MODELOS DE PLANIFICACIÓN

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

Download "MODELOS DE PLANIFICACIÓN"

Transcripción

1 MODELOS DE PLANIFICACIÓN Santiago de Compostela, Octubre 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 problema. 2 2 Resolución de problemas de planificación Determinísticos Estocásticos Complejidad Algoritmos Planificación en la práctica 12 4 Bibliografía 15 1

2 1 Descripción del problema. SCHEDULING, ELABORACIÓN DE CALENDARIOS o PLANIFICACIÓN: asignación de recursos escasos a tareas a lo largo del tiempo para alcanzar un objetivo. Fabricación de etiquetas. Impresión del logotipo, precio, etc. Recorte. Empaquetado. Minimizar el retraso en la entrega. Construcción de una línea férrea de alta velocidad. Elaboración del proyecto. Trámites administrativos. Ejecución de la obra. Minimizar la duración del proceso. RECURSOS MÁQUINAS, m TAREAS TRABAJOS, n Objetivos FUNCIONES M 1, M 2, M 3 J 1, J 2, J 3, J 4 Máquina 3 Máquina 2 Máquina 1 J 2 J 4 J 1 J 3 J 1 J 2 J 1 J 2 J 3 t Diagrama de Gantt. Planificación factible RECURSOS MÁQUINAS, m TAREAS TRABAJOS, n Objetivos FUNCIONES Parámetros asociados a cada TRABAJO j: Operaciones ( { O 1j,..., O mj j} ). Tiempo de proceso (p ij ). Ready o release date (r ij ). Fecha de entrega due date (d j ). Peso o ponderación (w j ). 2

3 Función de coste (f j (t)). RECURSOS MÁQUINAS, m TAREAS TRABAJOS, n Objetivos FUNCIONES Descripción de un problema determinístico α β γ α = α 1 ; α 2, donde α 1 {, P, Q, R, J, F, O, X} y α 2 { } N. α 1 {, P, Q, R}. Cada trabajo consta de una única operación que puede procesarse en cualquier máquina. α 1 = : una única máquina; p ij = p j. α 1 =P: Máquinas paralelas idénticas. α 1 =Q: Máquinas paralelas uniformes. α 1 =R: Máquinas paralelas no relacionadas. α 1 =J: Problema Job Shop. O 1j O 2j... O mj j. O ij será procesada en la máquina µ ij durante p ij unidades de tiempo. En general, se supone que µ ij µ i+1,j para cada i = 1,..., m j. α 1 =F: Problema Flow Shop. Es un caso especial del problema Job Shop tomando m j = m, para cualquier j = 1,..., n y µ ij = M i, para cualquier j = 1,..., n. α 1 =O: Problema Open Shop. Todos los trabajos tienen el mismo número de operaciones, cada operación se realiza en una máquina específica, pero no existe ninguna relación de precedencia entre las operaciones. α 1 =X: Problema Mixed Shop. Es una combinación de Job Shop y de Open Shop. α 2 = m. α 2 =. RECURSOS MÁQUINAS, m TAREAS TRABAJOS, n Objetivos FUNCIONES Descripción de un problema determinístico α β γ β con β un subconjunto de {β 1, β 2, β 3, β 4 }. 3

4 β 1 {pmtn, }: β 1 =pmtn: cualquier operación puede interrumpirse y reiniciarse más tarde. β 1 = : No se permite interrupción. β 2 {prec, tree, }: β 2 =prec: Se especifica una relación de precedencia entre los trabajos. β 2 =tree: el grafo G es un árbol con raíz, donde de cada nodo sale a lo sumo una rama o llega a él una única rama. β 2 = : No hay relaciones de precedencia. β 3 {r j, s jk, }. β 3 = r j. β 3 = s jk. β 3 = : Todos los valores son cero. β 4 {p j = 1, p ij = 1, }. β 4 = p j = 1: Cada trabajo necesita un tiempo de proceso de una unidad. β 4 = p ij = 1: Cada operación requiere una unidad de procesamiento. β 4 = : Los valores de p j o de p ij pueden ser cualquier entero no negativo. RECURSOS MÁQUINAS, m TAREAS TRABAJOS, n Objetivos FUNCIONES Descripción de un problema determinístico α β γ γ con γ {f max, f j }. Makespan (alcance o duración total) C max = max {C 1,..., C n } C j es el tiempo total del trabajo j en el sistema. Máximo retraso, L max. L max = max {L 1,..., L n } C j es el tiempo total del trabajo j en el sistema. L j = C j d j es el retraso ( lateness ) que sufre un trabajo respecto a su fecha de entrega. 4

5 Tiempo total de finalización ponderado wj C j C j es el tiempo total del trabajo j en el sistema. Tardanza total ponderada, wj T j C j es el tiempo total del trabajo j en el sistema. T j = max {C j d j, 0} = max {L j, 0} es la tardanza ( tardiness ) del trabajo j respecto a su fecha de entrega. Número total ponderado de trabajos con retraso, wj U j C j es el tiempo total del trabajo j en el sistema. U j = RECURSOS MÁQUINAS, m TAREAS TRABAJOS, n Objetivos FUNCIONES { 1 si Cj > d j 0 en el resto Descripción de un problema determinístico α β γ P m r j, M j w j T j. Asignación de puertas de embarque. 1 s jk C max. Problema del viajante. P prec C max. Planificación de proyectos. Jm C max. Job Shop con m máquinas. T j = max {C j d j, 0} C max = max {C 1,..., C n } Calendario sin retraso. Ninguna máquina está libre si hay alguna operación lista para ser procesada. Calendario activo. No es posible construir otro intercambiando el orden de los trabajos donde alguna operación finalice antes y ninguna finalice más tarde. Calendario semi-activo. Ninguna operación finaliza antes sin cambiar el orden de procesamiento en alguna máquina. 5

6 2 Resolución de problemas de planificación. 2.1 Determinísticos Qm p j = 1 f(c j ). Modelo del transporte asociado. Trabajos n Posiciones (m n) 1, c 112 = f(2/v 1 ) 1,2 1 2, c 222 = f(2/v 2 ) 2,2 1 x ijk = 1 el trabajo j es el trabajo k en la máquina i; x ijk = 0 c ijk = h j (C j ) = f j (k/v i ). Qm p j = 1 f(c j ) Problema de asignación ponderada N=conjunto de trabajos M=conjunto de posiciones (i, k) (i, 1) posición del último trabajo en la máquina i. (i, 2) posición del penúltimo trabajo en la máquina i. (i, k) posición del trabajo k ésimo en la máquina i empezando por el final. x ijk = 1 el trabajo j es el trabajo k, empezando por el final, en la máquina i x ijk = 0, en otro caso. w ijk = kp ij. 1 w j C j Trabajos J 1... J n w j w 1... w n p j p 1... p n u j u 1... u n Indice de urgencia: u j = w j /p j, j = 1,..., n Calendario óptimo (regla WSPT): el trabajo j se ejecuta, sin interrupción, antes que el trabajo k si y sólo si u j u k Este problema puede resolverse en tiempo polinomial. 1 r j L max L j = C j d j, j = 1,..., n 6

7 L max = max {L 1,..., L n } fuertemente NP-hard!!!! 1 w j U j U j = { 1 si Cj > d j 0 en el resto NP-hard!!!! 2.2 Estocásticos X ij : Tiempo de proceso del trabajo j en la máquina i. 1/λ ij : valor esperado o media de la variable X ij. R j : Instante en que está listo el trabajo j para ser procesado. D j : Fecha de entrega del trabajo j. w j : la ponderación del trabajo j. Tasa de finalización: c(t) = V. a. continua f(t), t > 0 V. a. discreta 1 F (t) c(t) = P (X=t), t = 0, 1, 2,... P (X t) ICR: c(t) es creciente. DCR: c(t) es decreciente. Régimen de lista estática sin interrupción (Nonpreemptive Static List Policy) El decisor ordena los trabajos en el instante cero de acuerdo con una lista de prioridades. Esta lista de prioridades se mantiene durante el proceso. Régimen de lista estática con interrupción (Preemptive Static List Policy) Un trabajo está preparado en un cierto instante. El trabajo que está siendo procesado posee una prioridad más baja, entonces éste trabajo deja de ser procesado y se sustituye por el que está listo con prioridad más alta. Régimen dinámico sin interrupción (Nonpreemptive Dynamic Policy) Cada vez que una máquina está libre el decisor puede seleccionar el siguiente trabajo que va a ser procesado. No está permitido interrumpir la ejecución de un trabajo para iniciar el procesado de otro trabajo. Régimen dinámico con interrupción (Preemptive Dynamic Policy) En cada instante el decisor puede escoger el trabajo que va a procesarse en cada máquina. Para ello tendrá en cuenta toda la información disponible y también que es posible la interrupción. 1 w j C j X j v.a. con E[X j ] finita. Función objetivo: E[ w j C j ] Calendario óptimo bajo lista estática sin interrupción y lista dinámica sin interrupción: el trabajo j se ejecuta antes que el trabajo k si y sólo si 7

8 w j /E[X j ] w k /E[X k ] Calendario óptimo bajo lista dinámica con interrupción: WSEPT sin interrupción si todas las distribuciones X j son ICR. 1 w j C j X j v.a. con Exp(λ j ). R j v.a. con cualquier distribución conjunta. Función objetivo: E[ w j C j ] Calendario óptimo: WSEPT con interrupción La versión determinística es NP-hard. Problema Determínistico Estocástico Pm p j = 1, tree C max Regla CP??? O2 C max Regla LAPT??? 2.3 Complejidad Representación de un problema computacional. x h h(x) Complejidad del algoritmo M: T (n) = max {time h (x) x = n}, time h (x) : número de etapas realizadas por h x : longitud de x respecto a un sistema de codificación. Resoluble de modo polinomial: T ( x ) O( x k ). 8

9 Problema de decisión x h h(x) {si, no} L P si y sólo si T (n) O(n k ) L N P si y sólo si para cada x existe y con y q( x ) tal que y es un certificado para la respuesta si y se puede comprobar en tiempo polinomial la certificación 1 w j U j, P N P U j = { 1 si Cj > d j 0 en el resto Problema de optimización. Caso: para cada trabajo j = 1,..., n, (p j, d j, w j ). Respuesta: una planificación de los trabajos. Problema de decisión. Caso: para cada trabajo j = 1,..., n, (p j, d j, w j ) y un entero positivo K. Respuesta: si cuando el número ponderado de trabajos con retraso es menor o igual a K. CERTIFICADO: Calendario S con w j U j S K L 1, L 2, decimos que L 1 L 2, si existe una función g tal que i) g se puede calcular en tiempo polinomial. ii) x L 1 si y sólo si g(x) L 2 para cualquier x. iii) x lleva a la respuesta si en L 1 si y sólo si g(x) conduce a la respuesta si en L 2. 1 w j T j es fuertemente NP-hard. (T j =max{c j d j,0}) 3-PARTICIÓN reduce a 1 w j T j t, a 1, a 2,..., a 3t, b N, con b 4 < a j < b 2, j = 1,..., 3t, y 3t j=1 a j = tb, A 1,..., A t, de {1,..., 3t}, tales que A r A s = con r s y j A i a j = b para cualquier i = 1,..., t? 9

10 z= 1 j k 3t... t b+1 2b+2 3b+3 (t 2)(b+2) (t 1)(b+1) a j a k (t 1)tb 2.4 Algoritmos n=4t 1, d j =0, p j =a j, w j =a j, j=1,...,3t Cómo encontrar soluciones en N P? d j =(j 3t)(b+1), p j =1, w j =2, j=3t+1,...,4t 1. Búsqueda local Simulated annealing Búsqueda Tabú Ramificación y acotación ( branch and bound ) Algoritmos genéticos Basados en mercados y agentes. 1 w j T j J 1 : p 1 = 12, w 1 = 4, d 1 = 16 J 2 : p 2 = 8, w 2 = 5, d 2 = 26 J 3 : p 3 = 15, w 3 = 3, d 3 = 25 J 4 : p 4 = 9, w 4 = 5, d 4 = 27 Cota inferior=67 d j d k, p j p k, w j w k j antes k?,?,?,? Nivel 0 Cota inferior=112 Nivel 1?,?,?,3?,?,?,4 Cota inferior=67?,?,4,3?,?,1,3 Nivel 2 Cota inferior=109 1,2,4,3 Valor óptimo =67 Estructura: una secuencia de trabajos en el problema. Población inicial: Nivel 3 m 1 calendarios producidos por el método Campbell, Dudek y Smith (1970). Calendario producido por el método de Dannenbring (1977). El resto de los miembros se obtienen mediante mutaciones. Función de ajuste: 10 Fm C max es NP-hard.

11 Se calcula, para cada calendario, el alcance o makespan. Se calcula el máximo de los alcances, CMAX. La función de ajuste es la desviación del alcance de cada miembro de la población respecto a CMAX. Fm C max es NP-hard. Operador genético: cruce (operador PMX de Golberg) A B Seleccionamos aleatoriamente las posiciones [3, 5]. A B A B A B Criterio de finalización: Número de generaciones. S(t) Fm C max C(s i (t)), CMAX(t), f(s i (t)) = CMAX(t) C(s i (t)) T OT F IT = f(s i (t)) P (s i (t)) = f(s i(t)) T OT F IT Seleccionamos dos progenitores PMX, S(t + 1) NO TG=60? SI NG=20? NO SI PARAR 1 s jk C max es fuertemente NP-hard. Caso particular: Trabajo j (a j, b j ) y s jk = a k b j. 11

12 j TSP: M a j j p j M c jk = s jk b j k a k b j s jk existe algoritmo en tiempo polinomial 3 Planificación en la práctica Reglas de prioridad o dispatching rules Según su dependencia respecto al instante en que se aplican. Estáticas: WSPT, EDD,... Dinámicas: MS En el instante t, max {d j p j t, 0}. Según la información que utilizan. 1 w j T j Locales: WSPT, EDD, MS,... Globales: MS Regla ATC ( Aparent Tardiness Cost ) M a k I j (t) = w j exp( max {d j p j t, 0} ) p j K p p: valor medio de los tiempos de proceso de los trabajos pendientes K: factor de escala determinado empíricamente. j se realiza antes que k si y sólo si I j (t) I k (t). K grande = ATC=WSPT. K pequeño = ATC=MS para trabajos retrasados. ATC=WSPT para trabajos sin retraso. Prontitud de las fechas de entrega ( due date tightness ): dj τ = 1. nc max Rango de las fechas de entrega, R: Modelos y Aplicaciones. R = d max d min C max. 12 K?

13 Estáticos Dinámica. Funcionamiento de las máquinas más complejo. Existencia de preferencias. Disponibilidad de las máquinas. Linealidad de las funciones de penalización. Multiplicidad de objetivos. Asignación de turnos. Distribución del tiempo de proceso no exponencial. Correlación entre tiempos de proceso. Aprendizaje y desgaste. LAS EMPRESAS DISEÑAN E IMPLEMENTAN SISTEMAS DE PLANIFICACIÓN!!. Arquitectura de un sistema Datos básicos Recogida datos Gestor de datos Generador de calendarios Editor calendarios Evaluación Pantalla gráfica Usuario. Calendarios robustos Ocurrencia de hechos inesperados 13

14 1 w j T j J 1 : p 1 = 10, d 1 = 10, w 1 = 1 J 2 : p 2 = 10, d 2 = 22, w 2 = 100 J 3 : p 3 = 10, d 3 = 34, w 3 = 100 J 1 J 2 J 3 wj T j = 0 0 δ = J 1 J 2 J 3 t 0 t wj T j = 1410 Ocurrencia de hechos inesperados 1 w j T j J 1 : p 1 = 10, d 1 = 10, w 1 = 1 J 2 : p 2 = 10, d 2 = 22, w 2 = 100 J 3 : p 3 = 10, d 3 = 34, w 3 = 100 J 2 J 3 J 1 wj T j = t δ = 10 0 J 2 J 3 J 1 wj T j = 30 t Ocurrencia de hechos inesperados 1 w j T j J 1 : p 1 = 10, d 1 = 10, w 1 = 1 J 2 : p 2 = 10, d 2 = 22, w 2 = 100 J 3 : p 3 = 10, d 3 = 34, w 3 = 100 Sin retraso δ = 0 Orden 1, 2, 3 Orden 2, 3, 1 wj T j = 0 wj T j = 20 wj T j = 1410 wj T j = 30 Tiempo de finalización: C j, Función objetivo: Z 14

15 Retraso δ Tiempo de finalización: C j (δ) Función objetivo: Z (δ) Medidas de robustez: Z (δ) Z δ (Z (δ) Z)P ( = δ), δ=0 R(S) = δ=0 n w j (d j C j ) j=1 n w j d j j=1 (Z (δ) Z)P ( = δ). Mecanismos de aprendizaje Aprendizaje de memoria Basado en el estudio de casos Inducción y redes neuronales Sistemas de clasificación Qué queda por hacer? Métodos de búsqueda de soluciones. Secuenciación on-line. El campo de la resecuenciación. Combinar características determinísticas y estocásticas. Evaluación de los heurísticos. Combinar programación en máquinas con otros aspectos como personal, control del inventario, mantenimiento, etc. Secuenciación distribuida. McKay, K., Pinedo, M. y Webster, S. (2001) A practice-focused agenda for production scheduling research. Production and Operations Management 11, Bibliografía Brucker, P. (2004) Scheduling algorithms. Springer. Pinedo, M. (2002) Scheduling. Theory, Algorithms, and Systems. Prentice-Hall.. 15

16 European Journal of Operational Research. IEEE Transactions on Robotics and Automation. Interfaces. Journal of Scheduling. Mathematical Programming. Managenement Science. Operations Research.. durr/query/ 16

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

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

La gestión de proyectos es la rama de la ciencia de la administración que trata de la planificación y el control de proyectos.

La gestión de proyectos es la rama de la ciencia de la administración que trata de la planificación y el control de proyectos. DEFINICIÓN DE PROYECTO Un proyecto es un conjunto de acciones No repetitivas Únicas De duración determinada Formalmente organizadas Que utilizan recursos Podremos considerar un proyecto, a efectos de aplicarle

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

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

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

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

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

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

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

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

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 EVOLUTIVOS AVANZADOS

ALGORITMOS EVOLUTIVOS AVANZADOS UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE INFORMÁTICA TESIS PARA LA MAESTRÍA EN AUTOMATIZACIÓN DE OFICINAS ALGORITMOS EVOLUTIVOS AVANZADOS COMO SOPORTE DEL PROCESO PRODUCTIVO Realizada por la Lic. Carolina

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

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

PLANIFICACIÓN DE PROYECTOS

PLANIFICACIÓN DE PROYECTOS Pert - CPM: Uno de los primeros casos documentados de la epoca actual sobre la administración y planificacion de proyectos se refiere al proyecto de armamentos del Polaris, empezando 1958. Así surgió el

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

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

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

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

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

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

Planificación y control a corto plazo. Alberto Gómez Gómez

Planificación y control a corto plazo. Alberto Gómez Gómez Planificación y control a corto plazo Alberto Gómez Gómez BIBLIOGRAFÍA BÁSICA Chase, R.B.; Aquilano, N.J.; Jacobs, F.R. (2000): Administración de Producción y Operaciones (Santa Fe de Bogotá: McGraw- Hill).

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

Miguel Ortega Mier Grupo de Ingeniería de Organización y Logística ETSII (UPM)

Miguel Ortega Mier Grupo de Ingeniería de Organización y Logística ETSII (UPM) Búsqueda de soluciones robustas para el problema de localización de una instalación de tratamiento de residuos y las plantas de transferencia correspondientes Miguel Ortega Mier Grupo de Ingeniería de

Más detalles

PLANIFICACIÓN TEMPORAL DE PROYECTOS

PLANIFICACIÓN TEMPORAL DE PROYECTOS PLNIFIIÓN TEMPORL E PROYETOS 1. Introducción. La planificación temporal según los estándares 3. Técnicas de descomposición estructurada (ver presentación específica) 4. Métodos de planificación temporal

Más detalles

Búsqueda Heurística para Problemas de Scheduling *

Búsqueda Heurística para Problemas de Scheduling * IX Congreso de Ingeniería de Organización Gijón, 8 y 9 de septiembre de 2005 Búsqueda Heurística para Problemas de Scheduling * María Sierra Sánchez 1, Ramiro Varela Arias 2 1 Dpto. de Informática. Campus

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

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

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

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

Complejidad - Problemas NP-Completos. Algoritmos y Estructuras de Datos III

Complejidad - Problemas NP-Completos. Algoritmos y Estructuras de Datos III Complejidad - Problemas NP-Completos Algoritmos y Estructuras de Datos III Teoría de Complejidad Un algoritmo eficiente es un algoritmo de complejidad polinomial. Un problema está bien resuelto si se conocen

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

Taller de sistemas operativos PLANIFICADOR

Taller de sistemas operativos PLANIFICADOR Taller de sistemas operativos PLANIFICADOR Agenda Introducción Clases de planificación Prioridades Timeslice Prioridad dinámica Estructuras del planificador Planificador en funcionamiento Nuevo planificador

Más detalles

CIENCIA ARTE INVESTIGACIÓN DE OPERACIONES

CIENCIA ARTE INVESTIGACIÓN DE OPERACIONES 2 CIENCIA ARTE INVESTIGACIÓN DE OPERACIONES Qué es un modelo? Un modelo es una representación de la realidad Colin Lee (1972) Qué es un modelo? Un modelo es una representación explícita y externa de parte

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

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

LECCIÓN 6 "TÉCNICAS DE PLANIFICACIÓN Y PROGRAMACIÓN"

LECCIÓN 6 TÉCNICAS DE PLANIFICACIÓN Y PROGRAMACIÓN LECCIÓN 6 "TÉCNICAS DE PLANIFICACIÓN Y PROGRAMACIÓN" ÍNDICE 6.1. NECESIDAD DE LA PLANIFICACIÓN Y PROGRAMACIÓN. 6.2. PROGRAMACIÓN CLÁSICA: DIAGRAMAS DE GANTT. 6.3. TÉCNICAS BASADAS EN EL USO DE REDES. 6.4.

Más detalles

Estado del Arte del Job Shop Scheduling Problem

Estado del Arte del Job Shop Scheduling Problem Estado del Arte del Job Shop Scheduling Problem Víctor Peña y Lillo Zumelzu Departamento de Informática, Universidad Técnica Federico Santa María Valparaíso, Chile vpena@inf.utfsm.cl 17 de mayo de 2006

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

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

&$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

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

UNIVERSIDAD DE BURGOS

UNIVERSIDAD DE BURGOS UNIVERSIDAD DE BURGOS DEPARTAMENTO DE INGENIERÍA CIVIL TESIS DOCTORAL ANÁLISIS DE LA RELAJACIÓN LAGRANGIANA COMO MÉTODO DE PROGRAMACIÓN DE TALLERES FLEXIBLES EN UN ENTORNO MULTIAGENTE Autor: Directores:

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

UNIVERSIDAD CATÓLICA DEL NORTE PROGRAMA DE ESTUDIOS I. IDENTIFICACIÓN DE LA ASIGNATURA II. OBJETIVOS GENERALES

UNIVERSIDAD CATÓLICA DEL NORTE PROGRAMA DE ESTUDIOS I. IDENTIFICACIÓN DE LA ASIGNATURA II. OBJETIVOS GENERALES UNIVERSIDAD CATÓLICA DEL NORTE PROGRAMA DE ESTUDIOS I. IDENTIFICACIÓN DE LA ASIGNATURA Nombre: Administración de la Producción II Código: CC-983 Fecha Actualización: Marzo 2005 Unidad Responsable: Departamento

Más detalles

SISI / TS / AG / SR SIMULADOR DE SISTEMAS DE INVENTARIOS ESTOCASTICOS

SISI / TS / AG / SR SIMULADOR DE SISTEMAS DE INVENTARIOS ESTOCASTICOS 62 CAPITULO 3 SISI / TS / AG / SR SIMULADOR DE SISTEMAS DE INVENTARIOS ESTOCASTICOS En este capítulo se describe de manera general lo que es SISI / TS / AG / SR y se explica cada una de las opciones que

Más detalles

TP1 - Scheduling en TORSCHE

TP1 - Scheduling en TORSCHE Verano - 2009 Introducción a Matlab Introducción a Matlab Ayuda en Matlab En el prompt, tipear: help, lookfor,helpwin, helpdesk o demos. En la Web: http://www.mathworks.com/support Introducción a Matlab

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

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

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

INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA

INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA Dentro del campo general de la teoría de la optimización, también conocida como programación matemática conviene distinguir diferentes modelos de optimización.

Más detalles

TEMA 4: TÉCNICAS DE PLANIFICACIÓN DE PROYECTOS

TEMA 4: TÉCNICAS DE PLANIFICACIÓN DE PROYECTOS TEMA 4: TÉCNICAS DE PLANIFICACIÓN DE PROYECTOS 4.1. Objetivos Establecer una relación esfuerzo / tiempo cronológico Estudiar el posible paralelismo de las tareas Situar las tareas en un esquema cronológico

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

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

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 Algoritmos Genéticos - Operadores

Más detalles

Recibido 10 de octubre de 2007, aprobado 26 de septiembre de 2008, modificado 19 de octubre de 2008

Recibido 10 de octubre de 2007, aprobado 26 de septiembre de 2008, modificado 19 de octubre de 2008 24 Aplicativo computacional para la planeación de la producción en una empresa fabricante de autopartes Computer Application for Production Planning and Scheduling of an Auto Part Company in Colombia Recibido

Más detalles

Programación de la producción en sistemas de manufactura tipo taller con el algoritmo combinado cuello de botella móvil y búsqueda tabú

Programación de la producción en sistemas de manufactura tipo taller con el algoritmo combinado cuello de botella móvil y búsqueda tabú Programación de la producción en sistemas de manufactura tipo taller con el algoritmo combinado cuello de botella móvil y búsqueda tabú Production Programming in Manufacturing Systems (Workshop Type) with

Más detalles

UNIVERSIDAD DE OVIEDO

UNIVERSIDAD DE OVIEDO UNIVERSIDAD DE OVIEDO DEPARTAMENTO DE INFORMÁTICA Mejora de Algoritmos de Búsqueda Heurística mediante Poda por Dominancia. Aplicación a Problemas de Scheduling Tesis Doctoral Autor: María Rita Sierra

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

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero Fundamentos de Investigación de Operaciones y Vendedor Viajero 23 de mayo de 2004 Si bien la resolución del problema de transporte mediante tableau parece ser muy expedita, existen ciertos tipos de problemas

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

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 Optimización n Tradicional Problemas

Más detalles

Uso de una Colonia de Hormigas. para resolver Problemas de Programación. de Horarios

Uso de una Colonia de Hormigas. para resolver Problemas de Programación. de Horarios LABORATORIO NACIONAL DE INFORMÁTICA AVANZADA A. C. Centro de Enseñanza LANIA Uso de una Colonia de Hormigas para resolver Problemas de Programación de Horarios Tesis que presenta: Emanuel Téllez Enríquez

Más detalles

Medición en Fábrica - 2003

Medición en Fábrica - 2003 Algoritmos Genéticos y Optimización Heurística Dr. Adrian Will F.A.C.E.T. U.N.T. Cátedra de Tópicos Selectos de Inteligencia Artificial Optimización Tradicional Problemas Reales Problemas Reales Función

Más detalles

ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS

ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos

Más detalles

Tema I: Gestión de Proyectos Software: Planificación

Tema I: Gestión de Proyectos Software: Planificación Tema I: Gestión de Proyectos Software: Planificación Bibliografía Calvo-Manzano, J.A., Cervera, J., Fernández, L., Piattini, M. Aplicaciones Informáticas de Gestión. Una perspectiva de Ingeniería del Software.

Más detalles

CIF 9159 Taller Integrado. Sección 7. Programación (Calendarización) Prof. José Miguel Rubio L. jose.rubio.l@ucv.cl jrubio.leon@gmail.

CIF 9159 Taller Integrado. Sección 7. Programación (Calendarización) Prof. José Miguel Rubio L. jose.rubio.l@ucv.cl jrubio.leon@gmail. CIF 9159 Taller Integrado Sección 7 Programación (Calendarización) Prof. José Miguel Rubio L. jose.rubio.l@ucv.cl jrubio.leon@gmail.com Temas a Tratar Creación del calendario Hitos (milestones) Ordenación

Más detalles

Procesos. Planificación del Procesador.

Procesos. Planificación del Procesador. Procesos. Planificación del Procesador. Sistemas Operativos. Tema 2. Concepto de Proceso. Una definición sencilla: Programa en ejecución. Entidad pasiva Programa RECURSOS CPU Memoria Ficheros Dispositivos

Más detalles

Programación Lineal Entera

Programación Lineal Entera Programación Lineal Entera P.M. Mateo y David Lahoz 2 de julio de 2009 En este tema se presenta un tipo de problemas formalmente similares a los problemas de programación lineal, ya que en su descripción

Más detalles

Programación y control de la producción

Programación y control de la producción Programación y control de la producción Guía Docente Master Oficial en Planificación y Gestión de Procesos Empresariales Universitat de València Datos del Curso Nombre de la asignatura Programación y control

Más detalles

GPU IMPLEMENTATIONS OF SCHEDULING HEURISTICS FOR HETEROGENEOUS COMPUTING ENVIRONMENTS

GPU IMPLEMENTATIONS OF SCHEDULING HEURISTICS FOR HETEROGENEOUS COMPUTING ENVIRONMENTS GPU IMPLEMENTATIONS OF SCHEDULING HEURISTICS FOR HETEROGENEOUS COMPUTING ENVIRONMENTS MAURO CANABÉ SERGIO NESMACHNOW Centro de Cálculo, Facultad de Ingeniería Universidad de la República, Uruguay GPU IMPLEMENTATIONS

Más detalles

Gestión de proyectos BIBLIOGRAFÍA BÁSICA

Gestión de proyectos BIBLIOGRAFÍA BÁSICA Gestión de proyectos BIBLIOGRAFÍA BÁSICA Chase, R.B.; Aquilano, N.J.; Jacobs, F.R. (2000): Administración de Producción y Operaciones (Santa Fe de Bogotá: McGraw- Hill). Domínguez, J.A.; Álvarez, M.J.;

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

Planificación y Control de Proyectos de Software mediante MS Project

Planificación y Control de Proyectos de Software mediante MS Project Práctica 2 Planificación y Control de Proyectos de Software mediante MS Project E n esta práctica vamos a introducirnos en la Planificación y Control de Proyectos de Software mediante herramientas informáticas

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

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

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 Optimización de la producción en máquinas en paralelo de inyección de plástico por I.Q. Miguel

Más detalles

FICHA TÉCNICA DEL CURSO [GDP01] GESTIÓN DE PROYECTOS

FICHA TÉCNICA DEL CURSO [GDP01] GESTIÓN DE PROYECTOS FICHA TÉCNICA DEL CURSO [GDP01] GESTIÓN DE PROYECTOS OBJETIVOS: Definir el concepto de Dirección de Proyectos Identificar las figuras y participantes que intervienen en un proyecto Establecer una metodología

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

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

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Programación Lineal Entera

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Programación Lineal Entera Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 11 de septiembre de 2003 1. Introducción Un LP donde se requiere que todas las variables sean enteras se denomina un problema

Más detalles

ÍNDICE DE CONTENIDOS. Concepto y tipos de control Ámbito. de control. Técnicas PLANIFICACIÓN, PROGRAMACIÓN Y CONTROL DE PROYECTOS.

ÍNDICE DE CONTENIDOS. Concepto y tipos de control Ámbito. de control. Técnicas PLANIFICACIÓN, PROGRAMACIÓN Y CONTROL DE PROYECTOS. ÍNDICE DE CONTENIDOS 1 2 3 4 Concepto y etapas de la gestión de un proyecto Concepto y tipos de control Ámbito de control 1 Concepto y etapas de la gestión de un proyecto PROYECTO: Una serie de tareas

Más detalles

Optimización de la programación (scheduling) en Talleres de Mecanizado

Optimización de la programación (scheduling) en Talleres de Mecanizado UNIVERSIDAD POLITÉCNICA DE MADRID ESCUELA TÉCNICA SUPERIOR DE INGENIEROS AGRÓNOMOS Optimización de la programación (scheduling) en Talleres de Mecanizado TESIS DOCTORAL D. José Eduardo Márquez Delgado

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

ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL INSTITUTO DE CIENCIAS MATEMÁTICAS ESCUELA DE GRADUADOS PROYECTO DE GRADUACIÓN

ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL INSTITUTO DE CIENCIAS MATEMÁTICAS ESCUELA DE GRADUADOS PROYECTO DE GRADUACIÓN ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL INSTITUTO DE CIENCIAS MATEMÁTICAS ESCUELA DE GRADUADOS PROYECTO DE GRADUACIÓN PREVIO A LA OBTENCIÓN DEL TITULO DE: MAGÍSTER EN CONTROL DE OPERACIONES Y GESTIÓN

Más detalles

UN ALGORITMO DE ESTIMACIÓN DE DISTRIBUCIONES PARA EL PROBLEMA DE SECUENCIAMIENTO EN CONFIGURACIÓN JOBSHOP FLEXIBLE

UN ALGORITMO DE ESTIMACIÓN DE DISTRIBUCIONES PARA EL PROBLEMA DE SECUENCIAMIENTO EN CONFIGURACIÓN JOBSHOP FLEXIBLE UN ALGORITMO DE ESTIMACIÓN DE DISTRIBUCIONES PARA EL PROBLEMA DE SECUENCIAMIENTO EN CONFIGURACIÓN JOBSHOP FLEXIBLE Ricardo Pérez Rodríguez & Arturo Hernández Aguirre Comunicación del CIMAT No I-15-01/23-01-2015

Más detalles

Concepto de función. El subconjunto en el que se define la función se llama dominio o campo existencia de la función. Se designa por D.

Concepto de función. El subconjunto en el que se define la función se llama dominio o campo existencia de la función. Se designa por D. Concepto de función Dados dos conjuntos A y B, llamamos función a la correspondencia de A en B en la cual todos los elementos de A tienen a lo sumo una imagen en B, es decir una imagen o ninguna. Función

Más detalles

LECCIÓN 5 "METODOLOGÍA DE LA GESTIÓN DEL PROYECTO"

LECCIÓN 5 METODOLOGÍA DE LA GESTIÓN DEL PROYECTO LECCIÓN 5 "METODOLOGÍA DE LA GESTIÓN DEL PROYECTO" ÍNDICE 5.1. OBJETIVOS. 5.2. DEFINICIÓN Y ALCANCE DEL PROYECTO. 5.3. ETAPAS: PLANIFICACIÓN, PROGRAMACIÓN, EJECUCIÓN Y SEGUIMIENTO, CONTROL. 5.4. DOCUMENTACIÓN.

Más detalles

Problema de Localización de Plantas con Capacidades y Distancias Limitadas

Problema de Localización de Plantas con Capacidades y Distancias Limitadas Problema de Localización de Plantas con Capacidades y Distancias Limitadas M. Albareda-Sambola, E. Fernández, G. Laporte Universitat Politècnica de Catalunya HEC-Montréal Reunión de coordinación Red Española

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

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

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

Secuenciación de operaciones para configuraciones de planta tipo flexible Job Shop: Estado del arte

Secuenciación de operaciones para configuraciones de planta tipo flexible Job Shop: Estado del arte Secuenciación de operaciones para configuraciones de planta tipo flexible Job Shop: Estado del arte Scheduling for shop settings types to flexible Job Shop: State of the art Alexander Alberto Correa Espinal,

Más detalles

Modelización Avanzada en Logística y Transporte

Modelización Avanzada en Logística y Transporte Modelización Avanzada en Logística y Transporte El problema de enrutamiento vehicular (VRP) Luis M. Torres Escuela Politécnica del Litoral Guayaquil, Diciembre 2010 Maestría en Control de Operaciones y

Más detalles

z r Q r q1 a 1 : require(a 1,r,q 1 ) a 2 : require(a 2,r,q 2 ) Q r q 3 a 1 : consume(a 1,r,q 1 ) a 2 : consume(a 2,r,q 2 ) a 3 : produce(a 3,r,q 3 )

z r Q r q1 a 1 : require(a 1,r,q 1 ) a 2 : require(a 2,r,q 2 ) Q r q 3 a 1 : consume(a 1,r,q 1 ) a 2 : consume(a 2,r,q 2 ) a 3 : produce(a 3,r,q 3 ) Scheduling Fernando Berzal, berzal@acm.org Scheduling Introducción Uso de recursos Notación Soluciones exactas Algoritmos greedy Programación dinámica Branch& bound Técnicas heurísticas Algoritmos greedy

Más detalles

GANTT, PERT y CPM. Figura 5.3: Carta GANTT 3.

GANTT, PERT y CPM. Figura 5.3: Carta GANTT 3. GANTT, PERT y CPM Características Conseguir una buena programación es un reto, no obstante es razonable y alcanzable. Ella debe tener el compromiso del equipo al completo, para lo cual se recomienda que

Más detalles

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

Influencia de los parámetros principales de un Algoritmo Genético para el Flow Shop Scheduling Tipo de artículo: Artículo original Temática: Inteligencia artificial Recibido: 4/11/2013 Aceptado: 17/12/2013 Publicado: 21/01/2014 Influencia de los parámetros principales de un Algoritmo Genético para

Más detalles

PlanificaciónAvanzadadelaProducción

PlanificaciónAvanzadadelaProducción izaroaps PlanificaciónAvanzadadelaProducción El Grupo i68 está constituido por un conjunto de Empresas cuya misión es aportar Soluciones Informáticas para la Innovación de la Gestión. La Sociedad matriz,

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