=
= = =
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.