Hiperheurística para un problema de equilibrado de líneas de montaje usando Scatter Search
|
|
- Mercedes Díaz Toledo
- hace 8 años
- Vistas:
Transcripción
1 Hperheurístca para un problema de equlbrado de líneas de montaje usando Scatter Search Joaquín Bautsta 1, Elena Fernández 1, José Lus González Velarde 2, Manuel Laguna 3 1 Unverstat Poltècnca de Catalunya, Avda. Dagonal 647, 7ª Planta Barcelona 2 Insttuto Tecnológco de Monterrey, Garza Sada Sur 2501, 64849, Monterrey, N.L:, Mx. 3 Leeds School of Busness, Unversty of Colorado, Boulder, CO {joaqun.bautsta, e.fernandez}@upc.edu, gonzalez.velarde@tesm.mx, manuel.laguna@colorado.edu Resumen El presente trabajo se centra en la aplcacón de un procedmento basado en Scatter Search (SS) para resolver un problema de equlbrado de líneas de montaje. Tras una ntroduccón a los denomnados Assembly Lne Balancng Problems (ALBPs) se propone un modelo básco para su varante smple (SALBP). Tras ello, se presentan las heurístcas greedy (basadas en reglas de prordad) empleadas para resolver SALBP, se plantea su hbrdacón y se propone un procedmento de combnacón de solucones, representadas por secuencas de reglas heurístcas de prordad en la asgnacón de tareas, bajo un esquema SS. Fnalmente, se realza una experenca computaconal, con nstancas de referenca, para probar el procedmento, y se establecen las conclusones del trabajo. 1. Introduccón Las líneas de produccón y de montaje se caracterzan por estar consttudas por un conjunto de puestos de trabajo denomnados estacones. Las estacones (m, ndexadas en un conjunto K) se dsponen en sere y en paralelo y a través de ellas fluye la obra en curso de un producto (motores, carrocerías, bastdores, etc.) gracas a un sstema de transporte encargado, por una parte, de aportar, los materales requerdos al flujo prncpal y, por otra, mover las undades del producto de una estacón a la sguente. Las undades del producto pueden ser déntcas o, más usual actualmente, presentar dstntas varantes. La fabrcacón de una undad de producto se suele dvdr en un conjunto V de tareas n ndexadas, a su vez, en un conjunto J (el cual depende de la lsta de materales y de las especfcacones de montaje sumnstradas por ngenería de produccón). Al subconjuntos de tareas asgnadas a una estacón concreta k (1 k m) se denomna carga de la estacón k y la representaremos medante S k (S k V) y se mpone como condcón que cada tarea debe asgnarse a una únca estacón. Una tarea concreta j (1 j n) requere para su ejecucón un tempo de operacón t j >0 que depende de las tecnologías de fabrcacón y de los recursos empleados. Adconalmente, la naturaleza del producto y, de nuevo, las tecnologías de fabrcacón mplcan que para cada tarea j exsta un conjunto de tareas precedentes nmedatas, P j, que deben conclurse antes de ncarse la tarea j. Normalmente, estas restrccones suelen representarse medante un grafo acíclco cuyos vértces se asocan a las tareas y cada arco drgdo (, representa que la tarea debe fnalzarse antes de que se nce la tarea j, por tanto, s S h y j S k, entonces debe cumplrse h k. El tempo de carga de una estacón k, t(s k ), es la suma de los tempos de operacón de las tareas asgnadas a dcha estacón. El tempo de cclo, c, es el tempo conceddo a cada estacón para llevar a cabo las tareas que tenen asgnadas. Nótese, por tanto, que el tempo de cclo no puede ser menor que el mayor tempo de carga entre todas las estacones, n es lógco que sea mayor que la suma de los tempos de operacón de todas las tareas, esto es: max k {t(s k )} c Σ k t(s k )=t sum. Por otra parte, cada estacón k presenta un tempo muerto I k = c- t(s k ), mayor o gual a 0, y la suma de dchos tempos parcales da lugar al tempo muerto total, I sum = Σ k I k = m c-t sum, que está vnculado a la nefcenca de la línea. En general, los problemas de equlbrado de líneas de montaje (ALBPs) se centran en agrupar Actas del IV Congreso Español sobre Metaheurístcas, Algortmos Evolutvos y Bonsprados, MAEB2005, pp ISBN: Vol I: Vol II: Los autores, Thomson
2 840 Scatter Search II por estacones de trabajo las tareas del conjunto V. Resumendo, el objetvo es consegur una agrupacón de tareas que mnmce la nefcenca de la línea o su tempo muerto total y que respete todas las restrccones mpuestas a las tareas y a las estacones. La prmera famla de problemas, denomnada SALBP (Smple Assembly Lne Balancng), [3], puede enuncarse como sgue: dados un conjunto de tareas, con sus tempos de operacón y un grafo de precedencas asocado, cada tarea se debe asgnar a una únca estacón de manera que se satsfagan todas las restrccones de precedenca y que no haya nnguna estacón cuyo tempo de carga, t(s k ), exceda el tempo de cclo c. La famla SALBP presenta cuatro varantes: SALBP-1: mnmzar el número de estacones m dado un valor del tempo de cclo c; SALBP-2 mnmzar el tempo de cclo c dado un número de estacones m; SALBP-E: mnmzar, a la vez, c y m consderando su relacón con el tempo muerto total o la nefcenca de la línea; SALBP-F: dados m y c determnar la factbldad del problema, y en caso afrmatvo hallar una solucón del msmo. Cuando se añaden consderacones adconales a las de la famla SALBP, los problemas se conocen en la lteratura como GALBPs (General Assembly Lne Balancng Problems). Esta famla ncluye, entre otros, problemas que consderan estacones de trabajo en paralelo, [5], grupos forzados de tareas, [6], e ncompatbldades entre tareas, [1]. En [16] puede encontrarse un análss y bblografía actualzados, así como el estado del arte de dferentes procedmentos para SALBP s. En cuanto a procedmentos de resolucón, se dspone de un prmer grupo de algortmos greedy que emplean reglas de prordad para asgnar las tareas a las estacones [8] [17]; un segundo grupo compuesto por procedmentos bajo un esquema branch and bound, [9] [10] [13] [15], que son los más efcaces actualmente; y un tercer grupo compuesto por metaheurístcas dversas [14] [2]. Cas todos ellos están orentados a resolver problemas SALBP-1 o SALBP-2. El presente trabajo se ha organzado así: en la seccón 2 se presenta un modelo matemátco para SALBP; la seccón 3 se centra en las heurístcas báscas para el problema y en la 4 lustramos, a través de un ejemplo, algunas de sus defcencas; en la seccón 5 se propone una representacón de las solucones medante cadenas de reglas y en la 6 se propone un método para combnarlas usando Scatter Search; tras ello, la seccón 7 se dedca a probar el procedmento propuesto con nstancas de referenca SALBP; fnalmente, la seccón 8 recoge las conclusones del trabajo. 2. Un modelo matemátco para el SALBP Para modelar SALBP, se emplea la notacón adconal sguente: E j,l j Índces de la prmera y últma estacón, respectvamente, a la que puede asgnarse la tarea j. UB Cota superor del número de estacones. x jk Varable de decsón bnara que toma el valor 1 s la tarea j J se asgna a la estacón k K, y (0 en otro caso). Con la notacón anteror las sguentes restrccones defnen solucones factbles para SALBP-F. L j = x = 1 j J (1) k E jk UB k = j 1 1 max j n { x } m jk (2) n t x c k K j =1 j jk (3) L L j kx kx jk (, j J ) ( j ) = = (4) k E k P k E j x k { 0,1} J, k K (5) Las gualdades (1) aseguran que cada tarea se asgna a una únca estacón, mentras que las desgualdades (2) y (3) aseguran que se utlzan como máxmo m estacones de trabajo y que el tempo de carga en cada estacón no excede el tempo de cclo, respectvamente; por su parte, las desgualdades (4) srven para garantzar el cumplmento de las relacones de precedenca entre tareas; fnalmente, las expresones (5) srven para defnr las varables de decsón como bnaras. Como hemos menconado anterormente, en SALBP-F, los elementos m y c son valores fjos, mentras que, en el resto de problemas, uno o más de esos elementos actúan como funcón objetvo. En partcular cuando se consderan SALBP-1 y SALBP-2, las expresones (6) y (7) corresponden a sus respectvas funcones objetvo: { x } UB k = 1 jk 1 j n n j = t j 1 k UB 1 mn mze Z1( x) = m = max (6) { x jk } mn mze Z 2 ( x) = c = max (7) La funcón objetvo de SALBP-E es mnmzar m c, sendo la solucón óptma del problema obva
3 IV Congreso Español sobre Metaheurístcas, Algortmos Evolutvos y Bonsprados, MAEB (m=1, c=t sum.) s sólo se consdera (1) a (5) como restrccones del problema; por ello, se mpone al problema un rango de valores posbles para m, esto es: m mn m m max. 3. Heurístcas báscas greedy y GRASP En la fgura 1 se presenta el esquema de un procedmento heurístco para generar una solucón del problema SALBP. 0. Incalzacón k = 1, NA =V, WTP = TP, r = c 1. Verfcar factbldad {precedenca} ΝΑ, f WTP = 0, B = B {} {tempo} B, f t r, F = F {} 2. Asgnacón f F =, {abrr nueva estacón} I = I+r, r = c Paso 1 else {selecconar tarea de F} * = índce tarea selecconada NA, B, F = NA, B, F {*} r = r t * TS *, WTP = WTP 1 f NA, Paso 1 3. I = I+r, Alto Fgura 1: Esquema del procedmento de obtencón de una solucón para el problema SALBP. El esquema es váldo tanto para las heurístcas greedy determnstas como para GRASP. Las heurístcas greedy orentadas a estacones efectúan la asgnacón de las tareas, una a una, en funcón de una regla de prordad que dstngue al algortmo. El proceso de seleccón se realza entre un conjunto de tareas compatbles con la parte de la solucón ya construda (denomnado conjunto de canddatas), las cuales satsfacen todas las restrccones de precedenca y tenen un tempo de operacón menor o gual que el tempo dsponble en la estacón aberta. Cuando se obtene una solucón se puede aplcar o no un procedmento de optmzacón local. En los algortmos GRASP, se puede lmtar el número de canddatas en cada teracón y además en el proceso de asgnacón se sortean las tareas canddatas en funcón de una probabldad de seleccón que puede depender del valor del índce de aquéllas; en cualquer caso a la solucón hallada en la prmera fase se aplca un procedmento de optmzacón local [12]. Como es lógco, para defnr una heurístca es necesaro fjar al menos una regla de prordad en el proceso de seleccón. En el Anexo I se presenta una muestra compuesta por 15 reglas de prordad elementales. 4. Un ejemplo lustratvo En la fgura 2 se muestra un conjunto formado por 12 componentes que deben ser montados en una línea a la que se concede un tempo de cclo de 1 mnuto. En la tabla 1 se resume las duracones (en segundos) y lgaduras de precedenca nmedata entre tareas. Fgura 2: Ensamblado de conjunto en línea. El ejemplo propuesto se ha resuelto medante el procedmento greedy presentado en la seccón 3 empleando, en el paso correspondente a la asgnacón de tarea en la estacón aberta, las reglas de prordad 1 a 14 que se relaconan en el anexo 1. j t j P j j t j P j A1 6 - C A2 7 A1 C2 10 C1 A3 6 A2 C3 10 C2 B1 8 - D B2 8 B1 D2 17 D1 B3 8 B2 D3 14 D2 Tabla 1. Datos del ejemplo lustratvo: tarea, tempo de proceso (en segundos) y tareas precedentes nmedatas.
4 842 Scatter Search II Cualquera de las 14 solucones obtendas, empleando ndvdualmente las 14 reglas (1 a 14) determnstas menconadas y sn recurrr a una optmzacón local posteror, requere 3 estacones de trabajo. No obstante, es fácl hallar a smple vsta solucones óptmas para este ejemplar que requeren sólo dos estacones de trabajo; por ejemplo: una prmera estacón E1={D1, D2, D3, A1, B1} y una segunda estacón E2={C1, C2, C3, A2, A3, B2, B3}. Dcha solucón se puede obtener empleando la regla de prordad 1 (Mayor tempo de operacón) en las tres prmeras decsones de asgnacón de tarea, la regla 14 (Menor tempo de operacón) en la cuarta decsón, de nuevo la regla 1 en la qunta decsón y cualquera de las 15 reglas en las decsones restantes hasta completar el proceso de asgnacón de las 12 tareas. Esta cadena de 12 decsones se puede representar medante el vector de reglas (1,1,1,14,1,*,*,*,*,*,*,*). Con este sencllo ejemplar no se pretende cuestonar la caldad de las reglas, sno la forma de aplcarlas y poner en evdenca la rgdez de las heurístcas greedy puras ncluso cuando la regla de prordad empleada sea muy refnada. 5. Representacón de solucones medante reglas de prordad. Los procedmentos constructvos basados en reglas de prordad calculan para las dstntas tareas valores asocados a la regla de prordad elegda, que están basados en los tempos de ejecucón de las tareas y en las relacones de precedenca dadas. En cada teracón se asgna a la prmera estacón de trabajo dsponble aquella tarea todavía no asgnada con el mejor valor respecto a la regla de prordad elegda. Los procedmentos constructvos cláscos para SALPB utlzan la msma regla a lo largo de todo el proceso de asgnacón. En este trabajo proponemos un procedmento constructvo que combna dstntas reglas y que supone una generalzacón de los procedmentos cláscos. En partcular, en las dferentes teracones, pueden utlzarse dstntas reglas. Denotemos por R ={R 1, R 2,, R k } el conjunto de reglas de prordad. Un esquema de un Procedmento Constructvo de Combnacón de Reglas (PCCR) es el sguente: Intalzacón: NA=J (conjunto de tareas no asgnadas). Para ( =1,,n ) hacer: Selecconar r() K. Sea j r() NA el resultado de aplcar la regla de prordad R r() R al conjunto de tareas no asgnadas NA. Actualzar NA:= NA \ {j r() }. Fnpara Nótese que el índce de tarea asgnado en la teracón, j r(), depende de la regla de prordad R r() así como de los índces que tareas que ya han sdo asgnadas. En el contexto del esquema anteror, el (PCCR) que aplca la regla de prordad R r() en la teracón J se representa medante el vector de índces de reglas r = (r(1), r(2),,r(n)). La solucón obtenda puede determnarse a partr del vector r, y se denotará por s = (j r(1), j r(2),, j r(n) ). Su valor se denota por m(s). Nótese que cuando para algún J la regla de prordad R r() es no determnsta, el resultado j r() puede no ser únco. El conjunto de todas las posbles solucones obtendas medante el procedmento constructvo r = (r(1), r(2),, r(n)) se llama Conjunto Solucón de r, y se denota Sol(r). 6. Usando Scatter Search El esquema anteror puede ntegrarse en una meta-estratega en la que nuevas PCCRs se generan medante combnacones de reglas exstentes. El hecho de que una regla, dgamos R, aparezca varas veces en PCCR se puede nterpretar como asgnar una mayor ponderacón a la regla R. Por tanto, esta metodología sgue la msma flosofía que la de generar combnacones numércamente ponderadas de reglas ya exstentes como en Scatter Search (SS) (ver [7] [11]). Las estrategas antecesoras para combnar reglas de decsón fueron ya propuestan hace más de 40 años en el contexto de secuencacón de tareas job shop schedulng, [4]. Como señaló Glover, [7], el enfoque está motvado por la suposcón de que la nformacón sobre el relatvo nterés de las posbles alternatvas se captura de manera dstnta por las dferentes reglas, y de que esa nformacón puede aprovecharse de manera más efectva cuando se ntegra medante un mecansmo de combnacón que cuando se trata medante una estratega estándar selecconando las
5 IV Congreso Español sobre Metaheurístcas, Algortmos Evolutvos y Bonsprados, MAEB dstntas reglas de una en una, de manera aslada unas de otras. Más recentemente, esta flosofía se ha generalzado y formalzado en SS, (ver, p.ej. [11]). A dferenca de otros métodos evolutvos, SS se basa en la premsa de que métodos y dseños sstemátcos para crear nuevas solucones mplcan benefcos sgnfcatvos sobre los dervados del recurso a la aleatoredad. A contnuacón proponemos un algortmo de SS para generar las combnacones ponderadas que defnen las dstntas PCCP s. Las componentes de nuestro algortmo son: Conjunto de Referenca que consste en un conjunto de elementos, cada uno de los cuales está asocado a un PCCR dferente. Los r del Conjunto de Referenca se evalúan a través de sus conjuntos solucones. Es decr, para un PCCR dado r del Conjunto de Referenca, selecconamos un elemento de su Conjunto Solucón s Sol\{r} y le asgnamos un valor val(r)=m(s). Incalmente, el Conjunto de Referenca está formado por todos los PCCR s que utlzan la msma regla en cada teracón. Es decr, s r = (,,, ) denota el PCCR que utlza la regla R en cada teracón, el Conjunto de Referenca ncal es RS = {r : K}. Método de Combnacón de Solucones. Utlzamos una matrz de frecuencas cuyos elementos Fr(, son el número de PCCR s del conjunto de referenca (contados desde el prncpo del proceso) que utlzan la regla R en el paso j. Sean p=(p(1), p(2),, p(n)) y q=(q(1), q(2),, q(n)) dos PCCR s del Conjunto de Referenca que deseamos combnar. Las componentes de la solucón combnada son las sguentes: p( r( = p( q( s s en otro caso. p( = q( ; Fr ( p(, Fr( q(, ; Método de actualzacón del Conjunto de Referenca. Método de generacón de subconjunto del conjunto de referenca sobre el cual operar, para producr un subconjunto de sus solucones como base para crear solucones combnadas. 7. Experenca computaconal Se elgeron tres famlas de problemas SALBP (dsponbles en Entschedung/alb/ albdata.htm) Barthold Scholl, Barthol2, aun cuando en este lugar se albergan muchas más famlas, se selecconaron éstas por consderar que son las que presentan el mayor reto. Barthold consta de 8 problemas, con 148 tareas, cuyos tempos de procesamento se encuentran en un rango entre 1 y 83 undades de tempo. Los tempos de cclo consderados varían entre 403 y 805. Nnguno de estos problemas admte una solucón óptma que sea producda usando una sola de las reglas enuncadas, al combnar las dferentes reglas medante el método de SS descrto, se encontró el óptmo para sete de los ocho casos, los resultados se encuentran en la Tabla 2. Donde TC sgnfca Tempo de Cclo. TC Puras SS OPT TC Puras SS OPT Tabla 2 La famla Scholl consta de 26 problemas, de 297 tareas, con tempos de procesamento entre 5 y 1386, con tempos de cclo varando desde 1394 hasta 2787 undades de tempo. De estos ejemplares 2 de ellos pueden ser resueltos óptmamente medante alguna regla pura, a los restantes, se les aplcó el método de combnacones SS, y se logró reducr el número de estacones usadas en dos casos, alcanzando el óptmo en uno de ellos. Los resultados se muestran en la Tabla 3. Por últmo la famla Barthol2 formada por 27 problemas de 148 tareas, tempos de procesamento entre 1 y 83 y tempos de cclo desde 84 hasta 170. Nnguno de ellos es resuelto usando sólo una regla, en 5 ejemplares fue posble reducr el número de estacones usadas, pero en nngún caso se consguó alcanzar el óptmo, esta famla resultó ser la más dfícl en térmnos del método propuesto, la Tabla 4 contene estos resultados.
6 844 Scatter Search II TC Puras SS OPT TC Puras SS OPT [41,42] Tabla 3 TC Puras SS OPT TC Puras SS OPT Tabla 4 8. Conclusones Para el problema SALBP se han propuesto dferentes reglas heurístcas, desafortunadamente para una gran cantdad de ejemplares de este problema, emplear una sola de estas reglas no conduce a la solucón óptma, por lo cual se propone usar una mezcla de estas reglas. Al aplcar el método propuesto a un conjunto de ejemplares se puderon clasfcar en tres posbles subconjuntos: aquellos problemas que pueden ser resueltos con una sola regla, éstos fueron los menos. Problemas que no pueden ser resueltos con una sola regla, pero que al aplcar el método SS para combnar estas reglas, se consguen mejores solucones, algunas de ellas óptmas. Y un tercer grupo que son aquellos problemas para los cuales, el método de combnacones de reglas no mejora los resultados obtendos usando una sola regla. A partr de esta conclusón es plausble pensar que en vez de aplcar dferentes reglas, nvarantes, en dferentes puntos de decsón, usar las combnacones para cambar las reglas. La lógca detrás de esto es que cada regla puede basarse en una característca útl del problema, y s esto es certo, entonces, alguna combnacón que pondere el crtero de evaluacón de las reglas, de alguna manera puede contener mplíctamente más crtero que una sola regla por separado, y puede dar mejores resultados. Agradecmentos Este trabajo ha sdo parcalmente fnancado por la red española de procedmentos metaheurístcos HEUR, TIN E. El prmer autor ha sdo parcalmente fnancado por el proyecto DPI del MEC del Goberno Español, la empresa Nssan y por la Cátedra Nssan de la Unverstat Poltècnca de Catalunya. El tercer autor ha sdo parcalmente fnancado por la Cátedra de Investgacón en Ingenería Industral del Tecnológco de Monterrey. Agradecemos tambén a Fred Glover sus nestmables comentaros acerca de la combnacón ponderada de reglas. Referencas [1] Agnets, A., Cancmno, A., Lucertn, M. y Pzzchella, M. Balancng Flexble Lnes for Car Components Assembly. Internatonal Journal of Producton Research (1995) 33, [2] Bautsta, J. y Perera, J. Ant Algorthms for Assembly Lne Balancng. Lecture Notes n Computer Scence (2002) 2463, Sprnger, Berlín [3] Baybars, I. A survey of exact algorthms for the smple assembly lne balancng problem. Management Scence (1986) 32 (8) [4] Crowston, W.B., Glover, F., Thompson, G.L. y Trawck. J.D. (1963). "Probablstc and
7 IV Congreso Español sobre Metaheurístcas, Algortmos Evolutvos y Bonsprados, MAEB Parametrc Learnng Combnatons of Local Job Shop Schedulng Rules", ONR Research Memorandum No. 117, GSIA, Carnege Mellon Unversty, Pttsburgh, PA. [5] Daganzo, C.F y Blumfeld, D.E. Assembly System Desgn Prncples and Tradeoffs, Internatonal Journal of Producton Research (1994) 32, [6] Deckro, R.F. Balancng Cycle Tme and Workstatons. IIE Transactons (1989) 21, [7] Glover, F., "A Template for Scatter Search and Path Relnkng" en Artfcal Evoluton, Lecture Notes n Computer Scence, 1363, J.- K. Hao, E. Lutton, E. Ronald, M. Schoenauer and D. Snyers, Eds. Sprnger, 1998, pp [8] Hackman, S.T., Magazne, M.J. y Wee, T.S. Fast, Effectve Algorthms for Smple Assembly Lne Balancng Problems. Operatons Research (1989) 37, [9] Hoffmann, T.R. Eureka. A hybrd system for assembly lne Balancng. Management Scence, (1992) 38 (1), [10] Johnson R.V. Optmally balancng assembly lnes wth FABLE. Management Scence (1988) 34, [11] Martí, R., Laguna, M. y Glover, F. (2003), Prncples of Scatter Search, European Journal of Operatonal Research, por aparecer (dsponble en [12] Rachamadugu R. y Talbot, B. Improvng the equalty of workload assgnments n assembly lnes. Internatonal Journal of Producton Research (1991) 29, [13] Scholl, A. y Klen, R. Balancng Assembly lnes effectvely A computatonal comparson, European Journal of Operatonal Research (1999) 114,50-58 [14] Scholl A. y Voss, S. Smple assembly lne balancng Heurstc approaches, Journal of Heurstcs (1996) 2, [15] Scholl, A. Balancng and Sequencng of Assembly Lnes, Physca-Verlag, Hedelberg (1999) [16] Scholl A. y Becker, C. State-of-the-art exact and heurstc soluton procedures for smple assembly lne balancng. Jenaer Schrften zur Wrtschaftswssenschaft 20/03, FSU Jena (2003). Por aparecer en: EJOR, specal ssue on Balancng of Automated Assembly and Transfer Lnes. [17] Talbot, F.B., Patterson, J.H. y Gehrlen, W.V. A comparatve evaluaton of Heurstc Lne Balancng Technques, Management Scence (1986) 32, Anexo I Nomenclatura:, j Índces de tarea n Número de tareas c Tempo de cclo t Tempo de operacón de. IS Conjunto de tareas sguentes nmedatas a. TS Conjunto de tareas sguentes a. TP Conjunto de tareas precedentes a. L Nvel de la tarea en el grafo de precedencas. Z Conjunto de tareas canddatas en curso Asgnar la tarea z * : z * )=max Z [)] Nombre Regla 1. Mayor tempo de ) = t operacón 2. Mayor número de sucesoras ) = IS nmedatas 3. Mayor número ) = TS de sucesoras. 4. Mayor peso ) = t j TS j posconal t 5. Mayor peso t j TS t j ) = medo posconal TS Menor cota t j TS t j ) = UB = n 1+ superor: UB c 7. Menor UB / sucesoras ) = UB / ( TS + 1 ) 8.Mayor tempo de operacón / UB ) = t / UB 9.Menor cota t j TP t j ) = LB = Inferor: LB c 10. Menor holgura. ) = (UB LB ) 11. Sucesoras / Holgura ) = TS / ( UB - LB ) 12.Bhattcharjee & Sahu ) = t + TS 13. Klbrdge & Wester ) = L 14. Menor tempo de operacón ) =- t 15. Aleatoro. *
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesDEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
Más detallesTEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS.
GESTIÓN FINANCIERA. TEMA 10. OPERACIONES PASIVAS Y OPERACIONES ACTIVAS. 1.- Funconamento de las cuentas bancaras. FUNCIONAMIENTO DE LAS CUENTAS BANCARIAS. Las cuentas bancaras se dvden en tres partes:
Más detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
Más detalles1.1 Ejercicios Resueltos Tema 1
.. EJERCICIOS RESUELTOS TEMA. Ejerccos Resueltos Tema Ejemplo: Probarque ++3+ + n 3 + 3 +3 3 + + n 3 n (n +) Ã n (n +)! - Para n es certa, tambén lo comprobamos para n, 3,... ( + ) + 3 (+) supuesto certa
Más detallesMódulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)
Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,
Más detallesINSTRUCTIVO No. SP 04 / 2002 INSTRUCTIVO PARA LA DETERMINACIÓN Y CÁLCULO DEL SALARIO BÁSICO REGULADOR
El Superntendente de Pensones, en el ejercco de las facultades legales contempladas en el artículo 13, lteral b) de la Ley Orgánca de la Superntendenca de Pensones, EMITE el : INSTRUCTIVO No. SP 04 / 2002
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesUnidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública
Undad Central del Valle del Cauca Facultad de Cencas Admnstratvas, Económcas y Contables Programa de Contaduría Públca Curso de Matemátcas Fnanceras Profesor: Javer Hernando Ossa Ossa Ejerccos resueltos
Más detallesAnálisis de Sistemas Multiniveles de Inventario con demanda determinística
7 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8- de abrl de 00 Análss de Sstemas Multnveles de Inventaro con demanda determnístca B. Abdul-Jalbar, J. Gutérrez, J. Scla Departamento de
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesCifrado de imágenes usando autómatas celulares con memoria
Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano
Más detallesMatemática Financiera Sistemas de Amortización de Deudas
Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas
Más detallesÍndice de Precios de las Materias Primas
May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas
Más detallesGANTT, PERT y CPM INDICE
GANTT, PERT y CPM INDICE 1 Antecedentes hstórcos...2 2 Conceptos báscos: actvdad y suceso...2 3 Prelacones entre actvdades...3 4 Cuadro de prelacones y matrz de encadenamento...3 5 Construccón del grafo...4
Más detallesOPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS
P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesTEMA 8: PRÉSTAMOS ÍNDICE
TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detallesADENDA 008 LICITACIÓN L-CEEC-001-12
ADENDA 008 LICITACIÓN L-CEEC-001-12 OBJETO: CONTRATACIÓN DE LA CONSTRUCCIÓN DE LA FASE I DEL RECINTO FERIAL, DEL CENTRO DE EVENTOS Y EXPOSICIONES DEL CARIBE PUERTA DE ORO POR EL SISTEMA DE ECIOS UNITARIOS
Más detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detallesUnidad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI
Undad 3 PLANIFICACIÓN DE TIEMPOS, PROGRAMACIÓN DE RECURSOS Y ESTIMACIÓN DE COSTOS DE LA EJECUCIÓN Y MANTENIMIENTO DE LOS STI 3.1. DINÁMICA DE LA GESTIÓN DE PROYECTOS. 3.1.1. GESTIÓN DE PROYECTOS. La gestón
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesUn algoritmo GRASP para resolver el problema de la programación de tareas dependientes en máquinas diferentes (task scheduling)
Un algortmo GRASP para resolver el problema de la programacón de tareas dependentes en máqunas dferentes (tas schedulng) Manuel Tupa Pontfca Unversdad Católca del Perú, Departamento de Ingenería Av. Unverstara
Más detallesEspacios de Búsqueda en un Árbol Binario para Resolver Problemas de Optimización Discreta
Espacos de Búsueda en un Árbol Bnaro para Resolver Problemas de Optmzacón Dscreta María Elena Gómez-Torres J. Crspín Zavala-Díaz Marco Antono Cruz- Chávez 3 Insttuto Tecnológco de Zacatepec Calzada Insttuto
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesUnidad Nº III Unidad Aritmética-Lógica
Insttuto Unverstaro Poltécnco Santago Marño Undad Nº III Undad Artmétca-Lógca Undad Artmétca-Lógca Es la parte del computador que realza realmente las operacones artmétcas y lógcas con los datos. El resto
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesAlgoritmo para la ubicación de un nodo por su representación binaria
Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón
Más detallesCAPÍTULO 3 METODOLOGÍA. En el siguiente capítulo se presenta al inicio, definiciones de algunos conceptos actuariales
CAPÍTULO 3 METODOLOGÍA En el sguente capítulo se presenta al nco, defncones de algunos conceptos actuarales que se utlzan para la elaboracón de las bases técncas del Producto de Salud al gual que la metodología
Más detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se
Más detallesUN ALGORITMO VORAZ PARA RESOLVER EL PROBLEMA DE LA PROGRAMACIÓN DE TAREAS DEPENDIENTES EN MÁQUINAS DIFERENTES
RISI 1(1), 9-18 (2004) Rev nvestg sst nform Facultad de Ingenería de Sstemas e Informátca Unversdad Naconal Mayor de San Marcos ISSN: 1815-0268 (mpreso) MANUEL TUPIA et al ARTÍCULOS UN ALGORITMO VORAZ
Más detallesClase 25. Macroeconomía, Sexta Parte
Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesFUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN
FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 CÁLCULO DE LOS FLUJOS NETOS DE CAJA Y TOMA DE DECISIONES DE INVERSIÓN PRODUCTIVA Peculardades
Más detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del
Más detallesMATEMÁTICA DE LAS OPERACIONES FINANCIERAS I
MATEMÁTICA DE LAS OPERACIONES FINANCIERAS I CURSO 0/04 PRIMERA SEMANA Día 7/0/04 a las 6 horas MATERIAL AUXILIAR: Calculadora fnancera DURACIÓN: horas. a) Captal fnancero aleatoro: Concepto. Equvalente
Más detallesUn algoritmo de satisfactibilidad para el problema de Job Shop scheduling
Un algortmo de satsfactbldad para el problema de Job Shop schedulng Marco Antono Cruz Chávez 1, Juan Frausto Solís 2, Davd Juárez 3 1 UAEM Av. Unversdad 1001 Col. Chamlpa C.P. 62210 Cuernavaca Morelos,
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesCréditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias
Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso
Más detallesCapítulos 1-3: CAPITALIZACIÓN Y DESCUENTO
CUESTIONARIO Capítulos 1-3: CAPITALIZACIÓN Y DESCUENTO 1. Cuánto vale una Letra del Tesoro, en tanto por cento de nomnal, s calculamos su valor al 3% de nterés y faltan 5 días para su vencmento? A) 97,2
Más detallesIII CONGRESO COLOMBIANO Y I CONFERENCIA ANDINA INTERNACIONAL DE INVESTIGACIÓN DE OPERACIONES
III CONGRESO COLOMBIANO Y I CONFERENCIA ANDINA INTERNACIONAL DE INVESTIGACIÓN DE OPERACIONES TUTORIAL: ANÁLISIS MULTIOBJETIVO CONSIDERANDO INCERTIDUMBRE E IMPRECISIÓN Patrca Jaramllo A. y Rcardo A. Smth
Más detallesProgramación entera, el método del árbol de cubos, su algoritmo paralelo y sus aplicaciones
Programacón entera, el método del árbol de cubos, su algortmo paralelo y sus aplcacones Dr. José Crspín Zavala Díaz, Dr. Vladmr Khachaturov 2 Facultad de Contabldad, Admnstracón e Informátca, jc_zavala2002@yahoo.com
Más detallesInstrucciones para el alumnado
La escolarzacón en formacón profesonal ncal, se lleva a cabo medante un proceso de adjudcacón de vacantes centralzado, donde las plazas ofertadas por la Consejería de Educacón, Cultura y Deporte, a través
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 8 Semestre Otoño 2008
CI63G Planfcacón de Sstemas de Transporte Públco Urbano Clase 8 Semestre Otoño 2008 Undades Temátcas 1. La oferta de transporte públco urbano (2 semanas) 2. La demanda por TPU (1,5 sem.) 3. Dseño y optmzacón
Más detallesAgrupamiento de puntos de venta en una red de distribución
Agrupamento de puntos de venta en una red de dstrbucón Utlzando el Método de grafos y la Generacón de cortes para su solucón a través del lenguaje de modelacón AMPL. 26/Ago./04 Presenta: Aracel Ramírez
Más detallesInstrucciones para el alumnado
La escolarzacón en Formacón Profesonal Incal, se lleva a cabo medante un proceso de adjudcacón de vacantes centralzado, donde las plazas ofertadas por la Consejería de Educacón, Cultura y Deporte, a través
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesRESUELTOS POR M. I. A. MARIO LUIS CRUZ VARGAS PROBLEMAS RESUELTOS DE ANUALIDADES ANTICIPADAS
PROBLEMAS RESUELTOS DE ANUALIDADES ANTICIPADAS. En las msmas condcones, qué tpo de anualdades produce un monto mayor: una vencda o una antcpada? Por qué? Las anualdades antcpadas producen un monto mayor
Más detallesYIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL
27 Congreso Naconal de Estadístca e Investgacón Operatva Lleda, 8- de abrl de 2003 YIELD MANAGEMENT APLICADO A LA GESTIÓN DE UN HOTEL J. Guad, J. Larrañeta, L. Oneva Departamento de Organzacón Industral
Más detallesASIGNACIÓN DE LOCALIZACIONES DE ALMACENAMIENTO CONSIDERANDO DISTANCIAS Y TIEMPOS DE ESTADÍA ENTRE PEDIDOS
ASIGNACIÓN DE LOCALIZACIONES DE ALMACENAMIENTO CONSIDERANDO DISTANCIAS Y TIEMPOS DE ESTADÍA ENTRE PEDIDOS Marcela C. González-Araya Departamento de Modelacón y Gestón Industral, Facultad de Ingenería,
Más detallesUNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II
UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con
Más detallesMETODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS
SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento
Más detallesCONCEPTOS GENERALES DEL CAMPO MAGNÉTICO
CONCEPTOS GENERALES DEL CAMPO MAGNÉTICO 1 ÍNDICE 1. INTRODUCCIÓN 2. EL CAMPO MAGNÉTICO 3. PRODUCCIÓN DE UN CAMPO MAGNÉTICO 4. LEY DE FARADAY 5. PRODUCCIÓN DE UNA FUERZA EN UN CONDUCTOR 6. MOVIMIENTO DE
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesCANTIDADES VECTORIALES: VECTORES
INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES
Más detallesTutorial sobre Máquinas de Vectores Soporte (SVM)
Tutoral sobre Máqunas de Vectores Soporte SVM) Enrque J. Carmona Suárez ecarmona@da.uned.es Versón ncal: 2013 Últma versón: 11 Julo 2014 Dpto. de Intelgenca Artcal, ETS de Ingenería Informátca, Unversdad
Más detallesUnidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles
2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesTrabajo Especial 2: Cadenas de Markov y modelo PageRank
Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E
Más detallesTítulo: Dos métodos de diagnóstico de circuitos digitales de alta y muy alta escala de integración.
Título: Dos métodos de dagnóstco de crcutos dgtales de alta y muy alta escala de ntegracón. Autor: Dr. Ing. René J. Díaz Martnez. Profesor Ttular. Dpto. de Automátca y Computacón. Fac. de Ingenería Eléctrca.
Más detallesGuía de ejercicios #1
Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje
Más detallesBreve Estudio sobre la Aplicación de los Algoritmos Genéticos a la Recuperación de Información
Breve Estudo sobre la Aplcacón de los Algortmos Genétcos a la Recuperacón de Informacón O. Cordón, F. oya 2,.C. Zarco 3 Dpto. Cencas de la Computacón e I.A. Unv. de Granada. Ocordon@decsa.ugr.es 2 Dpto.
Más detalles7.5.VARIOS CONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE DIRECCIÓN GENERAL DE INNOVACIÓN Y CENTROS EDUCATIVOS
BOLETÍN OFICIAL DE 7.5.VARIOS CONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE DIRECCIÓN GENERAL DE INNOVACIÓN Y CENTROS EDUCATIVOS Instruccones para concretar el procedmento para la obtencón l título Graduado
Más detallesModelo de programación jerárquica de la producción en un Job shop flexible con interrupciones y tiempos de alistamiento dependientes de la secuencia
REVISTA INGENIERÍA E INVESTIGACIÓN VOL. 28 No. 2, AGOSTO DE 2008 (72-79) Modelo de programacón jerárquca de la produccón en un Job shop flexble con nterrupcones y tempos de alstamento dependentes de la
Más detallesOptimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca
Más detalles1. Introducción 2. El mercado de bienes y la relación IS 3. Los mercados financieros y la relación LM 4. El modelo IS-LM
Tema 4 Los mercados de benes y fnanceros: el modelo IS-LM Estructura del Tema 1. Introduccón 2. El mercado de benes y la relacón IS 3. Los mercados fnanceros y la relacón LM 4. El modelo IS-LM 4.1 La polítca
Más detallesGestión de Oportunidades
Gestión de Oportunidades Bizagi Suite Gestión de Oportunidades 1 Tabla de Contenido CRM Gestión de Oportunidades de Negocio... 4 Elementos del Proceso... 5 Registrar Oportunidad... 5 Habilitar Alarma y
Más detallesLa representación Denavit-Hartenberg
La representacón Denavt-Hartenberg José Cortés Parejo. Marzo 8 Se trata de un procedmeto sstemátco para descrbr la estructura cnemátca de una cadena artculada consttuda por artculacones con. un solo grado
Más detallesCONSEJERÍA DE ECONOMÍA, HACIENDA Y EMPLEO
BOLETÍN OFICIAL DE CONSEJERÍA DE ECONOMÍA, HACIENDA Y EMPLEO DIRECCIÓN GENERAL DE TRABAJO Resolucón dsponendo la nscrpcón en el Regstro y publcacón l acuerdo adoptado por la Comsón Partara l Conveno Colectvo
Más detalles1.- Elegibilidad de estudiantes. 2.- Selección de estudiantes - 2 -
Unversdad Euskal Herrko del País Vasco Unbertstatea NORMATIVA PARA SOCRATES/ERASMUS Y DEMÁS PROGRAMAS DE MOVILIDAD AL EXTRANJERO DE ALUMNOS (Aprobada en Junta de Facultad del día 12 de marzo de 2002) La
Más detalles1. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA. Definición del álgebra geométrica del espacio-tiempo
EL ÁLGEBRA GEOMÉTRICA DEL ESPACIO Y TIEMPO. GENERALIDADES DEL ÁLGEBRA GEOMÉTRICA Defncón del álgebra geométrca del espaco-tempo Defno el álgebra geométrca del espaco y tempo como el álgebra de las matrces
Más detallesUn modelo sencllo, dsponble y seguro Kontratazo publko elektronkoa públca electrónca Lctacones de Prueba: la mejor forma de conocer y domnar el Sstema de Lctacón Electrónca www.euskad.net/contratacon OGASUN
Más detallesIMPLEMENTACIÓN PRÁCTICA DE UN BANCO DE FILTROS UNIFORME. S Q Salida del filtro Q h(n) Filtro s(n) Señal L Tamaño de la ventana del filtro 0 # n # L-1
IMPEMEACIÓ PRÁCICA DE U BACO DE FIROS UIFORME En este tpo de bancos, la forma de la respuesta espectral de cada uno de los fltros es la msma, y su frecuenca central se raparte de manera unforme en el espectro:
Más detallesMaterial realizado por J. David Moreno y María Gutiérrez. Asignatura: Economía Financiera
Tema - MATEMÁTICAS FINANCIERAS Materal realzado por J. Davd Moreno y María Gutérrez Unversdad Carlos III de Madrd Asgnatura: Economía Fnancera Apuntes realzados por J. Davd Moreno y María Gutérrez Advertenca
Más detallesMosto Vino joven Vino crianza Vino reserva Gran reserva Precio [ /l] Coste [ /l] Evap [%]
PROBLEMA: EL BODEGUERO Un bodeguero ha tendo una buena cosecha que estma sea de 10000 ltros. El bodeguero ha de decdr qué cantdad de la cosecha dedcarla a hacer mosto, qué cantdad conservarla un año en
Más detallesProfesor: Rafael Caballero Roldán
Contendo: 5 Restrccones de ntegrdad 5 Restrccones de los domnos 5 Integrdad referencal 5 Conceptos báscos 5 Integrdad referencal en el modelo E-R 53 Modfcacón de la base de datos 53 Dependencas funconales
Más detallesGráficos de flujo de señal
UNIVRSIDAD AUTÓNOMA D NUVO ÓN FACUTAD D INGNIRÍA MCANICA Y ÉCTRICA Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente
Más detallesALGORITMO SATSA DE DOS PASOS PARA JSSP.
ALGORITMO SATSA DE DOS PASOS PARA JSSP. AUTORES Marco Antono Cruz Chávez 00334858@academ01.mor.tesm.mx Arnulfo Martínez Perete 00371320@academ01.mor.tesm.mx Novembre del 2000 MATERIA ANÁLISIS DE ALGORITMOS
Más detalles3. PROGRAMACIÓN DE TRABAJOS EN INTERVALOS
3. PROGRAMACIÓN DE TRABAJOS EN INTERVALOS 28 3. PROGRAMACIÓN DE TRABAJOS EN INTERVALOS 3.1 INTRODUCCIÓN En numerosos trabajos de planfcacón y programacón de tareas, éstas poseen restrccones de tempo motvadas
Más detallesSmoothed Particle Hydrodynamics Animación Avanzada
Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla
Más detallesUN PROBLEMA LOGÍSTICO DE RUTEO DE VEHÍCULOS Y UNA SOLUCIÓN CON LA HEURÍSTICA R: UN CASO DE ESTUDIO
Scenta et Technca Año XIII, No 37, Dcembre de 2007. Unversdad Tecnológca de Perera. ISSN 0122-1701 407 UN PROBLEMA LOGÍSTICO DE RUTEO DE VEHÍCULOS Y UNA SOLUCIÓN CON HEURÍSTICA R: UN CASO DE ESTUDIO A
Más detallesRentas financieras. Unidad 5
Undad 5 Rentas fnanceras 5.. Concepto de renta 5.2. Clasfcacón de las rentas 5.3. Valor captal o fnancero de una renta 5.4. Renta constante, nmedata, pospagable y temporal 5.4.. Valor actual 5.4.2. Valor
Más detalles