Estudio comparativo de heursticas constructivas y Algoritmos Genticos,

para el problema de programacin de tareas en mquinas paralelas

idnticas con Setup

Juan Carlo Medina S.
Postgrado en Ingeniera Industrial
Universidad de Concepcin
Facultad de Administracin y Negocios
Universidad de las Amricas
Santiago - Chile
jmedinas@udla.cl

Eduardo Salazar H.
Departamento de Ingeniera Industrial
Universidad de Concepcin
Concepcin - Chile
esalazar@udec.cl

Abril, 2010

RESUMEN

En esta investigacin se realiza un anlisis comparativo entre heursticas constructivas y dos alternativas
propuestas de la metaheurstica Algoritmos Genticos; de manera de evaluar el desempeo alcanzado por
stas, en relacin a la capacidad de minimizar el makespan dentro de una configuracin productiva de
mquinas paralelas idnticas con tiempos de Setup dependientes de la secuencia de trabajos. Para la
observacin de estos mtodos se genera un conjunto de problemas de prueba, en donde tanto los tiempos de
Setup como los tiempos de proceso siguen una distribucin de probabilidad uniforme. Con el desarrollo de
este trabajo, se busca comprobar que la aplicacin de algoritmos genticos a un problema de programacin de
tareas en mquinas paralelas idnticas con setup, se desempea mejor, usando el makespan como criterio de
evaluacin, que las heursticas especficas desarrolladas para este problema, y que esto se hace ms notorio en
la medida que este aumenta su tamao.

Palabras Claves: Scheduling, Mquinas paralelas, Heursticas constructivas y Algoritmos Genticos.

1. INTRODUCCION

En esta investigacin se analiza el problema de programacin de tareas en un taller de
mquinas paralelas. Bsicamente este problema contempla el secuenciamiento y la
asignacin de un conjunto de n trabajos, que deben ser procesados en cualquiera de las m
mquinas idnticas dispuestas en paralelo. Con frecuencia se puede encontrar en la
literatura una serie de variantes de este problema, en los que se consideran restricciones
tales como que los trabajos deben cumplir con una fecha de entrega, no todos ellos estn
disponibles al mismo tiempo al inicio de las operaciones, deben ser procesados en una sola
mquina y sin interrupciones, son independientes entre s (no existen relaciones de
precedencia), cada mquina puede procesar una sola tarea a la vez y sus tiempos de
preparacin son dependientes de la secuencia de los trabajos procesados. Todo esto hace
que el problema de programar tareas en este ambiente de mquinas sea de un alto nivel de
complejidad computacional (NP-Hard), por lo que el estudio de mtodos no exactos, pero
ms eficientes como lo son las heursticas y metaheursticas, puede ser un gran aporte para
las organizaciones que operan con esta configuracin productiva.

2
2. MARCO CONCEPTUAL

El problema de programacin de mquinas paralelas

En relacin al caso del taller de mquinas paralelas, Baker (1974) [3] seala que el modelo
bsico supone que existen n trabajos, con una sola operacin, y simultneamente
disponibles en un tiempo cero. Tambin supone que existen m mquinas idnticas
disponibles para procesar y que cada trabajo puede ser procesado en a lo ms una mquina
a la vez. Por su parte Hax y Candea (1984) [17] agregan que este tipo de taller es una
generalizacin del problema de 1 mquina, ya que los trabajos requieren de una sola
operacin pero que esta vez pueden pasar a travs de m mquinas en paralelo.
Una caracterstica de esta configuracin es que se utiliza la misma instalacin para obtener
una gran variedad de productos. Cuando se obtiene la cantidad requerida de un producto
particular, se realizan los ajustes de las instalaciones (setup) para procesar otro lote del
siguiente producto, repitindose esto en forma continua.

Heursticas Constructivas para el problema de mquinas paralelas con setup

a. Heurstica Extensin de LPT (LPT_Setup)
1


En Corts (2009) [10] se plantea un procedimiento heurstico sencillo, basado en la regla
LPT, orientado a la mejora del makespan para el problema de mquinas paralelas idnticas
con setup. Este se muestra a continuacin:

Paso 1: generar la secuencia de acuerdo a la regla LPT.
Paso 2: asignar los m primeros trabajos a las m primeras mquinas.
Paso 3: fijar el trabajo siguiente, de la secuencia LPT, en la mquina que termine antes de
procesarlo, considerando los tiempos de setup.
Paso 4: repetir paso 3 hasta asignar todos los trabajos.

La heurstica que se presenta a continuacin, es un mtodo de programacin de trabajos
propuesto en esta investigacin. Esta se diferencia de la heurstica LPT_Setup, en que
incluye los tiempos de setup al momento de generar la secuencia, haciendo una estimacin
P
a
i
del tiempo de proceso y setup que requiere un trabajo i de una orden, al considerar el
tiempo de proceso p
i
y tiempo de setup promedio respectivamente.

b. Heurstica LPT_xSetup
2


Paso 1: Construir un ordenamiento LPT en funcin del tiempo de proceso ajustado P
a
i
.
i i
a
i
s P P + =


1
LPT_Setup es el nombre con el cual se considera a esta heurstica en el software con el cual se evalan los
mtodos de programacin estudiados en esta investigacin.
2
LPT_xSetup es el nombre con el cual se considera a esta heurstica en el software con el cual se evalan los
mtodos de programacin estudiados en esta investigacin.
3
Paso 2: En funcin del ordenamiento anterior asignar los primeros m trabajos a las
primeras m mquinas.
Paso 3: Continuar asignando cada trabajo de esta secuencia, a la mquina donde el trabajo
finalice antes, hasta que todos los trabajos estn asignados.

c. Heurstica del Mejor Vecino

Esta heurstica realiza un procedimiento de bsqueda local, orientada al problema de una
mquina y a disminuir los tiempos de Setup, la cul consiste en [29]:

Paso 1: cada uno de los n trabajos a secuenciar es asignado como primer trabajo de una
secuencia, generando por lo tanto n secuencias.
Paso 2: los trabajos restantes son ordenados segn la regla de despacho SST.
Paso 3: calcular la suma de los tiempos de setup para cada secuencia
Paso 4: seleccionar la secuencia que minimice esta suma.

Corts (2009) [10] adems presenta la heurstica del mejor vecino con algunas
adaptaciones, que permiten resolver con mayor eficiencia este problema.

d. Extensin de la heurstica del mejor vecino (MV(A/D))

Esta heurstica busca construir programas con menor suma de los tiempos de Setup. Esta se
compone de 2 etapas, las cuales consisten en:

d.1) Mejor vecino con asignacin antes (MV_A)

Paso 1: generar y seleccionar una secuencia aplicando el mtodo tradicional del mejor
vecino.
Paso 2: obtener el makespan de la secuencia como si se trabajara con una sola mquina.
Paso 3: dividir el makespan obtenido por m (N de mquinas). Hacer este valor igual a L.
m
C
L
mx
=

Paso 4: asignar la mayor cantidad de trabajos a la primera mquina (manteniendo la
secuencia), hasta que el makespan parcial de la mquina no sea mayor a L. Repetir el
procedimiento para cada mquina.
Paso 5: si existen trabajos que no han sido programados, elegir el primer trabajo restante y
asignarlo en la mquina en donde genere menor makespan parcial. Repetir el procedimiento
para cada trabajo restante.

d.2) Mejor vecino con asignacin despus (MV_D)

Paso 1: generar y seleccionar una secuencia aplicando el mtodo tradicional del mejor
vecino.
Paso 2: obtener el makespan de la secuencia como si se trabajara con una sola mquina.
Paso 3: dividir el makespan obtenido por m (N de mquinas). Hacer este valor igual a L.
Paso 4: asignar la mayor cantidad de trabajos a la primera mquina (manteniendo la
4
secuencia), siendo el ltimo trabajo asignado a la mquina, el primer trabajo que sobrepase
el valor L. Repetir el procedimiento para cada mquina.
Paso 5: si existen trabajos que no han sido programados, elegir el primer trabajo restante y
asignarlo en la mquina en donde genere menor makespan parcial. Repetir el procedimiento
para cada trabajo restante.

Finalmente la solucin que obtiene este mtodo ser: { } MV_D ; MV_A min MV(A/D) =

Mtodos Metaheursticos: Algoritmos genticos (AG)

Daz et al. (1996) [12] describe de la siguiente manera a esta metaheurstica: los
algoritmos genticos son tcnicas de bsqueda basadas en la mecnica de la seleccin
natural y la gentica. Su estructura se ha diseado basndose en un intento de abstraccin
artificial del algoritmo de seleccin propio de la naturaleza, con la esperanza de que as se
consigan xitos similares en relacin a la capacidad de adaptacin a un amplio nmero de
ambientes diferentes. Es decir, los algoritmos genticos son flexibles y de mbito general, y
pueden ser aplicados en un amplio nmero de problemas. En los organismos biolgicos, la
informacin hereditaria es pasada a travs de los cromosomas que contienen la informacin
de todos esos factores, es decir, los genes, los cuales a su vez estn compuestos por un
determinado nmero de valores (alelos). Varios organismos se agrupan formando una
poblacin, y aquellos que mejor se adaptan son los que ms probabilidades tienen de
sobrevivir y reproducirse. Algunos de los supervivientes son seleccionados por la
naturaleza para ser cruzados y as producir una nueva generacin de organismos.
Espordicamente, los genes de un cromosoma pueden sufrir ligeros cambios (las
denominadas mutaciones). En la figura 2.1 se presenta un esquema bsico del algoritmo
gentico (AG
B
) segn Michalewicz (1992) [25].


Figura 2.1. Pseudocdigo de los algoritmos genticos.
Fuente: Michalewicz, 1992.

Con el objeto de mejorar las soluciones que el algoritmo gentico bsico (AG
B
)
construido es capaz encontrar, se propone incorporar en este la heurstica del mejor
vecino. Esta mejora se realiza una vez que se ha efectuado la asignacin de una secuencia
5
a cada una de las mquinas dispuestas en paralelo. Por lo tanto, sobre cada una de estas
secuencias se aplica la heurstica del mejor vecino, mejorando de esta forma el makespan
de cada mquina y as el makespan del problema. Este mtodo se denomin AG
B+MV
.
Son varios los autores que combinando distintos mtodos, han desarrollado buenas
soluciones al problema de mquinas paralelas idnticas con setup, en donde el criterio de
evaluacin es el makespan. Baesler et al. (2006) [2] propusieron un Algoritmo Memtico,
en el cual combinaron un algoritmo gentico con un procedimiento de bsqueda local.
Mendes et al. (1999) [24] plantean un algoritmo con componentes de Tabu Search y
Algoritmos Memticos. Yi Wu et al. (2003) [32] proponen un algoritmo gentico. En
Radhakrishnan y Ventura (2000) [28] minimizar la suma total de la prontitud y tardanza
( [e
j
+ t
j
]) era el propsito del estudio. Como solucin al problema plantearon un
algoritmo Simulated Annealing, ms una heurstica de bsqueda local para construir la
solucin inicial de esta metaheurstica. Chien et al. (2003) [9] buscaron minimizar el
makespan sujeto al mnimo tiempo de flujo total (C
mx
| C
j
). La solucin propuesta
consiste en el algoritmo ptimo m-MHO (m-machine hier-archical optimization) para m
mquinas jerarquizadas, basado en el algoritmo TMO (two machine optimal) de Ho y
Wong (1995) y la regla LPT.

3. ESTUDIO EXPERIMENTAL

Composicin y elementos bsicos del AG

El algoritmo gentico bsico (AG
B
) que se define en esta investigacin es esencialmente de
carcter constructivo, y en su diseo consideran los siguientes elementos:

El cromosoma que representa las configuraciones del problema, consiste en una
secuencia de n trabajos; en donde una vez obtenida esta, los trabajos se asignan en
ese orden a la mquina donde terminan primero.
Los individuos o cromosomas que constituyen la poblacin inicial, son creados de
forma aleatoria.
La funcin de evaluacin con la cual se ordenan los cromosomas es el makespan.
Un individuo es elegido aleatoriamente de la poblacin y se determina con una
probabilidad predefinida si se cruza o no; en caso de que se cruce se selecciona otro
de forma aleatoria y se cruzan, a travs de un operador de cruzamiento, obteniendo
un hijo. Luego se verifica (tambin con una probabilidad predefinida) si este hijo
muta o no. En caso de mutar, se aplica un operador de mutacin y se ingresa a la
nueva poblacin. Si no muta, ingresa a la nueva poblacin sin aplicar sobre l el
operador de mutacin.

Anlisis paramtrico

Los parmetros empleados en la construccin del algoritmo AG
B
fueron: Probabilidad de
cruzamiento, Probabilidad de mutacin, Tamao de la poblacin, Nmero de generaciones
a evaluar, Operador de Cruzamiento (PMX) y de Mutacin (SWAP).
6
Para establecer los valores definitivos de estos parmetros, y el posterior anlisis
comparativo entre los distintos mtodos que esta investigacin desea analizar, se generaron
problemas de pruebas, los cuales se detallan a continuacin en la tabla 3.1:


Tabla 3.1. Caractersticas de los problemas de prueba generados.

Cabe sealar que para cada tipo de tamao de problema (definido en trminos del nmero
mquinas y de trabajos) se crearon 30 instancias diferentes
3
(90 problemas), los cuales
poseen la caracterstica de que sus tiempos de setup y proceso se distribuyen uniforme
discreta DU[1,30] y DU[1, 100] respectivamente. El resultado de la parametrizacin arroj
los siguientes valores: Tamao de la poblacin: 200, Nmero de generaciones: 500,
Probabilidad de cruzamiento: 0,8 y Probabilidad de mutacin: 0,5.

Evaluacin y comparacin de mtodos

La evaluacin de los mtodos se efectu a travs del software SPS_PS_Setup y
SPS_GA_Parallelshop (Setup)
4
, en un ordenador AMD Turion 64 de 333 MHz. Cabe
sealar que para todos los mtodos, a excepcin de las heursticas asociadas a la regla LPT
con slo una iteracin, se realizaron 10 rplicas. La Simulacin Montecarlo se aplic sobre
una muestra de 50000 secuencias generadas.
Para comparar los distintos mtodos, se contrasta el makespan promedio obtenido por cada
mtodo (o efecto del mtodo), con respecto al makespan promedio entre todos los mtodos
en estudio. Es as que el desempeo relativo del mtodo se calcula de la siguiente manera:

Con el mnimo Makespan obtenido en cada uno de los n mtodos, a travs de 10
rplicas (excepto heursticas LPT), calcular el valor promedio de los 30
problemas generados (para cada tamao de problema).
Calcular el promedio general del Makespan de todas las mediciones realizadas,
entre los 30 problemas y para los n mtodos.
El desempeo relativo del mtodo sobre el makespan promedio de todas las
mediciones realizadas (entre todos los mtodos), corresponde a:


3
Los problemas de prueba se generaron a travs de la herramienta de Microsoft Office 2007, Excel.
4
SPS_PS_Setup y SPS_GA_Parallelshop <setup> son softwares de programacin de la produccin
desarrollados por el profesor del departamento de Ingeniera Industrial de la Universidad de Concepcin
Chile, Ing.Eduardo Salazar H, esalazar@udec.cl.
7
tamao o determinad un de problemas 30 1, i:
mtodos n 1, j:
donde:
n 30
) mtodo C (min
30
) mtodo C (min
mtodo del relativo Desempeo
30
1 i
n
1 j
n mx
30
1 i
n mx
n

=

= = =


a. Problema de 3 mquinas y 30 trabajos

De la tabla 3.2 se desprende que el mtodo AG
B+MV
(PMX) obtiene el makespan ms bajo,
con 52,09 unidades de tiempo por debajo del promedio general entre los distintos mtodos,
equivalente a un 8,84%. Por otra parte las heursticas vinculadas a la regla LPT son las que
obtuvieron el makespan ms elevado. La tabla 3.3 refuerza lo recin mencionado, dado que
seala que el mtodo AG
B+MV
(PMX) alcanza el menor makespan el 100% de las veces y
nunca el mximo, en cambio las heursticas LPT_Setup y LPT_xSetup alcanzaron el mayor
makespan el 50,00% y 36,67% de las veces y nunca el mnimo. Cabe destacar que slo la
metaheurstica AG
B+MV
(PMX)

genera el mejor makespan, as como solamente las
heursticas LPT generan el peor.


Tabla 3.2. Cuadro comparativo Cmx y Tiempo de CPU [s] en problema con 3 mquinas y 30 trabajos.

8

Tabla 3.3. Detalles de mtodos con los mejores y peores resultados, en problema con 3 mquinas y 30
trabajos.

b. Problema de 5 mquinas y 50 trabajos

La tabla 3.4 refleja que el mtodo de AG
B+MV
(PMX) nuevamente obtiene el makespan ms
bajo, con 44,69 unidades de tiempo por debajo del promedio general, lo que representa un
7,58%. La tabla 3.5 muestra que el mtodo AG
B+MV
(PMX)

alcanza el menor makespan el
100,00% de las veces y nunca el mximo, en cambio las heursticas LPT_Setup y
LPT_xSetup alcanzaron el mayor makespan el 50,00% y 43,33% de las veces y nunca el
mnimo. Slo la metaheurstica AG
B+MV
(PMX)

genera el mejor makespan.


Tabla 3.4. Cuadro comparativo Cmx y Tiempo de CPU [s] en problema con 5 mquinas y 50 trabajos.

9

Tabla 3.5. Detalles de mtodos con los mejores y peores resultados, en problema con 50 mquinas y 50
trabajos.

c. Problema de 10 mquinas y 100 trabajos

El mtodo de AG
B+MV
(PMX) vuelve a obtener el makespan ms bajo (ver tabla 3.7) con
29,96 unidades de tiempo por debajo (equivalente a un 5,08%) del promedio general entre
los distintos mtodos. Las heursticas vinculadas a la regla LPT son las que obtuvieron el
makespan ms elevado. La tabla 3.6 indica que slo el mtodo AG
B+MV
(PMX) alcanza el
menor makespan el 100% de las veces y nunca el mximo. La prdida de rendimiento del
resto de los mtodos (excepto MV(A/D), el cul se comienza a observar ya en el problema
de 5 x 50 y se acenta en este caso de 10 x 100, demuestra que en la medida que el
problema de programacin aumenta de tamao la metaheurstica AG
B+MV
genera mejores
resultados, en relacin al makespan, que otras heursticas constructivas empleadas en el
problema de mquinas paralelas idnticas con setup.


Tabla 3.6. Detalles de mtodos con los mejores y peores resultados, en problema con 10 mquinas y
100 trabajos


Tabla 3.7. Cuadro comparativo Cmx y Tiempo de CPU [s] en problema con 10 mquinas y 100
trabajos.

Ranking de mtodos

Al comparar los mtodos en trminos del valor promedio del makespan generado y a
cuantas veces estos alcanzaron una mejor solucin que otros, se establece un criterio para
rankear los mtodos estudiados, en relacin a su confiabilidad de entregar programas con
valores de makespan ms bajos que los dems. De esta forma, se construy el siguiente
indicador de ranking:

.
lugar
lugar el ocup
mtodo el que veces %
mtodos
los todos entre
Makespan
de general
Promedio
mtodo
promedio
Makespan
mtodo
ranking
de Indice
8
1 j j
j
n
n
n
evaluados 8 los entre , mtodo el ocupa que ranking o lugar 8 1, j
n
=
|
|
|
|
|

\
|
|
|

\
|

|
|
|
|
|
|

\
|
|
|
|

\
|
=
(
(
(

=


11
De esta forma a menor valor del ndice de ranking que obtiene un mtodo, mejor evaluado
y posicionado resulta. Utilizando los datos proporcionados por las tablas 3.2, 3.3, 3.4, 3.5,
3.6 y 3.7 se obtuvieron los ndices de ranking mostrados en las tablas 3.8, 3.9 y 3.10.


Tabla 3.8. Ranking de mtodos en relacin a su capacidad de generar buenas soluciones, en problema
con 3 mquinas y 30 trabajos.


Tabla 3.9. Ranking de mtodos en relacin a su capacidad de generar buenas soluciones, en problema
con 5 mquinas y 50 trabajos.


Tabla 3.10. Ranking de mtodos en relacin a su capacidad de generar buenas soluciones, en problema
con 10 mquinas y 100 trabajos.


CONCLUSIONES Y DISCUSION

Esta investigacin revisa, evala y compara varias heursticas constructivas con versiones
de la metaheurstica Algoritmos Genticos, orientadas al problema de secuenciar y asignar
trabajos en una configuracin productiva de mquinas paralelas idnticas, con tiempos de
setup dependientes de la secuencia de trabajos (P| sds | C
mx
), en donde la medida de
desempeo a optimizar es el makespan.

Al evaluar los distintos mtodos que se analizaron en este trabajo, se observ que la
metaheurstica AG
B+MV
genera los mejores resultados en todas las instancias evaluadas (en
distintos tamaos de problemas), en relacin al criterio de minimizar C
mx
, en cambio y
para casi todos los tamaos de problemas las heursticas LPT obtuvieron los valores ms
elevados de esta medida, en especial cuando estos son pequeos en trminos de la cantidad
de mquinas y trabajos. Esto radica principalmente en que esta regla construye y valora una
sola secuencia, lo cual no ocurre con el resto de los mtodos estudiados. As mismo, el
mtodo de Simulacin Montecarlo tampoco gener buenas soluciones un ningn caso. Esto
se puede explicar por la naturaleza del problema de mquinas paralelas, dado que este
requiere de un mtodo de programacin que busque balancear la carga de trabajo entre las
distintas mquinas, para as poder disminuir el makespan de cada una de ellas y con esto el
makespan del problema; lo que claramente no considera la Simulacin Montecarlo y que en
la medida que aumentan la cantidad de trabajos y mquinas se dificulta an ms, dado el
carcter aleatorio de su procedimiento. Cabe sealar, y en relacin a este argumento, que
las heursticas LPT al aumentar las dimensiones del problema mejoran sus soluciones,
debido a que al ubicar los trabajos con menor tiempo de proceso al final de las secuencias,
permite equilibrar las cargas. Por lo tanto y a pesar de que no obtuvo las mejores
12
soluciones, la secuencia generada por este mtodo puede ser empleada como un buen punto
de inicio, ya sea por la metaheurstica AG
B+MV
u otras, para encontrar soluciones con
valores de makespan ms bajos.

Finalmente, en la definicin de qu mtodo de programacin emplear en la resolucin de
este problema, y tomando en cuenta el tiempo de CPU junto con la calidad de la solucin
alcanzada en trminos del makespan, el algoritmo gentico mejorado con la heurstica del
mejor vecino parece ser una muy buena opcin, debido a que el tiempo de procesamiento
requerido es del orden de solamente algunos minutos, en el caso ms desfavorable
(problemas de gran tamao), lo cual representa ser una alternativa factible para cualquier
organizacin que necesite aplicarlo como solucin a sus problemas de produccin.


REFERENCIA BIBLIOGRFICA

[1] ANGHINOLFI, D., PAOLUCCI, M., (2007). Parallel machine total tardiness
scheduling with a new hybrid metaheuristic approach. Computers & Operations
Research, Vol. 34, pp. 3471-3490, 2007.
[2] BAESLER,F. et al. (2006), Programacin Multiobjetivo de Mquinas Moldureras a
travs de Algoritmos Memticos. Maderas, Ciencia y Tecnologa, Vol 8, N 3, pp 183-
192, 2006.
[3] BAKER,K. R., (1974). Introduction to Sequencing and Scheduling. John Wiley &
Sons, Inc. USA.
[4] BLAZEWICZ, J., ECKER, K., H., SCHMIDT, G. y WEGLARZ, J., (1993).
Scheduling in Computer and Manufacturing Systems. 2 edicin, Springer-Verlag,
Berlin.
[5] BRUCKER,P. et al. (1998). Parallel machine batch scheduling with deadlines and
sequence independent set-ups. Annals of Operations Research, Vol 83, pp 23 40,
1998
[6] CAPACHO,L. et al. (2004). Problemas de programacin de tareas en mquinas en
paralelo. VIII Congreso de Ingeniera de Organizacin, Legans, Espaa, 9
10.09.2004.
[7] CHASE,R., AQUILANO,N., JACOBS,F.R.,(2000). Administracin de Produccin y
Operaciones, Manufactura y Servicios. 8 ed: Colombia, Mc Graw Hill Interamericana
S.A.
[8] CHENGYAO,W. et al. (2008), Minimizing Total Tardiness on Parallel Machines
Based on Genetic Algorithm. Control and Decision Conference, Yantai, China, 2
4.07.2008
[9] CHIEN-HUNG,L. y CHIEN-JONG,L., (2003), Makespan minimization subject to
flowtime optimality on identical parallel machines. Computers & Operations Research,
Vol 31, pp 1655 1666, 2004.
[10] CORTS,P., (2009), Anlisis de heursticas para el problema de mquinas
paralelas idnticas, con Setup y minimizacin del Makespan., Memoria Ingeniero Civil
Industrial, Universidad de Concepcin.
[11] CORTS,R. et al. (2005). Programacin de trabajos en mquinas paralelas con
velocidad dependiente de la asignacin de recursos limitados., IX Congreso de
Ingeniera de Organizacin, Gijn, Espaa, 8 9.09.2005.
13
[12] DIAZ,A. et al, (1996), Optimizacin Heurstica y Redes Neuronales, en Direccin
de Operaciones e Ingeniera. Espaa, Editorial Paraninfo S.A.
[13] FERRETI,E. y ESQUIVEL,S., (2005), An Efficient Approach of Simple and
Multirecombinated Genetic Algorithms for Parallel Machines Scheduling.
Evolutionary Computation, Vol 2, pp 1340 1347, 2005.
[14] GARCIA,R.,(2004), Inferencia Estadstica y Diseo de Experimentos., Eudeba,
Argentina.
[15] GMEZ,M. et al. (2007), A Scheduling problema with unrelated parallel
machines and sequence dependent setups. International Journal of Operational
Research, Vol. 2, N 4, pp 380-399, 2007.
[16] GMEZ,P. et al. (2006), Estudio experimental de un taller cermico de mquinas
paralelas con secuenciacin dinmica., X Congreso de Ingeniera de Organizacin,
Valencia, Espaa, 7 8.09.2006.
[17] HAX, C., CANDEA, D.,(1984). Production and Inventory Management. Prentice
Hall, Inc. USA.
[18] HEIZER,J.,RENDER,B.,(1997), Direccin de la Produccin. Decisiones
Estratgicas., 4 ed: Espaa, Prentice Hall Iberia.
[19] HEIZER,J.,RENDER,B.,(1997), Direccin de la Produccin. Decisiones
Tcticas., 4 ed: Espaa, Prentice Hall Iberia.
[20] JACOB, C.,(2001), Illustrating Evolutionary Computation with Mathematics.,
Morgan Kaufmann, USA.
[21] KRAJEWSKI, L.J., RITZMAN, L.P, (2000). Administracin de Operaciones.
Estrategia y Anlisis. 5 ed: Mxico, Pearson Educacin.
[22] GESELL, J., (2006), Anlisis y Evaluacin de Heursticas Constructivas para el
Problema del Taller de Flujo de permutacin., Memoria Ingeniero Civil Industrial
Universidad de Concepcin.
[23] LIN,B. y JENG,A., (2004), Parallel-Machine Batch Scheduling to Minimize the
Maximum Lateness and the Number of Tardy Jobs. International Journal of Production
Economics. Vol 91, N 2, pp 121, 2004.
[24] MENDES,A. et al. (1999), Comparing Meta-Heurstic Approaches for Parallel
Machine Scheduling Problems with Sequence Dependent Setup Times. Production
Planning and Control, Vol 13, N 2, pp. 143-154, 2002.
[25] MICHALEWICS, Z., (1992), Genetic Algorithms + Data Structures = Evolution
Programs, Springer-Verlag, USA.
[26] PINEDO,M.,(2002), Scheduling Theory, Algorithms, and Systems. 2 ed: USA,
Prentice Hall, Inc.
[27] RABADI,G. et al. (2006), Heuristics for the Unrelated Parallel Machine
Scheduling Problem with Setup Times. Journal of Intelligent Manufacturing, Vol 17, pp
85-97, 2006.
[28] RADHAKRISHNAN,S. y VENTURA,J., (2000), Simulated annealing for parallel
machine scheduling with earliness-tardiness penalties and sequence-dependent set-up
times. International Journal of Production Research, Vol 38, N 10, pp 2233 2252,
2000.
[29] SALAZAR, E.,(2006). Sistemas de Produccin. Programacin de Produccin.
Apuntes de clases. Magster en Ingeniera Industrial., Departamento de Ingeniera
Industrial, Universidad de Concepcin.
[30] SCHROEDER, R.,(1992). Administracin de Operaciones, Toma de Decisiones en
14
la Funcin de Operaciones. 3 ed: Mxico, Mc Graw Hill Interamericana S.A.
[31] SEVAUX,M. y THOMIN,P., (2001). Heuristics and Metaheuristics for a Parallel
Machine Scheduling Problem: a Computational Evaluation. 4
th
Metaheuristics
International Conference, Porto, Portugal, 16-20.07.2001.
[32] YI WU, et al. (2003), A genetic algorithm for solving flow shop scheduling
problems with parallel machine and special procedure constraints. II International
Conference on Machine Learning and Cybernetics, Xian, China, 2-5.11.2003.