MODELOS DE SECUENCIACIÓN EN MÁQUINAS 1

Documentos relacionados
Balance de Líneas de Producción

315 M de R Versión 1 Segunda Parcial 1/8 Lapso 2008/2

a) Qué población (la de hombres o la de mujeres) presenta un salario medio mayor? b) Qué porcentaje de varones gana más de 900?

Tema 21: Distribución muestral de un estadístico

En este caso, el valor actual de una unidad monetaria pagadera al final del año de fallecimiento de

RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF

Tema 6. Estadística descriptiva bivariable con variables numéricas

Bloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos

Problemas donde intervienen dos o más variables numéricas

4 BALANZA DE MOHR: Contracción de mezcla alcohol/h2o

315 M/R Versión 1 Segunda Parcial 1/7 Lapso 2009/2

Regresión y correlación Tema Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy

-.GEOMETRÍA.- a) 37 cm y 45 cm. b) 16 cm y 30 cm. En estos dos, se dan la hipotenusa y un cateto, y se pide el otro cateto:

Pregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?

Problemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel

Mosto Vino joven Vino crianza Vino reserva Gran reserva Precio [ /l] Coste [ /l] Evap [%]

Facultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística

PREGUNTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS EN EXÁMENES DE LOS CAPÍTULOS 2, 3 Y 4 (DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES )

3 - VARIABLES ALEATORIAS

Figura 1

SEGUNDA PARTE RENTAS FINANCIERAS

Distribuciones de probabilidad

UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009

315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA

Apellidos y nombre: i. El valor anual de la amortización de la construcción es fijo y vale A. 2. Cada punto de venta tiene una demanda anual dem

Análisis de Varianza no paramétricos

Análisis estadístico de incertidumbres aleatorias

Dirección de Operaciones. Programación de operaciones: secuenciación y temporización

CESMA BUSINESS SCHOOL

APLICACIONES DE LOS SISTEMAS LINEALES 1. MODELACION DE POLINOMIOS CONOCIENDO UN NUMERO DETERMINADO DE PUNTOS DEL PLANO.

8 MECANICA Y FLUIDOS: Calorimetría

Enlaces de las Series de Salarios. Metodología

Agrupamiento de puntos de venta en una red de distribución

Variables Aleatorias

Algunas aplicaciones del test del signo

Modelos lineales Regresión simple y múl3ple

Un estimado de intervalo o intervalo de confianza ( IC

Variables Aleatorias

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.

3. PROGRAMACIÓN DE TRABAJOS EN INTERVALOS

Tema 1: Jerarquía Digital Síncrona, SDH Disponibilidad de Sistemas

TRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).

OPTIMIZACIÓN CON RESTRICCIONES DE IGUALDAD

2.5 Especialidades en la facturación eléctrica

Una matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, son números ordenados en filas y columnas.

Instituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm

Variables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:

CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso

MICROECONOMIA Y REGIMEN DE LA COMPETENCIA EN LA UE COLUSION EN OLIGOPOLIOS

DISTRIBUCIONES BIDIMENSIONALES

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

T. 5 Estadísticos de forma de la distribución

CAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información

TEMA 4. TEORÍA DE LA DUALIDAD.

TEMA 3. VARIABLE ALEATORIA

Adquisición y Tratamiento de Datos (Febrero 2005). 1ª parte: Cuestiones.

EL PROBLEMA DE SCHEDULING

Aplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa

Pronósticos. Humberto R. Álvarez A., Ph. D.

3. VARIABLES ALEATORIAS.

GUIA DE ALCANCE FINANCIERO CAE OPERACIONES DE CRÉDITO HIPOTECARIO

Introducción a la Optimización Multiobjetivo

RESISTENCIAS EN PARALELO

DISTRIBUCION DE RENDIMIENTOS: APLICACIONES

GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES

Optimización no lineal

Sistemas cíclicos. Juan Antonio de la Puente DIT/UPM. Objetivos

62 EJERCICIOS de NÚMEROS COMPLEJOS

PRECIOS MEDIOS ANUALES DE LAS TIERRAS DE USO AGRARIO (METODOLOGÍA)

Aspectos fundamentales en el análisis de asociación

Estimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores

DESARROLLO DE APLICACIONES DOCENTES MEDIANTE POWERWORLD

INTRODUCCIÓN. Técnicas estadísticas

Solución de los Ejercicios de Práctica # 1. Econometría 1 Prof. R. Bernal

Explicación de las tecnologías - PowerShot SX500 IS y PowerShot SX160 IS

Teléfonos Avaya T3 para conexión a Integral 5 Configurar y utilizar la sala de conferencias Apéndice del Manual del usuario

CAPÍTULO 4 MARCO TEÓRICO

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

III CONGRESO COLOMBIANO Y I CONFERENCIA ANDINA INTERNACIONAL DE INVESTIGACIÓN DE OPERACIONES

Capitalización y descuento simple

Tema 1: Estadística Descriptiva Unidimensional

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final

1. Lección 7 - Rentas - Valoración (Continuación)

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls

Efectos fijos o aleatorios: test de especificación

Introducción a la Física. Medidas y Errores

A B C D Margen Básico Transmisor Wifi Número de empleados

Relaciones entre variables

Relaciones entre las tablas

Métodos específicos de generación de diversas distribuciones discretas

Matemáticas A 4º E.S.O. pág. 1

Práctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun

1.- Una empresa se plantea una inversión cuyas características financieras son:

CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED

OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5

Universidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud

Transcripción:

odelos de secuencacón de tareas en máqunas Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu ODELOS DE SECUENCIACIÓN EN ÁQUINAS

odelos de secuencacón de tareas en máqunas. Introduccón. Datos, hpótess, meddas, crteros.. Secuencacón en una máquna. Secuencacón en varas máqunas ODELOS DE SECUENCIACIÓN EN ÁQUINAS

Objetvo Encontrar secuenca en la que los trabajos pasan por las máqunas, tal que a) bajo certas hpótess, sea una planfcacón compatble con restrccones tecnológcas, es decr, sea factble b) óptma respecto a algún crtero ODELOS DE SECUENCIACIÓN EN ÁQUINAS

Datos ob-shop: n trabajos o tareas {,..., n} han ser procesados por m máqunas o procesadores {,..., m}. Cada trabajo ha de pasar por cada máquna una y sólo una vez. Operacón o j : operacón de procesar el trabajo en la máquna j. Restrccones tecnológcas: condcones de orden en las operacones de un trabajo. Caso general: cada trabajo tene su propo orden sn relacón con el orden de otros. Flow-shop: el orden es el msmo para todos los trabajos. ODELOS DE SECUENCIACIÓN EN ÁQUINAS

Tempo de proceso de o j : hasta la máquna). ás datos p j (ncluye tempo de ajuste de máquna o de transporte Release date o ready tme: r nstante en que el trabajo está lsto para ser procesado o llega el peddo. Due date: d fecha de entrega de a ampltud del perodo planfcacón trabajo o plazo de entrega: a = d r ODELOS DE SECUENCIACIÓN EN ÁQUINAS 5

Ejemplo Se desean fabrcar tres pezas de madera: una escultura, un candelabro y una copa. Los recursos que se utlzan son: banco de trabajo, torno y sala de barnzado. Los datos de que se dspone son los sguentes: Tempo en mnutos necesaro para realzar cada operacón Fecha de entrega tambén en mnutos Orden en que se deben realzar las operacones para cada peza. Banco Torno Sala barnzado Fecha entrega Orden Escultura 60-0 60 B-S Candelabro - 5 5 90 T-S Copa 5 5 5 0 T-B-S ODELOS DE SECUENCIACIÓN EN ÁQUINAS 6

Hpótess del job-shop (). Cada trabajo es una entdad: no se pueden realzar dos operacones de un msmo trabajo a la vez.. Cada trabajo ncluye una y sólo una operacón en cada máquna (en total m operacones).. No preempton (no se permte nterrupcón de operacones).. No cancelacón (no se permte cancelacón una vez ncada). 5. Tempos de proceso ndependentes de la secuenca seguda. 6. Se permte nventaro ntraproceso (las operacones pueden esperar hasta que se acabe otra operacón en la sguente máquna). ODELOS DE SECUENCIACIÓN EN ÁQUINAS 7

7. Sólo hay una máquna de cada tpo. 8. Las máqunas pueden estar nactvas. Hpótess del job-shop () 9. Las máqunas no pueden procesar más de una operacón a la vez. 0. Las máqunas están dsponbles todo el perodo de planfcacón.. Las restrccones tecnológcas son conocdas e nmutables.. No exste aleatoredad: conocdos y fjos todos los datos (número de trabajos, número de máqunas, tempos de proceso). ODELOS DE SECUENCIACIÓN EN ÁQUINAS 8

W k tempo de espera del trabajo necesaramente en máquna k ) eddas de desarrollo W tempo total de espera del trabajo : antes de realzarse su k -ésma operacón (no W m = k= C nstante de cumplmentacón o sumnstro de : C = r + ( Wk + pj ( k )). p j( k ) es tempo de proceso de k -ésma operacón del trabajo que se realza en máquna j F tempo de proceso o de cumplmentacón (flow tme) de : F = C r L desvacón de respecto a su due date: L = C d. Puede ser + o T demora en la entrega del trabajo : T = { L,0} E adelanto en la entrega del trabajo : E = { L,0} I j tempo nactvo (dle) de la máquna j: W k I C p j =. n = j m k= ODELOS DE SECUENCIACIÓN EN ÁQUINAS 9

Notacón: X n X n = = meda, X { X X } =,..., n máxmo. ODELOS DE SECUENCIACIÓN EN ÁQUINAS 0

Ejemplo o j ( m ) o j ( m ) W m p j ( m ) j o j ( ) W p j ( ) o m j ( ) m W p j ( ) o j ( ) r a L = T d C F ODELOS DE SECUENCIACIÓN EN ÁQUINAS

Crteros () Crteros basados en los nstantes de fnalzacón F : tempo máxmo de proceso F : tempo medo de proceso C : (make-span) tempo máxmo de cumplmentacón o tempo total de produccón C : tempo medo de cumplmentacón (mnmzar F equvalente a mnmzar C ) Pueden ponderarse estas meddas en funcón de mportanca de artículos. Crteros basados en los plazos de entrega (due dates) L: meda de desvacones (postvas y negatvas) L : máxma desvacón T : meda de retrasos T : máxmo retraso nmzar número de trabajos fuera de plazo (aterrzaje de avones) ODELOS DE SECUENCIACIÓN EN ÁQUINAS

Crteros () Crteros basados en el nvel de nventaro y el coste de utlzacón C NW ( t ) número de trabajos en espera en nstante t, W = W C 0 C NU ( t ) número de trabajos en curso en nstante t, NU ( t) = NU ( t) dt C 0 N ( t) N ( t) dt nmzar número medo trabajos acabados (reduce coste nventaro productos acabados) axmzar número medo de trabajos que realmente están sendo procesados (uso de las máqunas) nmzar la meda o el máxmo tempo nactvo de las máqunas ODELOS DE SECUENCIACIÓN EN ÁQUINAS

Relacones entre las meddas de desarrollo () a) Equvalentes (dan la msma solucón) C, F, W y L b) No equvalentes las meddas análogas a las anterores pero para su valor máxmo, excepto: b.) b.) S release dates=0 para todos los trabajos, equvalentes C y F. S due dates msmas para todos los trabajos, equvalentes C y L. c) S óptma para L entonces tambén para T, al revés no sempre. d) Equvalentes C, N p (número medo de trabajos sendo realmente procesados) e I m m n (desocupacón meda de las máqunas I = I j = ( C pj )). m m j= j= = ODELOS DE SECUENCIACIÓN EN ÁQUINAS

e) Equvalentes N U y f) Equvalentes N W y Relacones entre las meddas de desarrollo () C / C. W / C. g) En una sola máquna equvalentes C, F, W, L, N U y N W. ODELOS DE SECUENCIACIÓN EN ÁQUINAS 5

Hpótess: Instantes de comenzo r = 0 y m =. Resultados: Secuencacón en una máquna () Para todo objetvo regular (no decrecente con los nstantes de cumplmentacón), exste una planfcacón óptma en la que la máquna no está nactva Permtr la nterrupcón no puede mejorar nnguna planfcacón. La solucón es una programacón permutacón. ( C = F son los msmos) ODELOS DE SECUENCIACIÓN EN ÁQUINAS 6

Secuencacón en una máquna () Posbles permutacones que optmzan algún crtero a) nmzacón del tempo medo de proceso, F ( C, W, L, N U, N W ) Programacón según tempo de proceso crecente b) nmzacón de máxma desvacón respecto a fechas de entrega, L ( T ) Programacón de fecha de entrega crecente c) nmzacón de número de trabajos demorados: algortmo de oore y Hodgson. Obtener programacón de fecha de entrega crecente. Encontrar prmer trabajo demorado en secuenca actual ( l ). S no, r a.. Encontrar trabajo mayor tempo proceso delante de ( l ), ncludo ( l ), y rechazarlo. Ir a.. Secuenca óptma: actual y añadr al fnal trabajos rechazados sn orden. Esos trabajos rechazados serán los úncos demorados. ODELOS DE SECUENCIACIÓN EN ÁQUINAS 7

Secuencacón en una máquna () Condcones precedenca entre trabajos: Evtar reformulando fechas entrega. S no es posble: utlzar algortmos específcos. Problema de cadenas productos: K cadenas de n,..., n K trabajos: con orden y proceso segudo Cómo secuencar las cadenas? p j : tempo j -ésmo trabajo de la cadena -ésma n p = p tempo cadena. Secuenca óptma para mnmzar el tempo medo de proceso: p () p () p ( K ) Ordenar por tempo medo de proceso crecente:. n n n j= j () () ( K ) ODELOS DE SECUENCIACIÓN EN ÁQUINAS 8

Secuencacón en una máquna. Programacón dnámca () Otros métodos: programacón entera, dnámca, etc. Ejemplo: programar trabajos para mnmzar retraso medo { C d,0} resuelto por programacón dnámca Trabajos Tempos proceso 8 6 0 7 Fecha entrega 9 6 6 Etapas: orden secuenca. Decsones: qué trabajo programar. Estados: trabajos ya programados. Objetvo: { C d,0} = = ODELOS DE SECUENCIACIÓN EN ÁQUINAS 9

Etapa Secuencacón en una máquna. Programacón dnámca () Decsones Óptmo Objetvo Estados,, 6 5,, 6 5,, 9,, 7 Etapa Decsones Óptmo Objetvo Estados, 6+5 6+5 0, 9+5 5 6+ 0, 9+5 5 6+ 7, +5 6+7 ODELOS DE SECUENCIACIÓN EN ÁQUINAS 0

, +5 6+7, 5 + 9+7 ODELOS DE SECUENCIACIÓN EN ÁQUINAS

Secuencacón en una máquna. Programacón dnámca () Etapa Etapa Decsones Óptmo Objetvo Estados 9+0 8 6+0 0+7 5 +0 6 6+ 0+ 0 8 +0 6 9+ 7 6+ 5 +7 9+ 7 6+ 6 Decsones 0+5 0+0 0+ 0+6 Óptmo Objetvo 0 La secuenca óptma es (,,, ), con un retraso medo de 0/=5 undades de tempo. ODELOS DE SECUENCIACIÓN EN ÁQUINAS

Hpótess: Secuencacón en varas máqunas () Instantes de comenzo r = 0, =,..., n. Flow-shop máqunas y mnmzar máxmo tempo de cumplmentacón C : n trabajos, máqunas, todos por máquna y luego por la en el msmo orden. Óptmo: buscar entre programacones permutacón. ODELOS DE SECUENCIACIÓN EN ÁQUINAS

Secuencacón en varas máqunas. Algortmo de ohnson () a = p : tempo proceso en máquna. b = p : tempo proceso en máquna. k = y l = n.. Lsta actual trabajos no programados = {,,..., n}. Encontrar mínmo de los a y b de trabajos no programados.. S mínmo es un a :.. Programar en k -ésma poscón, borrar lsta trabajos no programados.. k k +. Ir a 6 5. S mínmo es un b : 5.. Programar en l -ésma poscón, borrar lsta trabajos no programados 5.. l l. Ir a 6 6. S hay trabajos sn programar r a. En otro caso, parar. ODELOS DE SECUENCIACIÓN EN ÁQUINAS

Secuencacón en varas máqunas. Algortmo de ohnson () Extensón: mnmzar tempo máxmo cumplmentacón con tpos de trabajos tpo A: sólo por la máquna tpo B: sólo por la máquna tpo C: prmero máquna y luego tpo D: prmero máquna y luego. Secuencar tpo A cualquer orden S A. Secuencar tpo B cualquer orden S B. Secuencar tpo C algortmo de ohnson S C. Secuencar tpo D algortmo de ohnson (cambar máqunas) S D Programacón óptma: áquna Orden ( SC, SA, S D ) ( S, S, S ) D B C ODELOS DE SECUENCIACIÓN EN ÁQUINAS 5

Secuencacón en varas máqunas. Optmzacón lneal entera () trabajos, máqunas. Objetvo: mnmzar máxma demora. Due dates Orden 0 5 8 50 0 5 55 Varables decsón: T j nstante ncar operacón trabajo en máquna Restrccones tecnológcas: S va a antes en máquna j que en j, j j j j T + p T : T T + 0 T T + 5 T + 5 T T + T ODELOS DE SECUENCIACIÓN EN ÁQUINAS 6

Secuencacón en varas máqunas. Optmzacón lneal entera () - No smultanedad en una máquna:, k y Tkj + pkj Tj ( δkj ) Equvale, T + p T δ δ kj j j kj kj j, s se procesa después de k en la máquna j = : 0 en caso contraro T + p T o T + p T. j j kj kj kj j T + 0 T ( δ ) T + 0 T δ T + 5 T ( δ ) T + T δ T + 8 T ( δ ) T + 5 T δ ODELOS DE SECUENCIACIÓN EN ÁQUINAS 7

Secuencacón en varas máqunas. Optmzacón lneal entera () - Objetvo: mnmzar la máxma demora. Varables demora trabajo T, m( ) últma operacón trabajo, T + p T d y T T : m( ) m( ) entonces mnt T T T T T T + 8 T 50 + 0 T 55 T 0, T 0, δ 0,, T 0 - Carácter de las varables: { } j kj ODELOS DE SECUENCIACIÓN EN ÁQUINAS 8