Hiperheurística para un problema de equilibrado de líneas de montaje usando Scatter Search

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. *