. Del análisis de los antecedentes se concluye que es un campo abierto para futuras investigaciones que se ocupen de las aplicaciones de sistemas del mundo real, tales como por ejemplo secuenciación de familias, fechas de vencimiento, nowait o limitaciones en los almacenamientos intermedios.

5 11 AUTOR Tabla 1. Trabajos relacionados con problemas de una máquina. TIEMPOS DE PREPARACIÓN Independientes de la secuencia Dependientes de la secuencia FAMILIAS ÍNDICE DE EFICIENCIA Ng et al (2004) X X Tiempo total de procesamiento de la pieza, Peso total del consumo de recurso Lee y Asllani (2004) X Número de operaciones retrasadas y tiempo de procesamiento Rabadi et al (2004) X Cantidad de adelantos y retrasos MÉTODO APLICADO Algoritmo PL Algoritmo MILP y GA Algoritmo B&B França et al (2001) X Retraso total MA y GA Baker y Magazine (2000) X X Retraso máximo Algoritmo B&B Dunstall et al (2000) X X Peso del tiempo de Algoritmo B&B permanencia Tan et al (2000) X Retraso total Algoritmo B&B, GA, SA Baker (1999) X X Retraso máximo Procedimiento heurístico Sun et al (1999) X Peso del retraso al cuadrado Relajación de Lagrange Kolahan y Liang (1998) X Costos de penalidad por retraso y por adelanto, Costo de incremento del tiempo de operación y de reducción MILP y TS Webster (1998) X Peso total de los retrasos/adelantos de todas las operaciones Chen Z L (1997) X X Adelanto total y retraso total Algoritmo PD Liaee y Emmons (1997) X X X Tiempo total de finalización, tiempo máx. Finalización, retraso máx., nº operaciones retrasadas, costo máx. Tan y Narasimhan (1997) X Retraso total SA GA Clasificación NP Asano y Ohta (1996) X Adelanto total Algoritmo B&B Feo et al (1996) X Suma de penalidades por retraso y costos de preparación GRASP Shutten et al (1996) X X Máximo retraso Algoritmo B&B Zdrzalka (1996) X X Tiempo de procesamiento Algoritmo B&B Gupta y Hob (1995) X X Número de operaciones retrasadas Alg. heurístico y B&B Planteamiento del problema El prototipo del problema de secuenciación se denomina problema del Taller Mecánico (Job Shop Problem). Según Companys (2003), el enunciado básico general del problema es: n piezas (lotes de piezas, pedidos u órdenes de trabajo) deben realizarse en m máquinas (recursos, secciones, puestos de trabajo). La realización de cada pieza implica la ejecución, en cierto orden establecido, de una serie de operaciones prefijadas donde cada operación está asignada a una de las

6 12 m máquinas y tiene una duración determinada y conocida; debe establecerse un programa, es decir, la secuencia de operaciones en cada máquina y el intervalo temporal de ejecución de las operaciones, con el objetivo de optimizar un índice determinado que mide la eficiencia del programa. Una de las nomenclaturas utilizadas para denotar los problemas del Taller Mecánico es la propuesta por Conway et al (1967) formada por símbolos A / B / C / D, donde: A: número de piezas (n indica un número de piezas arbitrario). B: número de máquinas (m indica un número de máquinas arbitrario). C: patrón de flujo. [F: indica flujo regular (flow shop), todas las piezas tienen esencialmente la misma ruta. P: indica un caso particular del anterior en el que todas las máquinas tienen la misma secuencia de piezas. R: indica rutas aleatorias (randomly routed job shop). G: indica flujo general (jobshop)]. D: se refiere al índice de eficiencia elegido para evaluar los programas. [Cmax: instante de salida de la última pieza del taller. Fmax: tiempo de permanencia de la pieza que permanece más tiempo. Fmed: tiempo medio de permanencia en el taller. Tmax: retraso de la pieza que se retrasa más. Tmed: retraso medio]. Para los diferentes conceptos implicados en los problemas, la notación usada es la siguiente, dada una pieza i: n i p,i bi ri di w,i número de piezas índice de piezas i I ={1,2,3,,n} tiempo de procesamiento de la pieza i (processing time) familia a la que pertenece la pieza i (bach) instante de entrada de la pieza i en el taller (ready time) fecha de vencimiento de la pieza i (due date) tiempo de espera de la pieza i (waiting time) SThi tiempo de preparación de la pieza i cuando h ha sido la pieza anterior de la secuencia ai tiempo concedido para la realización de la pieza i ai d i ri ci instante de salida de la pieza i (completion time) c i ri wi pi STh, i Fi tiempo de permanencia de la pieza i F i ci ri wi pi STh, i Li diferencia entre el instante de salida real y el previsto (lateness) Li ci d i Ti retraso (tardiness) T max L,0 i i

7 13 De acuerdo con la notación, se trata del caso n/1// T, en que un conjunto de n piezas deben ser secuenciadas en una máquina. Se asume que la máquina puede procesar una sola pieza a la vez y que está disponible en el instante cero. Las piezas están disponibles al inicio del proceso y tienen un tiempo límite de entrega. Se asume que las piezas están clasificadas en familias y que el tiempo de preparación se produce cuando se pasa de una familia a otra. El tiempo de preparación de la máquina depende de la familia de la pieza a ser procesada y la familia de la pieza que la precede. Para cada pieza i se conoce el tiempo de operación; el tiempo de entrega, la familia a la que pertenece dicha pieza y los tiempos de preparación de la máquina al pasar de una familia a otra. Según la secuencia escogida, para cada pieza i el instante en que la pieza sale del taller ci, viene dado por: ci= ri+wi+pi+sthi y su retraso Ti viene dado por: Ti = max{0, ci di}. El objetivo es encontrar una secuencia de las piezas que minimice la suma del retraso de las piezas: n T i i 1 MIN Z (1) METODOLOGÍA El presente trabajo se realizó mediante una investigación no experimental del tipo exploratoria y evaluativa que permitió evaluar, mediante pruebas computacionales, el comportamiento de los Algoritmos Evolutivos para resolver el problema de secuenciación de operaciones. El Algoritmo Evolutivo se codificó en Visual Basic y las pruebas se realizaron en un computador personal Pentium IV 3.00 GHz y 1.00 GB Ram. En la experiencia computacional se probaron 1000 instancias, obtenidas mediante simulación en el Laboratorio de Organización Industrial del Departamento de Organización de Empresas de la Universidad Politécnica de Cataluña, con un número de familias entre 4 6 y con un número de piezas entre Las instancias se clasificaron en problemas de: (a) 15 piezas de 4 familias; (b) 20 piezas de 4 familias; (c) 25 piezas de 4 familias; (d) 20 piezas de 5 familias; (e) 25 piezas de 5 familias y (f) 25 piezas de 6 familias. Cada instancia se resolvió usando cuatro reglas de secuenciación diferentes y mediante el Algoritmo Evolutivo propuesto. Los datos dados para cada uno de las instancias: número de piezas, número de familias, tiempo de preparación para pasar de una familia a otra, tiempo de operación de cada pieza, tiempo de entrega de cada pieza, familia a la que pertenece cada pieza y la familia procesada anteriormente (para la cual la máquina está preparada inicialmente). Reglas de secuenciación Se aplicaron cuatro reglas que permitieron generar soluciones directas, las dos

8 14 primeras estáticas y las dos últimas dinámicas: EDD (earliest due date): consiste en ordenar las piezas, en orden creciente, de acuerdo con la fecha de vencimiento. Para cada pieza i se considera la fecha de vencimiento di y el tiempo de preparación STh,i (dependiente de la familia de la pieza anterior h). Dada las características del problema tratado, esta regla favorece las piezas más prioritarias, sin embargo no aprovecha la ventaja de reducir los tiempos de preparación al procesar, sucesivamente, piezas de la misma familia. SST EDD (shortest setup time earliest due date): consiste en ordenar las piezas por familias de acuerdo con el tiempo de preparación más corto cuando se cambia de una familia a otra (para favorecer un tiempo mínimo de cambios entre familias), y, además, secuenciar las piezas entre familia por orden creciente de fechas de vencimiento. CR1 (Cociente). Índice crítico para cada pieza i, basada en De Castro et al (2003), que consiste en calcular el índice de prioridad por medio de la fecha de vencimiento dividida por la suma entre el tiempo de preparación de la familia de la pieza i (dependiente de la familia de la pieza anterior h) y el tiempo de procesamiento de la pieza i. Las piezas que tienen el CR1 más pequeños se asignan primero. CR1= di/(sthi+pi) (2) CR2 (Suma ponderada). Consiste en asignar las piezas tomando en cuenta el índice de prioridad (α) para cada pieza i, el cual pondera la fecha de vencimiento, el tiempo de preparación de la familia de la pieza i (dependiente de la familia de la pieza anterior h) y el tiempo de procesamiento de la pieza i. Asignando primero las piezas que tienen índices más pequeños. Basado en Companys y D Armas (2005) se utilizó un α= 0,2 CR2 = 0.2 di+ 0.8 (pi+ SThi) (3) En el siguiente ejemplo se aplican las reglas de secuenciación descritas anteriormente, a un ejemplar de 12 piezas con 4 familias, asumiendo que la última familia procesada es la número uno. A continuación se presentan los datos relacionados con el tiempo de procesamiento, vencimiento, familia a la cual pertenece y la matriz de tiempos de preparación: i SThi pi di bi

9 15 Si se ordena conforme a la fecha de vencimiento EDD, la secuencia es , y los resultados son los siguientes: i pi bi SThi ci di Li Ti Si se ordenan por familia y fecha de vencimiento SST EDD, la secuencia es , obteniéndose los resultados siguientes: i pi bi SThi ci di Li Ti Si se ordenan de acuerdo con el índice crítico CR1, la secuencia es , obteniéndose los resultados siguientes: i CR1 1,90 2,22 2,50 2,56 2,82 3,14 3,63 3,88 5,25 5,56 6,14 6,83 pi bi SThi ci di Li Ti

10 16 Si se ordenan de acuerdo con el índice crítico CR2 (con α=0,5), la secuencia es , obteniéndose los resultados siguientes: i CR2 13,5 14,5 14, ,5 17,5 19, , ,5 pi bi SThi ci di Li Ti Si se comparan los resultados de las cuatro reglas de secuenciación, se puede observar que la secuencia SST EDD ofrece el menor retraso total; esta disminución puede ser debido a que se aprovecha la ventaja de reducir los tiempos de preparación al agrupar las piezas de la misma familia: Índice de eficacia CR1 EDD CR2 SST EDD Tmed 28,17 26,83 23,42 22,17 Tmax T Algoritmos evolutivos (EA) EA es un algoritmo de búsqueda que explora un espacio de soluciones que simula procesos en un sistema natural hacia la evolución, específicamente aquellos que siguen el principio de la supervivencia en función de la adaptabilidad (Adenso et al, 1996). EA fue desarrollado por Holland (1975), y se distingue muy claramente de los métodos Recocido Simulado, Búsqueda Tabú y GRASP, básicamente por el hecho de que en cada iteración se tiene un conjunto de soluciones, o población en curso y no una única solución en curso. Las soluciones sucesoras se obtienen a partir de parejas constituidas con los elementos de la población y no mediante la transformación de la solución en curso.

11 17 Formalización EA es una clase de metaheurística de búsqueda local que ha sido también propuesta para los problemas de optimización combinatoria. El concepto representa una solución factible como una cadena de genes, es decir cromosomas, que forman una población de soluciones. La evolución de la población se realiza mediante el cruce y la mutación (Goldberg, 1989). Cruce se refiere a la unión de dos soluciones para derivar nuevas individuales, mientras que mutación se refiere a una solución alterada por el cambio de un gen. La solución definida por las cadenas se evalúa mediante un valor de fitness (de adaptación al entorno). El procedimiento de la Metaheurística EA que se ha aplicado se explica cómo sigue. Sea P(g) y D(g) padres y descendientes respectivamente en la generación existente g: FOR g: = 0; Inicialización de la población P(g) Evaluación de P(g) FOR Recombinación de P(g) para generar D(g); Evaluación de D(g); Selección de P(g + 1) de P(g) y D(g); g: = g + 1 END END En cada iteración se obtiene el conjunto de descendientes de la población, y a partir de la reunión de la población y sus descendientes se obtiene la población de la iteración siguiente. Los descendientes se obtienen mediante los procesos de selección, cruce y mutación; la nueva población mediante la regeneración. Población inicial La dimensión de la población se tomó igual al número de piezas de tal manera que la población tiene una relación directamente proporcional con la dimensión del problema a tratar. En cuanto a su composición, la población inicial se dividió en dos partes iguales, las

12 18 cuales se diferencian entre sí por el esquema de confección de los cromosomas que conforman dicha población. La mitad de la población se forma secuenciando todas las operaciones, en orden creciente, de acuerdo con la fecha de vencimiento. Posteriormente, se generan aleatoriamente, dos genes a permutar en la secuencia dando lugar a una nueva secuencia. La otra mitad, se forma secuenciando todas las operaciones de acuerdo con el Índice Crítico CR2 en orden no decreciente de su índice. Posteriormente, se generan aleatoriamente, dos genes a permutar en la secuencia dando lugar a una nueva secuencia. Se utilizó la Regla CR2 ya que es estadísticamente más efectiva que CR1, EDD y SST EDD. Selección El retraso total ( T) se consideró como la medida de la calidad de un individuo (solución). El proceso de selección se realizó mediante la combinación de las mejores secuencias y de forma aleatoria. Un 50% de las secuencias a cruzar lo conforman las mejores soluciones de la población actual y el otro 50% se elige aleatoriamente. Cruces Las soluciones progenitoras del grupo seleccionado, se emparejaron por orden de bondad de la solución, es decir, la primera solución se empareja con la segunda, la tercera con la cuarta, etc. dentro de la lista de soluciones elegidas ordenadas de acuerdo con el valor de T. A continuación, una vez que se tienen las parejas, se procede a realizar el cruce entre ambas, las cuales generan dos soluciones descendientes. El procedimiento de cruce que se ha aplicado es el Cruce PMX (Partially Matched Crossover). Dadas dos soluciones progenitoras, se eligen dos puntos de cruce al azar, luego, el procedimiento copia los genes de uno de los padres directamente a las mismas posiciones en el hijo. Las posiciones restantes se llenan con los valores que aún no han sido utilizados en el mismo orden en que se encuentran en uno de los padres. Por ejemplo, si se tienen los dos padres siguientes: P1 = <1, 2, 4, 6, 3, 7, 5 8> y P2 = <5, 4, 1, 7, 2, 6, 8, 3>, y si los puntos de cruce seleccionados al azar de P1 para ser insertados en P2 se sitúan entre el 2 3 gen y entre el 5 6, los genes seleccionados de P1 para ser insertados en P2 son <4 6 3>, lo que establece una relación con los genes <1 7 2> que ocupan las mismas posiciones en P2. Entonces, la secuencia de operaciones transformaría P2 en: <5, 4, 4, 6, 3, 6, 8, 3>. Luego, eliminando las repeticiones quedaría: <5, *, 4, 6, 3, *, 8, *>. Reemplazando queda: <5, 1, 4, 6, 3, *, 8, *> ya que el 4 había ocupado el lugar del 1. Continuando, se obtiene: <5, 1, 4, 6, 3, 7, 8, 2> (ver Figura 2)

13 19 PADRE 1 PADRE HIJO Figura 2. Ejemplo de solución descendiente Mutaciones Para el problema, se fijó la probabilidad de mutación en un treinta por ciento, de acuerdo con los resultados de Fernández Baños (2003). Es decir, el procedimiento genera un número aleatorio entre 0 y 1, si este valor es inferior al parámetro de probabilidad fijado (0,3) se realiza la mutación en la secuencia. En el supuesto que lo haga, la mutación consiste en intercambiar un gen, seleccionado al azar, con su consecutivo en la secuencia. Siguiendo con el ejemplo anterior, se genera un número aleatorio. Suponiendo que es el cuatro, entonces se intercambia el cuarto gen de la secuencia con el quinto (ver Figura 3): Figura 3. Ejemplo de mutación Regeneración En este proceso de regeneración se seleccionaron las mejores secuencias de las dos poblaciones de soluciones, progenitoras e hijas. Es decir, la nueva población generada para la siguiente iteración está formada por la mitad del total de las soluciones (progenitores + descendientes) (Fernández Baños, 2003). RESULTADOS Y DISCUSIÓN La experiencia computacional se realizó en un total de 1000 instancias, con un número de familias de 4 a 6 y con un número de piezas de 15 a 25. Las instancias se clasificaron en seis

14 20 colecciones de acuerdo con el número de piezas y familias: 200 instancias de 15 piezas de 4 familias 200 instancias de 20 piezas de 4 familias 200 instancias de 25 piezas de 4 familias 100 instancias de 20 piezas de 5 familias 100 instancias de 25 piezas de 5 familias 200 instancias de 25 piezas de 6 familias Cabe resaltar que los resultados mostrados se obtuvieron con un número de iteraciones igual a 500. Se realizaron corridas 1000, 2000, 3000, 4000 y 5000 iteraciones, encontrándose que la calidad de las soluciones no mejora con el incremento del número de iteraciones y que el esfuerzo computacional es mucho mayor. (Adenso et al, 1996). Con el objeto de determinar cuál es el procedimiento más adecuado para el tipo de problema estudiado, en esta sección se comparan los resultados obtenidos con las reglas de secuenciación y el EA. La Tabla 2 resume los resultados experimentales de las 1000 instancias en términos de cantidad de mejores y peores soluciones. Se puede observar que con los Algoritmos Evolutivos se lograron los mejores resultados en la mayoría de las instancias. Tabla 2. Reglas de secuenciación vs. EA. Cantidad de mejores y peores soluciones Ejemplares: n = 15, b= 4 n = 20, b= 4 Cantidad de soluciones: peores mejores* peores mejores SST EDD EDD CR CR Algoritmo Evolutivo: *(17 empates binarios) *(12 empates binarios) Ejemplares: n = 25, b= 4 n = 20, b= 5 Cantidad de soluciones: peores mejores* peores mejores SST EDD EDD CR CR Algoritmo Evolutivo: *(10 empate binario) *(5 empates binarios) Ejemplares: n = 25, b= 5 n = 25, b= 6 mejor Cantidad de soluciones: peores es* peores mejores SST EDD EDD CR CR Algoritmo Evolutivo: *(5 empates binarios) *(5 empates binarios)

15 21 Los resultados experimentales en términos del valor medio del retraso total se presentan gráficamente en la Figura 4. Puede observarse que para todas las colecciones, las soluciones con menor valor medio de retraso total se obtienen con EA y los mayores retrasos se obtienen con CR Valor medio del retraso n=15, b=4 n=20, b=4 n=25, b=4 n=20, b=5 n=25, b=5 n=25, b=6 GA CR SST-EDD EDD CR Figura 4. Comparación del retraso medio. Metaheurística EA Discusión En un primer análisis, cabe decir que el Algoritmo Evolutivo propuesto, proporciona, en general, mejores resultados que las reglas de secuenciación, con un menor valor medio del retraso total. Para probar si existen diferencias significativas entre las medias de las soluciones obtenidas con las reglas de secuenciación y con los EA, se realizó un análisis de varianza (ANOVA) de una vía a un nivel del 5%. De acuerdo con los resultados obtenidos, se demuestra que existen diferencias significativas entre las medias de las soluciones a un nivel de confianza del 95%. (Ver Tabla 3). Tabla 3. Resultados del análisis de varianza PRUEBA: ANOVA F Ratio (P Valor) n =15, b =4 14,0016* (0,0000) n =20, b =4 28,0763* (0,0000) n =25, b =4 29,9568* (0,0000) n =20, b =5 5,56271* (0,0010) n =25, b =5 8,61776* (0,0000) n =25, b =6 12,6027* (0,0000) *Estadísticamente significativo con α=0,05

16 22 Además, se aplicó el procedimiento de las menores diferencias significativas de Fisher (LSD), lo que permitió determinar cuáles medias son significativamente diferentes de otras (Ver Tabla 4). Los resultados indican que los diez pares muestran diferencias estadísticamente significativas a un nivel de confianza del 95%. Los Algoritmos Evolutivos son estadísticamente más efectivos que las reglas de secuenciación CR2, CR1, EDD, SST EDD y EDD. La Regla de secuenciación CR2 es estadísticamente más efectiva que CR1, EDD y SST EDD. La Regla de secuenciación SST EDD es más efectiva que EDD y CR1. Tabla 4. Resultados de la comparación múltiple de medias CONTRASTE MÚLTIPLE DE RANGO PRUEBA: Diferencias (+/ Límites) Contraste n=15, b=4 n=20, b=4 n=25, b=4 n=20, b=5 n=25, b=5 n=25, b=6 SST_EDD EDD SST_EDD CR1 SST_EDD CR2 SST_EDD EA EDD CR1 EDD CR2 EDD EA CR1 CR2 CR1 EA CR2 EA 48,835 * (27,4714) 114,55* (42,4929) 211,61* (58,6674) 124,64* (62,2383) 575, ,66* 1829,92* 1072,66* * (42,4929) (58,6674) (62,2383) (27,4714) 114,165* 224,555* 359,21* 230,39* (27,4714) (42,4929) (58,6674) (62,2383) 43,525* 48,61* 63,45* 64,74* (27,4714) (42,4929) (58,6674) (62,2383) 526,88* 1011,11* 1618,3* 948,02* (27,4714) (42,4929) (58,6674) (62,2383) 163,0 * 339,105* 570,82* 355,03* (27,4714) (42,4929) (58,6674) (62,2383) 80,555* 115,945* 167,505* 140,61* (27,4714) (42,4929) (58,6674) (62,2383) 689,88 * 1350,22* 2189,13* 1303,05* (27,4714) (42,4929) (58,6674) (62,2383) 39,69* 42,895* 69,48* 85,2* (27,4714) (42,4929) (58,6674) (62,2383) 60,825* 83,905* 126,485* 103,66* (27,4714) (42,4929) (58,6674) (62,2383) * Estadísticamente significativo con α=0,05 240,49* (82,8844) 1776,2* (82,8844) 326,77* (82,8844) 95,65* (82,8844) 1535,71* (82,8844) 567,26* (82,8844) 197,16* (82,8844) 2102,97* (82,8844) 143,84* (82,8844) 140,33* (82,8844) 201,295* (61,2131) 1804,26* (61,2131) 377,21* (61,2131) 84,01* (61,2131) 1602,96* (61,2131) 578,505* (61,2131) 198,995* (61,2131) 2181,47* (61,2131) 145,6* (61,2131) 146,515* (61,2131)

17 23 CONCLUSIONES Los resultados computacionales obtenidos muestran que el Algoritmo Evolutivo propuesto logra explorar el espacio de búsqueda de forma eficaz, y arroja mejores resultados que los obtenidos con las reglas de secuenciación EDD (earliest due date), SST EDD (shortest setup time earliest due date), Índice CR1 (Cociente) e Índice CR2 (Suma ponderada). Teniendo en cuenta que para lograr la solución óptima del problema estudiado se requiere un proceso excesivamente largo, se concluye que los resultados obtenidos son satisfactorios. Resaltando la adaptabilidad del EA planteado al problema específico estudiado, de una máquina con tiempos de preparación dependientes de la secuencia de las piezas. La investigación presentada en este trabajo puede ser tomada como una base para posibles extensiones enfocadas a considerar otro tipo de variaciones del problema estudiado, incorporando elementos que en ocasiones también aparecen en determinados ambientes industriales reales: introducir restricciones de costos de penalización, modelar el problema teniendo en cuenta la incertidumbre o priorizar las órdenes de producción de acuerdo con la importancia o pesos relativos. En cuanto a la metaheurística EA, se sugiere continuar investigando sobre el impacto de los diferentes elementos que forman el algoritmo propuesto con el fin de medir sus rendimientos, particularmente si se incrementa el número de pedidos n. Así como probar otros métodos de cruces y de mutación. Finalmente, se recomienda resolver este mismo problema mediante otro tipo de metaheurísticas, como pueden ser el Recocido Simulado (SA), la Búsqueda Tabú (TS) o un algoritmo GRASP, y comparar los resultados obtenidos con los Algoritmos Evolutivos. REFERENCIAS Allahverdi A. (2000). Minimizing mean flowtime in a two machine flowshop with sequence independent setup times. Computers & Operations Research, 27, Allahverdi A., Gupta J. y Aldowaisan T. (1999). A review of scheduling research involving setup considerations. Omega, International Journal of Management Science, 27, Adenso B., Glover F., Ghasiri H., González JL., Laguna M., Moscazo P. y Tseng F. (1996). Optimización Heurística y Redes Neuronales en Dirección de Operaciones e Ingeniería. España: Editorial Paraninfo. Asano M. y Ohta H. (1996). Single machine scheduling using dominance relation to minimize earliness subject to ready and due times. International Journal Production Economics, 44,

18 24 Baker K. y Magazine M. (2000). Minimizing maximum lateness with job families. European Journal of Operational Research, 127, Baker K. (1999). Heuristic Procedures for Scheduling Job Families with Setups and Due Dates. Naval Research Logistics, 46, Chen Z L. (1997). Heuristic Procedures for Scheduling Job Families with Setups and Due Dates. European Journal of Operational Research, 96, Companys R. (2003). Secuenciación. Programación de proyectos y de taller. Equilibrado y secuenciación de líneas. Volumen I. España: CPDA ETSEIB Publicacions d Abast S.L.L. Companys R. y D Armas M. (2005), Programación de operaciones con tiempo de preparación mediante algoritmos de optimización local. Universidad, Ciencia y Tecnología, 9(35), Conway R., Maxwell W. y Miller L. (1967). Theory of Scheduling. MA: Addison Wesley. D Armas M. (2005), Estado del arte de la programación de operaciones con tiempos de preparación: tema para futuras investigaciones. Parte I. Universidad, Ciencia y Tecnología, 9(33), De Castro R., Companys R. y Mateo M. (2003), Programación de las órdenes de fabricación en una sola máquina con tiempos de preparación, V Congreso de Ingeniería de Organización, Valladolid Burgos, Dunstall S., Wirth A. y Baker K. (2000). Lower bound and algorithms for flowtime minimization on a single machine with set up times. Journal of Scheduling, 3, Feo T., Sarathy K. y McGahan J. (1996). A grasp for single machine scheduling with sequence dependent setup costs and linear delay penalties. Computers Operations Research, 23, Fernández Baños I. (2003), Programación de la secuencia de fabricación en una máquina, con tiempos de preparación variables, mediante la aplicación de Algoritmos Evolutivos. Proyecto de Fin de Carrera. Escuela Técnica Superior de Ingeniería Industrial de Barcelona, España França P., Mendes A. y Moscazo P. (2001). A memetic algorithm for the total tardiness single machine scheduling problem. European Journal of Operational Research, 132, Goldberg, D.E. (1989), Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, Reading, MA. Holland J. (1975). Adaptation in Natural and Artificial Systems. Ann Arbor: University of Michigan Press. Gupta J. y Hob J. (1995). Scheduling with two job classes and setup times to minimize the number of tardy jobs. International Journal of Production Economics, 42, Kolahan F. y Liang M. (1998). An adaptive TS approach to JIT sequencing with variable processing times and sequence dependent setups. European Journal of Operational Research, 109, Lee S. y Asllani A. (2004). Job scheduling with dual criteria and sequence dependent setups: mathematical versus genetic programming. Omega. 32(2), Lee C Y. y Pinedo M. (2002). Problems Types, en: Handbook of Applied Optimization. Oxford University Press, Inc. Unites Estates. Liaee M. y Emmons H. (1997). Scheduling families of jobs with setup times. International Journal of Production Economics, 51(3),

19 25 Morales E. (2004). Búsqueda, Optimización y Aprendizaje. Documento en línea. Disponible en: eda04/principal.html Narasimhan S., McLeavey D. y Billington P. (1995). Production Planning and Inventory Control, 2da edición. New Jersey: Prentice Hall. Ng C T D, Cheng E. y Kovalyov M. (2004). Single machine batch scheduling with jointly compressible setup and processing times. European Journal of Operational Research, 153(1), Rabadi G., Mollaghasemi M. y Anagnostopoulos G. (2004). A branch andbound algorithm for the early/tardy machine scheduling problem with a common due date and sequence dependent setup time. Computers & Operations Research, 31(10), Shutten J., Van de Velde S. y Zijm W. (1996). Single machine scheduling with release dates, due dates and family setup times. Management Science, 42, Sun X., Noble J. y Klein C. (1999). Singlemachine scheduling with sequence dependent setup to minimize total weighted squared tardiness. IIE Transactions, 31, Tan K C, Narasimhan R., Rubin P., Ragatz G. (2000). A comparison of four methods for minimizing total tardiness on a single processor with sequence dependent setup times. Omega, 28, Tan K C y Narasimhan R. (1997). Minimizing Tardiness on a Single Processor with Sequence dependent Setup Times: a Simulated Annealing Approach. Omega, International Journal Management Science, 25, Webster S., Jog P. y Gupta A. (1998). A genetic algorithm for scheduling job families on a single machine with arbitrary earliness/tardiness penalties and an unrestricted common due date. International Journal of Production Research, 36, Zhu Z y Heady R. (2000). Minimizing the sum of earliness/tardiness in multi machine scheduling: a mixed integer programming approach. Computers & Industrial Engineering, 38, Autora Mayra D Armas Renault. Ingeniero Industrial, Magister Scientiarum en Ingeniería Industrial, Doctora en Administración y Dirección de Empresas. Docente Investigador adscrita al Departamento de Ingeniería Industrial de la Universidad Nacional Experimental Politécnica Antonio José de Sucre (UNEXPO), Vicerrectorado Puerto Ordaz, Venezuela. E mail: Recibido: 19/10/2009 Aceptado: 12/01/2010

20

PROGRAMACIÓN DE LA SECUENCIA DE LAS ÓRDENES DE PRODUCCIÓN MEDIANTE LA APLICACIÓN DE ALGORITMOS GENÉTICOS

PROGRAMACIÓN DE LA SECUENCIA DE LAS ÓRDENES DE PRODUCCIÓN MEDIANTE LA APLICACIÓN DE ALGORITMOS GENÉTICOS PROGRAMACIÓN DE LA SECUENCIA DE LAS ÓRDENES DE PRODUCCIÓN MEDIANTE LA APLICACIÓN DE ALGORITMOS GENÉTICOS Mateo Doll, Manuel D' Armas Regnault, Mayra Resumen: El presente trabajo se enmarca dentro del área

Más detalles

ESTADO DEL ARTE DE LA PROGRAMACIÓN DE OPERACIONES CON TIEMPOS DE PREPARACIÓN: TEMA PARA FUTURAS INVESTIGACIONES, PARTE II

ESTADO DEL ARTE DE LA PROGRAMACIÓN DE OPERACIONES CON TIEMPOS DE PREPARACIÓN: TEMA PARA FUTURAS INVESTIGACIONES, PARTE II NOTA TÉCNICA ESTADO DEL ARTE DE LA PROGRAMACIÓN DE OPERACIONES CON TIEMPOS DE PREPARACIÓN: TEMA PARA FUTURAS INVESTIGACIONES, PARTE II D Armas, Mayra Resumen: El problema de la programación de operaciones

Más detalles

Jhoan Sebastián Cadavid Jaramillo Ingeniero Industrial, Universidad Nacional de Colombia, jscadav0@unal.edu.co RESUMEN

Jhoan Sebastián Cadavid Jaramillo Ingeniero Industrial, Universidad Nacional de Colombia, jscadav0@unal.edu.co RESUMEN PROBLEMA DE PROGRAMACIÓN DE PRODUCCIÓN ABIERTA CON CARACTERÍSTICAS DE MÁQUINAS MÓVILES DEDICADAS Y CON TIEMPOS DE PREPARACIÓN DEPENDIENTES DE LA SECUENCIA ENTRE ETAPAS Alexander Alberto Correa Espinal

Más detalles

Scheduling Problem. Cuándo y dónde debo hacer cada trabajo?

Scheduling Problem. Cuándo y dónde debo hacer cada trabajo? Scheduling Problem Cuándo y dónde debo hacer cada trabajo? Ejemplos de problemas de asignación de recursos Fabricación de varios tipos de productos Asignación de turnos de trabajo Inversión financiera

Más detalles

Flow-Shop Dinámico. Por: Juan Carlos Rivera Samuel De Greiff

Flow-Shop Dinámico. Por: Juan Carlos Rivera Samuel De Greiff Flow-Shop Dinámico Por: Juan Carlos Rivera Samuel De Greiff 1 Configuración tipo Flow- Shop Disposición lineal de los equipos. Productos con altos niveles de estandarización. Varios productos en volúmenes

Más detalles

MODELOS DE PLANIFICACIÓN

MODELOS DE PLANIFICACIÓN MODELOS DE PLANIFICACIÓN Santiago de Compostela, Octubre 2006 1 s jk C max P Jm prmt L max NP Rm tree C j Algoritmos wj U j Uj Calendarios Fm prec w j U j Práctica CONTENIDO. Contents 1 Descripción del

Más detalles

SECUENCIACIÓN DE SISTEMAS DE TIPO JOB SHOP MEDIANTE APRENDIZAJE AUTOMÁTICO

SECUENCIACIÓN DE SISTEMAS DE TIPO JOB SHOP MEDIANTE APRENDIZAJE AUTOMÁTICO SECUENCIACIÓN DE SISTEMAS DE TIPO JOB SHOP MEDIANTE APRENDIZAJE AUTOMÁTICO Paolo Priore Moreno Raúl Pino Diez Alberto Gómez Gómez UNIVERSIDAD DE OVIEDO Una forma habitual de secuenciar de modo dinámico

Más detalles

PROCEDIMIENTO HEURÍSTICO PARA MINIMIZAR EL C max EN CELDAS ROBOTIZADAS CON BUFFERS FINITOS Y PIEZAS DISTINTAS

PROCEDIMIENTO HEURÍSTICO PARA MINIMIZAR EL C max EN CELDAS ROBOTIZADAS CON BUFFERS FINITOS Y PIEZAS DISTINTAS 27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8 11 de abril de 2003 PROCEDIMIENTO HEURÍSTICO PARA MINIMIZAR EL C max EN CELDAS ROBOTIZADAS CON BUFFERS FINITOS Y PIEZAS DISTINTAS

Más detalles

Una permutación eficiente para minimizar la suma de los tiempos de acabado de "n" trabajos en "m" máquinas Freddy Abarca R. fabarca@ic-itcr.ac.

Una permutación eficiente para minimizar la suma de los tiempos de acabado de n trabajos en m máquinas Freddy Abarca R. fabarca@ic-itcr.ac. Una permutación eficiente para minimizar la suma de los tiempos de acabado de "n" trabajos en "m" máquinas Freddy Abarca R. fabarca@ic-itcr.ac.cr El problema de la asignación de cargas de trabajo, a pesar

Más detalles

Algoritmos exactos y heurísticos para minimizar el adelantamiento y retraso ponderados en una máquina con una fecha de entrega común

Algoritmos exactos y heurísticos para minimizar el adelantamiento y retraso ponderados en una máquina con una fecha de entrega común Algoritmos... en una máquina con una fecha de entrega común Algoritmos exactos y heurísticos para minimizar el adelantamiento y retraso ponderados en una máquina con una fecha de entrega común R. Alvarez-Valdés,

Más detalles

Programación de Sistemas Productivos

Programación de Sistemas Productivos Universidad Simón Bolívar Programación de Sistemas Productivos Secuenciación de Operaciones PS-4162 Gestión de la Producción II 1 Contenido Secuencias de trabajo en los centros de trabajo Reglas de prioridad

Más detalles

Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING

Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING 6.1. HEURÍSTICAS CONVENCIONALES El problema de job shop scheduling (JSSP) es un problema muy importante [69]; está entre los problemas de optimización

Más detalles

Una heurística para la asignación de máquinas a trabajos fijos

Una heurística para la asignación de máquinas a trabajos fijos VIII Congreso de Ingeniería de Organización Leganés, 9 y 10 de septiembre de 2004 Una heurística para la asignación de máquinas a trabajos fijos José Manuel García Sánchez, Marcos Calle Suárez, Gabriel

Más detalles

Propuesta de un algoritmo genético para la programación diaria de los pedidos de una empresa del sector de la construcción

Propuesta de un algoritmo genético para la programación diaria de los pedidos de una empresa del sector de la construcción 5 th International Conference on Industrial Engineering and Industrial Management XV Congreso de Ingeniería de Organización Cartagena, 7 a 9 de Septiembre de 2011 Propuesta de un algoritmo genético para

Más detalles

Comportamiento de los parámetros principales de un Algoritmo Genético para el Flow Shop Scheduling

Comportamiento de los parámetros principales de un Algoritmo Genético para el Flow Shop Scheduling Comportamiento de los parámetros principales de un Algoritmo Genético para el Flow Shop Scheduling Yunior César Fonseca Reyna Universidad de Granma E-mail: fonseca@udg.co.cu Temática: Inteligencia Artificial

Más detalles

Programación de tareas, un reto diario en la empresa

Programación de tareas, un reto diario en la empresa Programación de tareas, un reto diario en la empresa Pedro Sánchez Martín Ingeniero del ICAI (1993) y Doctor en Ingeniería Industrial por la UPCO (1998). Profesor del Departamento de Organización Industrial

Más detalles

ESTUDIO Y ANÁLISIS DE REGLAS Y ALGORITMOS DE PROGRAMACIÓN DE LA PRODUCCIÓN

ESTUDIO Y ANÁLISIS DE REGLAS Y ALGORITMOS DE PROGRAMACIÓN DE LA PRODUCCIÓN Primer Congreso de Logística y Gestión de la Cadena de Suministro Zaragoza, 12 y 13 de Septiembre de 2007 ESTUDIO Y ANÁLISIS DE REGLAS Y ALGORITMOS DE PROGRAMACIÓN DE LA PRODUCCIÓN J. A. Royo Universidad

Más detalles

DISEÑO DE METAHEURÍSTICOS HÍBRIDOS PARA PROBLEMAS DE RUTAS CON FLOTA HETEROGÉNEA (2 Parte) : GRASP Y CONCENTRACIÓN HEURÍSTICA

DISEÑO DE METAHEURÍSTICOS HÍBRIDOS PARA PROBLEMAS DE RUTAS CON FLOTA HETEROGÉNEA (2 Parte) : GRASP Y CONCENTRACIÓN HEURÍSTICA DISEÑO DE METAHEURÍSTICOS HÍBRIDOS PARA PROBLEMAS DE RUTAS CON FLOTA HETEROGÉNEA (2 Parte) : GRASP Y CONCENTRACIÓN HEURÍSTICA Cristina R. Delgado Serna Departamento de ECONOMÍA (Área de Economía Aplicada)

Más detalles

Uso de algoritmos genéticos para resolver el modelo determinista y estocástico para el diseño de una red de recogida de residuos

Uso de algoritmos genéticos para resolver el modelo determinista y estocástico para el diseño de una red de recogida de residuos International Conference on Industrial Engineering & Industrial Management - CIO 2007 1443 Uso de algoritmos genéticos para resolver el modelo determinista y estocástico para el diseño de una red de recogida

Más detalles

ALGORITMOS GENÉTICOS PARA LA RESOLUCIÓN DE PROBLEMAS PRÁCTICOS DE SCHEDULING

ALGORITMOS GENÉTICOS PARA LA RESOLUCIÓN DE PROBLEMAS PRÁCTICOS DE SCHEDULING ALGORITMOS GENÉTICOS PARA LA RESOLUCIÓN DE PROBLEMAS PRÁCTICOS DE SCHEDULING Alberto Cortés, Víctor Jacobo, Lázaro Morales, Armando Ortiz Unidad de Investigación y Asistencia Técnica en Materiales, Universidad

Más detalles

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09 Introducción a los Algoritmos Genéticos Tomás Arredondo Vidal 17/4/09 Esta charla trata de lo siguiente: Introducción a algunos aspectos de los algoritmos genéticos. Introducción a algunas aplicaciones

Más detalles

Temario III Algoritmos Combinatorios y Metaheurísticas

Temario III Algoritmos Combinatorios y Metaheurísticas Temario III Algoritmos Combinatorios y Metaheurísticas Verificación y Validación de Software UNCo 1 Contenidos Combinación de Datos de Test Algoritmos Combinatorios Metaheurísticas Búsqueda Tabú Algoritmos

Más detalles

RESOLUCIÓN DE PROBLEMAS DE PACKING EN UNA EMPRESA DE

RESOLUCIÓN DE PROBLEMAS DE PACKING EN UNA EMPRESA DE RESOLUCIÓN DE PROBLEMAS DE PACKING EN UNA EMPRESA DE CALCAMONIAS MEDIANTE ALGORITMOS GENÉTICOS. Alberto Gómez Gómez, José Parreño Fernández y Isabel Fernández Quesada. RESUMEN. El objetivo del presente

Más detalles

METAHEURISTICAS Ideas, Mitos, Soluciones

METAHEURISTICAS Ideas, Mitos, Soluciones METAHEURISTICAS Ideas, Mitos, Soluciones OPTIMIZACION COMBINATORIA Qué es un problema de optimización combinatoria? Cómo se modela matemáticamente un problema de optimización combinatoria? Minimizar (o

Más detalles

1. Introducción RESUMEN

1. Introducción RESUMEN 27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8-11 de abril de 2003 ANÁLISIS COMPARATIVO DEL RENDIMIENTO DE REGLAS DE DESPACHO TRADICIONALES EN UN TALLER DE FLUJO HÍBRIDO CON TIEMPOS

Más detalles

UNIVERSIDAD DE CONCEPCIÓN CHILE FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA INDUSTRIAL

UNIVERSIDAD DE CONCEPCIÓN CHILE FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA INDUSTRIAL UNIVERSIDAD DE CONCEPCIÓN CHILE FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA INDUSTRIAL APLICACIÓN DE HEURÍSTICAS GRASP AL PROBLEMA DE MÁQUINAS PARALELAS NO RELACIONADAS CON TIEMPOS DE SETUP DEPENDIENTES

Más detalles

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33 Introducción Búsqueda Local A veces el camino para llegar a la solución no nos importa, buscamos en el espacio de soluciones Queremos la mejor de entre las soluciones posibles alcanzable en un tiempo razonable

Más detalles

Algoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos

Algoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados

Más detalles

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Pablo Ezzatti CeCal, Facultad de Ingeniería Universidad de la República, Uruguay pezzatti@fing.edu.uy Sergio Nesmachnow

Más detalles

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Pablo Ezzatti CeCal, Facultad de Ingeniería Universidad de la República, Uruguay pezzatti@fing.edu.uy Sergio Nesmachnow

Más detalles

Un algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau

Un algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Un algoritmo genético híbrido para resolver el EternityII Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Temas Temas Introducción Eternity II Historia Descripción Demo Metaheurísticas Algoritmos

Más detalles

La Técnica Enumerativa de Programación Dinámica en los Problemas de Producción e Inventario y los Algoritmos Genéticos

La Técnica Enumerativa de Programación Dinámica en los Problemas de Producción e Inventario y los Algoritmos Genéticos La Técnica Enumerativa de Programación Dinámica en los Problemas de Producción e Inventario y los Algoritmos Genéticos AUTOR ING. MIGUEL JIMÉNEZ CARRIÓN M.Sc. Profesor Principal a DE, adscrito al Departamento

Más detalles

ASALBP: Alternative Subgraphs Assembly Line Balancing Problem *

ASALBP: Alternative Subgraphs Assembly Line Balancing Problem * IX Congreso de Ingeniería de Organización Gijón, 8 y 9 de septiembre de 2005 ASALBP: Alternative Subgraphs Assembly Line Balancing Problem * Liliana Capacho Betancourt 1, Rafael Pastor Moreno 2 1 Dpto

Más detalles

Algoritmos Genéticos

Algoritmos Genéticos Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados

Más detalles

Programación de la producción en talleres de flujo con máquinas sin interrupción. Algoritmos y aplicaciones *

Programación de la producción en talleres de flujo con máquinas sin interrupción. Algoritmos y aplicaciones * 3 rd International Conference on Industrial Engineering and Industrial Management XIII Congreso de Ingeniería de Organización Barcelona-Terrassa, September 2nd-4th 2009 Programación de la producción en

Más detalles

Combinación de Algoritmos Evolutivos y Técnicas Heurísticas para Problemas de Scheduling

Combinación de Algoritmos Evolutivos y Técnicas Heurísticas para Problemas de Scheduling Combinación de Algoritmos Evolutivos y Técnicas Heurísticas para Problemas de Scheduling Ramiro Varela, Javier Blanco, Camino Rodríguez, Jorge Puente y César Alonso Centro de Inteligencia Artificial. Universidad

Más detalles

Investigación de operaciones en acción: Heurísticas para la solución del TSP

Investigación de operaciones en acción: Heurísticas para la solución del TSP Investigación de operaciones en acción: Heurísticas para la solución del TSP Roger Z. Ríos Mercado* José Luis González Velarde** Abstract One of the most common and difficult problem in the theory of optimization

Más detalles

Métodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid

Métodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Métodos evolutivos de Optimización Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Indice Introducción Método de Montecarlo Algoritmos genéticos Tabú Search Simulated

Más detalles

Una heurística basada en memoria para el problema del diseño de recorridos en transporte público urbano

Una heurística basada en memoria para el problema del diseño de recorridos en transporte público urbano Una heurística basada en memoria para el problema del diseño de recorridos en transporte público urbano Antonio Mauttone María E. Urquhart Departamento de Investigación Operativa, Instituto de Computación,

Más detalles

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Jorge Salas Chacón A03804 Rubén Jiménez Goñi A93212 Juan Camilo Carrillo Casas A91369 Marco Vinicio Artavia Quesada

Más detalles

HEURISTIC FOR SCHEDULING OF PROJECTS WITH RESTRICTION OF RESOURCES UN HEURÍSTICO PARA PLANEACIÓN DE PROYECTOS CON RESTRICCIÓN DE RECURSOS

HEURISTIC FOR SCHEDULING OF PROJECTS WITH RESTRICTION OF RESOURCES UN HEURÍSTICO PARA PLANEACIÓN DE PROYECTOS CON RESTRICCIÓN DE RECURSOS HEURISTIC FOR SCHEDULING OF PROJECTS WITH RESTRICTION OF RESOURCES UN HEURÍSTICO PARA PLANEACIÓN DE PROYECTOS CON RESTRICCIÓN DE RECURSOS Juan C. Rivera, Luis F. Moreno, F. Javier Díaz, Gloria E. Peña

Más detalles

Algoritmo evolutivo para el problema de la ubicación de productos en las estanterías de una gran superficie

Algoritmo evolutivo para el problema de la ubicación de productos en las estanterías de una gran superficie X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 Algoritmo evolutivo para el problema de la ubicación de productos en las estanterías de una gran superficie José M. Albarracín

Más detalles

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible Sara Lumbreras

Más detalles

Comparación de técnicas metaheurísticas para la generación automática de casos de prueba que obtengan una cobertura software

Comparación de técnicas metaheurísticas para la generación automática de casos de prueba que obtengan una cobertura software Comparación de técnicas metaheurísticas para la generación automática de casos de prueba que obtengan una cobertura software Eugenia Díaz, Raquel Blanco, Javier Tuya Departamento de Informática, Universidad

Más detalles

&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN

&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN &$3Ì78/2 6.1. INTRODUCCIÓN Los primeros avances para solucionar el TSP, por medio de Algoritmos Evolutivos han sido introducidos por Goldberg y Lingle en [68] y Grefenstette en [72]. En éste área muchos

Más detalles

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos MT 6 Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos Rosario Baltazar 1 Judith Esquivel Vázquez 2 Andrea Rada 3 Claudia Díaz 4 Resumen Durante los últimos 15

Más detalles

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE Aplicación a la INDUSTRIA de la construcción 1 El presente estudio propone el uso de un algoritmo comúnmente utilizado en la rama de investigación

Más detalles

Un algoritmo genético para el problema de Job Shop Flexible

Un algoritmo genético para el problema de Job Shop Flexible Ingeniare. Revista chilena de ingeniería, vol. 19 Nº 1, 2011, pp. 53-61 Un algoritmo genético para el problema de Job Shop Flexible A genetic algorithm for the Flexible Job Shop problem Rosa Medina Durán

Más detalles

Análisis del NSGA-II para el TSALBP-1/3 cuando existe variación de demanda en una producción mixta

Análisis del NSGA-II para el TSALBP-1/3 cuando existe variación de demanda en una producción mixta Análisis del NSGA-II para el TSALBP-1/3 cuando existe variación de demanda en una producción mixta Manuel Chica, Óscar Cordón, Sergio Damas y Joaquín Bautista Resumen En este trabajo introducimos la aplicación

Más detalles

6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012

6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012 6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012 Un algoritmo genético híbrido para el equilibrado de

Más detalles

Algoritmos Genéticos.

Algoritmos Genéticos. Algoritmos Genéticos. Miguel Cárdenas Montes, Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es 15-19 de Octubre de 2011

Más detalles

FLEXIPLAN: UN SISTEMA DE PLANIFICACIÓN DE LA PRODUCCIÓN

FLEXIPLAN: UN SISTEMA DE PLANIFICACIÓN DE LA PRODUCCIÓN 27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8-11 de abril de 2003 FLEXIPLAN: UN SISTEMA DE PLANIFICACIÓN DE LA PRODUCCIÓN Vicente Valls 1, Jose Manuel Belenguer 1, Pilar Lino

Más detalles

Planificación detallada

Planificación detallada Planificación detallada 77 Planificación detallada En las empresas que fabrican contra pedido la tarea de determinar la secuencia óptima de fabricación de artículos en un taller es complicada debido al

Más detalles

EVALUACION DEL IMPACTO DEL TAMAÑO DEL LOTE DE TRANSFERENCIA EN LA PROGRAMACION DE OPERACIONES DE UN SISTEMA PRODUCTIVO DEL TIPO FLOW-SHOP

EVALUACION DEL IMPACTO DEL TAMAÑO DEL LOTE DE TRANSFERENCIA EN LA PROGRAMACION DE OPERACIONES DE UN SISTEMA PRODUCTIVO DEL TIPO FLOW-SHOP EVALUACION DEL IMPACTO DEL TAMAÑO DEL LOTE DE TRANSFERENCIA EN LA PROGRAMACION DE OPERACIONES DE UN SISTEMA PRODUCTIVO DEL TIPO FLOW-SHOP KATHERINE CABALLERO MOYA ESCUELA DE ESTUDIOS INDUSTRIALES Y EMPRESARIALES

Más detalles

Algoritmo de Colonias de Abejas Artificiales para la composición de equipos médicos *

Algoritmo de Colonias de Abejas Artificiales para la composición de equipos médicos * Algoritmo de Colonias de Abejas Artificiales para la composición de equipos médicos * José A. Delgado-Osuna 1, Manuel Lozano 2, and Carlos García-Martínez 3 1 H.U. Reina Sofía jantonio.delgado.sspa@juntadeandalucia.es,

Más detalles

Tareas 20% Primer Examen Parcial 20% Segundo Examen Parcial 20% Proyecto Final 25% Examen Final 15%

Tareas 20% Primer Examen Parcial 20% Segundo Examen Parcial 20% Proyecto Final 25% Examen Final 15% Introducción a la Computación Evolutiva Dr. Carlos Artemio Coello Coello CINVESTAV-IPN Departamento de Computación Av. Instituto Politécnico Nacional No. 2508 Col. San Pedro Zacatenco México, D.F. 07360

Más detalles

Nuevas Tendencias y Retos en Métodos Heurísticos para Problemas de Scheduling

Nuevas Tendencias y Retos en Métodos Heurísticos para Problemas de Scheduling Nuevas Tendencias y Retos en Métodos Heurísticos para Problemas de Scheduling Ramiro Varela Grupo de Tecnologías de la Computación. Departamento de Informática. Centro de Inteligencia Artificial Universidad

Más detalles

Algoritmos Genéticos. Introduccion a la Robótica Inteligente

Algoritmos Genéticos. Introduccion a la Robótica Inteligente Algoritmos Genéticos Introduccion a la Robótica Inteligente 7 Marzo 2014 (IRIN) AGs 7/03/2014 1 / 43 Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos Matemáticos 4 Conclusiones (IRIN)

Más detalles

Algoritmo de dispatching para la programación de la producción en una planta de fabricación Pág. 1. Resumen

Algoritmo de dispatching para la programación de la producción en una planta de fabricación Pág. 1. Resumen Algoritmo de dispatching para la programación de la producción en una planta de fabricación Pág. 1 Resumen Este proyecto tiene por objetivo resolver un problema real de secuenciación de operaciones de

Más detalles

Resolución del Problema de Set-Covering utilizando un Algoritmo Genético

Resolución del Problema de Set-Covering utilizando un Algoritmo Genético Resolución del Problema de Set-Covering utilizando un Algoritmo Genético Pablo Itaim Ananias Valparaíso, 20 de Junio del 2005 Resumen El Set Covering Problem (SCP)es un problema clásico, que consiste en

Más detalles

Estrategias evolutivas para la minimización del makespan en una máquina con tiempos de preparación dependientes de la secuencia

Estrategias evolutivas para la minimización del makespan en una máquina con tiempos de preparación dependientes de la secuencia Ingeniería Investigación y Tecnología, volumen XV (número 1), enero-marzo 2014: 1-10 ISSN 1405-7743 FI-UNAM (artículo arbitrado) Estrategias evolutivas para la minimización del makespan en una máquina

Más detalles

Selección Sexual Discriminatoria en un Algoritmo Evolutivo con una Matriz de Preferencias para la mejora de calidad de los Horarios de Trabajo

Selección Sexual Discriminatoria en un Algoritmo Evolutivo con una Matriz de Preferencias para la mejora de calidad de los Horarios de Trabajo Selección Sexual Discriminatoria en un Algoritmo Evolutivo con una Matriz de Preferencias para la mejora de calidad de los Horarios de Trabajo Víctor Arroyo Ciencia de la Computación Universidad Católica

Más detalles

Un modelo híbrido de inteligencia computacional para resolver el problema de Job Shop Scheduling

Un modelo híbrido de inteligencia computacional para resolver el problema de Job Shop Scheduling Un modelo híbrido de inteligencia computacional para resolver el problema de Job Shop Scheduling Jacob Meneses Angel, Marcela Rivera Martínez, Luis René Marcial Castillo, Sandoval Solís Lourdes Benemérita

Más detalles

IN4703 Gestión de Operaciones. Programación de Operaciones (Operations Scheduling)

IN4703 Gestión de Operaciones. Programación de Operaciones (Operations Scheduling) IN4703 Gestión de Operaciones Programación de Operaciones (Operations Scheduling) Lineamientos de la Clase de Hoy Objetivos de la Programación de Operaciones Sistemas de Manufactura (Manufacturing Execution

Más detalles

Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu. Instituto Superior Politécnico José Antonio Echeverría. Cuba

Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu. Instituto Superior Politécnico José Antonio Echeverría. Cuba Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu Instituto Superior Politécnico José Antonio Echeverría Cuba Carvajal- Pérez, Raúl Nicolás Un Algoritmo Genético Especializado en Planeamiento

Más detalles

Una comparación entre tres formulaciones para resolver el problema del Cutting Stock

Una comparación entre tres formulaciones para resolver el problema del Cutting Stock Una comparación entre tres formulaciones para resolver el problema del Cutting Stock A comparison between three formulations to solve the Cutting Stock Problem Harol M. Gámez Centro latinoamericano de

Más detalles

Unidad Académica Profesional UAEM Tianguistenco, Paraje El Tejocote, San Pedro Tlaltizapán, Tianguistenco, México CP 52640

Unidad Académica Profesional UAEM Tianguistenco, Paraje El Tejocote, San Pedro Tlaltizapán, Tianguistenco, México CP 52640 Estudio de Tres Algoritmos Heurísticos para Resolver un Problema de Distribución con Ventanas de Tiempo: Sistema por Colonia de Hormigas, Búsqueda Tabú y Heurístico Constructivo de una Ruta Manuel González

Más detalles

Propuesta de un algoritmo genético para la programación diaria de los pedidos de una empresa del sector de la construcción

Propuesta de un algoritmo genético para la programación diaria de los pedidos de una empresa del sector de la construcción 64 5 th International Conference on Industrial Engineering and Industrial Management XV Congreso de Ingeniería de Organización Cartagena, 7 a 9 de septiembre de 2011 Propuesta de un algoritmo genético

Más detalles

Programación de Grúas para Mantención y Construcción de Buques en un Astillero Naval. Uso de Modelo Matemático.

Programación de Grúas para Mantención y Construcción de Buques en un Astillero Naval. Uso de Modelo Matemático. Revista Ingeniería de Sistemas Volumen XXV, Septiembre 2011 Programación de Grúas para Mantención y Construcción de Buques en un Astillero Naval. Uso de Modelo Matemático. Marcelo Guiñez * Lorena Pradenas

Más detalles

EXTENSIONES DE META-RAPS AL PROBLEMA DE MÁQUINAS PARALELAS NO RELACIONADAS

EXTENSIONES DE META-RAPS AL PROBLEMA DE MÁQUINAS PARALELAS NO RELACIONADAS 1 UNIVERSIDAD DEL BÍO-BÍO FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA INDUSTRIAL EXTENSIONES DE META-RAPS AL PROBLEMA DE MÁQUINAS PARALELAS NO RELACIONADAS TESIS PARA OBTENER EL GRADO DE MAGÍSTER

Más detalles

MODELO JERÁRQUICO PARA EL JOB SHOP FLEXIBLE

MODELO JERÁRQUICO PARA EL JOB SHOP FLEXIBLE !#"$%$$ %!& '($! *)!!#% $)$ +-,/.103254 687/9:6(;=1.1?A@50

Más detalles

Aplicación de un Algoritmo Evolutivo en la Solución de Problemas Job Shop-Open Shop

Aplicación de un Algoritmo Evolutivo en la Solución de Problemas Job Shop-Open Shop Aplicación Información de Tecnológica un Algoritmo Evolutivo en la Solución de Problemas Job Vol. 22(1), 83-92 (2011) doi: 10.4067/S0718-07642011000100011 Aplicación de un Algoritmo Evolutivo en la Solución

Más detalles

Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones

Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones Dr. Gregorio Toscano Pulido Laboratorio de Tecnologías de Información Centro de Investigación y de Estudios Avanzados del

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Operadores de Mutación El operador

Más detalles

SIMULACIÓN CONTINUA Y DISCRETA DE UN SISTEMA DE PRODUCCIÓN CON INVENTARIO EN PROCESO CONSTANTE.

SIMULACIÓN CONTINUA Y DISCRETA DE UN SISTEMA DE PRODUCCIÓN CON INVENTARIO EN PROCESO CONSTANTE. SIMULACIÓN CONTINUA Y DISCRETA DE UN SISTEMA DE PRODUCCIÓN CON INVENTARIO EN PROCESO CONSTANTE. Ruiz-Usano, R., Framiñán, J.M., Crespo, A. y Muñoz, M.A. Grupo I+DT Organización Industrial Dpto. Organización

Más detalles

18:15 19:15 13.5. Reunión de la red HEUR. Sala Andalucía 3. 19:30 21:00 Acto de Inauguración y Conferencia Invitada CEDI2005. Miércoles, 14 Septiembre

18:15 19:15 13.5. Reunión de la red HEUR. Sala Andalucía 3. 19:30 21:00 Acto de Inauguración y Conferencia Invitada CEDI2005. Miércoles, 14 Septiembre IVCongresoEspañolde Metaheurísticas,Algoritmos EvolutivosyBioinspirados MAEB 05 18:15 19:15 13.5.ReunióndelaredHEUR SalaAndalucía3 19:30 21:00 ActodeInauguraciónyConferencia InvitadaCEDI2005 Miércoles,14Septiembre

Más detalles

Diseño de redes viales urbanas usando algoritmos genéticos. M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C.

Diseño de redes viales urbanas usando algoritmos genéticos. M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C. Diseño de redes viales urbanas usando algoritmos genéticos M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C. e-mail: mapinnin@inf.udec.cl * Departamento de Ingeniería Informática y Ciencias

Más detalles

Análisis de un problema Job Shop por medio de un Sistema Experto y un Agente Inteligente

Análisis de un problema Job Shop por medio de un Sistema Experto y un Agente Inteligente 3rd International Conference on Industrial Engineering and Industrial Management XIII Congreso de Ingeniería de Organización Barcelona-Terrassa, September 2nd-4th 2009 Análisis de un problema Job Shop

Más detalles

Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico.

Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico. Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico. 7071 Febrero, 2014 Resumen Es importante señalar que en un entorno social

Más detalles

Universidad Autónoma de Nuevo León

Universidad Autónoma de Nuevo León Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Estudios de Posgrado Secuenciación en máquinas paralelas no relacionadas con tiempos de preparación y tareas de

Más detalles

Caballero, Cabello, Cano y Ruiz. 1.- Introducción

Caballero, Cabello, Cano y Ruiz. 1.- Introducción 1.- Introducción Partiendo de los estudios de Markowitz (1959) y de trabajos posteriores, como el de Sharpe (1963), en nuestro trabajo, una vez seleccionada la cartera, pretendemos dar un paso más, realizando

Más detalles

Estado del arte del problema de flujo general flexible con costes en la función objetivo *

Estado del arte del problema de flujo general flexible con costes en la función objetivo * Estado del arte del problema de fluo general flexible con costes en la función obetivo * Albert Corominas, Néstor Andrés González, Rafael Pastor Institut d'organització i Control de Sistemes Industrials

Más detalles

Metaheurísticas: una visión global *

Metaheurísticas: una visión global * Metaheurísticas: una visión global * Belén Melián, José A. Moreno Pérez, J. Marcos Moreno Vega DEIOC. Universidad de La Laguna 38271 La Laguna {mbmelian,jamoreno,jmmoreno}@ull.es Resumen Las metaheurísticas

Más detalles

OPTIMIZACIÓN DE TRANSFORMACIONES LINEALES DE DATOS MEDIANTE BUSQUEDA LOCAL

OPTIMIZACIÓN DE TRANSFORMACIONES LINEALES DE DATOS MEDIANTE BUSQUEDA LOCAL OPTIMIZACIÓN DE TRANSFORMACIONES LINEALES DE DATOS MEDIANTE BUSQUEDA LOCAL INGENIERIA INFORMATICA AUTOR: FRANCISCO GODOY MUÑOZ-TORRERO TUTOR: JOSE MARIA VALLS FERRAN CO-DIRECTOR: RICARDO ALER MUR Contenidos

Más detalles

Estrategia evolutiva para el problema de la supersecuencia común más corta

Estrategia evolutiva para el problema de la supersecuencia común más corta Estrategia evolutiva para el problema de la supersecuencia común más corta Marcela Rivera Martínez Facultad de Ciencias de la Computación, Benemérita Universidad Autónoma de Puebla mrivmar@hotmail.com

Más detalles

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1 Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS

Más detalles

Secuenciación de tareas mediante metaheurísticos

Secuenciación de tareas mediante metaheurísticos VIII Congreso de Ingeniería de Organización Leganés, 9 y 10 de septiembre de 2004 Secuenciación de tareas mediante metaheurísticos Santiago López de Haro 1, Pedro Sánchez Martín 2, Javier Conde Collado

Más detalles

[ Guía para recién llegados a los ALGORITMOS GENÉTICOS]

[ Guía para recién llegados a los ALGORITMOS GENÉTICOS] UVa Dpto. de Organización de Empresas Escuela de Ingenierías Industriales Elena Pérez www.eis.uva.es/elena [ Guía para recién llegados a los ALGORITMOS GENÉTICOS] El propósito de esta guía es dar soporte

Más detalles

Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI

Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Ricardo Köller Jemio Departamento de Ciencias Exactas e Ingeniería, Universidad

Más detalles

Rubén Ruiz, Concepción Maroto, Javier Alcaraz.

Rubén Ruiz, Concepción Maroto, Javier Alcaraz. 27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8 11 de abril de 2003 UN ALGORITMO GENÉTICO HÍBRIDO PARA EL TALLER DE FLUJO DE PERMUTACIÓN Rubén Ruiz, Concepción Maroto, Javier Alcaraz.

Más detalles

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.

Más detalles

Experimentos con Algoritmos Genéticos para resolver un problema real de Programación Maestros-Horarios-Cursos

Experimentos con Algoritmos Genéticos para resolver un problema real de Programación Maestros-Horarios-Cursos Experimentos con Algoritmos Genéticos para resolver un problema real de Programación Maestros-Horarios-Cursos Pedro FLORES, Ernesto BRAU, Jazmín A. MONTEVERDE, Norman F. SALAZAR, José FIGUEROA, Eliseo

Más detalles

Duración del Proyecto e Incertidumbre

Duración del Proyecto e Incertidumbre 6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012 Duración del Proyecto e Incertidumbre Project Duration

Más detalles

7. Conclusiones. 7.1 Resultados

7. Conclusiones. 7.1 Resultados 7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar

Más detalles

Julian López Franco Universidad de La Salle Carrera 2 No. 10 70 Bogotá, Colombia jullopez@unisalle.edu.co

Julian López Franco Universidad de La Salle Carrera 2 No. 10 70 Bogotá, Colombia jullopez@unisalle.edu.co ESTRATEGIAS PARA EL DISEÑO E HIBRIDACIÓN DE UNA METAHEURÍSTICA BASADA EN BÚSQUEDA DISPERSA QUE RESUELVA EL PROBLEMA MDVRP MULTIOBJETIVO: COSTO Y BALANCEO DE CARGA Julian López Franco Universidad de La

Más detalles

Optimización y Toma de Decisiones

Optimización y Toma de Decisiones Optimización y Toma de Decisiones Guía Docente Master Oficial en Planificación y Gestión de Procesos Empresariales Universitat de València Datos del Curso Nombre de la asignatura Optimización y Toma de

Más detalles

Modelos y Optimización I

Modelos y Optimización I Modelos y Optimización I María Inés Parnisari 7 de enero de 2012 Índice 1. Deniciones 2 2. Método Simplex 2 3. Problemas 4 4. Modelización 10 5. Heurísticas 10 1 1 Deniciones Investigación operativa: aplicación

Más detalles

DESARROLLO DE UN MODELO DE PROGRAMACIÓN DINÁMICA PARA LA MEJORA DE LA PRODUCCIÓN EN UNA EMPRESA DE FABRICACIÓN DEL SECTOR AZULEJERO

DESARROLLO DE UN MODELO DE PROGRAMACIÓN DINÁMICA PARA LA MEJORA DE LA PRODUCCIÓN EN UNA EMPRESA DE FABRICACIÓN DEL SECTOR AZULEJERO 27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8-11 de abril de 2003 DESARROLLO DE UN MODELO DE PROGRAMACIÓN DINÁMICA PARA LA MEJORA DE LA PRODUCCIÓN EN UNA EMPRESA DE FABRICACIÓN

Más detalles

Planificación y secuenciamiento de procesos por lotes. Prof. Cesar de Prada ISA-UVA

Planificación y secuenciamiento de procesos por lotes. Prof. Cesar de Prada ISA-UVA Planificación secuenciamiento de procesos por lotes Prof. Cesar de Prada ISA-UVA Indice Procesos plantas batch Conceptos básicos de secuenciamiento Formulación de problemas de secuenciamiento Resolución

Más detalles