Flow Shop3

UNIVERSIDAD DEL BO-BO FACULTAD DE INGENIERA DEPARTAMENTO DE INGENIERA INDUSTRIAL MAGSTER EN INGENIERA INDUSTRIAL
El PROBLEMA FLOW SHOP FLEXIBLE DE DOS ETAPAS: PROGRAMACIN DE LAS INTERVENCIONES QUIRRGICAS EN UN HOSPITAL
TESIS PARA OBTENER EL GRADO DE MAGSTER EN INGENIERA INDUSTRIAL Autor: GUILLERMO LATORRE NEZ Director de Tesis: CARLOS OBREQUE NEZ
Fecha: 29 de junio del 2011
RESUMEN Cada intervencin quirrgica que se realiza en un hospital requiere de una serie de recursos necesarios para ser efectuada. Estos recursos pueden ser tanto humanos (mdicos, anestesistas, arsenaleras, etc.), como fsicos (pabelln quirrgico, instrumental, etc.). Adems, previo a realizar una intervencin quirrgica, es necesario conocer si habr una cama de reposo disponible en la sala de recuperacin, una vez concluida la intervencin. El problema que se presenta en este trabajo, consiste en secuenciar un conjunto de intervenciones quirrgicas en los pabellones de un hospital y su posterior asignacin a las camas de reposo en la sala de post operacin. Para tal efecto, el problema se aborda como un Flow Shop Flexible de dos etapas, con mquinas paralelas no relacionadas en ambas etapas, tiempos de setup dependientes de la secuencia y de la mquina, una restriccin de no wait para pasar de la etapa uno a la etapa dos, donde cada trabajo requiere utilizar uno o ms recursos y existe solo un nmero limitado mquinas capaz de procesar un trabajo en cada etapa. Este es un problema NP-Hard y para resolverlo se formula un modelo de programacin lineal entera mixta que permite obtener soluciones ptimas en instancias pequeas. Adems, se presenta una heurstica de tipo constructiva para obtener soluciones factibles en instancias de gran tamao. Se efectuaron pruebas computacionales, para verificar el desempeo y validez de los modelos. Se realizaron, adems, pruebas retrospectivas utilizando datos histricos, para determinar si el modelo y la solucin resultante habran tenido un buen comportamiento en caso de haber sido usados. El modelo de programacin lineal, se resolvi utilizando el lenguaje AMPL y el solver CPLEX 12.2.0.0, mientras que para la heurstica se utiliz C++ y Dev-C++.
NDICE
CAPTULO I: INTRODUCCIN ............................................................................................................. 4 1.1 1.2 1.3 1.4 1.5 1.6 INTRODUCCIN ..................................................................................................................... 4 DEFINICIN PROBLEMA ...................................................................................................... 6 HIPTESIS DEL ESTUDIO ..................................................................................................... 8 OBJETIVOS DE LA INVESTIGACIN .................................................................................. 8 JUSTIFICACIN....................................................................................................................... 9 ALCANCES DEL ESTUDIO .................................................................................................... 9
CAPTULO II: PROBLEMAS DE SCHEDULING................................................................................ 10 2.1 2.2 NOTACIN ............................................................................................................................. 10 ESTRUCTURA........................................................................................................................ 10
CAPTULO III: ESTADO DEL ARTE ................................................................................................... 20 3.1 3.2 FLOW SHOP FLEXIBLE ....................................................................................................... 20 OPTIMIZACIN DE RECURSOS HOSPITALARIOS ......................................................... 28
CAPTULO IV: FORMULACIN MATEMTICA DEL PROBLEMA .............................................. 33 1.1 FLOW SHOP FLEXIBLE SIN RECURSOS .......................................................................... 33 Formulacin Matemtica del Problema FSF .................................................................... 35
1.1.1 1.2
FLOW SHOP FLEXIBLE CON RECURSOS ........................................................................ 39 Formulacin Matemtica del Problema FSFR ................................................................. 43
1.2.1
CAPTULO V: DESARROLLO DE LA HEURSTICA ........................................................................ 50 5.1 DESCRIPCIN DE LA HEURSTICA CONSTRUCTIVA................................................... 50
CAPTULO VI: PRUEBAS COMPUTACIONALES ............................................................................. 60 6.1 6.2 6.3 PRUEBAS AL MODELO MATEMTICO ........................................................................... 60 PRUEBAS COMPUTACIONALES HEURSTICA ............................................................... 66 COMPARACIN MODELO MATEMTICO Y HEURSTICA .......................................... 67
CAPITULO VII: APLICACIN ............................................................................................................. 71 CAPTULO VIII: CONCLUSIONES Y COMENTARIOS .................................................................... 78 REFERENCIAS BIBLIOGRFICAS ..................................................................................................... 81
ii
NDICE FIGURAS Figura 1.1: Intervenciones Quirrgicas como un Flow Shop Flexible de 2 etapas ...................... 7 Figura 2.1: Flow Shop Clsico ................................................................................................... 11 Figura 2.2: Flow Shop Flexible .................................................................................................. 12 Figura 2.3: Flow Shop Flexible General .................................................................................... 12 Figura 2.4: Ejemplo de un Job Shop .......................................................................................... 13 Figura 2.5: Ejemplo de un Job Shop Flexible ............................................................................ 13 Figura 2.6: Ejemplo de un Open Shop ....................................................................................... 14 Figura 2.7: Datos y Variables Asociados a un Trabajo .............................................................. 17 Figura 3.1: Incremento en las publicaciones de Flow Shop Flexible ......................................... 25 Figura 3.2: Mtodos utilizadas en problema de Flow Shop Flexible ......................................... 25 Figura 4.1: Flow Shop Flexible Sin Recursos ............................................................................ 34 Figura 4.2: Carta Gantt Flow Shop Flexible Sin Recursos ........................................................ 35 Figura 4.3: Flow Shop Flexible Con Recursos ........................................................................... 39 Figura 4.4: Carta Gantt Flow Shop Flexible Con Recursos ....................................................... 41 Figura 4.5: Resolucin del Problema Sin Considerar los Recursos ........................................... 41 Figura 4.6: Conflictos en la Resolucin del Problema Sin Considerar los Recursos ................. 42 Figura 4.7: Resolucin Considerando los Recursos como Mquinas Paralelas ......................... 43 Figura 5.1: Algoritmo Constructivo ........................................................................................... 52 Figura 5.2: Asignacin del Trabajo 1 a las mquinas de las dos etapas ..................................... 57 Figura 5.3: Asignacin del Trabajo 4 ......................................................................................... 58 Figura 5.4: Solucin del Ejemplo ............................................................................................... 59 Figura 5.5: Solucin ptima del Ejemplo .................................................................................. 59 Figura 6.1: Comparacin Tiempos de Ejecucin N1 ................................................................ 63 Figura 6.2: Comparacin Tiempos de Ejecucin N2 ................................................................ 64 Figura 6.3: Comparacin Tiempos de Ejecucin N3 ................................................................ 65 Figura 6.4: Trabajo v/s Tiempo .................................................................................................. 65 Figura 6.5: Modelo Matemtico v/s Heurstica .......................................................................... 68 Figura 6.6: Tiempo de Solucin Modelo Matemtico v/s Heurstica ........................................ 69
iii
NDICE TABLAS Tabla 2.1: Descripcin de Funciones Objetivo ms Comunes ................................................... 16 Tabla 3.1: Resumen Revisin Bibliogrfica Flow Shop Flexible .............................................. 27 Tabla 5.1: Tiempos de Proceso en la Etapa 1 ............................................................................. 53 Tabla 5.2: Tiempos de Proceso en la Etapa 2 ............................................................................. 53 Tabla 5.3: Tiempos de Setup para el Primer Trabajo a Procesar ............................................... 53 Tabla 5.4: Tiempos de Setup en la Etapa 1 ................................................................................ 54 Tabla 5.5: Tiempos de Setup en la Etapa 2 ................................................................................ 54 Tabla 5.6: Tiempos Promedio .................................................................................................... 54 Tabla 5.7: Asignacin y orden de los Trabajos en la Mquinas en la etapa 1 ............................ 55 Tabla 5.8: Reordenamiento de los Trabajos en la Mquinas ...................................................... 56 Tabla 6.1: Resultados Pruebas Computacionales. ...................................................................... 61 Tabla 6.2: Resumen de las Pruebas Computacionales ............................................................... 62 Tabla 6.3: Comparacin en Basndose en las Mquinas............................................................ 62 Tabla 6.4: Resultados Heurstica ................................................................................................ 66 Tabla 6.5: Resultados PLEM versus Heurstica ......................................................................... 67 Tabla 6.6: Comparacin Resultados PLEM versus Heurstica................................................... 68 Tabla 6.7: Resumen Comparacin Resultados PLEM versus Heurstica ................................... 69 Tabla 7.1: Tabla de Intervenciones Quirrgicas ......................................................................... 72 Tabla 7.2: Tabla Operatoria Programada por la Oficina de Agendamiento ............................... 73 Tabla 7.3: Tabla Operatoria Programada mediante la Heurstica .............................................. 73
ANEXOS
ANEXO A: VALORES DE LOS PARMETROS ANEXO B: PRUEBAS COMPUTACIONALES ANEXO C: APLICACIN
CAPTULO I: INTRODUCCIN 1.1 INTRODUCCIN La Planificacin se refiere a un conjunto de modelos y tcnicas de Investigacin Operativa que permiten resolver muchos problemas que surgen en diversos mbitos, entre los que se pueden destacar: la industria, el comercio, las actividades financieras, los sectores administrativos y de gestin tanto pblicos como privados, entre otros. Alcaide (2008). Si bien es cierto, los sectores anteriormente nombrados pueden quizs no tener relacin entre s, existen problemticas que le son comunes, como por ejemplo, las situaciones en las que se precisa asignar a lo largo de un periodo de tiempo, un conjunto de tareas a un grupo de entidades, sean estas personas o mquinas, capaces de realizarlas. Los talleres de trabajo, se caracterizan por estar formados de mltiples centros de mquinas que procesan una variedad de tareas diferentes que llegan a los mismos de manera intermitente durante todo el da. Si hay n tareas para procesar en m mquinas y todas las tareas se procesan en todas las mquinas, habr programas alternativos para esta serie de tareas Chase et al (2001). El proceso utilizado para determinar la secuencia en la cual se realizan las operaciones de un conjunto de trabajos en las mquinas correspondientes se conoce con el nombre de Scheduling. A lo largo de los aos, la teora y las aplicaciones de scheduling se han convertido en un importante campo de investigacin Pea y Zumelzu (2006). La construccin de modelos matemticos con su fundamento en la Investigacin de Operaciones y en las ciencias de la administracin, encauza sus esfuerzos a la creacin de descripciones matemticas de los problemas de la administracin y de la empresa misma, Everett y Ronald (1981). Dentro del mundo del modelamiento matemtico se encuentra la Programacin Lineal Entera, tcnica de la Investigacin de Operaciones que permite programar de manera ptima un conjunto de trabajos en un conjunto de mquinas, de modo de minimizar/maximizar algn objetivo comn para los distintos trabajos programados. Existen adems, otras formas de resolver el problema anterior, como por ejemplo mediante la programacin heurstica, el cual
es un procedimiento sistemtico que reduce el esfuerzo necesario para encontrar una solucin, aunque no necesariamente la mejor para un problema dado. Adems, Rais and Viana (2010), sealan en sus conclusiones, que por medio de investigaciones que han utilizado la Metodologa de la Investigacin de Operaciones, se han logrado resolver nuevos problemas y mejorar las soluciones de otros antiguos, ayudando considerablemente a mejorar la planificacin, ejecucin y gestin de los servicios de salud. Por otra parte, uno de los principales problemas que tienen todos los hospitales es el ineficiente uso de sus recursos, atribuidos fundamentalmente a la mala gestin en la toma de decisiones o la falta de herramientas de apoyo a la toma de decisiones. Cullar et al (2007), plantean que se considera necesario disear un procedimiento para la planificacin, programacin y control de los servicio quirrgicos, el cual incluya, a su vez, la mejora continua del mismo, contribuyendo a la mejor utilizacin y aprovechamiento de los recursos. La programacin de las intervenciones quirrgicas en los quirfanos de un hospital, es una actividad que involucra el secuenciamiento de una gran cantidad de recursos hospitalarios como es el caso del personal que interviene durante la operacin, el instrumental utilizado en la operacin, la asignacin del quirfano donde realizar la operacin, etc. El quirfano es un recurso escaso del hospital, el cual debe ser optimizado, debido a que existe una gran demanda diaria por su uso. Es importante mencionar que todos los hospitales tienen sus propias polticas o reglamentos internos que rigen su gestin. En particular, el Hospital Clnico de la Universidad de Chile asigna una determinada cantidad de horas y pabellones a las diferentes especialidades clnicas para la utilizacin de los quirfanos. Actualmente, la persona encargada de realizar la funcin de secuenciar las intervenciones quirrgicas lo hace en base a su experiencia, sin ayuda de ningn tipo de herramienta de apoyo a la toma de decisiones. Esta persona no slo debe secuenciar las intervenciones quirrgicas y sus recursos, sino adems, debe tener el cuidado de que justo al momento de concluir una operacin, exista una cama en la sala de recuperacin.
En esta tesis se proponen dos herramientas para ayudar a tomar mejores decisiones en cuanto a la manera de secuenciar el orden en que se deben llevar a cabo las intervenciones quirrgicas. Se presenta un modelo de programacin lineal entera y una heurstica constructiva, que permiten secuenciar las intervenciones quirrgicas en los quirfanos de un hospital y su posterior asignacin a las camas de reposo de la sala post-operacin. Para tal efecto, se resuelve el problema del Flow Shop Flexible de dos etapas, con mquinas paralelas no relacionadas en ambas etapas, tiempos de setup dependientes de la secuencia y de la mquina, una restriccin de no wait para pasar de la etapa uno a la etapa dos, donde cada trabajo, requiere utiliz ar uno o ms recursos. La aplicacin del modelo matemtico como de la heurstica, se realiza en el secuenciamiento de las intervenciones quirrgicas del Hospital Clnico de la Universidad de Chile. 1.2 DEFINICIN PROBLEMA Cada intervencin quirrgica realizada en un hospital requiere de recursos escasos, ya que son requeridos por mltiples intervenciones quirrgicas simultneamente. Tales recursos pueden ser tanto humanos (mdicos, enfermeras, paramdicos y otros) como fsicos (quirfano, instrumental, etc.), los cuales deben ser asignados eficientemente a cada intervencin. Tambin, se sabe que antes de realizar una intervencin quirrgica es necesario saber si existir una cama post-operacin disponible, pues en caso contrario, el paciente debe esperar en el quirfano a que se desocupe el recurso, accin que nunca debera ocurrir, en particular cuando el paciente requiere de cuidados especiales. Otra de las razones por las cuales al paciente no se le permite realizar la recuperacin Pos-Anestesia al interior del quirfano, es debido a que al realizar esta accin, mantiene bloqueado el quirfano, impidiendo continuar con la siguiente intervencin quirrgica Junto a lo anterior, se debe considerar, que una intervencin quirrgica slo puede ser asignada a un quirfano que rena las condiciones necesarias para realizar dicha intervencin. En esta investigacin, se resuelve el problema de secuenciar de manera ptima las intervenciones quirrgicas de los pacientes en los pabellones de un hospital y su posterior asignacin a las camas disponibles para el reposo en la sala de post-operacin, con el objetivo de minimizar el tiempo de terminacin de la ltima operacin, esto es, minimizar el makespan.
Como se puede observar en la Figura 1.1, para el problema se distinguen 2 etapas. En la primera etapa se consideran a los quirfanos como mquinas que trabajan en forma paralela, mientras que en la segunda etapa se consideran a cada una de las camas de la sala postoperacin como mquinas que trabajan, tambin, en forma paralela. Adems, existen tiempos de preparacin para cada intervencin quirrgica que depende del quirfano donde se realice y de la intervencin anterior realizada en el mismo quirfano. Figura 1.1: Intervenciones Quirrgicas como un Flow Shop Flexible de 2 etapas
Fuente: Elaboracin Propia
Los recursos que necesita cada intervencin son considerados como mquinas que trabajan en forma paralela, donde un recurso puede poseer una o ms rplicas. Por ejemplo, el recurso es la mquina de rayos y las rplicas son las cantidades de estas mquinas. En los problemas considerados de programacin de trabajos en mquinas, existen configuraciones ya establecidas, Pinedo (2008), como la configuracin de: Flow Shop: donde todos los trabajos procesados deben seguir el mismo camino(es decir, deben ser procesados primero en la mquina 1, luego la mquina 2, etc.). Despus de terminar en una mquina, un trabajo se une a la cola en la mquina siguiente. Job Shop: aqu cada trabajo tiene su propia ruta predeterminada a seguir. Open Shop: cada trabajo se procesa en cada una de las m mquinas y el procesamiento puede realizarse en cualquier orden.
El problema planteado en esta investigacin, se traduce en resolver un problema de mquinas paralelas con dos etapas, ms especficamente, un flow shop flexible (FSF) de dos etapas, con mquinas paralelas no relacionadas en ambas etapas, tiempos de setup dependientes de la secuencia y de la mquina, una restriccin de no wait para pasar de la etapa uno a la etapa dos, donde cada trabajo, en la primera etapa, requiere utilizar uno o ms recursos y existe slo un nmero limitado de mquinas capaz de procesar un trabajo en cada etapa. 1.3 HIPTESIS DEL ESTUDIO Hiptesis 1: Un modelo de programacin lineal entera mixta permite resolver el problema de la programacin de las intervenciones quirrgicas en los quirfanos de un hospital. Hiptesis 2: Para problemas gran tamao, referentes a la programacin de las intervenciones quirrgicas de un hospital, es necesaria la aplicacin de un mtodo de aproximacin para obtener una solucin. 1.4 OBJETIVOS DE LA INVESTIGACIN OBJETIVO GENERAL Formular un modelo matemtico e implementar una heurstica que permita resolver el problema del secuenciamiento de trabajos en: mquinas paralelas; en dos etapas; sin cola entre las etapas; donde los trabajos requieren recursos. OBJETIVOS ESPECFICOS Formular un modelo de programacin lineal entera mixta para el problema del secuenciamiento de trabajos en: mquinas paralelas; en dos etapas; sin cola entre las etapas; donde los trabajos requieren utilizar recursos. Programar una heurstica constructiva para el problema del secuenciamiento de trabajos en: mquinas paralelas en dos etapas; sin cola entre las etapas; donde los trabajos requieren utilizar recursos. Aplicacin del modelo matemtico y la heurstica constructiva al secuenciamiento de las intervenciones quirrgicas en un hospital utilizando datos reales.
1.5 JUSTIFICACIN Una de las actividades importantes que se desarrollan en un hospital concierne a las decisiones que se deben tomar para confeccionar la programacin de las intervenciones quirrgicas que se realizarn en un da cualquiera. En el ambiente de los servicios de salud, esta actividad se conoce como el proceso de la generacin de las Tablas Operatorias. En este proceso intervienen los siguientes elementos: la disponibilidad del equipo mdico apropiado para realizar tal operacin; la asignacin y distribucin de los recursos necesarios que se utilizarn en la intervencin quirrgica y la asignacin del pabelln quirrgico (sala operatoria o quirfano) donde se realizar la operacin. La programacin de las intervenciones quirrgicas en los pabellones de un hospital y su posterior asignacin a las camas disponibles en la sala post-operatoria, es una tarea que busca optimizar el uso de los pabellones quirrgicos y uso de los recursos, evitando que estos se encuentren desocupados por un gran periodo de tiempo. Pero la principal restriccin que presenta la programacin de las intervenciones quirrgicas, es que se debe tener en consideracin que no se puede realizar una intervencin quirrgica si al momento de terminar sta no se dispone de una cama en la sala de post-operatoria. La resolucin del problema de la programacin de las intervenciones quirrgicas, mediante un modelo matemtico, permitir conocer la secuencia ptima en que se deben realizar las distintas intervenciones, sirviendo como base para la resolucin del problema mediante algn mtodo de aproximacin y su validacin. 1.6 ALCANCES DEL ESTUDIO El estudio considera la aplicacin de un modelo de programacin lineal entera mixta y una heurstica constructiva, para resolver el problema de programar las intervenciones quirrgicas de los pacientes en los pabellones de un hospital y su posterior asignacin a las camas disponibles para el reposo post operacin. As de esta forma resolver instancias con datos reales obtenidos de un hospital.
10
CAPTULO II: PROBLEMAS DE SCHEDULING 2.1 NOTACIN Los problemas considerados de programacin de trabajos (scheduling), asumen que el nmero de trabajos y el nmero de mquinas son finitos, donde comnmente el nmero de trabajos se denota por la letra y el nmero total de mquinas por la letra . Usualmente, se utiliza la
letra para referirse a un trabajo y la letra para referirse a una mquina. Se supone que cada mquina es incapaz de procesar varios trabajos simultneamente y que, en un instante dado, cada trabajo puede realizarse en a lo sumo una mquina. Estas hiptesis bsicas se denominan hiptesis de no simultaneidad. De esta forma se puede denotar una operacin para el trabajo en la mquina por el par ( ), como por ejemplo el tiempo de proceso del trabajo en la .
mquina se asocia con el trmino 2.2 ESTRUCTURA Existe una estructura triple estndar
, que permite describir las caractersticas particulares
de los problemas de programacin de tareas. A continuacin se describen el significado de cada uno de estos tres elementos: La letra se puede subdividir en y , donde indica la el tipo de configuracin indica el nmero de mquinas en , indica
del problema, cada etapa y
indica el nmero de etapas del problema,
describe las caractersticas de las mquinas. En esta notacin,
que no se considera la caracterstica seala que existen (
en tal configuracin. As de esta forma, la notacin en la etapa , donde:
mquinas del tipo
, indica que existe slo una mquina para procesar todos los trabajos . , indica que existen mquinas paralelas idnticas. Por lo tanto, el tiempo , el cual no depende de la mquina donde es
de proceso de un trabajo est dado por asignado ( .
11
, indica que existen
mquinas paralelas relacionadas. En este caso, cada . Con esto, el tiempo de es el tiempo que .
mquina tiene una velocidad de tiempo de trabajo asociada proceso de un trabajo en la mquina est dado por
, donde (
demora en procesarse el trabajo en una mquina de velocidad , indica que existen
mquinas paralelas no relacionadas. En este caso ms
general no hay ninguna relacin a priori entre los tiempos de proceso de cada trabajo en cada mquina, con lo que el tiempo que toma en procesar un trabajo en una mquina est descrito por un nmero arbitrario ( .
De igual manera, cuando los problemas poseen ms de una etapa, existe una configuracin que los describe. En efecto: , indica que el problema tratado es un Flow Shop con mquinas en serie, es decir,
existe una mquina en cada etapa. En este caso todos los trabajos procesados deben seguir el mismo camino(es decir, deben ser procesados primero en la mquina 1, luego en la mquina 2, etc.) Despus de terminar en una mquina, un trabajo se une a la cola en la mquina siguiente. Por lo general, todas las colas se supone que operan bajo la regla first in-first out (FIFO), es decir, un trabajo que no puede "pasar" a otro mientras espera en una cola. Si la regla FIFO opera, el flow shop se conoce como un flow shop de permutacin y el campo de entrada incluye la
. En la Figura 2.1, se presenta una configuracin flow shop clsica, donde todos
los trabajos procesados deben seguir el mismo flujo desde la mquina 1 a la mquina m. Figura 2.1: Flow Shop Clsico
Fuente: Elaboracin Propia , indica que el problema tratado es un Flow Shop Flexible el cual es una generalizacin del problema clsico Flow Shop y del ambiente de mquinas paralelas. En lugar de mquinas, existen etapas en serie, con una serie de mquinas idnticas en paralelo en
cada etapa. Cada trabajo tiene que ser procesado primero en una mquina de la etapa 1, a continuacin en una mquina de la etapa 2, y as sucesivamente. Existe un conjunto de
12
mquinas paralelas en cada etapa, donde el trabajo
requiere ser procesado por una nica
mquina y cualquier mquina puede realizar el proceso. En cada etapa, puede o no puede operar una cola de acuerdo con la regla de orden de llegada FIFO. Como se sealo anteriormente, el flow shop flexible es una generalizacin del flow shop clsico, donde basta que en cualquiera de las etapas en serie exista ms de una mquina, para que el problema del
flow shop se transforme en una flow shop flexible, como se puede observar en la Figura 2.2. En la Figura 2.3, se presenta la configuracin de un flow shop flexible general. Figura 2.2: Flow Shop Flexible
Figura 2.3: Flow Shop Flexible General
, indica que el problema en estudio es un Job Shop con
mquinas, donde cada
trabajo tiene su propia ruta predeterminada a seguir. Se hace una distincin entre los Job Shops en el que cada trabajo debe visitar cada mquina a lo sumo una vez y los Job Shops en el que
13
un trabajo puede visitar cada mquina ms de una vez. En este ltimo caso, el campo denotara por para indicar la recirculacin en las mquinas
se
. En la Figura
2.4, se presenta un ejemplo de un Job Shop donde existen 3 trabajos que deben ser procesados en 4 mquinas, donde todos los trabajos deben ser procesados en cada una de las mquinas. Las flechas de un mismo color, representan la ruta que debe seguir un trabajo a travs de las mquinas. Figura 2.4: Ejemplo de un Job Shop
Figura 2.5: Ejemplo de un Job Shop Flexible
, indica que se trata de un Job Shop Flexible, el cual es una generalizacin del Job Shop clsico y del ambiente de mquinas paralelas. En lugar de mquinas, hay centros de
trabajo, con una serie de mquinas idnticas en paralelo en cada centro de trabajo. Cada trabajo tiene su propia ruta a seguir a travs de los centros; cada trabajo requiere ser procesado en cada centro de trabajo por una sola mquina y cualquier mquina del centro puede realizar el proceso. Si un trabajo en su ruta puede visitar un centro de trabajo ms de una vez, entonces el
14
campo
se denotara por
para indicar la recirculacin. En la Figura 2.5, se presenta un
ejemplo donde 3 trabajos deben visitar 3 centros y en cada uno de estos centros existen 3 mquinas paralelas idnticas. El trabajo 2, debe visitar la etapa 3-etapa 1-etapa 2 en este orden. La lnea representa una ruta particular para el trabajo 2, donde en la etapa 3 visita la
mquina 2, en la etapa 1 visita la mquina 2 y en la etapa 2 visita la mquina 1. , indica que se estudia un Open Shop con cada una de las mquinas. Cada trabajo se procesa en
mquinas y el procesamiento puede realizarse en cualquier orden. Sin
embargo, se permite que algunos de estos tiempos de procesamiento puede ser cero. Al programador se le permite determinar una ruta para cada trabajo y cada trabajo puede tener diferentes rutas. A diferencia de los problemas flow shop, el orden en que se realicen las operaciones es irrelevante . La Figura 2.6, presenta todas las posibles rutas para un
trabajo que debe visitar 3 mquinas bajo una configuracin Open Shop. Cada una de las posibles rutas del trabajo es representada por flechas de un mismo color. Figura 2.6: Ejemplo de un Open Shop
De esta forma, para el problema descrito en este trabajo, y seran los valores que deberan tomar y
corresponderan a en las etapas 1 y 2.
, donde
El segundo elemento, , permite describir las limitaciones y supuestos del problema, donde dentro de los valores para se encuentran: , a partir del cual puede
: indica que cada trabajo tiene asociado un instante de tiempo empezar a ser procesado.
: indica que todos los trabajos son procesados en el mismo orden en todas las etapas.
15
: indica que existe una restriccin de precedencia entre las operaciones de los diferentes trabajos. : indica que el trabajo est limitado a ser efectuado solo en una serie de mquinas etapa . : indica que existe un tiempo de setup dependiente de la secuencia para el trabajo cuando lo precede el trabajo . : indica que existe un tiempo de setup dependiente de la secuencia para el trabajo cuando lo precede el trabajo , en la mquina . : indica que existen trabajos que pueden ser interrumpidos (una o varias veces) antes de ser terminados, los cuales deben completarse posteriormente en la misma mquina u en otra distinta. : indica que la capacidad de los buffers intermedios es limitada, por lo cual los trabajos deben esperar en la etapa anterior hasta que exista una mquina disponible. : indica que los trabajos permiten/requieren ser procesados ms de una vez en la misma etapa. : indica que las mquinas no estn disponibles en todo momento. : indica que los trabajos no pueden esperar entre dos etapas sucesivas para continuar su proceso. : indica que todos los tiempos de procesamiento son iguales a p. : indica que los trabajos j en la etapa h, debe ser procesados simultnea. Para el problema en estudio, el ndice es reemplazado por , y , para mquinas en forma en la
identificar que existen tiempos de setup dependientes de la secuencia y de la mquina, el
16
proceso del trabajo
est limitado a un conjunto de mquinas en la etapa
y existe una
restriccin de no esperar para pasar de una etapa a otra. El tercer elemento , permite describir la funcin objetivo tratada en el problema, donde las ms comnmente estudiadas se pueden observar en la Tabla 2.1. Tabla 2.1: Descripcin de Funciones Objetivo ms Comunes NOTACIN DESCRIPCIN SIGNIFICADO mximo tiempo de terminacin mximo tiempo de flujo retraso mximo tardanza mxima adelantamiento mximo
Fuente: Ruiz and Vzquez (2009)
tiempo de terminacin total/promedio ponderado de terminacin total/promedio tiempo de flujo total/promedio tiempo ponderado de flujo total/promedio tardanzas total/promedio tardanzas ponderadas total/promedio nmero de trabajos tardos nmero total ponderado de trabajos tardos adelantamientos total/promedio adelantamientos ponderados total/promedio
Donde: es el tiempo en que es completado el trabajo en la etapa . , es el tiempo de flujo del trabajo , es decir, el tiempo que el trabajo pasa en el sistema, donde, .
, es la diferencia entre el tiempo de completacin del trabajo y la fecha de entrega, esto es, . Un valor positivo, un valor negativo, , indica un retraso en el trmino del trabajo, mientras que .
, que el trabajo se proceso anticipadamente a su fecha de entrega
17
La tardanza definida como El adelantamiento { {
}, indica el retraso en la ejecucin del trabajo . }, indica el anticipo en la ejecucin del trabajo .
, lo que quiere decir que
valdr 1 si el trabajo no concluye
antes de su fecha lmite y 0 en caso contrario. Figura 2.7: Datos y Variables Asociados a un Trabajo
Fuente: Alcaide D. (2008)
Es comn adems, asociar un peso
para el trabajo , con el fin de modelar su importancia. ) se refieren a la y ,
La funciones objetivos que utilizan la terminacin de los trabajos (
utilizacin eficiente del uso de las mquinas. Las fechas asociadas con las funciones, ,
en general, estas estn relacionadas con la sancin en el tiempo de incumplimiento de las demandas de los clientes. Las funciones inventario de productos terminados. En el problema estudiado en esta investigacin, se busca minimizar el tiempo en que es completado el ltimo trabajo, por tal motivo el elemento se representa por . estn asociadas generalmente con los costos de
Luego, el problema en estudio se puede representar por de la siguiente manera:
Sin embargo, dado que en el problema estudiado, adems, se considera que los trabajos requieren de uno o ms recursos para ser procesados en una mquina y dado que en la literatura revisada no se encuentra la notacin que represente esta restriccin, fue necesario introducir un
18
nuevo smbolo que identifique esta caracterstica. Para la descripcin del uso de una de las rplicas de un recurso se utiliza el trmino precede a un trabajo en el uso de la rplica , seala la existencia de un trabajo del recurso que
en la etapa . Es necesario hacer
notar que, si los recursos, con sus correspondientes rplicas, no pueden ser asignados a todas las mquinas, entonces los trabajos que requieren de tales recursos tampoco podrn ser asignados a tales mquinas. Esta situacin puede ser detectada antes de encontrar la solucin y reducir el tamao del problema. Tambin, es necesario hacer notar que en el caso ms general, el nmero de unidades de un recurso podran ser diferentes y ms an, el recurso podra influir en el tiempo de proceso del trabajo en una mquina. Para ello, sera necesario utilizar el trmino trabajo tiene un tiempo de proceso cuando utiliza la unidad del recurso que seala que el en la etapa . De
esta forma, el tiempo de proceso total seria una suma entre el tiempo de proceso del trabajo j en la mquina k, trabajo j, , ms la sumatoria de los tiempos de los recursos que utiliza que utiliza el , siendo , el conjunto de recursos que utiliza el trabajo en la etapa .
Sin embargo, en esta investigacin, se considera que el todas las unidades de un recurso son idnticas y que no influyen en el tiempo de proceso de un trabajo. Por lo tanto, la descripcin completa del problema estudiado en esta investigacin se representa de la siguiente forma:
Donde: denota la configuracin del problema como un flow shop flexible de 2 etapas. , denotan las caractersticas de las mquinas, sealando que existen M1 mquinas paralelas no relacionadas en la etapa 1 y M2 mquinas paralelas no relacionadas en la etapa 2. Los trminos y sealan que existen tiempos de setup dependientes
de la secuencia y de la mquina en cada etapa, que los trabajos slo pueden ser procesados por un conjunto limitado de mquinas en cada etapa y que existe una restriccin de no esperar
19
para pasar desde la etapa 1 a la etapa 2. Por ltimo en las restricciones del problema se encuentra el trmino representada por , descrito anteriormente. La funcin objetivo del problema est , es decir, minimizar el tiempo de terminacin del ltimo trabajo.
20
CAPTULO III: ESTADO DEL ARTE En este captulo, se presenta una revisin bibliogrfica de los principales trabajos relacionados con la programacin de tareas, particularmente los trabajos que estudian el problema de flow shop (FS) y flow shop flexible (FSF). Adems, se discuten trabajos que utilizan la investigacin de operaciones para resolver problemas del ambiente hospitalario. 3.1 FLOW SHOP FLEXIBLE En siguiente estado del arte se presentan investigaciones relacionados con la configuracin FSF y en menor cantidad de FS, debido a que el primer ambiente es una generalizacin del segundo. El anlisis bibliogrfico de los principales trabajos, se realiza en forma cronolgica a partir del ao 2000. Ros and Bard (2000), presentan dos heursticas para resolver el problema de minimizar el tiempo mximo de procesamiento de tareas en un ambiente de manufactura FS con tiempos de setup. En la primera utilizan la heurstica NEH-RB, siendo este procedimiento una extensin del algoritmo NEH que ha sido muy exitoso para el problema general de FS (sin tiempos de setup). En la otra, utilizan una heurstica GRAPS (Greedy Randomized Adaptive Search Procedure), que es un procedimiento de bsqueda vida aleatoria adaptativa, la cual es una tcnica que ha resuelto exitosamente varios tipos de problemas de optimizacin combinatoria. Estos procedimientos son evaluados y comparados computacionalmente con una heurstica desarrollada para este tipo de problemas. Sawik (2002) presenta, un modelo de programacin lineal entera mixta para resolver el problema de FSF, con buffers intermedios de capacidad limitada, con una o ms mquinas idnticas en paralelo en cada etapa, minimizando el makespan. Lin and Liao (2003), resuelven un problema real de una empresa que fabrica etiquetas tipo sticker. El problema se traduce en resolver un FSF de dos etapas, donde en la primera etapa existe una mquina y tiempos setup dependientes de la secuencia, mientras que en la segunda etapa existen dos tipos de mquinas paralelas idnticas. El objetivo es minimizar la tardanza ponderada. Los autores, proponen una heurstica para resolver el problema, para la primera
21
etapa, utilizan el mtodo TST (total setup time) y el mtodo FIFO para la segunda etapa. Se compara la heurstica con los resultados ptimos en instancias pequeas. En DArmas (2004-2005), se realiza un estado del arte relacionado con el secuenciamiento de tareas, con tiempos de setup, en ambientes de taller, con: una mquina, mquinas paralelas, FS y job shop. Oguz et al (2004), trata el problema de FSF con la caracterstica principal de que cada trabajo en cada etapa puede ser procesado por una o varias mquinas en forma simultnea, pero cada procesador puede procesar solo un trabajo a la vez, teniendo como objetivo minimizar el makespan. Este planteamiento permite relajar el problema clsico de FSF al admitir que un trabajo pueda ser procesado por ms de una mquina a la vez. Se demostr por medio de pruebas computacionales que el problema relajado puede ser resuelto en tiempo polinomial, pero la introduccin de restricciones de precedencia lo vuelve fuertemente Np-hard. Kis et al (2005), presenta una visin global de los mtodos de solucin exacta para resolver el problema de FSF. Los mtodos estudiados son: ramificacin, delimitacin y propagacin de restricciones, y los objetivos: minimizar el makespan y minimizar el tiempo medio de proceso. En este artculo se presenta un modelo de programacin lineal entera mixta para resolver el problema. Las pruebas computacionales muestran resultados de instancias con 15 trabajos, 2 etapas y 4 mquinas como mximo en una de las etapas y 12 trabajos, 5 etapas y un mximo de 4 mquinas en una de las etapas. Guirchoun et al (2005), resuelve el problema de un sistema informtico con un servidor en la primera etapa y dos procesadores idnticos en la segunda, con una restriccin de no wait entre ambas etapas, donde todos los trabajos que pasan por la primera etapa tienen el mismo tiempo de procesamiento. La funcin objetivo minimiza la suma de los tiempos de terminacin de los trabajos. Para tiempos de procesamiento enteros, los autores proponen un algoritmo que resuelve el problema en tiempo polinomial, donde los trabajos son ordenados de acuerdo al SPT (tiempo ms corto de procesamiento) y luego se asignan los trabajos de acuerdo al criterio FAM (primera mquina disponible). Adems, en el documento se presenta el modelo de programacin lineal entera mixta que resuelve el problema.
22
Sawik (2005), aborda el problema de la programacin de la produccin en un sistema de FSF de dos puntos de vista, en el primero los pedidos o lotes de piezas son divisibles, los cuales pueden ser divididos y fabricados en distintos instantes de tiempos y un segundo punto de vista donde los lotes no se pueden dividir y se deben fabricar en un mismo instante de tiempo. En el trabajo se plantean 4 formulaciones de modelacin matemtica con variables enteras que resuelva el problema con distintos objetivos: minimizar la tardanza total; minimizar el nmero de trabajos tardos; minimizar el retraso mximo y la relacin de trabajos tardos. Se complement el trabajo con pruebas computacionales. Ribas y Companys (2006), estudiaron la programacin de la produccin en sistemas FSF con tiempos de preparacin dependientes de la secuencia, donde las piezas se agrupan en familias y las mquinas requieren un tiempo de preparacin cada vez que se deba cambiar de familia. El problema es resulto minimiza la suma de retrasos de las piezas y luego se extiende a un problema multiobjetivo, que minimiza la suma ponderada del retraso medio y la suma de los tiempos medios de proceso. Para ambos casos se implementaron tres heursticas: CR (Chandrasekharan Rajendran), GRASP y Multistar, obteniendo mejores resultados con GRASP. Tang et al (2006), proponen una nueva heurstica basada en relajacin Lagrangiana para la programacin de tareas en una configuracin FS, teniendo como objetivo minimizar la suma de los tiempos ponderados de terminacin de los trabajos. En el artculo se presenta un modelo de programacin lineal entera mixta que utilizan para resolver instancias con hasta 100 trabajos. Zandieh et al (2006), resaltan que la gran mayora de las investigaciones ignora los tiempos de setup, o asumen que estos tiempos son independientes de la secuencia y de la mquina. Modifican el tiempo de proceso sumndole el tiempo ms pequeo de setup dependiente de la secuencia. Proponen un algoritmo inmunolgico (IA) para resolver el problema del FSF, con tiempos de setup dependientes de la secuencia, el cual es comparado con la heurstica RKGA (Random Key Genetic Algorithm), propuesto en Kurz and Askin (2004). Allaoui and Artiba (2006), estudian un FSF de dos etapas, con una mquina en la primera y m mquinas en la segunda etapa. Si existe indisponibilidad de una mquina y el trabajo ya haba comenzado a ser procesado, reanudar su procesamiento desde el principio cuando la mquina
23
est disponible, todo el procesamiento previo se pierde. Proponen un algoritmo Branch and Bound para solucionar de manera ptima los problemas de tamao pequeo y para instancias mayores prueban 3 heursticas: un algoritmo LIST, un algoritmo LPT (Longest-ProcessingTime-first) y la heurstica H, propuestos en Lee and Vairaktarakis (1994). Sawik (2007), presenta dos formulaciones de programacin entera que permiten resolver el problema de programar tareas en un FSF con un buffer de capacidad limitada en la salida de la ltima etapa, el cual representa la capacidad de almacenamiento de productos terminados de una empresa. El primero minimiza el nmero de trabajos tardos, mientras que el segundo nivela la produccin agregada en base a los resultados obtenidos del primer modelo. Por medio de pruebas computacionales realizadas en base a la industria de la electrnica, se concluye que el modelo es capaz de encontrar soluciones ptimas para problemas reales en un periodo de tiempo razonable. Tzung et al (2007), proponen 3 algoritmos que permiten resolver el problema de FSF con ms de dos mquinas por etapa. El primer algoritmo combina el mtodo de LPT y la bsqueda-ypoda, mientras que el segundo, es un algoritmo ptimo que utiliza la tcnica de bsqueda y poda. El tercero, es similar al primer algortimo, pero utiliza el mtodo (PT), propuesto en Petrov (1966. Los resultados experimentales muestran que los tiempos de resolucin tienen la siguiente relacin: Algoritmo 3 < algoritmo 1 < algoritmo 2, por otra parte los resultados experimentales muestran la siguiente relacin para el makespan: Algoritmo 3 > algoritmo 1 > algoritmo 2. Seda (2007), propone dos modelos de programacin lineal entera mixta para resolver problemas de procesos fabricacin en la industria, con configuracin de flow shop y job shop. Se realizan pruebas computacionales, donde se obtienen buenos resultados en instancias con hasta 20 trabajos y 10 mquinas. Haouari and Hidri (2008), demuestran mediante un simple ejemplo, que el lmite inferior propuesto en Jin et al (2006) es incorrecto, debido a que en el ejemplo se obtiene un valor de 9 en el lmite, mientras que el valor del makespan es de 8. Los autores proponen un lmite inferior vlido.
24
Jungwattanakit et al (2008), resuelven el problema de FSF,
planteando como objetivo,
encontrar una secuencia que minimice la suma ponderada convexa para el makespan y el nmero de trabajos tardos. En este trabajo se utilizan mquinas paralelas no relacionadas y tiempos de setup dependientes de la secuencia. Los autores, utilizan primero la programacin lineal entera mixta, obteniendo resultados en un tiempo aceptable con hasta 7 trabajos y 4 etapas. Posteriormente, resuelven comparando algoritmos iterativos como: recocido simulado (SA), bsqueda tab (TS) y algoritmo gentico (GA). El artculo es complementado en Jungwattanakit et al (2009). Ruiz and Vsquez (2009) describen el problema FSF y la notacin ms actualizada. Adems, realizan una revisin bibliogrfica del problema desde el ao 1970 hasta el ao 2009 con ms de 200 documentos, que incluyen los temas de: mtodos exactos, heursticas y metaheursticas, para resolver este tipo de configuracin. Los autores destacan que no es realista lograr siempre una optimizacin mediante la minimizacin basan en ste. Choi y Lee 2009, tratan el problema de programar trabajos en un ambiente de FSF de dos etapas, donde los tiempos de preparacin de los trabajos son independientes de la secuencia, por lo que se incluyen en el tiempo se procesamiento. La capacidad del buffer entre las mquinas es infinita y el objetivo del trabajo es minimizar el nmero de trabajos tardos. En el artculo, se compara el algoritmo B&B propuesto en Choi y Lee (2007) y el algoritmo B&B mejorado. Se comparan, adems, la heurstica propuesta por ellos mismos, con la presentada en Gupta and Tunc (1998). Ribas et al (2010), revisa las investigaciones acerca de los problemas de FSF, con especial atencin a los trabajos publicados desde 1995 en adelante. La clasificacin se realiza en base a: las caractersticas de las mquina, las restricciones, funcin objetivo y de acuerdo a los distintos mtodos de resolucin del problema. De la revisin bibliogrfica realizada acerca de los principales trabajos relacionados con el ambiente flow shop y flow shop flexible, con respecto a los enfoques de solucin, se puede deducir que: , sin embargo el 60% de las publicaciones se
25
El nmero de publicaciones relacionados principalmente con problemas de flow shop flexible, han aumentado a travs de los aos como se observa en la Figura 3.1, Ruiz and Vsquez (2009). Figura 3.1: Incremento en las publicaciones de Flow Shop Flexible
Fuente: Ruiz and Vsquez (2009)
Figura 3.2: Mtodos utilizadas en problema de Flow Shop Flexible
Fuente: Ruiz and Vsquez (2009)
26
La mayora de la investigacin es abordada por procedimientos heursticos, donde las metaheursticas se presentan como mtodos prometedores para futuras investigaciones, Ribas et al (2010). Lo anterior se puede observar en la Figura 3.2, la que presenta un anlisis realizado en Ruiz and Vsquez (2009). Otras de las reas prometedoras para futuras investigaciones es la simulacin, debido a que existe muy poca investigacin que utilice esta herramienta como enfoque Ribas et al (2010). Los procedimientos exactos que ms utilizados son el B & B y la programacin lineal entera mixta Ribas et al (2010). La mayora de la literatura sobre programacin de tareas, supone que las mquinas estn siempre disponibles. Sin embargo, en la vida real, las mquinas pueden estar sujetas a algunos perodos de inactividad tales como averas y mantenimiento preventivo Allaoui and Artiba (2006). Una buena planificacin en el secuenciamiento de trabajos, puede reducir los costos de produccin Tzung et al (2007). La mayora de las investigaciones no consideran la existencia de familias de productos, a pesar de que en muchos ambientes industriales reales se presenta esta situacin. Se destaca, que aunque el flow shop flexible es un sistema que aparece en la industria, existe muy poca investigacin que muestre aplicaciones en el mundo real, resaltado en Ribas et al (2010) y DArmas (2005). Por ltimo, en la Tabla 3.1, se presenta un resumen de la revisin bibliogrfica realiza acerca de los problemas de flow shop y flow shop flexible. En el resumen se presentan las publicaciones ordenadas cronolgicamente, la configuracin del problema tratado y el enfoque utilizado para resolverlo.
27
Tabla 3.1: Resumen Revisin Bibliogrfica Flow Shop Flexible

AUTOR Ros and Bard 2000 Stafford and Tseng 2002 Sawik 2002 Lin and Liao 2003 Oguz et al 2004 } MODELO CONTENIDO Heurstica Prog. lineal entera mixta Prog. lineal entera mixta Heurstica TS Prog. Lineal Entera, algoritmo exacto Prog. lineal entera mixta Prog. Lineal Entera y Heurstica Heurstica NEH } Revisin mtodos exactos B&B, Heurstica Prog. Lineal entera mixta, relajacin Lagrangiana IA | Heurstica Prog. Lineal Entera y GA | | | | } Prog. lineal entera mixta Prog. lineal entera mixta, heurstica, GA, SA, TS Prog. lineal entera mixta, heurstica, reglas de despacho, GA Revisin Bibliogrfica Revisin Bibliogrfica
Guirchoun et al 2005 Sawik 2005 Doll et al 2005 Companys and Doll 2005
Kis and Pesch 2005 Allaoui y Artiba 2006
Tang et al 2006
Zandieh et al 2006
Ribas and Companys 2006 Seda 2007 Sawik 2007
Jungwattanakit et al 2008
Jungwattanakit et al 2009 Ruiz and Vzquez 2009 Ribas et al 2010
28
3.2 OPTIMIZACIN DE RECURSOS HOSPITALARIOS Junto con estudiar trabajos relacionados con la programacin de tareas, se realiz una revisin de publicaciones que tuvieran como finalidad resolver problemas del rea de la salud, donde los autores utilizaron mtodos de la investigacin de operaciones para abordar sus investigaciones. Dexter et al (2002a), tratan el problema de aumentar la contribucin marginal monetaria en un hospital, con relacin a los ingresos percibidos por hora/quirfano, donde cada mdico presenta una contribucin diferente, la que vara en un 1000 por ciento entre cirujanos. Para ello, desarrollan un modelo de programacin lineal, con el cual obtienen entre sus resultados, que la reasignacin de la sala de operaciones a los cirujanos, puede aumentar en un siete por ciento la contribucin global del hospital para ciruga electiva. Dexter et al (2002b), tratan el problema de centrar la atencin de los servicios quirrgicos en las reas prioritarias, para ello estudian en qu medida un cambio en la asignacin del tiempo de quirfano de los cirujanos, puede incrementar los costos variables perioperatorios. Los autores utilizan la programacin lineal para resolver el problema. Dexter et al (2002c), utilizan la programacin lineal para encontrar la combinacin de las asignaciones del tiempo de operacin de los mdicos, que permita aprovechar al mximo el margen de contribucin o reducir al mnimo los costos variables. Evalan si un ao de datos de mdicos, es suficiente para tener una contabilidad financiera precisa. Los autores destacan que hasta un 22 por ciento de los mdicos, han obtenido un tiempo reducido de quirfano debido a un error de muestreo. Denton and Gupta (2003), estudian la determinacin de horarios de citas para una programacin de trabajos con un tiempo de duracin incierto. Los autores resuelven el problema con un programa lineal estocstico de dos etapas y algoritmos que incluyen aspectos como el costo de espera de los clientes, servidor ocioso y los costos de tardanza con respecto a la duracin de sesin elegida. Burker et al (2005), presentan una metodologa de apoyo a la toma de decisiones que permita realizar la asignacin de los turnos de las enfermeras. El problema presenta limitaciones como
29
por ejemplo: una enfermera de turno completo solicita turno en forma tarda o donde otra pide un turno en forma temprana, existe un nmero mximo de tres turnos de noche para un periodo de cinco semanas consecutivas. El problema es resuelto por medio de una heurstica con variable de bsqueda de vecindad. Los resultados del trabajo se comparan con los de la herramienta comercial utilizada por el hospital, logrando reducir la carga de trabajo de las enfermeras. Persson M. and Persson J. (2006), desarrollan un modelo de optimizacin para la programacin de la sala de operaciones y la asignacin de recursos claves. Debido a la extensin del trabajo, solo se presentan los resultados preliminares de la investigacin. ONeill and Dexter (2007), estudian como el desarrollo de anlisis de datos, se puede utilizar para comprender el potencial de crecimiento de diferentes especialidades de ciruga. Mediante el estudio de un caso en particular, los autores concluyen que un hospital puede elegir especialidades objetivo para aumentar la capacidad sala de operaciones sobre la base de sus datos financieros, nmero de casos de especialidades especficas, el nmero de casos de los hospitales ya examinados y las tasas quirrgicas a partir de datos de censo. Belin et al (2007), aplican algoritmos de optimizacin para construir un programa maestro de ciruga que permita realizar la nivelacin de ocupacin de camas. Los autores se basan en los modelos presentados en Belin and Demeulemeester (2007) para la construccin del programa. Los autores utilizan la programacin lineal entera mixta y una heurstica SA. Molema et al (2007), aplican los conocimientos acerca del trabajo part time en los servicios de atencin de salud. Los autores se basan en estudios de simulacin, para concluir que la oferta de puestos de trabajo a tiempo parcial puede introducir flexibilidad en el diseo del sistema y puede mejorar el proceso de prestacin de atencin, flujo de pacientes y el rendimiento. Kaandorp and Koole (2007), presentan un mtodo que permite obtener el horario de atencin ambulatoria, para el caso de un nmero finito de posibles llegadas. Los autores resuelven el problema utilizando un procedimiento de bsqueda local. Se presentan resultados numricos, donde los tiempos entre llegada tienen una forma de cpula, primero son cortos, luego se hacen largos y se convierten nuevamente en cortos.
30
Patrick and Puterman (2007), desarrollan un mtodo que permite aumentar la utilizacin y reducir los tiempos de espera por un recurso de diagnstico, en presencia de incertidumbre en la demanda con diferentes niveles de prioridad en el uso. Utilizan la simulacin para demostrar la reduccin significativa en la tasa de crecimiento del tiempo de espera de los pacientes ambulatorios. Punnakitikashem et al (2008), tratan el problema de la programacin de los turnos de las enfermeras. Desarrollan un modelo de programacin estocstica, que tiene como objetivo minimizar el exceso de carga de trabajo de las enfermeras. Debido a que la cantidad de atencin requerida por un paciente es aleatoria, se consideran varios escenarios. Adems, los autores proponen un algoritmo de tipo goloso para resolver el sub problema de los recursos. Los autores demuestran que pueden ahorrar hasta 273 horas de exceso de carga de trabajo por ao en cada unidad mdico-quirrgica. Green and Savin (2008), estudian el problema de atencin hospitalaria cuando se realiza una suspensin de ltimo minuto de una cita o simplemente el paciente no se presenta. El problema es tratado como un problema de colas donde existe un solo servidor, en el cual los clientes que estn a punto de entrar al servidor tienen una probabilidad de no ser entendidos y reintegrarse a la cola. Lamiri et al (2008), formulan un modelo estocstico para la programacin de las salas de operacin con dos tipos de pacientes: los pacientes electivos y los pacientes de emergencia, donde el problema de planificacin consiste en asignar los casos electivos a diferentes periodos en un horizonte de planificacin, a fin de minimizar el costo de los pacientes electivos y los costos de horas extras en los quirfanos. El mtodo de solucin combina la simulacin de Mote Carlo con la Programacin Lineal Entera Mixta. Ogulata et al (2008), proponen un modelo matemtico jerrquico que permita realizar la programacin adecuada de personal en un hospital, para una semana de programacin. Los autores dividen el problema en tres etapas: seleccin de personal, asignacin de los pacientes al personal y programacin de los pacientes a lo largo de un da. Los objetivos planteados en el modelo jerrquico fueron: maximizar el nmero de pacientes considerando las limitaciones de capacidad; balance de cargas de trabajo de los fisioterapeutas y la asignacin de pacientes entre
31
loa fisioterapeutas de manera equitativa; minimizar el tiempo de espera de los pacientes a travs de la programacin del tratamiento en un da. Jiang and Giachetti (2008), estudian cmo reducir el tiempo de ciclo del paciente, el cual corresponde al tiempo que un paciente pasa en un centro ambulatorio. Los autores sealan que una estrategia recomendada es realizar actividades en paralelo. En el artculo se trata como un problema de colas. Los resultados obtenidos indican que el tiempo de ciclo se puede reducir para aquellos pacientes que requieren de ms de un diagnstico o intervencin. Gupta and Denton (2008), describe los tipos ms comunes de atencin en salud, con especial atencin a los factores que dificultan la programacin de citas. Los autores exponen el estado del arte del diseo de sistemas de gestin de citas, presentando oportunidades para nuevas aplicaciones de la Ingeniara industrial y la Investigacin de Operaciones. Sundaramoorthi et al (2009), desarrollan un nuevo mtodo basado en la simulacin para evaluar la asignacin de enfermera-paciente. Los autores utilizaron arboles de clasificacin y regresin, junto a la minera de datos, para desarrollar cinco estructuras de rboles. Zhang et al (2009), utilizan la programacin lineal entera mixta para resolver el problema de la asignacin de la capacidad de las salas de operacin en un hospital, para una semana. Por medio del modelo matemtico, crean plantillas asignando el nmero de horas que necesita cada especialidad durante una semana. El objetivo del modelo es minimizar el costo de los pacientes, medido como la duracin de su estada en el hospital. Rais and Viana (2010), realizan la revisin de trabajos donde se aplica la Investigacin de Operaciones para resolver problemas del rea de la salud. Los autores clasifican los trabajos en: Planificacin Sanitaria, Gestin en Salud y Logstica, Prcticas de Salud y Especializado y Atencin de salud Preventiva. Cardoen et al (2010), realizan una revisin de los trabajos para la programacin y planificacin de las salas de operacin. Los autores, agrupan los trabajos estudiados en base a la configuracin del problema (medidas de desempeo, clases de pacientes, etc) o las caractersticas tcnicas, como por ejemplo la tcnica de solucin utilizada.
32
De la revisin bibliogrfica realizada a los trabajos que resuelven problemas del rea de la salud se seala lo siguiente: La mayor parte de las contribuciones se realizan por medio de la programacin matemtica y la simulacin Cardoen et al (2010). Durante la ltima dcada la comunidad de Investigacin de Operaciones, ha estado ms interesada en resolver problemas difciles del rea de la salud, logrando resolver nuevos problemas y mejorar las soluciones de otros ms antiguos. Lo anterior resalta cmo la investigacin de operaciones ha ayudado considerablemente a mejorar la planificacin, ejecucin y gestin de los servicios de salud, Rais and Viana (2010). Se enfatiza, adems, que si bien es cierto la programacin de las salas de operacin puede estar vinculada con un proceso anterior u otro posterior, son muy pocas las investigaciones que realizan un anlisis integrado, Cardoen et al (2010). Se desprende que mediante el uso de modelos de optimizacin, se pueden analizar las estrategias y realizar ajustes con respecto a la asignacin de recursos, Persson M. and Persson J. (2006).
33
CAPTULO IV: FORMULACIN MATEMTICA DEL PROBLEMA 1.1 FLOW SHOP FLEXIBLE SIN RECURSOS En el problema se tiene un conjunto de conjunto paralelas problema: Las mquinas disponibles en ambas etapas son mquinas paralelas no relacionadas, esto es, mquinas que no son idnticas y pueden procesar trabajos con tiempos de procesamiento arbitrarios, es decir, el tiempo de proceso depende del trabajo a realizar y de la mquina donde se vaya a procesar. Los trabajos, no necesariamente, pueden ser procesados en todas las mquinas. Se denota por con , al conjunto de mquinas que pueden procesar al trabajo en la etapa , y . tiene un tiempo de procesamiento en la mquina en la de 2 etapas {1, 2,., } para trabajos }, que deben pasar por un existe un conjunto de mquinas
} . En cada etapa
. A continuacin se describen las especificaciones del
Cada trabajo etapa .
Existen un tiempo de setup
dependiente de la secuencia y de la mquina, cuando el ,
trabajo es programado inmediatamente despus del trabajo en la mquina , en la etapa ,
Est permitido que el tiempo de setup se realice sin que el trabajo
se encuentre presente en la mquina en la cual ser procesado. No est permitido que los trabajos que terminan de procesarse en una mquina en la etapa 1 tengan que esperar que se desocupe una mquina en la etapa 2, es decir, para pasar de la etapa 1 a la etapa 2 existe una restriccin de no-wait. Cada trabajo se debe procesar en forma secuencial. No obstante, es posible que un trabajo tenga tiempo de procesamiento cero en todas las mquinas de una etapa. Esto implica que un trabajo se salte una o ms etapas. No existe preferencia para procesar un trabajo en una mquina. Esto es, todas las mquinas que pueden procesar un determinado trabajo en una cierta etapa, tienen la misma probabilidad de procesarlo.
34
Cada mquina puede procesar solo un trabajo a la vez y cada trabajo puede ser procesado por solo una mquina en cualquier etapa. El objetivo del problema consiste en minimizar el makespan, el tiempo de completacin el ltimo trabajo. En la Figura 4.1, se presenta un ejemplo en el cual 4 trabajos deben ser procesados primero en una de las 3 mquinas de la etapa 1 y por una de las 2 mquinas de la etapa 2. La figura permite observar estado de las mquinas en tres fases distintas del proceso. Figura 4.1: Flow Shop Flexible Sin Recursos , esto es, minimizar
En la Figura 4.1(a), el trabajo 1 est siendo procesado en la mquina 1 de la etapa 1 y el trabajo 2 en la mquina 2 de la misma etapa. La mquina 3 no est procesando ningn trabajo an. A pesar de que est desocupada, no puede comenzar el proceso del trabajo 3 ya que al finalizar su proceso tendra que esperar que se desocupe una de las dos mquinas en la etapa siguiente, las cuales se encontrarn procesando los trabajos 1 y 2. En la Figura 4.1(b), el trabajo 1 est siendo procesado en la mquina 2 de la etapa 2 y el trabajo 2 en la mquina 1 de la etapa 2. Las mquinas 1 y 3 de la etapa 1 estn procesando los trabajos 4 y 3, respectivamente. En esta fase del proceso, la mquina 2, en la etapa 1, queda desocupada. En la Figura 4.1(c), los trabajos 1 y 2 abandonan las mquinas de la etapa 2 y en su lugar, la mquina 1 procesa el trabajo 3 y la mquina 2 el trabajo 4.
35
En la Figura 4.2 se muestra, a travs de una carta Gantt, una solucin factible de la misma instancia presentada en la Figura 4.1. Se incluyen los parmetros que intervienen en la formulacin del problema y que se utilizan en el modelo matemtico. Notar que el trabajo 2, en la etapa 2, comienza su proceso de setup en la mquina 1 antes de que el mismo trabajo termine su proceso en la mquina 2 en la etapa 1. Tambin, que el trabajo 3, en la primera etapa, se retrasa para que termine en el momento que la mquina 2 queda desocupada en la etapa 2. De no ser as, es decir, si se comienza antes su proceso, tendra que esperar en la mquina hasta que se desocupe una mquina en la etapa siguiente, lo cual no est permitido. Figura 4.2: Carta Gantt Flow Shop Flexible Sin Recursos
1.1.1 Conjuntos
Formulacin Matemtica del Problema FSF
36
Parmetros
Variables {
37
Modelo de Programacin Lineal Entera Sin Recursos
) }
38
La restriccin (1) es una restriccin de precedencia que indica que en cada etapa, cada trabajo slo puede tener un predecesor o puede ser programado primero en una mquina. La restriccin (2) es una restriccin de balance de flujo, que indica que en cada etapa, cada trabajo slo puede tener un sucesor y un predecesor en la mquina donde es programado. La restriccin (3) indica que en cada mquina de cada etapa, a lo sumo puede existir un solo trabajo que es programado primero. La restriccin (4) indica que en cada mquina de cada etapa, a lo sumo puede existir un nico trabajo que es programado ltimo. La restriccin (5) es una restriccin de no-wait, que indica cada trabajo debe ser inmediatamente procesado en la etapa 2 una vez que haya terminado su proceso en la etapa 1. La restriccin (6) establece el tiempo de inicio de todo el proceso. La restriccin (7) indica que si el trabajo es programado inmediatamente despus del trabajo en la misma mquina en la etapa , , el tiempo en que es completado ser mayor o
igual al tiempo de terminacin del trabajo en la etapa , ms su tiempo de proceso, ms el tiempo de setup. En cambio, si la desigualdad se satisface trivialmente.
La restriccin (8) indica que el makespan debe ser mayor o igual al tiempo de terminacin de todos los trabajos en todas las etapas. La restriccin (9) indica que el tiempo en que es completado cada trabajo debe ser mayor o igual a cero. La restriccin (10) indica que la variable valor 0 o 1. es una variable binaria que solo puede tomar el
39
1.2 FLOW SHOP FLEXIBLE CON RECURSOS El problema del secuenciamiento de trabajos que requieren de recursos para ser procesados, mantiene el mismo planteamiento que el problema sin recursos, con la diferencia que ahora se agregan las siguientes caractersticas: Cada trabajo requiere de uno o ms recursos, que se encuentran en el conjunto } , para ser procesado en una de las mquinas del conjunto etapa Cada uno de los recursos de , puede poseer ninguna, una o ms rplicas. Se denota por } al conjunto del nmero de rplicas del recurso , etapa . Donde } con , en la en la
como el nmero mximo de rplicas
entre todos los recursos. Todas las rplicas de un recurso se consideran idnticas. Por ejemplo, en un ambiente industrial, el recurso puede ser un martillo y las rplicas son la cantidad de martillos que hay del mismo tipo. Se considera que la rplica de un recurso es utilizada durante el tiempo de proceso de un trabajo e incluso durante su tiempo de setup. Figura 4.3: Flow Shop Flexible Con Recursos
En la Figura 4.3, se muestra una instancia compuesta por dos etapas, dos mquinas en cada etapa, tres trabajos y un recurso con una rplica en la etapa 1 y un recurso con dos rplicas en la
40
etapa 2. Donde todos los trabajos requieren del recurso 1 en la etapa 1 y del recurso 1 en la etapa 2, para ser procesados. La figura presenta el estado de proceso de los trabajos en tres fases distintas del proceso. Adems, la figura permite observar cmo cada trabajo requiere ser procesado tanto por una mquina como por un recurso en forma simultnea En la Figura 4.1(a), el trabajo 1 est siendo procesado en la mquina 1 de la etapa 1 y utiliza el recurso 1 rplica 1. La mquina 2 en la etapa 1 no est procesando ningn trabajo an. A pesar de que est desocupada, no puede comenzar el proceso del trabajo 2 ya que requiere utilizar el recurso 1. Debido que solo existe la rplica 1 del recurso 1 y esta se encuentra utilizada por el trabajo 1 en la mquina 1, el proceso del trabajo 2 debe ser retrasado hasta que el recurso 1 se encuentre disponible. En la Figura 4.1(b), el trabajo 1 est siendo procesado en la mquina 2 de la etapa 2 y utilizada la rplica 2 del recurso 1 en su proceso. Las mquinas 1 en la etapa 1 al igual que la mquina 1 en la etapa 2 permanecen desocupadas. Tambin, se observa que el recurso 1 rplica 1 se encuentra desocupado en la etapa 2. En la Figura 4.1(c), el trabajo 1 abandona las mquinas de la etapa 2 y en su lugar, la mquina 1 procesa el trabajo 2 el cual utiliza el recurso 1 rplica 1. El trabajo 3 comienza su proceso en la mquina 1 de la etapa 1, utilizando el recurso 1 rplica 1. En la Figura 4.4 se muestra, a travs de una carta Gantt, una solucin factible de la misma instancia presentada en la Figura 4.3. Se incluyen los parmetros que intervienen en la formulacin del problema flow shop flexible con recursos (FSFR), los que se utilizan en el modelo matemtico. Notar que el proceso del trabajo 2, en la etapa 1, es retrasado an cuando la mquina 1 se encuentra disponible para realizar su proceso. El retraso en el proceso del trabajo 2 no se debe a que no exista una maquina disponible para realizar su proceso en la etapa 2 una vez concluido su proceso en la etapa 1. El trabajo 2 es retrasado debido a que requiere del recurso 1 en la etapa 1 para poder ser procesado, mientras el recurso 1 se encuentra utilizado por el trabajo 1 en ese momento. La figura permite adems, observar que el tiempo de ocupacin de un recurso es la suma del tiempo de setup ms el tiempo de proceso del trabajo que lo utiliza.
41
Figura 4.4: Carta Gantt Flow Shop Flexible Con Recursos
A continuacin se presenta otra instancia compuesta por dos etapas; tres mquinas en la primera y dos en la segunda etapa; un recurso con dos rplicas en la primera etapa y otro recurso tambin con dos rplicas en la segunda etapa; y siete trabajos. Figura 4.5: Resolucin del Problema Sin Considerar los Recursos
En la Figura 4.5 se muestra la carta Gantt con la mejor solucin encontrada sin considerar la participacin de los recursos. En esta solucin, se puede apreciar que no se presenta ningn conflicto entre los trabajos que se procesan en las mquinas en la primera etapa con los que se
42
procesan en la segunda etapa. La solucin del problema sin considerar los recursos es de 95 unidades de tiempo. Figura 4.6: Conflictos en la Resolucin del Problema Sin Considerar los Recursos
Ahora bien, si se utiliza la solucin encontrada en la Figura 4.5 para resolver el problema que incorpora recursos, se procedera a realizar una simple asignacin de los recursos a los trabajos correspondientes. Desafortunadamente, este enfoque produce soluciones infactibles ya que aparecen conflictos en esta solucin. La Figura 4.6 muestra los conflictos encontrados. Por ejemplo, la rplica 1 del recurso 1 en la primera etapa est siendo asignada al mismo tiempo a los trabajos 5 y 6 Lo anterior, permite comprender que el problema FSFR no es separable, esto quiere decir, que no es posible realizar el secuenciamiento de los trabajos en las mquinas y luego asignar los recursos. Debido a esto, es necesario considerar que cada una de las rplicas de un recurso opera como una mquina que trabaja en forma paralela, esto quiere decir que un trabajo requiere ser
43
procesado por ms de una mquina en forma simultnea (mquina ms recurso). Por este motivo, se deben incluir los recursos al momento de realizar el secuenciamiento de los trabajos, siendo los trabajos asignados a los recursos y no los recursos a los trabajos. Figura 4.7: Resolucin Considerando los Recursos como Mquinas Paralelas
En la Figura 4.7, se presenta la solucin de problema considerando los recursos como mquinas que trabajan en forma paralela, es decir, se incluyen los recursos en el secuenciamiento de los trabajos. En la figura se puede observar que los conflictos sealados en la Figura 4.5 desaparecen. Tambin se observa que el inicio de los trabajos 5, 6 y 7 son retrasados para eliminar los conflictos. 1.2.1 Conjuntos Formulacin Matemtica del Problema FSFR
44
Parmetros
45
Variables {
Modelo de Programacin Lineal Entera Con Recursos
46
47
} } La restriccin (11) es una restriccin de precedencia que indica que en cada etapa, cada trabajo slo puede tener un predecesor o puede ser programado primero en una mquina. La restriccin (12) es una restriccin de balance de flujo, que indica que en cada etapa, cada trabajo slo puede tener un sucesor y un predecesor en la mquina donde es programado. La restriccin (13) indica que en cada mquina de cada etapa, a lo sumo puede existir un nico trabajo que es programado primero. La restriccin (14) indica que en cada mquina de cada etapa, a lo sumo puede existir un nico trabajo que es programado ltimo. La restriccin (15) es una restriccin de precedencia que indica que en cada etapa, cada trabajo slo puede tener un predecesor o puede ser programado primero en la rplica de un recurso.
48
La restriccin (16) indica que en cada rplica de cada recurso en cada etapa, a lo sumo puede existir un nico trabajo que es programado primero. La restriccin (17) indica que en cada rplica de cada recurso en cada etapa, a lo sumo puede existir un nico trabajo que es programado ltimo. La restriccin (18) es una restriccin de balance de flujo, que indica que en cada etapa, cada trabajo solo puede tener un sucesor y un predecesor en la rplica de un recurso donde es programado. La restriccin (19) es una restriccin de no-wait, que indica cada trabajo debe ser inmediatamente procesado en la etapa 2 una vez de haber terminado su proceso en la etapa 1. La restriccin (20) establece el tiempo de inicio de todo el proceso. La restriccin (21) indica que si el trabajo es programado inmediatamente despus del trabajo en la misma mquina en la etapa , , el tiempo en que es completado ser mayor o
igual al tiempo de terminacin del trabajo en la etapa , ms su tiempo de proceso, ms el tiempo de setup. En cambio, si la desigualdad se satisface trivialmente.
La restriccin (22) indica que el tiempo que un trabajo deja de utilizar la rplica de un recurso, coincide con el mismo tiempo de completacin del trabajo. La restriccin (23) indica que si el trabajo es programado inmediatamente despus del trabajo en la rplica del recurso en la etapa , , el tiempo en que el trabajo deja de
utilizar la rplica
del recurso
en la etapa , es mayor o igual al tiempo en que el trabajo en la etapa , ms su tiempo de proceso, ms el la desigualdad se satisface trivialmente.
deja de utilizar la rplica
del recurso
tiempo de setup. En cambio, si
La restriccin (24) indica que el makespan debe ser mayor o igual al tiempo de terminacin de todos los trabajos en todas las etapas.
49
La restriccin (25) indica que el tiempo en que es completado cada trabajo debe ser mayor o igual a cero. La restriccin (26) indica que el tiempo en que las rplicas de cada recurso dejan de ser utilizadas, debe ser mayor o igual a cero. La restriccin (27) indica que la variable valor 0 o 1. La restriccin (28) indica que la variable valor 0 o 1. es una variable binaria que solo puede tomar el es una variable binaria que solo puede tomar el
50
CAPTULO V: DESARROLLO DE LA HEURSTICA En este captulo se propone una heurstica que resuelve el problema flor shop flexible con recursos, la que permite obtener soluciones factibles para instancias de gran tamao. La heurstica es de tipo constructiva, esto quiere decir que se obtiene una solucin factible, por medio de una serie de pasos finitos, sin posibilidad de mejorar la solucin encontrada. 5.1 DESCRIPCIN DE LA HEURSTICA CONSTRUCTIVA A continuacin se describe heurstica constructiva programada, detallando cada uno de los pasos que la conforman: Paso 1: Para cada trabajo, calcular un tiempo promedio de proceso en las mquinas de la etapa 1, en base a la siguiente frmula:
Paso 2: Ordenar los trabajos de menor a mayor, de acuerdo al valor obtenido para cada trabajo en el Paso 1. Paso 3: Asignar los trabajos a las mquinas de la etapa 1, de acuerdo al orden obtenido en el Paso 2, con el objetivo de equilibrar la carga de trabajo entre las mquinas. Paso 4: Reordenar los trabajos en cada mquina, con el objetivo de minimizar el tiempo de setup entre los trabajos. Paso 5: Seleccionar el trabajo que se programar, privilegiando aquel trabajo que se encuentre disponible en la mquina con el menor tiempo de proceso. Paso 6: Verificar si existen los recursos disponibles para realizar el trabajo seleccionado en el paso 5. Si existen los recursos disponibles se debe avanzar al Paso 7, si No, avanzar al Paso 8.
51
Paso 7: Verificar si existe una mquina disponible en la etapa 2 que pueda procesar el trabajo inmediatamente una vez concluido el proceso en la etapa 1. Si existe una mquina disponible se debe avanzar al Paso 9, si No, avanzar al Paso 10. Paso 8: Retrasar el comienzo del proceso del trabajo en la etapa 1, hasta que existan los recursos necesarios en la etapa que permitan realizar el trabajo. Ir al Paso 7. Paso 9: Verificar si existen los recursos necesarios en la etapa 2 para realizar el trabajo. Si existen los recursos necesarios en la etapa 2 se debe avanzar al Paso 11, si No, se debe avanzar al Paso 12. Paso 10: Retrasar el comienzo del proceso del trabajo en la etapa 1, hasta que existe una mquina disponible en la etapa 2 justo en el instante de tiempo que termine el proceso del trabajo en la etapa 1. Luego ir al Paso 9. Paso 11: Se debe realizar la asignacin del trabajo a: las rplicas de los recursos que requiere en la etapa 1, la mquina en la etapa 2; las rplicas de los recursos en la etapa 2. Finalmente, avanzar al Paso 13. Paso 12: Retrasar el proceso del trabajo en la etapa 1, hasta que existan los recursos necesarios en la etapa 2 justo en el instante de tiempo que termine el proceso del trabajo en la etapa 1. Luego ir al Paso 11. Paso 13: Preguntar si existen trabajos por procesar. Si es as, avanzar al Paso 5, si No es as, avanzar al Paso 14. Paso 14: Calcular el tiempo en que es procesado el ltimo trabajo (calcular el el programa. En la Figura 5.1, se puede observar el diagrama de flujo de la heurstica constructiva descrita. ) y finalizar
52
Figura 5.1: Algoritmo Constructivo

Inicio Paso 1 Paso 2 Paso 3 Paso 4 Paso 5
NO SI
Paso 6
Paso 8
NO SI
Paso 7
Paso 10
NO SI
Paso 9
Paso 12 Paso 11
SI NO
Paso 13
Paso 14 Fin
A continuacin, se presenta un pequeo ejemplo para comprender de mejor manera como opera la heurstica constructiva descrita anteriormente. Caractersticas de la Instancia a Resolver: N de etapas 2=2 N de mquinas en la etapa 1=2 N de mquinas en la etapa 2=2 N trabajos= 5 N de recursos en la etapa 1=1; rplicas del recurso=1 (Recurso 1.1)
53
N de recursos en la etapa 2=1; rplicas del recurso=2 (Recurso 1.1 y Recurso 1.2) El ejemplo se resuelve para el peor de los casos. Lo anterior quiere decir que los trabajos pueden ser procesados en cualquiera de las mquinas.
Los datos de la instancia de presentan en las Tablas 5.1, 5.2, 5.3, 5.4 y 5.5. Tabla 5.1: Tiempos de Proceso en la Etapa 1
Trabajo 1 2 3 4 5 Mquinas 1 5 15 15 5 25 2 15 15 25 25 25
Tabla 5.2: Tiempos de Proceso en la Etapa 2

Trabajo 1 2 3 4 5 Mquinas 1 5 15 15 5 25 2 15 35 25 25 25
Tabla 5.3: Tiempos de Setup para el Primer Trabajo a Procesar

Trabajo 1 2 3 4 5 Etapa 1 Mquina 1 Mquina 2 5 5 5 5 5 5 5 5 5 5 Etapa 2 Mquina 1 Mquina 2 5 5 5 5 5 5 5 5 5 5
54
Tabla 5.4: Tiempos de Setup en la Etapa 1

Trabajo 1 2 3 4 5 1 10 10 10 5 Mquina 1 2 3 4 10 10 10 - 10 5 10 - 10 5 5 10 5 10 5 5 10 5 10 1 10 10 10 10 Mquina 2 2 3 4 10 5 5 - 10 10 10 - 10 5 10 10 5 10 5 10 10 10 10 -
Tabla 5.5: Tiempos de Setup en la Etapa 2

Trabajo 1 2 3 4 5 1 10 10 10 10 Mquina 1 2 3 4 10 10 5 - 10 10 5 - 10 10 10 10 5 10 5 10 10 10 5 1 10 10 10 10 Mquina 2 2 3 4 10 5 10 5 10 10 - 10 5 10 5 10 10 5 5 10 5 10 -
Ejecucin de la heurstica aplicada a la instancia: Paso 1: Clculo de los tiempos promedio de acuerdo a la ecuacin (27). Los resultados se observan en la Tabla 5.6. Paso 2: Trabajos ordenados de acuerdo al tiempo obtenido para cada trabajo en el Paso 1: 1-43-2-5. Tabla 5.6: Tiempos Promedio
Trabajo 1 2 3 4 5 Tiempo Promedio 10 25 20 15 25
Paso 3: Se asignan los trabajos a las mquinas en la etapa 1 en el siguiente orden 1-4-3-2-5.
55
La asignacin se realiza de manera de equilibrar la carga de trabajo entre las diferentes mquinas. Para lograr el equilibrio, se pregunta si la mquina 1 puede realizar el trabajo 1 (el trabajo 1 es el primer trabajo en ser asignado, de acuerdo el Paso 2), si la respuesta es S, se pregunta si la mquina puede procesar en primer lugar este trabajo, (es decir, si la primera posicin de la mquina se encuentra disponible), si la respuesta es S, entonces el trabajo 1 es el primer trabajo que procesa la mquina 1, esto es, se asigna el trabajo 1 a la primera posicin de la mquina 1. Luego, se pregunta si la mquina 1 puede procesar el segundo trabajo de la lista, esto es, el trabajo 4, si la respuesta es S, se pregunta si la primera posicin de la mquina 1 se encuentra disponible. Como en este caso la respuesta es No (debido a que la primera posicin se encuentra ocupada por el trabajo 1), se pregunta si la mquina siguiente puede procesar este trabajo. En este caso, la mquina 2 puede realizar el trabajo 4 y la primera posicin de esta mquina se encuentra disponible, as que se asigna el trabajo 4 en la primera posicin de la mquina 2. De esta forma, se deben seguir asignando los diferentes trabajos. Una vez finalizada esta operacin se avanza al Paso 4. En la Tabla 5.7, se observa la asignacin y el orden de los trabajos a las mquinas en la etapa 1. Tabla 5.7: Asignacin y orden de los Trabajos en la Mquinas en la etapa 1 Orden Proceso de Trabajos Mquinas Posicin 1 Posicin 2 Posicin 3 1 3 5 Mquina 1 4 2 Mquina 2
Paso 4: Para cada mquina se ordenan los trabajos de acuerdo al menor tiempo de setup. Para la primera posicin el orden se realiza con los tiempos de setup del primer trabajo a procesar, dado en la tabla 5.3. En este caso, se mantiene el trabajo 1 en la mquina 1 y el trabajo 4 en la mquina 2 puesto que todos tienen el mismo tiempo de setup. Luego, para la segunda posicin se busca cual es el trabajo que tiene menor tiempo de setup con respecto al trabajo reasignado a la primera posicin. De acuerdo a la Tabla 5.4, el trabajo 5 se reasigna a la segunda posicin de la mquina 1, pues tiene tiempo de setup 5. Mientras que
56
el trabajo el trabajo 2 se reasigna a la segunda posicin de la mquina 2, en este caso mantiene su posicin porque no hay ms trabajos asignados a esta mquina. Esta operacin, se realiza con todos los trabajos asignados a cada una de las mquinas en la etapa 1. En la Tabla 5.8 se muestra el resultado del reordenamiento de los trabajos en las mquinas. Una vez finalizada la operacin se avanza al Paso 5. Tabla 5.8: Reordenamiento de los Trabajos en la Mquinas Orden Proceso de Trabajos Mquinas Posicin 1 Posicin 2 Posicin 3 1 Mquina 1 5 3 4 2 Mquina 2
A continuacin el algoritmo entra en un proceso iterativo que se ejecuta para encontrar el tiempo inicio de cada trabajo. Comienza en el Paso 5 y finaliza en el Paso 13. Paso 5: Entre las mquinas con menor tiempo de proceso, y que an tengan trabajos por procesar, se selecciona el trabajo que sigue en la lista de trabajos de tal mquina. En esta primera vez que ejecutamos el Paso 5, ninguna mquina ha sido utilizada. Todas las mquinas tienen tiempo de proceso igual a cero. Luego, se selecciona el trabajo 1 en la mquina 1. Paso 6: Se verifica que existan los recursos disponibles en la etapa 1 para procesar el ltimo trabajo seleccionado en el Paso 5. Como, hasta ahora, ningn recurso ha sido utilizado, todos los recursos estn disponibles, en particular el Recurso 1.1 (Recurso 1, Rplica 1) se encuentra disponible para ser utilizado por el trabajo 1 en la mquina 1 en la etapa 1. En este caso, la respuesta es Si, por tanto se contina en el Paso 7. Paso 7: Se verifica que exista una mquina disponible en la etapa 2 para el trabajo 1. En este instante, como ninguna mquina ha sido utilizada, la mquina 1 en la etapa 2 se encuentra disponible y se reserva para procesar este trabajo. Dado que la respuesta es Si, se avanza al Paso 9.
57
Paso 9: Se verifica que existan los recursos disponibles en la etapa 2 para procesar el trabajo 1. Debido a que ningn recurso ha sido utilizado hasta el momento, el Recurso 1.1 se encuentra disponible en la etapa 2. Nuevamente, la respuesta es Si, luego se avanza al Paso 11. Paso 11: Se realiza la asignacin del trabajo a los recursos y a las mquinas, determinando tambin, el tiempo en que las mquinas y los recursos estarn ocupados procesando este trabajo. Luego, se avanza al Paso 13. En la Figura 5.2, se muestra la asignacin realizada al trabajo 1. Figura 5.2: Asignacin del Trabajo 1 a las mquinas de las dos etapas
Paso 6: En este punto No existen los recursos disponibles para el trabajo 4 en la mquina 2 en la Etapa 1, debido a que el mismo recurso se encuentra ocupado por el trabajo 1 en la mquina 1. Ver Figura 5.2. Luego, avanzar al Paso 8. Paso 8: Es necesario retrasar el comienzo del trabajo 4 hasta que el Recurso 1.1 se encuentre disponible en la Etapa 1. El Recurso 1.1, se encontrar cuando finalice de procesarse el trabajo 1 en la mquina 1, esto es, estar disponible en el instante de tiempo 15. Seguir con el Paso 7. Paso 7: En este punto Si existe una mquina disponible en la etapa 2, al terminar de procesar el trabajo 4 en la etapa 1. En este caso, las dos mquinas en la Etapa 2 estn disponibles para
58
procesar el trabajo 4. El criterio que se ocupa es seleccionar la primera mquina que est disponible en la Etapa 2. Ir al Paso 9. Paso 9: Aqu, las dos rplicas del recurso 1 estn disponibles para ser utilizadas por el trabajo 4 en la Etapa 2. Siempre se selecciona la primera rplica disponible del recurso. En este caso, el Recurso 1.1 se elige para procesar el trabajo 4 en la mquina 1 de la Etapa 2. Ir al Paso 11. Paso 11: En la Figura 5.3, se observa la asignacin del trabajo 4 en las mquinas y los recursos de ambas Etapas. Figura 5.3: Asignacin del Trabajo 4
Notar que el trabajo 4 tambin se puede procesar en la mquina 2 de la Etapa 2. De igual modo, el trabajo 4 puede utilizar la rplica 2 del recurso 1 en la misma Etapa. El criterio utilizado es asignar siempre la primera mquina y primera rplica del recurso que se encuentre disponible. Paso 13: Se pregunta si an existen trabajos por procesar en la etapa 1, debido a que la respuesta es Si, ir al Paso 5. Continuando con todos los pasos sealados en la heurstica, se llega a la solucin presentada en la Figura 5.4.
59
Figura 5.4: Solucin del Ejemplo
En esta solucin el Cmax es 125, mientras que el valor ptimo del Cmax corresponde a 100 como se observa en la Figura 5.5. Figura 5.5: Solucin ptima del Ejemplo
60
CAPTULO VI: PRUEBAS COMPUTACIONALES En este captulo se muestran los resultados computacionales obtenidos con el modelo matemtico y con la heurstica constructiva. Todas las instancias fueron programadas para ser resultas en el peor de los casos, esto quiere decir que todos los trabajos pueden ser procesados por cualquiera de las mquinas en una etapa y todos estos trabajos requieren utilizar todos los recursos presentes en una etapa. 6.1 PRUEBAS AL MODELO MATEMTICO Se resolvieron 400 instancias con el modelo de programacin lineal entera mixta para el problema FSFR. Los datos de todas las instancias fueron propuestos en forma aleatoria. Los datos, tales como, tiempos de proceso, tiempos de setup, nmero de mquinas, nmero de trabajo se encuentran en el Anexo Valores de los Parmetros. Todas las instancias fueron resueltas utilizando el solver CPLEX 12.0.0 en un computador de 4 GB de memoria RAM y procesador Intel(R) Core(TM)2 Duo CPU 2.94 GHz. Se utiliz el lenguaje AMPL para programar las instancias. En cada una de las pruebas computacionales realizadas con el modelo, se utiliz un tiempo mximo de proceso de 3600 segundos. De cada prueba realizada se obtiene: el tiempo de solucin solve, el nmero de nodos branch and bound, el nmero de iteraciones, el nmero de restricciones y el nmero de variables de decisin. Adems, para cada instancia se muestra el valor de la solucin encontrada, identificando si esta es: la solucin ptima (indicando cuando la solucin es encontrada con un mipgap igual a 0 y absmipgap por defecto) y la mejor solucin encontrada dentro de los 3600 segundos establecidos para una corrida. En la Tabla 6.1, se presentan parte de los resultados obtenidos utilizando el modelo de programacin lineal, identificando cada una de las instancias resueltas. Por ejemplo, la
Instancias 11 est compuesta por: cinco trabajos, dos mquinas en la etapa 1, una mquina en la etapa 2, dos recursos en cada etapa y dos replicas para cada uno de los recursos en cada una de
61
las etapas. La instancia 11 tiene como resultados un tiempo de solucin Solve de 14.59 segundos, 37,649 nodos Branch an Bound, 425,020 nmero de iteraciones, 390 variables de solucin, 437 restricciones y una solucin ptima de 85 unidades de tiempo. Tabla 6.1: Resultados Pruebas Computacionales.
Instancia N Trabajos 3 4 5 6 7 8 9 10 3 4 5 6 N Recursos x Etapa 2 2 2 2 2 2 2 2 2 2 2 2 Rplicas x Recurso 2 2 2 2 2 2 2 2 2 2 2 2 N Mquinas Etapa 1 1 1 1 1 1 1 1 1 2 2 2 2 Etapa 2 1 1 1 1 1 1 1 1 1 1 1 1 Solucin ptima 64 77 92 116* 52 65 85 108 3600 s. Tiempo Solucin Solve (s) 0.16 0.67 22.21 316.04 3600.00 3600.00 3600.00 3600.00 0.08 0.62 14.59 118.31 branchandbound nodes 214 787 74,747 547,749 1,257,550 1,034,973 1,279,607 1,542,536 104 761 37,649 214,511 MIP simplex iterations 1,058 6,801 651,016 7,200,240 43,280,657 40,804,488 40,366,846 45,302,179 760 7,080 425,020 2,689,826 N Variables 160 250 360 490 640 810 1,000 1,210 172 270 390 532 N Restricciones 191 288 405 542 699 876 1,073 1,290 205 310 437 586
1 2 3 4 5 6 7 8 9 10 11 12
Un (*) en la columna 7 indica que la solucin entregada por el CPLEX se obtuvo con un mipgap igual 0 y un absmipgap por defecto, ILOG (2008). Como se mencion anteriormente, cada una de las rplicas de un recurso se considera como una mquina que trabaja en forma paralela. En base a esto, se puede decir que las mayores instancias resueltas estn compuestas por un mximo de siete trabajos, con un total de 23 mquinas entre las dos etapas y un mximo de 25 mquinas entre ambas etapas con un total de seis trabajos. En la Tabla 6.2, se presenta un resumen con los principales resultados de las pruebas computacionales. Por ejemplo, se hace notar que de las 400 instancias resueltas, 225 obtuvieron solucin ptima, es decir, un 56 por ciento de las instancias. En 31 de las instancias se obtuvo la mejor solucin entera encontrada dentro del rango de tiempo cpu permitido. En 79 de las instancias el solver detuvo la ejecucin por falta de memoria en el computador sin entregar
62
ninguna solucin factible. En las restantes 65 instancias el solver no encontr ninguna solucin entera dentro del rango de tiempo cpu permitido. Tabla 6.2: Resumen de las Pruebas Computacionales
Resultados Instancias Solucin ptima 225 3600 (s) 31 8% Fuera Memoria 79 20% Sin Resultado 65 16% Total 400 100%
56 % Porcentaje Fuente: Elaboracin Propia
A continuacin se realiza la comparacin de tiempos de resolucin entre diversas instancias con el propsito de analizar el comportamiento del modelo cuando vara el nmero de mquinas entre las dos etapas. En este estudio, se consideran solamente las instancias que obtuvieron solucin en menos del tiempo lmite permitido, esto es, menos de 3600 segundos. Tabla 6.3: Comparacin en Basndose en las Mquinas
Comparacin 1 2 3 4 5 6 7 8 9 10 11 Instancia M1>M2 9 10 11 12 33 34 35 36 37 41 42 M1<M2 25 26 27 28 57 58 59 60 61 65 66 67 Tiempo M1>M2 0.08 0.62 14.59 118.31 0.09 1.23 3.48 62.09 1376.11 0.12 1.48 8.35 M1<M2 0.09 0.64 10.94 168.03 0.09 0.90 4.40 7.86 150.57 0.14 1.09 6.43
43 12 Fuente: Elaboracin Propia
En la Tabla 6.3, se presentan las 12 primeras comparaciones que se obtienen variando el nmero de mquinas entre las etapas. En la primera columna se observa el nmero de la comparacin. En las columnas 2 y 3 se muestra el nmero de las instancias comparadas. En la columna 2 se encuentran todas aquellas instancias en las cuales el nmero de mquinas en la etapa 1 es mayor al nmero de mquinas en la etapa 2, mientras que en la columna 3, se muestran aquellas instancias donde el nmero de mquinas en la etapa 2 es mayor al de la etapa
63
1. Finalmente en las columnas 4 y 5 se presentan los resultados de las instancias de las columnas 2 y 3 respectivamente. Por ejemplo, en la comparacin 1, se compar la instancia N9 y la instancia N25, donde ambas tienen un total de 3 trabajos, 8 recursos (incluidas sus rplicas) y 3 mquinas. En la instancia N9 el nmero de mquinas en la etapa 1 es igual a 2 mientras que en la etapa 2 el nmero de mquinas es igual a 1. Por otra parte, en la instancia N25 el nmero de mquinas en la etapa 1 es 1, mientras que el nmero de mquinas en la etapa 2 es 2. De acuerdo a la Tabla 6.3, la instancia N25 obtuvo un tiempo de resolucin de 0.09 segundos y la instancia N9 un tiempo de 0.08 segundos. En la comparacin 1 de la Figura 6.1, con color azul se representa el tiempo, medido en porcentaje, para la instancia N9 y con color rojo, el porcentaje de la instancia N25. En general, el color azul se utiliza para representar aquella instancia que posee ms mquinas en la etapa 1 que en la etapa 2, y, obviamente, el color rojo representa a la otra instancia. Figura 6.1: Comparacin Tiempos de Ejecucin N1 Mquinas Etapa1 V/S Mquinas Etapa2
100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 NMquinas Etapa1 <NMquinas Etapa2 NMquinas Etapa1>NMquinas Etapa2 Fuente: Elaboracin Propia
En el eje horizontal de las grficas, Figuras 6.1 y 6.2, se encuentran las diferentes comparaciones que se realizaron considerando dos instancias con igual nmero de mquinas
64
entre ambas etapas. Mientras que en el eje vertical, se encuentra el tiempo de solucin en porcentaje para cada una de las instancias. Por ejemplo, en la comparacin 1, el 100% corresponde a la suma de los tiempos de resolucin de las instancias N9 y N25, es decir 0.17 segundos. Debido a que la instancia N9 tiene un tiempo de resolucin de 0.08, a esta le corresponde un 47% del total, mientras que a la instancia N25 un 53%. De esta forma, si observa cualquier columna de las Figuras 6.1 y 6.2, y se compara el tamao de las fracciones de color rojo y azul que conforman esta columna, aquella fraccin menor corresponder a la instancia con un tiempo de resolucin menor. Figura 6.2: Comparacin Tiempos de Ejecucin N2 Mquinas Etapa1 V/S Mquinas Etapa2
100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 44 46 48 50 52 54 56 58 60 62 64 66 68 70 72 74 76 78 80 82 84 86 NMquinas Etapa1>NMquinas Etapa2 Fuente: Elaboracin Propia NMquinas Etapa1<NMquinas Etapa2
Observando los resultados mostrados en las Figuras 6.1 y 6.2 se puede concluir que no existe ninguna relacin entre el nmero de mquinas de la primera etapa con relacin al nmero de mquinas en la segunda etapa. Este resultado difiere de las conclusiones presentadas en Kis et al (2005). En la Figura 6.3, a diferencia de las dos anteriores, se incluyen en las comparaciones aquellas instancias en las cuales el nmero de mquinas es el mismo en ambas etapas, las instancias con igual nmero de mquinas en ambas etapas, son representadas por el color verde. En la Tabla 3
65
del Anexo Pruebas Computacionales se presentan todas las comparaciones realizadas cuando el nmero de mquinas en ambas etapas es el mismo. De igual modo, los resultados no son concluyentes. No existe relacin entre el nmero de mquinas utilizadas en ambas etapas. Figura 6.3: Comparacin Tiempos de Ejecucin N3
Tiempo en % 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 Comparacin Fuente: Elaboracin Propia M1=M2 M1<M2 M1>M2
Figura 6.4: Trabajo v/s Tiempo

Tiempo
Trabajo V/S Tiempo

120,00 100,00 80,00 60,00 40,00 20,00 0,00 0 1 2 3 4 5 M1=2; M2=3 ;R1=8; R2=8 6 N Trabajos 7
M1=3; M2=2; R1=8; R2=8
66
Observando los resultados mostrados en la Tabla 2 del Anexo Pruebas Computacionales se puede apreciar que a medida que aumenta el nmero de trabajos se incrementa el tiempo de resolucin. Esta tendencia es una caracterstica de todos los problemas de scheduling. En la Figura 6.4, se presenta la grfica que permite observar como varia el tiempo de solucin a medida que se aumenta el nmero de trabajos. Las instancias consideradas son las nmero 41, 42, 43, 44, 65, 66, 67 y 68, las cuales utilizan un total de 21 mquinas, que comprenden 5 mquinas, 4 recursos con 4 rplicas de cada una de ellas. Las mquinas son distribuidas en ambas etapas, donde cada rplica de un recurso es considerada como una mquina en paralelo adicional. 6.2 PRUEBAS COMPUTACIONALES HEURSTICA Se realizaron Pruebas Computacionales con la Heurstica Constructiva. Las pruebas fueron realizadas utilizando las mismas instancias resueltas con el modelo de programacin lineal entera mixta. Tabla 6.4: Resultados Heurstica
Instancia 1 2 3 4 5 6 7 8 Heurstica Solucin 64 82 101 124 137 151 166 185 Tiempo 0.031 0.046 0.062 0.078 0.093 0.124 0.14 0.156 0.046
Con la heurstica aplicada a las instancias se obtuvo la solucin y el tiempo que le tom al programa encontrar esta solucin. En la Tabla 6.4 se muestran los resultados obtenidos con la heurstica aplicada a las 9 primeras instancias. En esta tabla se muestra el valor de la funcin objetivo y el tiempo de resolucin. En la Tabla 4 del Anexo Pruebas Computacionales se muestran los resultados para las restantes instancias.
67
6.3 COMPARACIN MODELO MATEMTICO Y HEURSTICA Con los resultados obtenidos de las pruebas computacionales realizadas al modelo de programacin lineal entera mixta y a la heurstica constructiva, se realizaron comparaciones entre ambas soluciones y entre los tiempos de ejecucin de los mismos. En la Tabla 6.5, se muestran los resultados obtenidos con ambos mtodos para las primeras 10 instancias. En la columna 1 se indica el nmero de la instancia, en las columnas 2 y 3 se presenta el valor de la funcin objetivo (Cmax) obtenido con el modelo matemtico y con la heurstica, respectivamente. Finalmente, en las dos ltimas columnas se muestra el tiempo de resolucin utilizado para encontrar la solucin por ambos mtodos. El total de las comparaciones realizadas se pueden observar en la Tabla 5 del Anexo Pruebas Computacionales. Tabla 6.5: Resultados PLEM versus Heurstica
Solucin Instancia 1 2 3 4 5 6 7 8 9 PLEM 64 77 92 116 52 Heurstica 64 82 101 124 137 151 166 185 59 73 Tiempo(Segundos) PLEM 0.156 0.671 22.214 316.040 3600.000 3600.000 3600.000 3600.000 0.078 0.624 Heurstica 0.031 0.046 0.062 0.078 0.093 0.124 0.14 0.156 0.046 0.062
Las instancias presentadas en la Tabla 6.5 fueron ordenadas de acuerdo a la solucin obtenida por el modelo de PLEM de menor a mayor. En esta tabla solo se consideraron aquellas instancias que obtuvieron solucin por medio del modelo de programacin lineal. Se incluyen aquellas instancias que no fueron necesariamente las ptimas, como es el caso de las soluciones obtenidas con el lmite mximo de ejecucin de 3600 segundos. El nuevo orden obtenido se puede observar en la Tabla 6.6, donde en la columna 1 se muestra el orden asignndole el nombre comparacin, en la columna 2 se presenta la instancia
68
comparada, en las columnas 3 y 4 se presenta el valor de la funcin objetivo obtenido por el modelo matemtico y la heurstica. Por ltimo, en las columnas 5 y 6 se muestra el tiempo de resolucin para el modelo matemtico y la heurstica respectivamente. El total de las comparaciones se presentan en la Tabla 6 del Anexo Pruebas Computacionales. Tabla 6.6: Comparacin Resultados PLEM versus Heurstica
Comparacin 1 2 3 4 5 6 7 8 Instancia 49 89 97 121 145 153 161 185 Solucin PLEM 25 25 25 25 25 25 25 25 25 Heurstica 25 25 25 25 25 25 25 25 25 Tiempo(Segundos) PLEM 0.093 0.234 0.171 0.187 0.172 0.249 0.265 0.218 0.265 Heurstica 0.046 0.062 0.062 0.062 0.062 0.078 0.078 0.062 0.062
Figura 6.5: Modelo Matemtico v/s Heurstica

200 Solucin 180 160 140 120 100 80 60 40 20 Comparacin 0 0 50 100 150 200 250 300 Fuente: Elaboracin Propia PLEM
69
Los resultados de la Tabla 6.6 son graficados en la Figura 6.5, donde en el eje horizontal se presentan las diferentes comparaciones realizadas, mientras que en el vertical se presentan los valores de la solucin obtenidos por el modelo matemtico y la heurstica. Tabla 6.7: Resumen Comparacin Resultados PLEM versus Heurstica
Resultados Con Solucin Fuera de Memoria Sin Solucin Total Fuente: Elaboracin Propia Mejor PLEM 241 241 Heurstica 2 79 65 146 PLEM=Heurstica 13 13 Total 256 79 65 400
Figura 6.6: Tiempo de Solucin Modelo Matemtico v/s Heurstica

Tiempo 3000 2500 2000 Heurstica 1500 1000 500 0 0 1 2 3 4 5 6 7 Trabajo Fuente: Elaboracin Propia 8 PLEM
Tiempo v/s Trabajo
En la Tabla 6.7 se presenta un resumen de los resultados obtenidos de las comparaciones entre el modelo matemtico y la heurstica. De las 256 instancias que obtuvieron soluciones, en 241 instancias el modelo matemtico encontr una mejor esta solucin que la heurstica, en 13 de las instancias tanto el modelo matemtico como la heurstica encontraron la misma solucin y en 2 de las ocasiones la heurstica encontr una mejor solucin que el modelo matemtico. Esto ltimo se debe a que el modelo matemtico entrego la mejor solucin encontrada en el lmite de tiempo permitido de 3600 segundos. En las restantes 144 instancias solo la heurstica obtuvo
70
solucin, debido a que en 79 instancias para modelo matemtico la memoria del computador fue insuficiente y en otras 65 instancias no encontr solucin en los 3600 segundos permitidos. En cuanto a los tiempos de resolucin, la heurstica fue mejor en 397 instancias, demorndose en cada una de las 400 instancias menos de un segundo. En los resultados mostrados en la Tabla 5 del Anexo Pruebas Computacionales se puede apreciar que a medida que aumenta el nmero de trabajos se incrementa el tiempo de resolucin para el modelo matemtico, mientras que para la heurstica este tiempo nunca supero un segundo de resolucin. En la Figura 6.6, se presenta la grfica que permite observar como varia el tiempo de resolucin a medida que se aumenta el nmero de trabajos para el modelo matemtico y la heurstica. Las instancias consideradas son las nmero 49, 50, 51, 52 y 53.
71
CAPITULO VII: APLICACIN Uno de los principales problemas que tienen todos los hospitales es el ineficiente uso de sus recursos, atribuidos fundamentalmente a la mala gestin en la toma de decisiones o la falta de herramientas de apoyo a la toma de decisiones. En esta tesis se proponen dos herramientas para ayudar a tomar mejores decisiones en cuanto a la manera de secuenciar el orden en que se deben llevar a cabo las intervenciones quirrgicas (IQ) en las salas de operaciones o quirfanos de un hospital. Con el fin de evaluar el desempeo del modelo matemtico y de la heurstica, se utilizaron datos reales proporcionados por la oficina de agendamiento del Hospital Clnico de la Universidad de Chile, HCUCH, que est encargada de planificar el secuenciamiento de las IQ solicitadas por las diferentes especialidades clnicas de este hospital. Es importante mencionar que todos los hospitales tienen sus propias polticas o reglamentos internos que rigen su gestin. En particular, el HCUCH asigna una determinada cantidad de horas y pabellones a las diferentes especialidades clnicas para la utilizacin de los quirfanos. Las especialidades clnicas son cardiologa, urologa, otorrinolaringologa, neurologa, traumatologa, entre otras, y usualmente se le asignan quirfanos y determinados bloques de horarios. Actualmente, la persona encargada de realizar la funcin de secuenciar las IQ lo hace en base a su experiencia, sin ayuda de ningn tipo de herramienta de apoyo a la toma de decisiones. Esta persona slo utiliza una hoja de clculo Excel como instrumento para secuenciar las IQ. A esta oficina llegan cada da, desde las distintas especialidades clnicas, propuestas de tablas programadas por dicha especialidad. Estas tablas son completadas slo considerando la disponibilidad de sus mdicos y del tiempo de quirfano que el hospital ha dispuesto para la especialidad clnica. El programador de la oficina de agendamiento, toma todas las tablas enviadas por las diferentes especialidades y realiza la programacin definitiva. Para este propsito debe considerar: el nmero de quirfanos disponibles; la disponibilidad de camas de reposo post-operaciones; la disponibilidad de recursos; la no duplicidad de un equipo mdico en 2 o ms quirfanos distintos en un mismo instante de tiempo; la no duplicidad de un recurso en 2 o ms quirfanos distintos en un mismo instante de tiempo. El resultado de esta programacin definitiva es el
72
orden de secuenciamiento de todas las IQ que se deben realizar en los diferentes quirfanos en un da de operacin. A tal programacin se le conoce como Tabla Quirrgica o Tabla Operatoria. Los resultados obtenidos por el modelo matemtico y por la heurstica fueron comparados con la programacin de las IQ establecidas en la tabla quirrgica programada por la oficina de agendamiento del HCUCH con el fin de determinar si la solucin entregada tanto por el modelo matemtico y la heurstica constructiva, hubiesen tenido un mejor comportamiento de haber sido implementadas. Las pruebas fueron realizadas con datos histricos, utilizando los datos reales de tiempo de duracin de las IQ obtenidas de archivos proporcionados por el HCUCH y del personal experto del hospital que proporcion gran parte de la informacin. Fue necesario conocer los recursos que requieren cada una de las IQ y las cantidades de estos recursos con los que cuenta el HCUCH. Debido a que es imposible conocer la disponibilidad de horario de los diferentes cirujanos que operaron el da 4 de enero del ao 2011, se plante como supuesto que los mdicos que operaron esa fecha tenan una disponibilidad completa durante este da. Tabla 7.1: Tabla de Intervenciones Quirrgicas
Cdigo de Intervencin 1 2 3 4 5 6 7 8 9 Nombre de la Intervencin Adenoidect+PAT Bilat ADENOMECT PROSTATICA Amigdalect. + UPP+ ECC Artroscopa + Acromioplasta Artroscopa Bilat. Artroscopia Tobillo+ Bostrom Aseo Quirrgico ASEO QX + IDE ATC Recursos en Quirfano 6 7 1 1 1 10 5 5 Tiempo Promedio (Minutos) Quirfano 120 150 120 150 150 90 90 150 180 180 Post-Anestesia 60 60 90 90 60 60 60 60 120 120
10 ATR Fuente: Elaboracin Propia
73
En la Tabla 7.1 se encuentran las primeras 10 tipos de IQ. En la columna 1 est el cdigo de la intervencin, en la columna 2 el nombre de la intervencin, en la columna 3 estn los cdigos de los recursos que requiere la intervencin y en las dos ltimas columnas se encuentran los tiempos de duracin de la operacin en el quirfano y en la sala de recuperacin. Los cdigos de los recursos se muestran en la Tabla 2 del Anexo Aplicacin. En la Tabla 4 del Anexo Aplicacin se muestra el nmero de la intervencin que est constituida por el cdigo de la IQ y el cdigo del equipo mdico. Tabla 7.2: Tabla Operatoria Programada por la Oficina de Agendamiento
Posicin de la I.Q. 1 2 3 4 5 6 Quirfanos Sector 1 1 1 2 3 4 5 6 2 7 3 8 9 4 10 11 5 12 13 6 14 15 16 7 17 18 19 20 8 21 22 9 23 24 Quirfanos Sector 2 10 25 26 11 27 28 29 30 12 31 32 33 34 13 35 36 14 37 38 -
Fuente: HCUCH
Tabla 7.3: Tabla Operatoria Programada mediante la Heurstica

Posicin de la I.Q. 1 2 3 Quirfanos Sector 1 1 2 17 16 2 4 18 20 3 6 1 8 4 19 7 10 5 3 9 12 6 5 14 13 7 11 15 8 32 23 21 9 34 27 24 Quirfanos Sector 2 10 37 29 36 11 38 30 28 12 25 31 13 26 35 14 33 22
Como se mencion anteriormente, se reconstruy la tabla quirrgica programada por la oficina de agendamiento del HCUCH. En la Tabla 7.2 se puede observar la programacin realizada por esta oficina, mientras que en la Tabla 7.3, se observa la programacin de las IQ utilizando la heurstica. Debido al tamao del problema, el modelo matemtico no proporcion resultados en un tiempo razonable.
En estas dos tablas, las columnas representan los quirfanos, agrupados en dos sectores, y las filas indican la posicin u orden de la IQ. En cada celda (fila, quirfano) se escribe el nmero
74
de la intervencin que se llevar a cabo en esa posicin y en tal quirfano. Por ejemplo, la celda (2,6), seala que la intervencin 15 se realiza en el segundo lugar en el quirfano 6. Figura 7.1: Tabla Operatoria Programada por la Heurstica
Horario
08:00
Quirfanos Sector 1 3 4 5
13
14
2
10:00
19
11
32
34
25 37 26 38 29 31
33
17 18
12:00
6 7 15 3 1 23 27
22
14:00
20
16:00
5 10 9
21
24
35
16
18:00
30 8 12 14
20:00
22:00
36
00:00
28
02:00
13
04:00
75
Las programaciones presentadas en las Tablas 7.2 y 7.3 no pueden ser comparadas, debido a que la tabla quirrgica programada por el HCUCH presenta conflictos de utilizacin de recursos en forma simultnea. Por ejemplo, segn la programacin del HCUCH todas las IQ programas en primer lugar en la Tabla 7.2, deben comenzar a las 8:00 am, pero tanto la IQ 35 como la 37 que son las primeras intervenciones programadas en los quirfanos 13 y 14, respectivamente, requieren utilizar el mismo recurso nmero 5, del cual slo existe una rplica . En la Figura 7.1 se presenta la programacin de las IQ entregada por la heurstica. En la columna 1 se muestran los horarios, cada dos horas, en orden cronolgico de la programacin diaria. Mientras que en las restantes columnas se presenta la programacin de cada quirfano de manera similar a una Carta Gantt. Los nmeros dentro de cada rectngulo representan el nmero de la intervencin y el largo de mismo rectngulo representa el tiempo de duracin dicha IQ. Las celdas achuradas con lneas diagonales, al inicio de cada rectngulo, representan el tiempo de setup de la intervencin. Mientras que los rectngulos rellenados con puntos representan los espacios de tiempo desocupados en cada quirfano. La programacin que se muestra en la Figura 7.1 no presenta conflictos de horario, es decir, no existen problemas en la utilizacin de recursos, equipos mdicos, hora de inicio y hora de trmino, etc., en forma simultnea. Se hace notar que an cuando la programacin entregada es factible, es decir, no presenta conflictos, sta puede ser mejorada mediante un algoritmo evolutivo. De esta forma si se combina la heurstica programada con un algoritmo gentico se obtendra una muy poderosa herramienta, siendo la heurstica la encargada de dar una solucin factible inicial de buena calidad. Observar, adems, que la IQ 13 debe procesarse antes o despus de la IQ 12 puesto que requieren el mismo mdico (ver Tabla 4 en el Anexo Aplicacin). Por otro lado, la Tabla 7.3 condiciona los resultados de la heurstica propuesta, dado que las IQ solamente se tienen que procesar en el quirfano asignado y en el mismo orden establecido en Tabla 7.3. Luego, cualquier modificacin que se sugiera realizar a esta heurstica debe hacerse en la Tabla 7.3. Luego, se agrega un paso en la heurstica donde se propone cambiar la IQ que obtuvo el valor Cmax, por la primera IQ del quirfano donde se programo la IQ del Cmax. Esta accin se debe
76
realizar mientras el cambio entre IQ provoque una disminucin del valor Cmax, es decir, cuando con un cambio se obtiene un valor Cmax mayor al anterior, se detiene el programa y se entrega la programacin y ordenamiento anterior. En la Figura 7.2 se observa el cambio de la IQ 13 (IQ con valor Cmax) por la IQ 5 (primera IQ del quirfano). Figura 7.2: Tabla Operatoria Programada por la Heurstica con Mejora
Horario
08:00
13
14
2
10:00
19
11
32
34
25 37 26 38 29 31
33
17 18
12:00
6 7 3 1
13 15
23
27
22
14:00
20
16:00
16
10
21
24
35
18:00
30 8 12 14
20:00
22:00
36 5
00:00
28
02:00
77
De esta manera, con un simple paso en la heurstica se logra mejorar la solucin encontrada manteniendo toda la programacin sin conflictos de horario. Por lo tanto, si se combina la heurstica programada con algn algoritmo iterativo, se puede mejorar aun ms los resultados obtenidos. Finalmente, a la programacin encontrada por la Oficina de Agendamiento del HCUCH, dada en la Tabla 7.2, le fueron quitados todos los conflictos, manteniendo el mismo orden de las IQ en cada quirfano. Eliminando los conflictos se comparo los resultados con los obtenidos con la heurstica, donde el Cmax la heurstica fue mejor que el de la programacin HCUCH.
78
CAPTULO VIII: CONCLUSIONES Y COMENTARIOS En los trabajos revisados en la literatura acerca del problema Flow Shop Flexible (FSF), no se encontr evidencia de que este problema con recursos (FSFR) estudiado en esta investigacin haya sido abordado anteriormente. De la revisin llevada a cabo, se destaca que en la gran mayora de las investigaciones que tratan el problema FSF se aborda mediante algn mtodo heurstico, Ruiz and Vsquez (2009), Ribas et al (2010). Si bien es cierto, existe una gran cantidad de artculos que estudian el problema FSF, la incorporacin de los recursos en el problema, lo convierten en una nueva arista de investigacin. Para la descripcin del problema estudiado en esta investigacin, se utiliz la siguiente notacin: , Donde, todos los trminos, excepto , estn definidos en la literatura, Ruiz and Vsquez
(2009). No obstante, este trmino se introdujo para describir que en el problema FSF los trabajos requieren utilizar recursos para ser procesados en las mquinas. Uno de los resultados ms importantes de esta tesis se refleja en la formulacin matemtica del problema FSF con recursos que no ha sido tratado an en la literatura revisada. Otro resultado notable es el procedimiento heurstico que se propone para resolver instancias de gran tamao en un tiempo ms que razonable, con soluciones factibles aproximadas. Los resultados promisorios obtenidos con el modelo matemtico y los resultados aproximados obtenidos con la heurstica, permiten concluir la relevancia para el rea de la salud de contar con un modelo de optimizacin o algn procedimiento heurstico que permita secuenciar las IQ en los quirfanos de un hospital en forma eficaz y eficiente. Se ha demostrado, con los resultados obtenidos en esta investigacin, que la aseveracin de Kis et al (2005), quienes afirman que cuanto mayor sea el nmero de mquinas en la primera etapa
79
con respecto a la cantidad de mquinas en la segunda etapa o etapas siguientes, ms difcil se hace resolver el problema, no es vlida cuando el problema FSF contiene recursos. Se utiliz el modelo matemtico y la heurstica para resolver 400 instancias que se construyeron en forma aleatoria para configuraciones de 2 etapas, de 1 a 4 mquinas en la primera etapa y de 1 a 4 mquinas en la segunda etapa, de 3 a 10 trabajos y de 1 a 2 recursos con 1 a 4 rplicas en ambas etapas manteniendo las mismas cantidades de recursos y rplicas en las etapas. El solver utilizado en este estudio para resolver el modelo matemtico encontr solucin ptima en 56% de instancias, en 8% entreg la mejor solucin factible encontrada en el rango de tiempo cpu establecido a priori. En restante 36% no encontr ninguna solucin entera. En cambio, la heurstica encuentra en todos los casos una solucin factible en menos de un segundo de tiempo de ejecucin. De las pruebas computacionales realizadas al modelo de programacin lineal entera mixta, se puede concluir que este modelo matemtico, permite resolver el problema planteado en esta investigacin, encontrando soluciones ptimas en un tiempo razonable para instancias pequeas. Un tercer punto importante de este trabajo consisti en realizar la aplicacin del modelo matemtico y la heurstica a un problema real, como es el caso de la programacin de las intervenciones quirrgicas en el Hospital Clnico de la Universidad de Chile (HCUCH). Se pudo comprobar que el modelo de programacin lineal entera permite solo resolver problemas pequeos. Para resolver un da completo de programacin de intervenciones, que en promedio son de 40 operaciones diarias, es necesario utilizar algn mtodo de aproximacin, como fue el caso de la aplicacin de la heurstica. La heurstica entrego como resultado una solucin factible en un mnimo de tiempo, permitiendo obtener una tabla operatoria sin conflictos de horario, es decir, no existen problemas en la utilizacin de recursos, equipos mdicos, hora de inicio y hora de trmino, etc., en forma simultnea. Por otra parte, la tabla operatoria programada por el HCUCH presentaba conflictos en cuanto a la utilizacin de recursos por parte de las intervenciones.
80
De las entrevistas realizadas, durante las visitas al HCUCH, al personal que se llevaron a cabo, se observ una gran cantidad de prcticas inadecuadas, las que reflejan la falta de lineamientos y polticas claras que permitan la ejecucin de la mejor tabla operatoria programada. Por mencionar algunas, se tiene: Pacientes que no presentan sus exmenes al da o concurren sin estos al hospital; Pacientes que no se presentan en ayuno el da de la operacin porque no fueron instruidos acerca de la alimentacin; El aviso tardo al paciente, sobre la fecha de la intervencin; Pacientes que primero son programados en la tabla y luego son confirmados, accin que debiera ser ejecutada en sentido opuesto; Pacientes que no son bien instruidos en los medicamentos que pueden ingerir antes de la intervencin; Etc. Estas acciones provocan una suspensin de ltimo momento de la intervencin quirrgica, lo que se traduce en una reprogramacin de la tabla operatoria de ltimo instante. Mientras no se resuelva esta situacin, el verdadero impacto de una buena herramienta de apoyo a la toma decisiones, no se lograr observar en su totalidad. Debido a lo anterior, antes de implementar una herramienta que permita secuenciar las intervenciones quirrgicas, se recomienda en primer lugar definir y aplicar lineamientos y polticas acerca del proceso del paciente antes de llegar al paso de ingresarlo a la tabla operatoria. En segundo lugar, se recomienda implementar una herramienta que permita filtrar los pacientes aptos para ser intervenidos quirrgicamente, antes de llegar al proceso de secuenciamiento en la tabla operatoria. Para ello, se requiere de una herramienta informtica que no permita que un paciente avance en el proceso necesario para llegar a ser operado, sino a cumplido con todos los requisitos en una etapa de este proceso. Se considera necesario para futuras investigaciones, extender el modelo a varias etapas y aplicar algn mtodo que permita mejorar los tiempos de resolucin para las soluciones entregadas por el modelo matemtico, como por ejemplo la relajacin lagrangiana. Adems, la heurstica desarrollada puede ser mejorada si combina con alguna heurstica de tipo evolutiva, as de esta forma, mejorar los resultados entregados.
81
REFERENCIAS BIBLIOGRFICAS 1. 2. 3. Alcaide D. (2008): On Scheduling Models. Boletn de Estadstica e Investigacin Operativa. Vol. 24, pp. 11-21. Allaoui H. and Artiba A. (2006): Scheduling two-stage hybrid flow shop with availability constraints. Computers & Operations Research. Vol. 33, pp. 13991419. Belin J. and Demeulemeester E. (2007): Building cyclic master surgery schedules with leveled resulting bed occupancy. European Journal of Operational Research. Vol. 176, pp. 11851204 Belin J., Demeulemeester E., Cardoen B. (2007): Building cyclic master surgery schedules with leveled resulting bed occupancy: A case study. [en lnea]<https://lirias.kuleuven.be/bitstream/123456789/122266/1/0571.pdf>[consulta: 8 de abril 2011] Burke E., Curtois T., Post G., Qu R. and Veltman B. (2005): A Hybrid Heuristic Ordering and Variable Neighbourhood Search for the Nurse Rostering Problem [en lnea] <http://www.cs.nott.ac.uk/~ekb/Publications/vns-nurse.pdf> [consulta: 8 de abril 2011] Cardoen B., Demeulemeester E., Belin J., (2010): Operating room planning and scheduling: A literature review. European Journal of Operational Research. Vol. 201, pp. 921932 Chase R., Aquilano N., Jacobs F. (2001): Administracin de Produccin y Operaciones. Manufactura y Servicios. Octava Ed. MC Graw Hill. Choi, H. and Lee D. (2007): A branch and bound algorithm for two-stage hybrid flow shops: Minimizing the number of tardy jobs. Journal of the Korean Institute of Industrial Engineers. Vol. 33, pp. 213220. Choi, H. and Lee D. (2009): Scheduling algorithms to minimize the number of t ardy jobs in two-stage hybrid flow shops. Computers & Industrial Engineering. Vol. 56, pp. 113120. Cullar H., Granela H., Toscano G. (2007): Elaboracion del Plan Agregado de Intevenciones Qururgicas en los Servicios Hospitalarios. Un caso Practico (I Parte). [en lnea] <http://www.gestiopolis1.com/recursos8/Docs/ger/planeacion-programacion-ycontrol-en-procesos-hospitalarios.htm> [consulta: 20 de Septiembre 2010] DArmas M. (2004): Programacin de Operaciones con tiempos de preparacin dependientes de la secuencia Aplicacin a la Industria Metalmecnica. [en lnea] <https://www.doe.upc.edu/docencia/doctorat/tesi-doctoral/tesis/MayradArmas1.pdf> [consulta: 15 de Abril 2010] DArmas M. (2005 a): Estado del arte de la Programacin de Operaciones con tiempos de preparacin: Tema para Futuras Investigaciones, Parte I. Universidad, Ciencia y Tecnologa. Vol.9, N 33, pp.42-48. Denton B and Gupta D. (2003): A sequential bounding approach for optimal appointment scheduling. IIE Transactions. Vol. 35, pp. 10031016 Dexter F., Blake J., Penning D., Lubarsky D. (2002) a: Calculating a potential increase in hospital margin for elective surgery by changing operating room time allocations or increasing nursing staffing to permit completion of more cases: A case study. Anesthesia and Analgesia. Vol. 94, pp. 138142
4.
5.
6.
7. 8.
9.
10.
11.
12.
13. 14.
82
15.
16.
17. 18. 19.
20. 21. 22. 23.
24.
25.
26.
27.
28. 29.
30. 31.
Dexter F., Blake J., Penning D., Sloan B., Chung P., Lubarsky D. (2002) b: Use of linear programming to estimate impact of changes in a hospitals operating room time allocation on perioperative variable costs. Anesthesiology. Vol. 96, pp. 718724 Dexter F., Lubarsky D., Blake J. (2002) c: Sampling error can significantly affect measured hospital financial performance of surgeons and resulting operating room time allocations. Anesthesia and Analgesia. Vol. 95, pp. 184188 Everett A. and Ronald E. (1981): Administracin de la Produccin y las Operaciones. Conceptos, Modelos y Comportamiento Humano. Prentice-Hall Hispanoamericana. Green L. and Savin S. (2008): Reducing Delays for Medical Appointments: A Queueing Approach. Operations Research. Vol. 56, pp. 15261538 Guirchoun S., Martineau P., Billaut J. (2005): Total completion time minimization in a computer system with a server and two parallel processors. Computers & Operations Research. Vol. 32, pp. 599611. Gupta D. and Denton B. (2008): Appointment scheduling in health care: Challenges and opportunities. IIE Transactions. Vol. 40, pp. 800819 Gupta J., and Tunc E. (1998): Minimizing tardy jobs in a two-stage hybrid flowshop. International Journal of Production Research. Vol. 36, pp. 23972417. Haouari M. and Hidri L. (2008): On the hybrid flowshop scheduling problem. International Journal of Production Economics. Vol. 113, pp.495497. ILOG (2008): ILOG AMPL CPLEX System. [en lnea] <http://www.ampl.com/BOOKLETS/amplcplex110userguide.pdf> [consulta: 22 de Abril 2010] Jiang L. and Giachetti R. (2008): A queueing network model to analyze the impact of parallelization of care on patient cycle time. Health Care Management Science. Vol. 11, pp. 248261 Jin Z., Yang Z., Ito T. (2006): Metaheuristic algorithms for the multistage hybrid flowshop scheduling problem. International Journal of Production Economics. Vol. 100, pp. 322334. Jungwattanakit J., Reodecha M., Chaovalitwongse P., Werner F. (2008): Algorithms for flexible flow shop problems with unrelated parallel machines, setup times, and dual criteria. [en lnea] <http://www.math.uni-magdeburg.de/~werner/preprints/p06-26.pdf> [consulta: 10 de Abril 2010]. Jungwattanakit J., Reodecha M., Chaovalitwongse P., Werner F. (2009): A comparison of scheduling algorithms for flexible flow shop problems with unrelated parallel machines, setup times, and dual criteria. Computers & Operations Research. Vol. 36, pp. 358378. Kaandorp G. and Koole G. (2007): Optimal outpatient appointment scheduling. Health Care Management Science. Vol. 10, pp. 217229 Kis T. and Pesch E. (2005): A review of exact solution methods for the non-preemptive multiprocessor flowshop problem. European Journal of Operational Research. Vol. 164, pp. 592608. Kurz M and Askin R. (2004): Scheduling flexible flow lines with sequence-dependent setup times. European Journal of Operational Research. Vol. 159, pp. 6682. Lamiri M., Xie, X., Dolgui A., Grimaud F. (2008): A stochastic model for operating room planning with elective and emergency demand for surgery. European Journal of Operational Research. Vol. 185, pp. 10261037
83
32. 33.
34.
35.
36.
37.
38.
39.
40.
41. 42. 43. 44. 45.
46.
Lee C and Vairaktarakis G. (1994): Minimizing makespan in hybrid flowshops. Operational Research. Vol. 16, pp. 14958. Lin H. and Liao C. (2003): A case study in a two-stage hybrid flow shop with setup time and dedicated machines. International Journal of Production Economics. Vol. 86, pp. 133143. Molema J., Groothuis S., Baars I., Kleinschiphorst M., Leers E, Hasman A., van Merode G. (2007): Healthcare system design and part-time working doctors. Health Care Management Science. Vol. 10, pp. 365371 ONeill L. and Dexter F. (2007): Tactical increases in operating room block time based on financial data and market growth estimates from data envelopment analysis. Anesthesia and Analgesia Vol. 104, pp. 355368 Ogulata S., Koyuncu M., Karakas E. (2008): Personnel and patient scheduling in the high demanded hospital services: A case study in the physiotherapy service. Journal of Medical Systems. Vol. 32, pp. 221228 Oguz C., Zinder Y., Van Ha Do, Janiak A., Lichtenstein M. (2004): Hybrid flow-shop scheduling problems with multiprocessor task systems. European Journal of Operational Research. Vol. 152, pp. 115131. Patrick J. and Puterman M. (2007): Improving resource utilization for diagnostic services through flexible inpatient scheduling: A method for improving resource utilization. Journal of the Operational Research Society. Vol. 58, pp. 235245 Pea, V. y Zumelzu, L. (2006): Estado del Arte del Job Shop Scheduling Problem. [en lnea] <http://www.alumnos.inf.utfsm.cl/~vpena/ramos/ili295/ia-jobshop.pdf> [consulta: 22 de Abril 2010] Persson M. and Persson J. (2006): Optimization modelling of hospital operating room planning: Analyzing strategies and problem settings. [en lnea]< http://www.bth.se/tek/map.nsf/bilagor/ORAHS_MariePersson_1_pdf/$file/ORAHS_Mari ePersson_1.pdf> [consulta: 4 de abril 2011] Petrov, V. A. (1966): Flow Line Group Production Planning. Business Publications, London. Pinedo M. (2008): Scheduling: Theory, Algorithms, and Systems. Third Edition. Springer. Punnakitikashem P., Rosenberger J., Behan D. (2008): Stochastic Programming for Nurse AssignmentComputational Optimization and Applications. Vol. 40, pp. 321-349 Rais A. and Viana A. (2010): Operations Research in Healthcare: a survey. International Transactions in Operational Research. Vol. 18, pp. 1-3 Ribas I., Companys R. (2006): Programacin de la Produccin en un sistema flow shop hbrido sin esperas y tiempos de preparacin dependientes de la secuencia. [en lnea] <http://upcommons.upc.edu/eprints/bitstream/2117/504/1/Programaci%C3%B3n%20de%20la%20producci%C3%B3n %20en%20un%20sistema%20flow%20shop%20h%C3%ADbrido%20sin%20esperas%2 0y%20tiempos%20de%20preparaci%C3%B3n%20dependientes%20de%20la%20secuen cia.pdf> [consulta: 14 de Abril 2010] Ribas I., Leisten R., Framian J. (2010): Review and classification of hybrid flow shop scheduling problems from a production system and a solutions procedure perspective. Computers & Operations Research. Vol. 37, pp. 14391454
84
47.
48. 49.
50. 51.
52.
53.
54.
55. 56.
57.
Ros R. and Bard J. (2000): Heursticas para Secuenciamiento de Tareas en Lneas de Flujo. [en lnea] <http://yalma.fime.uanl.mx/~roger/work/Papers/article/article-ciencia2000.pdf> [consulta: 2 de Junio 2010] Ruiz R. and Vzquez J. (2009): The Hybrid Flow Shop Scheduling Problem. [en lnea] <http://www.upv.es/deioac/Investigacion/revision.pdf> [consulta: 10 de Abril 2010] Sawik T. (2002): An Exact Approach for Batch Scheduling in Flexible Flow Lines with Limited Intermediate Buffers. Mathematical and Computer Modelling. Vol. 36, pp. 461471. Sawik T. (2005): Integer Programming Approach to Production Scheduling for MakeTo-Order Manufacturing. Mathematical and Computer Modelling. Vol. 41, pp. 99-118. Sawik T. (2007): A lexicographic approach to bi-objective scheduling of single-period orders in make-to-order manufacturing. European Journal of Operational Research. Vol. 180, pp. 10601075. Seda M. (2007): Mathematical Models of Flow Shop and Job Shop Scheduling Problems. World Academy of Science, Engineering and Technology. Vol. 31, pp.122127. Sundaramoorthi D., Chen V., Rosenberger J., Kim S., Buckley-Behan D., (2009): A data-integrated simulation model to evaluate nurse-patient assignments. Health Care Management Science. Vol. 12, pp. 252268 Tang L., Xuan H., Liu J. (2006): A new Lagrangian relaxation algorithm for hybrid flow shop scheduling to minimize total weighted completion time. Computers & Operations Research. Vol. 33, pp. 33443359. Tzung P., Pei Y., Gwoboa H. and Chan L. (2007): Three Algorithms for Flexible Flowshop Scheduling. American Journal of Applied Sciences. Vol. 4, pp. 889-896. Zandieh M., Fatemi S., Moattar S. (2006): An immune algorithm approach to hybrid flow shops scheduling with sequence-dependent setup times. Applied Mathematics and Computation. Vol. 180, pp. 111127. Zhang, B., Murali, P., Belson, D. (2009): A Mixed Integer Programming Approach for Allocating Operating Room Capacity. Journal of the Operational Research Society. Vol. 60, pp. 663673
ANEXO A: VALORES DE LOS PARMETROS
TIEMPOS DE PROCESO DE LOS TRABAJOS Cada uno de los trabajos secuenciados posee un tiempo de proceso diferente, dependiendo de la mquina en que se realice la operacin. En las tablas siguientes, se presentan los tiempos de proceso de cada trabajo en las mquinas de la etapa 1 y las mquinas de la etapa 2.
Mquinas Etapa 1 2 3 4 15 12 18 10 11 11 7 15 10 15 11 13 9 12 13 17 13 18 15 13 13 15 16 11 9 7 13 15 19 18
Trabajo 1 2 3 4 5 6 7 8 9 10
1 20 8 9 10 9 18 14 15 20 21
5 16 14 11 17 13 15 18 10 13 15
Trabajo 1 2 3 4 5 6 7 8 9 10
1 21 8 8 12 19 18 14 7 10 13
Mquinas Etapa 2 2 3 4 18 12 18 19 11 11 9 14 10 12 16 13 19 11 13 20 22 21 11 9 13 8 8 9 19 17 10 13 17 18
5 16 14 11 17 11 15 7 10 11 9
TIEMPOS DE SETUP PARA EL PRIMER TRABAJO SECUENCIADO El primer trabajo en ser procesado posee un tiempo de setup que solo depende de la mquina donde ser procesado, pero no de la secuencia debido a que no posee un predecesor. En las tablas siguientes, se presentan los tiempos de setup, cuando cada trabajo es el primero en ser secuenciado en una de las mquinas de la etapa 1 y de las mquinas de la etapa 2.
Mquinas Etapa 1 3 4 1 2 7 1 2 3 5 1 3 8 2 1 6 6 3 2 3 5 7 5
Trabajo 1 2 3 4 5 6 7 8 9 10
1 4 3 1 8 6 1 4 9 3 7
2 4 4 3 4 6 1 3 7 5 7
5 5 4 4 3 3 2 2 6 7 3
Trabajo 1 2 3 4 5 6 7 8 9 10
1 4 9 3 7 4 1 3 8 7 4
2 3 7 5 7 4 1 4 4 7 4
Mquinas Etapa 2 3 4 6 6 3 2 3 5 7 5 1 2 2 1 7 1 5 1 7 5 1 2
5 2 6 7 3 5 2 4 3 3 5
TIEMPOS DE SETUP DEPENDIENTE DE LA SECUENCIA Y DE LA MQUINA Desde el segundo trabajo en ser programado, existe un tiempo de setup que depende de la mquina donde es procesado y del trabajo anterior programado en la mquina. A continuacin, se presentan los tiempos de setup de los diferentes trabajos para la etapa 1 y para la etapa 2.
Mquinas 1 Etapa 1 4 5 6 1 4 6 3 4 8 1 3 6 0 3 5 2 0 3 8 3 0 1 2 3 6 2 8 2 6 6 5 7 1
Trabajo 1 2 3 4 5 6 7 8 9 10
1 0 1 8 7 4 6 1 4 9 3
2 4 0 4 7 4 6 1 3 7 5
3 7 2 0 7 1 3 2 6 3 3
7 6 3 3 1 3 7 0 7 5 2
8 9 8 9 2 6 7 3 0 5 1
9 2 2 3 7 9 3 3 2 0 3
10 4 1 1 3 9 3 2 3 8 0
Trabajo 1 2 3 4 5 6 7 8 9 10
1 0 1 8 7 4 6 4 4 7 3
2 2 0 5 5 4 1 1 3 7 5
3 7 5 0 7 1 3 2 2 3 3
Mquinas 2 Etapa 1 4 5 6 1 3 6 3 4 8 1 3 6 0 3 5 2 0 3 8 3 0 1 2 3 6 2 8 2 6 2 5 7 4
7 3 3 5 1 3 9 0 7 5 2
8 1 8 3 2 6 7 3 0 5 1
9 2 3 3 7 9 3 3 2 0 3
10 7 1 1 3 9 3 2 3 8 0
Trabajo 1 2 3 4 5 6 7 8 9 10
1 0 3 9 8 7 6 7 4 9 3
2 4 0 4 5 4 9 1 3 7 9
3 7 2 0 7 1 3 2 9 3 4
Mquinas 3 Etapa 1 4 5 6 1 4 2 3 4 8 7 3 2 0 3 5 2 0 3 8 3 0 1 2 3 5 2 8 2 7 6 1 7 1
7 8 3 3 1 3 1 0 7 5 2
8 9 8 9 2 6 7 5 0 5 1
9 2 2 3 7 9 3 3 2 0 3
10 4 1 1 3 9 3 2 3 8 0
Trabajo 1 2 3 4 5 6 7 8 9 10
1 0 1 8 6 1 8 2 1 9 3
2 9 0 4 4 3 6 3 3 2 5
3 7 9 0 5 1 3 3 8 3 3
Mquinas 4 Etapa 1 4 5 6 1 4 1 3 9 8 1 3 6 0 3 5 2 0 3 8 3 0 3 2 3 7 2 8 2 3 2 5 7 1
7 2 3 3 1 3 9 0 7 5 6
8 3 3 9 2 6 1 3 0 5 8
9 2 2 3 7 9 3 3 2 0 8
10 4 1 1 3 9 3 2 3 8 0
Trabajo 1 2 3 4 5 6 7 8 9 10
1 0 1 8 8 3 7 1 7 9 3
2 1 0 4 3 9 2 8 7 7 8
3 1 2 0 3 1 3 2 7 3 6
Mquinas 5 Etapa 1 4 5 6 5 4 5 3 4 8 1 3 6 0 3 8 2 0 1 8 3 0 1 9 3 8 8 9 2 6 6 1 7 1
7 3 3 3 1 3 2 0 3 5 3
8 3 8 9 8 6 9 9 0 5 2
9 9 2 3 9 3 1 2 8 0 2
10 4 1 1 3 2 1 2 3 9 0
Trabajo 1 2 3 4 5 6 7 8 9 10
1 0 1 8 7 4 6 1 4 9 3
2 4 0 4 7 4 6 1 3 7 5
3 7 2 0 7 1 3 2 6 3 3
Mquinas 1 Etapa 2 4 5 6 1 4 6 3 4 8 1 3 6 0 3 5 2 0 3 8 3 0 1 2 3 6 2 8 2 6 6 5 7 1
7 6 3 3 1 3 7 0 7 5 2
8 9 8 9 2 6 7 3 0 5 1
9 2 2 3 7 9 3 3 2 0 3
10 4 1 1 3 9 3 2 3 8 0
Trabajo 1 2 3 4 5 6 7 8 9 10
1 0 1 8 7 4 6 4 4 7 3
2 2 0 5 5 4 1 1 3 7 5
3 7 5 0 7 1 3 2 2 3 3
Mquinas 2 Etapa 2 4 5 6 1 3 6 3 4 8 1 3 6 0 3 5 2 0 3 8 3 0 1 2 3 6 2 8 2 6 2 5 7 4
7 3 3 5 1 3 9 0 7 5 2
8 1 8 3 2 6 7 3 0 5 1
9 2 3 3 7 9 3 3 2 0 3
10 7 1 1 3 9 3 2 3 8 0
Trabajo 1 2 3 4 5 6 7 8 9 10
1 0 3 9 8 7 6 7 4 9 3
2 4 0 4 5 4 9 1 3 7 9
3 7 2 0 7 1 3 2 9 3 4
Mquinas 3 Etapa 2 4 5 6 1 4 2 3 4 8 7 3 2 0 3 5 2 0 3 8 3 0 1 2 3 5 2 8 2 7 6 1 7 1
7 8 3 3 1 3 1 0 7 5 2
8 9 8 9 2 6 7 5 0 5 1
9 2 2 3 7 9 3 3 2 0 3
10 4 1 1 3 9 3 2 3 8 0
Trabajo 1 2 3 4 5 6 7 8 9 10
1 0 1 8 6 1 8 2 1 9 3
2 9 0 4 4 3 6 3 3 2 5
3 7 9 0 5 1 3 3 8 3 3
Mquinas 4 Etapa 2 4 5 6 1 4 1 3 9 8 1 3 6 0 3 5 2 0 3 8 3 0 3 2 3 7 2 8 2 3 2 5 7 1
7 2 3 3 1 3 9 0 7 5 6
8 3 3 9 2 6 1 3 0 5 8
9 2 2 3 7 9 3 3 2 0 8
10 4 1 1 3 9 3 2 3 8 0
Trabajo 1 2 3 4 5 6 7 8 9 10
1 0 1 8 8 3 7 1 7 9 3
2 1 0 4 3 9 2 8 7 7 8
3 1 2 0 3 1 3 2 7 3 6
Mquinas 5 Etapa 2 4 5 6 5 4 5 3 4 8 1 3 6 0 3 8 2 0 1 8 3 0 1 9 3 8 8 9 2 6 6 1 7 1
7 3 3 3 1 3 2 0 3 5 3
8 3 8 9 8 6 9 9 0 5 2
9 9 2 3 9 3 1 2 8 0 2
10 4 1 1 3 2 1 2 3 9 0
ANEXO B: PRUEBAS COMPUTACIONALES
Tabla 1: Pruebas Computacionales Modelo de Programacin Lineal Entera Mixta

Instancia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 N Trabajos 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 N Replicas N de Mquinas Recursos x x Etapa Recurso Etapa 1 Etapa 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 55 Solucin ptima 64 77 92 116* 52 65 85 108 37 45 52 63* 3600 Segundos 82 Sin Memoria Tiempo Solucin Solve (s) 0.16 0.67 22.21 316.04 3600.00 3600.00 3600.00 3600.00 0.08 0.62 14.59 118.31 3600.00 3600.00 3600.00 3600.00 0.09 0.91 25.16 1972.18 3600.00 3600.00 1858.30 3600.00 0.09 branchand-bound nodes 214 787 74,747 547,749 1,257,550 1,034,973 1,279,607 1,542,536 104 761 37,649 214,511 2,021,988 1,826,030 2,149,889 1,327,245 53 1,097 35,175 2,724,244 1,572,692 1,006,266 954,263 78 MIP simplex iterations 1,058 6,801 651,016 7,200,240 43,280,657 40,804,488 40,366,846 45,302,179 760 7,080 425,020 2,689,826 39,032,134 42,738,158 47,540,284 35,624,833 692 12,935 555,124 43,975,536 46,748,222 38,171,950 33,029,692 650 N Variables 160 250 360 490 640 810 1,000 1,210 172 270 390 532 696 882 1,090 1,320 184 290 420 574 752 954 1,180 1,430 172 N de Restricciones 191 288 405 542 699 876 1,073 1,290 205 310 437 586 757 950 1,165 1,402 219 332 469 630 815 1,024 1,257 1,514 205
Instancia 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
N Trabajos 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6
N Replicas N de Mquinas Recursos x x Etapa Recurso Etapa 1 Etapa 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 1 1 1 1 1 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 3 3 3 3
Solucin ptima 66 74 96 52 65 85 108 121 3600 Segundos 130 Sin Memoria Sin Memoria 31 41 51 62 66 72 Sin Memoria 25 31 37 43 -
Tiempo Solucin Solve (s) 0.64 10.94 168.03 3600.00 3600.00 3600.00 3600.00 0.09 1.23 3.48 62.09 1376.11 3600.00 2321.48 1622.81 0.12 1.48 8.35 91.18 3600.00 3600.00 2727.05 3600.00 0.09 1.11 5.87 73.74
branchand-bound nodes 569 16,516 324,763 2,268,126 887,560 1,220,318 1,660,654 29 685 4,229 79,761 1,195,044 776,215 970 10,174 118,934 570,244 1,692,038 938,955 480 3,879 110,968
MIP simplex iterations 6,109 277,682 4,474,071 39,805,955 37,022,958 38,805,557 45,754,101 357 8,624 41,009 984,288 19,436,447 37,777,044 323 11,562 95,269 1,461,221 22,943,239 44,126,525 25,855,885 218 7,397 42,145 1,077,845
N Variables 270 390 532 696 882 1,090 1,320 312 490 708 966 1,264 1,602 1,980 2,398 324 510 738 1,008 1,320 1,674 2,070 2,508 336 530 768 1,050
N de Restricciones 310 437 586 757 950 1,165 1,402 355 540 765 1,030 1,335 1,680 2,065 2,490 369 562 797 1,074 1,393 1,754 2,157 2,602 383 584 829 1,118
Instancia 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79
N Trabajos 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9
Solucin ptima 47* 3600 Segundos Sin Memoria 55 66 73 95 108 123 Sin Memoria Sin Memoria 31 39 45 54 59 68 Sin Memoria 52 65 85 108 121 Sin Memoria Sin Memoria
branchand-bound nodes 1,938,953 1,044,278 643,229 9 558 4,024 7,575 118,152 860,893 44 613 5,596 133,629 914,821 1,442,553 867,302 252 763 1,982 27,836 384,634 -
MIP simplex iterations 28,117,385 25,049,701 24,607,665 364 7,331 60,960 105,267 2,278,434 37,361,080 646 7,412 66,929 1,932,039 16,165,234 47,201,248 27,781,829 2,230 10,352 25,161 414,310 7,407,083 -
N Variables 1,376 1,746 2,160 2,618 312 490 708 966 1,264 1,602 1,980 2,398 324 510 738 1,008 1,320 1,674 2,070 2,508 324 510 738 1,008 1,320 1,674 2,070
N de Restricciones 1,451 1,828 2,249 2,714 355 540 765 1,030 1,335 1,680 2,065 2,490 369 562 797 1,074 1,393 1,754 2,157 2,602 369 562 797 1,075 1,393 1,754 2,157
Instancia 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106
N Trabajos 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4
Solucin ptima 31 41 51 62* 65* 3600 Segundos Sin Memoria 25 29 37 42 46* 85 Sin Memoria 25 26 30 36 40* Sin Memoria Sin Memoria 55 66 53 -
branchand-bound nodes 1,055,066 532 10,493 167,494 1,318,021 420,332 764,665 60 535 3,259 26,672 710,210 743,971 367,461 754 1,670 10,783 711,985 259,852 276 875
MIP simplex iterations 26,698,531 312 8,397 94,956 2,234,233 23,748,008 28,617,043 22,073,986 1,118 11,266 30,194 270,943 10,217,598 23,924,367 20,174,741 358 8,165 23,740 116,328 9,091,797 20,074,193 1,443 9,477
N Variables 2,508 336 530 768 1,050 1,376 1,746 2,160 2,618 348 550 798 1,092 1,432 1,818 2,250 2,728 360 570 828 1,134 1,488 1,890 2,340 2,838 324 510
N de Restricciones 2,602 383 584 829 1,118 1,451 1,828 2,249 2,714 397 606 861 1,162 1,509 1,902 2,341 2,826 411 628 893 1,206 1,567 1,976 2,433 2,938 369 562
Instancia 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133
N Trabajos 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7
Solucin ptima 73 95 108 123* 31 39 44 53 3600 Segundos 151 61 Sin Memoria Sin Memoria 25 31 36 40 45* Sin Memoria Sin Memoria 52 65 85 108 121* -
branchand-bound nodes 4,955 37,596 207,386 1,442,161 936,680 848,117 508 4,607 56,241 999,731 911,277 105 511 5,020 83,903 918,926 687,560 520 667 10,445 14,520 343,099
MIP simplex iterations 93,881 564,598 3,779,959 33,425,432 32,703,719 28,192,532 114 9,636 63,965 784,046 25,273,211 22,977,069 1,275 12,594 62,173 811,526 13,638,729 22,876,380 4,006 8,496 121,477 209,652 9,030,661
N Variables 738 1,008 1,320 1,674 2,070 2,508 336 530 768 1,050 1,376 1,746 2,160 2,618 348 550 798 1,092 1,432 1,818 2,250 2,728 336 530 768 1,050 1,376
N de Restricciones 797 1,074 1,393 1,754 2,157 2,602 383 584 829 1,118 1,451 1,828 2,249 2,714 397 606 861 1,162 1,509 1,902 2,341 2,826 383 584 829 1,118 1,451
Instancia 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
N Trabajos 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10
Solucin ptima 31 41 51 62 25 29 37 42 3600 Segundos 130 146 65 72 Sin Memoria Sin Memoria 25 26 29 36 Sin Memoria Sin Memoria Sin Memoria -
branchand-bound nodes 552,918 950,802 953,144 69 1,806 6,090 149,753 1,787,036 559,125 570,633 399,151 563 5,685 41,347 535,265 156,530 86 504 1,671 3,801 150,187
MIP simplex iterations 32,582,960 24,621,849 24,244,576 1,256 20,310 74,099 1,913,548 34,259,214 30,488,534 21,993,876 17,932,177 570 13,182 56,068 460,188 20,926,364 17,855,655 1,293 13,242 26,656 38,049 15,600,120
N Variables 1,746 2,160 2,618 348 550 798 1,092 1,432 1,818 2,250 2,728 320 570 828 1,134 1,488 1,890 2,340 2,838 372 590 858 1,176 1,544 1,962 2,430 2,948
N de Restricciones 1,828 2,249 2,714 397 606 861 1,162 1,509 1,902 2,341 2,826 411 628 893 1,206 1,567 1,976 2,433 2,938 425 650 925 1,250 1,625 2,050 2,525 3,050
Instancia 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187
N Trabajos 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5
Solucin ptima 25 26 29 35 3600 Segundos Sin Memoria Sin Memoria 42 Sin Memoria 55 66 73 95 107 Sin Memoria Sin Memoria 31 39 44 53 57* Sin Memoria Sin Memoria Sin Memoria 25 31 36 -
branchand-bound nodes 128 502 2,340 11,172 333,505 22 516 2,471 4,859 159,444 640,024 55 510 5,200 47,710 402,944 71 511 4,167
MIP simplex iterations 1,086 11,684 26,784 146,613 18,648,924 372 5,635 36,750 92,271 3,352,675 25,377,109 868 7,758 61,868 719,426 6,971,531 1,094 9,606 53,998
N Variables 384 610 888 1,218 1,600 2,034 2,520 3,058 336 530 768 1,050 1,376 1,746 2,160 2,618 348 550 798 1,092 1,432 1,818 2,250 2,728 360 570 828
N de Restricciones 439 672 957 1,294 1,683 2,124 2,617 3,162 383 584 829 1,118 1,451 1,828 2,249 2,714 397 606 861 1,162 1,509 1,902 2,341 2,826 411 628 893
Instancia 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214
N Trabajos 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8
Solucin ptima 37 43* 3600 Segundos Sin Memoria Sin Memoria Sin Memoria 25 26 30 36 38* Sin Memoria 64 77 92 116* 130 58 147 162 Sin Memoria 61 73 90 113 128* -
branchand-bound nodes 21,172 173,912 499 1,727 10,632 680,570 314,945 326,431 26 655 5,963 191,068 764,615 9,624,667 5,931,315 1,464 14,332 145,187 4,024,965 1,601,023
MIP simplex iterations 264,240 4,236,913 706 8,197 28,758 123,011 11,526,030 19,388,288 16,610,099 237 7,165 66,569 1,992,586 7,680,608 152,071,384 132,247,641 110 13,553 186,777 1,944,717 65,428,465 60,485,581
N Variables 1,134 1,488 1,890 2,340 2,838 372 590 858 1,176 1,544 1,962 2,430 2,948 64 100 144 196 256 324 400 484 76 120 174 238 312 396
N de Restricciones 1,206 1,567 1,976 2,433 2,938 425 650 925 1,250 1,625 2,050 2,525 3,050 83 124 173 230 295 368 449 538 97 146 205 274 353 442
Instancia 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241
N Trabajos 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3
Solucin ptima 58 69 86 107* 60 74 89 112* 52 65 85 108 121* 31 3600 Segundos -
branchand-bound nodes 968,741 1,688,150 150 3,155 12,810 1,328,813 999,816 1,367,700 1,151,433 1,547,640 49 2,314 38,795 891,632 1,174,561 1,213,923 979,864 2,261,287 186 648 2,417 117,664 3,150,960 1,676,058 1,610,802 1,824,714 2
MIP simplex iterations 52,341,799 41,477,754 875 27,431 189,093 47,990,433 63,351,399 48,401,881 40,641,453 42,398,436 303 24,866 526,315 23,290,863 76,597,999 55,682,476 44,658,924 47,316,409 1,034 7,638 22,410 1,377,139 30,038,514 35,926,494 39,242,021 42,566,977 234
N Variables 490 594 88 140 204 208 368 468 580 704 76 120 174 238 312 396 490 594 120 190 276 378 496 630 780 946 132
N de Restricciones 541 650 111 168 237 318 411 516 633 762 97 146 205 274 353 442 541 650 145 220 311 418 541 680 835 1,006 159
Instancia 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268
N Trabajos 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6
Solucin ptima 42 51 62 3600 Segundos 67 81 Sin Memoria 29 37 44* 55* 64 68 Sin Memoria Sin Memoria 55 66 73 95 108* 31 41 46 60* -
branchand-bound nodes 689 15,208 67,396 5,530,887 1,190,623 986,512 1,246 251,469 417,016 1,017,370 489,486 21 814 5,161 85,035 1,075,275 588,525 1,479,205 582,934 81 1,365 26,957 2,144,902
MIP simplex iterations 9,950 133,371 895,419 88,898,071 39,615,888 34,460,362 271 11,254 1,685,533 8,919,884 56,535,750 46,802,815 287 7,962 50,487 1,236,994 20,072,843 36,896,343 40,555,225 41,683,137 677 15,334 200,966 27,665,040
N Variables 210 306 420 552 702 870 1,056 144 230 336 462 608 774 960 1,166 120 190 276 378 496 630 780 946 132 210 306 420
N de Restricciones 242 343 462 599 754 927 1,118 173 264 375 506 657 828 1,019 1,230 145 220 311 418 541 680 835 1,006 159 242 343 462
Instancia 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295
N Trabajos 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9
N de Mquinas N Replicas Recursos x x Etapa Recurso Etapa 1 Etapa 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3
Solucin ptima 3600 Segundos
Tiempo Solucin Solve (s) 940.02 1004.03 3600 2715.18 0.06 0.53 1.58 48.72 343.53 672.39 3085.21 1108.43 0.14 1.05 9.50 107.53 2553.16 3600.00 3600.00 1480.11 0.08 1.36 15.40 457.25 3600.00 3600.00 3600.00
branchand-bound nodes 699,126 20 596 3,016 111,374 540,295 43 1,390 19,652 108,897 2,379,394 835,451 460,083 25 2,095 55,491 1,035,162 622,883 327,478 487,064
MIP simplex iterations 41,388,009 282 7,340 29,412 934,053 7,124,208 516 14,412 222,358 1,968,836 45,543,811 35,427,292 32,062,007 403 20,066 497,948 13,899,611 49,314,897 43,637,364 34,975,237
N Variables 552 702 870 1,056 132 210 306 420 552 702 870 1,056 144 230 336 462 608 774 960 1,166 156 250 366 504 664 846 1,050
N de Restricciones 599 754 927 1,118 159 242 343 462 599 754 927 1,118 173 264 375 506 657 828 1,019 1,230 187 286 407 550 715 902 1,111
Sin Memoria Sin Memoria Sin Memoria 52 65 85 108 121 Sin Memoria Sin Memoria Sin Memoria 31 42 51 62 67* 89 Sin Memoria 29 37 44 55* 63 72 -
Instancia 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322
N Trabajos 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4
N de Mquinas N Replicas Recursos x x Etapa Recurso Etapa 1 Etapa 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
Solucin ptima 3600 Segundos Sin Memoria Sin Memoria Sin Memoria Sin Memoria 55 66 73 95 108 Sin Memoria Sin Memoria 31 41 45 59* Sin Memoria 76 Sin Memoria 29 36 -
branchand-bound nodes 153 1,739 76,158 394,452 54 930 4,475 18,949 1,477,974 705,001 74 1,378 24,820 325,605 634,400 542,256 39 1,092
MIP simplex iterations 1,576 20,754 913,405 8,569,309 370 7,708 85,920 242,621 26,695,080 38,567,793 702 13,475 328,420 5,412,722 47,573,353 38,372,893 404 12,155
N Variables 1,276 168 270 396 546 720 918 1,140 1,386 132 210 306 420 552 702 870 1,056 144 230 336 462 608 774 960 1,166 156 250
N de Restricciones 1,342 201 308 439 594 773 976 1,203 1,454 159 242 343 462 599 754 927 1,118 173 264 375 506 657 828 1,019 1,230 187 286
Sin Memoria 29 36 44* 54*
Instancia 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349
N Trabajos 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7
N Recursos 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Replicas N de Mquinas x Recurso Etapa 1 Etapa 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 4 4 4 4 4 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 3 3 3 3 3
Solucin ptima 44* 54* 3600 Segundos Sin Memoria 70 Sin Memoria 52 65 85 108 121 Sin Memoria Sin Memoria 31 42 51 62 Sin Memoria Sin Memoria Sin Memoria 29 37 44 55 60
branchand-bound nodes 102,387 617,459 519,983 502,097 216 565 3,406 38,762 913,894 584,108 3 758 7,640 190,837 776,150 108 1,482 40,635 537,568 484,146
MIP simplex iterations 1,246,063 13,576,897 51,162,177 36,854,990 1,189 6,904 35,535 527,154 20,579,845 35,656,138 308 7,016 101,732 2,218,436 35,750,900 1,188 12,935 421,801 11,212,237 34,330,753
N Variables 366 504 664 846 1,050 1,276 144 230 336 462 608 774 960 1,166 156 250 366 504 664 846 1,050 1,276 168 270 396 546 720
N de Restricciones 407 550 715 902 1,111 1,342 173 264 375 506 657 828 1,019 1,230 187 286 407 550 715 902 1,111 1,342 201 308 439 594 773
Instancia 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376
N Trabajos 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10
Solucin ptima 29 36 44 54 3600 Segundos 67 Sin Memoria 29 36 44 53* 71 77 Sin Memoria Sin Memoria Sin Memoria 55 66 73 95 107 Sin Memoria Sin Memoria Sin Memoria
branchand-bound nodes 382,616 575,209 362,526 149 1,485 63,806 512,400 360,161 381,541 454,562 89 982 19,383 897,129 270,707 56 624 3,700 5,414 639,687 -
MIP simplex iterations 41,165,569 35,285,979 34,821,456 1,140 16,476 778,784 11,396,718 43,452,011 34,473,811 33,105,118 892 11,078 316,872 13,320,263 23,945,515 380 5,873 62,782 71,358 12,596,747 -
N Variables 918 1,140 1,386 180 290 426 588 776 990 1,230 1,496 192 310 456 630 832 1,062 1,320 1,606 144 230 336 462 608 774 960 1,166
N de Restricciones 976 1,203 1,454 215 330 471 638 831 1,050 1,295 1,566 229 352 503 682 889 1,124 1,387 1,678 173 264 375 506 657 828 1,019 1,230
Instancia 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400
N Trabajos 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10 3 4 5 6 7 8 9 10
N Replicas N de Mquinas Recursos x x Etapa Recurso Etapa 1 Etapa 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
Solucin ptima 31 41 45 57 3600 Segundos Sin Memoria Sin Memoria Sin Memoria Sin Memoria 29 36 44 53* Sin Memoria Sin Memoria Sin Memoria 29 36 44 53* Sin Memoria Sin Memoria Sin Memoria -
Tiempo Solucin Solve (s) 0.14 0.94 8.66 2934.16 405.04 530.92 386.99 241.75 0.11 1.25 20.76 241.13 1185.93 447.61 3600.00 2228.97 0.14 1.69 16.26 1718.28 1204.91 1806.39 238.76 3600.00
branchand-bound nodes 141 688 19,664 988,111 38 1,193 44,938 369,939 477,211 108 2,095 16,039 2,282,253 344,489
MIP simplex iterations 863 7,530 202,634 36,822,715 628 11,383 552,234 6,043,523 41,918,239 1,019 19,917 370,395 39,035,386 30,917,100
N Variables 156 250 366 504 664 846 1,050 1,276 168 308 396 546 720 918 1,140 1,386 180 290 426 588 776 990 1,230 1,496
N de Restricciones 187 286 407 550 715 902 1,111 1,342 201 308 439 594 773 976 1,203 1,454 215 330 471 638 831 1,050 1,295 1,566
*Solucin Obtenida con un mipgap igual 0 y un absmipgap por defecto
Tabla 2: Comparacin Mediante la Variacin en el Nmero de mquinas

Comparacin 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 Instancia M1>M2 9 10 11 12 33 34 35 36 37 41 42 43 44 73 74 75 76 77 81 82 83 84 89 90 91 92 93 129 130 131 132 133 137 138 139 140 145 146 147 M1<M2 25 26 27 28 57 58 59 60 61 65 66 67 68 105 106 107 108 109 113 114 115 116 121 122 123 124 125 169 170 171 172 173 1 2 3 4 185 186 187 Tiempo M1>M2 0.08 0.62 14.59 118.31 0.09 1.23 3.48 62.09 1376.11 0.12 1.48 8.35 91.18 0.23 1.64 2.64 23.67 588.09 0.12 1.30 6.40 120.74 0.23 1.58 3.93 24.90 898.25 0.72 1.44 8.41 20.87 845.27 0.22 3.23 5.44 124.83 0.17 1.90 6.35 M1<M2 0.09 0.64 10.94 168.03 0.09 0.90 4.40 7.86 150.57 0.14 1.09 6.43 100.68 0.14 1.58 5.85 30.59 228.03 0.05 1.50 4.99 45.36 0.19 1.78 4.90 57.91 963.64 0.14 1.37 3.81 9.28 216.36 0.16 0.67 22.21 316.04 0.22 1.45 5.43
Comparacin 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78
Instancia M1>M2 153 154 155 156 209 210 211 212 233 234 235 236 237 241 242 243 244 273 274 275 276 277 281 282 283 284 289 290 291 292 329 330 331 332 333 337 338 339 340 M1<M2 193 194 195 196 225 226 227 228 257 258 259 260 261 265 266 267 268 305 306 307 308 309 313 314 315 316 321 322 323 324 369 370 371 372 373 377 378 379 380
Tiempo M1>M2 0.25 1.19 4.73 7.74 0.02 0.44 4.74 48.88 0.16 0.50 1.34 65.49 2446.53 0.05 0.67 4.41 29.02 0.06 0.53 1.58 48.72 343.53 0.14 1.05 9.50 107.53 0.08 1.36 15.40 457.25 0.09 0.75 2.89 22.54 1520.77 0.08 0.94 4.74 106.78 M1<M2 0.27 1.76 4.76 20.75 0.05 0.75 11.81 871.82 0.06 0.55 1.90 36.83 1154.90 0.08 1.01 6.41 948.15 0.05 0.76 3.29 9.61 2025.96 0.09 0.86 12.67 267.85 0.08 1.15 57.63 535.03 0.06 0.62 2.82 4.13 801.18 0.14 0.94 8.66 2934.16
Comparacin 79 80 81 82 83 84 85 86
Instancia M1>M2 345 346 347 348 353 354 355 356 M1<M2 385 386 387 388 297 298 299 300
Tiempo M1>M2 0.12 1.31 25.48 1379.79 0.13 1.40 26.91 711.44 M1<M2 0.11 1.25 20.76 241.13 0.14 1.69 54.21 286.92
Tabla 3: Comparacin Mediante la Variacin en el Nmero de Mquinas

Comparacin M1>M2 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 281 282 283 284 329 330 331 332 345 346 347 348 81 82 83 84 129 130 131 132 133 145 146 147 Instancia M1<M2 313 314 315 316 369 370 371 372 385 386 387 388 113 114 115 116 169 170 171 172 173 185 186 187 M1=M2 217 218 219 220 249 250 251 252 249 250 251 252 49 50 51 52 49 50 51 52 53 97 98 99 M1>M2 0.14 1.045 9.501 107.531 0.094 0.748 2.886 22.542 0.124 1.31 25.475 1379.79 0.124 1.295 6.396 120.744 0.718 1.435 8.409 20.872 845.271 0.172 1.903 6.349 Tiempo M1<M2 0.093 0.858 12.668 267.845 0.062 0.624 2.823 4.134 0.109 1.248 20.763 241.129 0.046 1.498 4.992 45.364 0.14 1.372 3.807 9.282 216.357 0.218 1.451 5.428 M1=M2 0.062 1.029 4.664 2111.69 0.063 0.78 53.149 292.547 0.063 0.78 53.149 292.547 0.093 1.108 5.865 73.741 0.093 1.108 5.865 73.741 2457.59 0.171 0.889 4.337
Tabla 4: Pruebas Computacionales para la Heurstica Constructiva

Instancia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 Heurstica Solucin 64 82 101 124 137 151 166 185 59 73 95 111 134 150 157 170 59 61 67 74 83 83 106 106 64 82 91 114 118 118 127 144 58 70 93 124 141 156 Tiempo 0.031 0.046 0.062 0.078 0.093 0.124 0.14 0.156 0.046 0.062 0.078 0.093 0.109 0.124 0.156 0.187 0.046 0.078 0.078 0.093 0.124 0.14 0.156 0.187 0.031 0.062 0.062 0.109 0.109 0.124 0.156 0.171 0.046 0.062 0.078 0.093 0.124 0.156
Instancia 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77
Heurstica Solucin 156 176 41 50 56 73 81 89 101 104 25 53 54 58 68 77 72 83 64 82 91 114 118 131 144 144 59 42 67 67 66 90 101 101 58 70 93 124 133 Tiempo 0.171 0.187 0.046 0.078 0.078 0.093 0.124 0.156 0.171 0.202 0.046 0.078 0.093 0.109 0.124 0.156 0.187 0.218 0.046 0.062 0.078 0.093 0.109 0.14 0.187 0.171 0.046 0.062 0.078 0.109 0.124 0.156 0.171 0.187 0.062 0.078 0.093 0.124 0.14
Instancia 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116
Instancia 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155
Instancia 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194
Instancia 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233
Heurstica Solucin 53 53 54 52 55 55 64 82 101 124 137 151 166 185 73 75 102 130 141 165 180 195 73 69 99 107 124 133 163 178 64 82 91 114 118 132 162 179 58 Tiempo 0.109 0.187 0.156 0.171 0.218 0.234 0.078 0.093 0.109 0.14 0.171 0.218 0.234 0.28 0.046 0.046 0.078 0.093 0.109 0.14 0.156 0.187 0.046 0.062 0.093 0.109 0.124 0.124 0,171 0.187 0.046 0.046 0.078 0.093 0.124 0.124 0.156 0.171 0.046
Instancia 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272
Instancia 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311
Instancia 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350
Instancia 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389
Instancia 390 391 392 393 394 395 396 397 398 399 400
Heurstica Solucin 78 89 90 45 68 52 94 81 90 129 151 Tiempo 0.28 0.327 0.374 0.109 0.14 0.171 0.202 0.265 0.28 0.312 0.421
Tabla 5: Comparacin entre el Modelo de Programacin Lineal Entera y la Heurstica Constructiva

Solucin Instancia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 PLEM 64 77 92 116 52 65 85 108 37 45 52 63 82 Sin Memoria 55 66 74 96 52 65 85 108 Heurstica 64 82 101 124 137 151 166 185 59 73 95 111 134 150 157 170 59 61 67 74 83 83 106 106 64 82 91 114 118 118 127 144 58 70 93 124 Tiempo(Segundos) PLEM 0.156 0.671 22.214 316.040 3600.000 3600.000 3600.000 3600.000 0.078 0.624 14.586 118.311 3600.000 3600.000 3600.000 3600.000 0.094 0.905 25.163 1972.180 3600.000 3600.000 1858.300 3600.000 0.094 0.639 10.935 168.028 3600.000 3600.000 3600.000 3600.000 0.093 1.233 3.478 62.088 Heurstica 0.031 0.046 0.062 0.078 0.093 0.124 0.14 0.156 0.046 0.062 0.078 0.093 0.109 0.124 0.156 0.187 0.046 0.078 0.078 0.093 0.124 0.14 0.156 0.187 0.031 0.062 0.062 0.109 0.109 0.124 0.156 0.171 0.046 0.062 0.078 0.093
Instancia 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
Solucin PLEM 121 130 Sin Memoria Sin Memoria 31 41 51 62 66 72 Sin Memoria 25 31 37 43 47 Sin Memoria 55 66 73 95 108 123 Sin Memoria Sin Memoria 31 39 45 54 59 68 Sin Memoria 52 65 85 Heurstica 141 156 156 176 41 50 56 73 81 89 101 104 25 53 54 58 68 77 72 83 64 82 91 114 118 131 144 144 59 42 67 67 66 90 101 101 58 70 93
Tiempo(Segundos) PLEM 1376.110 3600.000 2321.480 1622.810 0.124 1.482 8.346 91.182 3600.000 3600.000 2727.050 3600.000 0.093 1.108 5.865 73.741 2457.590 511.711 3600.000 3600.000 0.094 0.904 4.399 7.862 150.571 3600.000 2471.570 2517.530 0.141 1.092 6.427 100.682 1000.910 3600.000 2174.840 3600.000 0.234 1.638 2.637 Heurstica 0.124 0.156 0.171 0.187 0.046 0.078 0.078 0.093 0.124 0.156 0.171 0.202 0.046 0.078 0.093 0.109 0.124 0.156 0.187 0.218 0.046 0.062 0.078 0.093 0.109 0.14 0.187 0.171 0.046 0.062 0.078 0.109 0.124 0.156 0.171 0.187 0.062 0.078 0.093
Instancia 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114
Solucin PLEM 108 121 Sin Memoria Sin Memoria 31 41 51 62 65 Sin Memoria 85 25 29 37 42 46 Sin Memoria 25 26 30 36 40 Sin Memoria Sin Memoria 53 55 66 73 95 108 123 151 31 39 Heurstica 124 133 138 167 184 41 45 57 74 79 82 103 102 25 41 50 49 51 65 64 72 25 41 53 53 54 53 52 54 64 82 91 114 118 131 166 182 59 42
Instancia 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153
Solucin PLEM 44 53 61 Sin Memoria Sin Memoria 25 31 36 40 45 Sin Memoria Sin Memoria 52 65 85 108 121 130 146 31 41 51 62 65 72 25 29 37 42 Sin Memoria Sin Memoria 25 Heurstica 67 67 80 72 101 101 25 53 54 54 58 58 62 82 58 70 93 124 133 148 172 193 41 45 57 72 83 86 87 106 25 41 45 56 62 52 63 63 25
Instancia 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192
Solucin PLEM 26 29 36 Sin Memoria Sin Memoria Sin Memoria 25 26 29 35 Sin Memoria Sin Memoria 42 Sin Memoria 55 66 73 95 107 Sin Memoria Sin Memoria 31 39 44 53 57 Sin Memoria Sin Memoria Sin Memoria 25 31 36 37 43 Sin Memoria Sin Memoria Sin Memoria Heurstica 41 42 45 45 55 63 63 25 41 42 55 53 54 59 66 64 82 91 114 118 131 166 182 59 42 67 67 80 78 101 101 25 53 54 54 58 59 69 89
Instancia 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231
Solucin PLEM 25 26 30 36 38 Sin Memoria 58 64 77 92 116 130 147 162 Sin Memoria 61 73 90 113 128 58 69 86 107 60 74 89 112 Heurstica 25 41 53 53 54 52 55 55 64 82 101 124 137 151 166 185 73 75 102 130 141 165 180 195 73 69 99 107 124 133 163 178 64 82 91 114 118 132 162
Tiempo(Segundos) PLEM 0.265 1.763 4.758 20.748 1018.630 1318.650 3600.000 3600.000 0.047 0.219 1.544 38.235 184.657 3600.000 3600.000 304.527 0.016 0.436 4.742 48.875 3251.550 3600.000 3600.000 3600.000 0.062 1.029 4.664 2111.690 3600.000 3600.000 3600.000 3600.000 0.046 0.748 11.809 871.821 3600.000 3600.000 3600.000 Heurstica 0.062 0.093 0.109 0.187 0.156 0.171 0.218 0.234 0.078 0.093 0.109 0.14 0.171 0.218 0.234 0.28 0.046 0.046 0.078 0.093 0.109 0.14 0.156 0.187 0.046 0.062 0.093 0.109 0.124 0.124 0,171 0.187 0.046 0.046 0.078 0.093 0.124 0.124 0.156
Instancia 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
Solucin PLEM 52 65 85 108 121 31 42 51 62 67 81 Sin Memoria 29 37 44 55 64 68 Sin Memoria Sin Memoria 55 66 73 95 108 31 41 46 60 Sin Memoria Sin Memoria Heurstica 179 58 72 93 124 141 156 154 176 45 50 59 87 87 94 101 105 45 50 55 68 71 78 89 104 64 82 91 114 118 131 144 144 59 42 67 67 66 90
Instancia 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309
Solucin PLEM Sin Memoria 52 65 85 108 121 Sin Memoria Sin Memoria Sin Memoria 31 42 51 62 67 89 Sin Memoria 29 37 44 55 63 72 Sin Memoria 29 36 44 54 Sin Memoria Sin Memoria Sin Memoria Sin Memoria 55 66 73 95 108 Heurstica 101 101 58 71 95 126 137 143 184 201 45 68 70 88 90 112 138 151 45 68 52 94 66 90 90 116 45 68 52 94 81 90 129 151 64 82 91 114 118
Instancia 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348
Solucin PLEM Sin Memoria Sin Memoria 31 41 45 59 Sin Memoria 76 Sin Memoria 29 36 44 54 Sin Memoria 70 Sin Memoria 52 65 85 108 121 Sin Memoria Sin Memoria 31 42 51 62 Sin Memoria Sin Memoria Sin Memoria 29 37 44 55 Heurstica 131 166 182 59 42 67 67 80 72 101 101 45 50 55 68 71 78 89 90 58 71 95 126 146 153 181 202 45 68 82 90 108 100 137 149 45 68 82 90
Instancia 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387
Solucin PLEM 60 67 29 36 44 54 Sin Memoria 71 77 29 36 44 53 Sin Memoria Sin Memoria Sin Memoria 55 66 73 95 107 Sin Memoria Sin Memoria Sin Memoria 31 41 45 57 Sin Memoria Sin Memoria Sin Memoria Sin Memoria 29 36 44 Heurstica 114 82 121 121 45 68 82 90 114 97 121 121 45 68 82 90 114 97 121 121 64 82 91 114 118 131 166 182 59 42 67 67 80 78 101 101 45 50 55
Instancia 388 389 390 391 392 393 394 395 396 397 398 399 400
Solucin PLEM 53 Sin Memoria Sin Memoria Sin Memoria 29 36 44 53 Sin Memoria Sin Memoria Sin Memoria Heurstica 68 71 78 89 90 45 68 52 94 81 90 129 151
Tiempo(Segundos) PLEM 241.129 1185.930 447.611 3600.000 2228.970 0.141 1.685 16.255 1718.280 1204.910 1806.390 238.758 3600.000 Heurstica 0.218 0.234 0.28 0.327 0.374 0.109 0.14 0.171 0.202 0.265 0.28 0.312 0.421
PLEM=Programacin Lineal Entera Mixta Tabla 6: Comparacin entre el Modelo de PLEM y la Heurstica Con Solucin Entera
Comparacin 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 Instancia 49 89 97 121 145 153 161 185 193 98 154 162 194 90 146 155 163 249 289 297 321 345 Solucin PLEM 25 25 25 25 25 25 25 25 25 26 26 26 26 29 29 29 29 29 29 29 29 29 Heurstica 25 25 25 25 25 25 25 25 25 41 41 41 41 41 41 42 42 45 45 45 45 45 Tiempo(Segundos) PLEM 0.093 0.234 0.171 0.187 0.172 0.249 0.265 0.218 0.265 0.889 1.186 1.232 1.763 1.576 1.903 4.726 5.757 0.063 0.078 0.141 0.078 0.124 Heurstica 0.046 0.062 0.062 0.062 0.062 0.078 0.078 0.062 0.062 0.093 0.093 0.093 0.093 0.078 0.078 0.109 0.109 0.062 0.062 0.062 0.062 0.062
Comparacin 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61
Instancia 353 361 385 393 99 195 41 50 65 81 113 122 137 177 186 241 265 281 313 337 377 164 100 123 156 187 196 298 322 354 362 386 394 17 51 91 147 188 250
Solucin PLEM 29 29 29 29 30 30 31 31 31 31 31 31 31 31 31 31 31 31 31 31 31 35 36 36 36 36 36 36 36 36 36 36 36 37 37 37 37 37 37 Heurstica 45 45 45 45 53 53 41 53 59 41 59 53 41 59 53 45 59 45 59 45 59 55 53 54 45 54 53 68 50 68 68 50 68 59 54 50 45 54 50
Comparacin 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
Instancia 290 346 197 66 114 178 101 124 42 82 138 266 314 378 92 148 167 242 282 338 52 189 115 179 251 291 299 323 347 355 363 387 395 18 67 125 315 379 93
Comparacin 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139
Instancia 267 53 43 83 139 243 283 339 9 19 33 73 129 233 273 329 104 116 180 364 388 396 68 300 324 356 25 57 105 169 252 257 292 305 348 369 181 380 199
Comparacin 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178
Instancia 217 69 316 225 268 349 117 209 44 84 140 244 284 340 20 293 1 201 253 10 34 74 85 130 141 234 274 330 26 45 58 106 170 258 306 370 245 285 350
Comparacin 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217
Instancia 70 254 218 326 358 46 142 294 59 107 171 210 259 307 371 27 226 318 2 202 359 246 21 11 35 75 87 131 235 275 331 219 227 286 211 3 203 60 108
Comparacin 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256
Instancia 172 260 308 372 28 173 220 373 12 36 61 76 109 132 236 261 276 309 332 228 212 4 204 37 77 133 237 277 333 62 110 213 38 134 205 135 206 111 207
ANEXO C: APLICACIN
Tabla 1:Datos de las Intervenciones

Cdigo Intervencin 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 Nombre Intervencin Adenoidect+PAT Bilat ADENOMECT PROSTATICA Amigdalect. + UPP+ ECC Artroscopa + Acromioplasta Artroscopa Bilat. Artroscopia Tobillo+ Bostrom Aseo Quirrgico ASEO QX + IDE ATC ATR Biopsia x VTC Bloqueo Facetario BRONCOSCOPIA BY PASS GAST. RESECT. X VL BY PASS CORONARIO BY PASS GAST. + COLECIST. X VL CEF derecha CIRUGIA ORTOGNTICA Coleccistectomia + Hepatectomia COLECIST. X VL CX ANTIRREFLUJO LAPAROSCOP. + HERNIOP. ING Cx de Estrabismo Desfocaciones Disquectoma Lumbar Duverees 2-3 derech Electrocoagulacion Estrabismo convergente Inyeccion de Botox Extirpacin + Bp Tumor de Orbita GASTRECT. EN Y DE ROUX X VL Gastrectomia Subtotal HEMICOLECT. DERECHA HEMORROIDECT HERNIOPLASTIA ING HERNIOPLASTIA INGUINO ESCROTAL HERNIORRAFIA ING. BILATERAL HERNIORRAFIA ING.-ESCROTAL Lib. Polea Flexora MASTOPEXIA Recursos en Quirfano 6 7 1 1 1 10 5 5 3 2-11 21 4 3 4 4-9 5 12 4 4-12 18 5 2-8-6-11 17-18 17-18 4-12 12 Tiempo Promedio (Minutos) Quirfano 120 150 120 150 150 90 90 150 180 180 120 90 60 180 360 180 180 210 270 120 210 150 270 180 120 180 60 240 180 180 180 90 210 210 240 210 120 150 Post-Anestesia 60 60 90 90 60 60 60 60 120 120 60 60 60 90 UC 90 60 120 120 60 60 60 60 60 60 60 60 60 90 90 60 60 60 60 60 60 60 60
Cdigo Nombre Intervencin Intervencin 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 NEFROLITOTOMIA PERCUTANEA OP. ANTIRREFLUJO Hernioplast. Hiatal Osteotomia sagital de mandibula PARATIROIDECT. SUBTOTAL + TIROIDECTOMIA TOTAL RAB LAPAROSCOPICA RECAMBIO VALVULAR MITRALICO Reconst LCA HTH Rodilla Derecha Red + OTS Luxofx Tobillo Der. Red. + OTS Fx Maleolo Reoperacin reemplazo valvular aortico Rep + Lib. STC Rep. Manguito Rotador Derecho Resec. Endoscopica Tumor de hipofisis RESEC. QUISTE HEPATICO X VL RESEC.+ BP N.P.S. X VTC RESECCION DE QUISTE ABDOMINAL GIGANTE RESECCION TU CRANEO+COLGAJO Reseccin Tumoral Adenocarcinoma Paladar Blanco Retroceso de Rss Rinoseptoplastia + ECC RTU PROSTATA Safenectomia bilateral Segementectomis Heptica Reseccin metastasis pulmonares por VTC SHUNT MESO-CAVO Timpanoplastia Tiroidectomia Total TLIF L4/5 x Izq.+ PL L5/S1 VARICOCELECT. VARICOCELECT. ORQUIDOPEXIA VARICOCELECT.+ HERNIORRAFIA
Recursos en Quirfano 2-7-11 4-12 5 4-12 3 1-5 2-5 2-5 3 1-5 4-9 4 4 12-13-14-15 6-8-16 22 4 3-12-13-14-15 2-11 6 5-8-11 -
Tiempo Promedio (Minutos) Quirfano 150 180 180 180 210 360 120 120 120 400 45 180 120 120 120 270 500 240 120 150 90 150 450 330 210 180 390 90 150 210 Post-Anestesia 60 60 60 60 90 UC 60 60 60 UC 60 90 60 60 60 60 UCI 60 60 60 60 60 UCI 60 60 120 120 60 60 60
Tabla 2:Datos de los Recursos Utilizados en Quirfano

Cdigo Recurso 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 Nombre Recurso Artroscopio Equipo Rayos X Equipamiento Ciruga Cardaca Laparoscopio Motor Microscopio Quirrgico Ureterorenoscopio Motor Neurociruga Motor Otorrino Dermatomo con Expansor Mesa Radio Lucida Ultracision Book Walter Cojin de Obeso Ligasure Mayfield Herradura Caja Cirujia Plstica de Ojo Microscopio Otorrino Torre Caja de Timpano Broncoscopio FrontoLuz Nmero de Unidades en el Hospital 2 3 2 4 1 4 1 2 1 1 1 2 2 3 2 2 2 2 1 1 1 3
Tabla 3: Datos de los Mdicos

Nombre Mdico Dr. Villaln Dr. Cardemil Dr. Lemp Dr. Braghetto Dr. Diaz Dr. Zamorano Dr. Silva Dr. Rojas Dr. Ossandon Dr. Hidalgo Dr. Celedon Dr. Delano Dr. Saldias Dr. Danilla Dr. Gac Dr. Numair Dr. Catalan Dr. Pellegrini Dr. Infante Dr. Ganga Dr. Csemdes Dr. Zomosa Dr. Alban Dr. Molina Dr. Campos Dr. Cuevas Dr. Jara Dr. Zuiga Dr. Stott Dr. Vogel Dr. Pealoza Dr. Erazo Dr. Gutierrez Dr. Castillo Dr. Barrientos Dr. Rodriguez Dr. Maccioni Dr. Pinilla Dr. Abegrapo Cdigo Mdico 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61
Tabla 4: Codificacin Utilizada para el da 4 de Enero del 2011

Cdigo Nmero de Intervencin Intervencin Mdico 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 31 13 53 32 20 7 24 54 14 62 52 44 15 33 33 34 2 67 66 35 56 63 26 28 38 8 42 55 42 64 9 10 4 6 50 65 46 47 23 23 24 24 24 24 25 26 26 27 27 28 28 29 29 29 30 31 32 32 33 34 35 35 36 36 37 37 37 37 38 38 39 40 41 42 40 40

Flow Shop3

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Flow Shop3

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDAD DEL BO-BO FACULTAD DE INGENIERA DEPARTAMENTO DE INGENIERA INDUSTRIAL MAGSTER EN INGENIERA INDUSTRIAL

CAPTULO V: DESARROLLO DE LA HEURSTICA ........................................................................ 50 5.1 DESCRIPCIN DE LA HEURSTICA CONSTRUCTIVA................................................... 50

Fuente: Elaboracin Propia

, que permite describir las caractersticas particulares

del problema, cada etapa y

indica el nmero de etapas del problema,

describe las caractersticas de las mquinas. En esta notacin,

que no se considera la caracterstica seala que existen (

en tal configuracin. As de esta forma, la notacin en la etapa , donde:

mquinas del tipo

de proceso de un trabajo est dado por asignado ( .

, indica que existen

demora en procesarse el trabajo en una mquina de velocidad , indica que existen

mquinas paralelas no relacionadas. En este caso ms

mquinas paralelas en cada etapa, donde el trabajo

requiere ser procesado por una nica

Fuente: Elaboracin Propia

Figura 2.3: Flow Shop Flexible General

Fuente: Elaboracin Propia

, indica que el problema en estudio es un Job Shop con

mquinas, donde cada

Fuente: Elaboracin Propia

Figura 2.5: Ejemplo de un Job Shop Flexible

Fuente: Elaboracin Propia

para indicar la recirculacin. En la Figura 2.5, se presenta un

mquinas y el procesamiento puede realizarse en cualquier orden. Sin

Fuente: Elaboracin Propia

corresponderan a en las etapas 1 y 2.

identificar que existen tiempos de setup dependientes de la secuencia y de la mquina, el

proceso del trabajo

est limitado a un conjunto de mquinas en la etapa

, que el trabajo se proceso anticipadamente a su fecha de entrega

La tardanza definida como El adelantamiento { {

, lo que quiere decir que

valdr 1 si el trabajo no concluye

Fuente: Alcaide D. (2008)

Es comn adems, asociar un peso

para el trabajo , con el fin de modelar su importancia. ) se refieren a la y ,

La funciones objetivos que utilizan la terminacin de los trabajos (

Luego, el problema en estudio se puede representar por de la siguiente manera:

en la etapa . Es necesario hacer

Jungwattanakit et al (2008), resuelven el problema de FSF,

planteando como objetivo,

Fuente: Ruiz and Vsquez (2009)

Figura 3.2: Mtodos utilizadas en problema de Flow Shop Flexible

Fuente: Ruiz and Vsquez (2009)

Tabla 3.1: Resumen Revisin Bibliogrfica Flow Shop Flexible

Kis and Pesch 2005 Allaoui y Artiba 2006

Ribas and Companys 2006 Seda 2007 Sawik 2007

Jungwattanakit et al 2009 Ruiz and Vzquez 2009 Ribas et al 2010

Fuente: Elaboracin Propia

. A continuacin se describen las especificaciones del

Cada trabajo etapa .

Existen un tiempo de setup

dependiente de la secuencia y de la mquina, cuando el ,

trabajo es programado inmediatamente despus del trabajo en la mquina , en la etapa ,

Est permitido que el tiempo de setup se realice sin que el trabajo

Fuente: Elaboracin Propia

Fuente: Elaboracin Propia

Formulacin Matemtica del Problema FSF

Modelo de Programacin Lineal Entera Sin Recursos

como el nmero mximo de rplicas

Fuente: Elaboracin Propia

Figura 4.4: Carta Gantt Flow Shop Flexible Con Recursos