1) MRP

La Planeacin de Requerimientos de Materiales - MRP (Material

Requirements Planning), es un procedimiento sistemtico de
planificacin de componentes de fabricacin, el cual traduce un
Plan Maestro de Produccin en necesidades reales de materiales,
en fechas y cantidades. El MRP funciona como un sistema de
informacin con el fin de gestionar los inventarios de demanda
dependiente y programar de manera eficiente los pedidos de
reabastecimiento.

Datos de entrada de un MRP (INPUTS)

MPS: Plan Maestro de Produccin que nos indica las demandas

independientes

Maestro de artculos: Listado de todos los artculos de

demanda independiente

Lista de materiales: Listado de todos los materiales que se

precisan para la obtencin de los artculos de demanda
independiente

Explosin de materiales - BOM: Registro donde figuran

todos los componentes de un artculo, su relacin padre - hijo y
las cantidades de uso estandarizadas establecidas por diseo e
ingeniera.

Explosin de
Materials)

materiales

BOM

(Bill

Of

La explosin de materiales me indica la relacin entre el artculo

final y cada uno de sus componentes y subcomponentes, para
entender mejor cmo funciona la explosin de materiales se acude
a un rbol de estructura del producto como el siguiente:

PROGRAMACIN
BRUTOS

DE

REQUERIMIENTOS

La programacin de requerimientos brutos slo tiene lugar en el

caso de que nuestro proceso no se vea afectado por inventarios, ni

recepciones programadas, lo cual se ajusta poco a la realidad, sin

embargo, debe considerarse como una forma de evaluar nuestro
plan en condiciones ideales, en tal caso podemos obtener
informacin referente a las actividades crticas promedio y a las
actividades con holgura, informacin sumamente relevante en
materia de negociaciones y programacin de la produccin. Para
ello debemos considerar entonces el lead time de cada
componente, definamos lead time como el ciclo en trminos de
tiempo que se requiere para que el producto se encuentre
disponible una vez sus partes se encuentren dispuestas. En el caso
de que los componentes sean materias primas, el lead time ser el
tiempo que tarda en estar la materia en las instalaciones de la
compaa a partir de que se emite la orden de compra al
proveedor.

Supongamos que para el ejemplo que trabajamos en la explosin

de materiales los lead times se relacionan as:
Cdigo

Lead Time

1 Semana

1 Semana

2 Semanas

1 Semana

3 Semanas

Entonces es conveniente diagramar en un eje de tiempo el rbol de

la estructura del producto:

PROGRAMACIN
NETOS

DE

REQUERIMIENTOS

La programacin de requerimientos netos corresponde al

entregable del MRP, es decir que en esta se determina las
condiciones para el lanzamiento de las rdenes proyectadas, tanto
rdenes de compra, como rdenes de fabricacin. Su diferencia
respecto a la programacin de requerimientos brutos es la inclusin
de inventarios, niveles de seguridad y recepciones programadas,
ajustndose al devenir de la produccin real. As mismo, en dicha
programacin se aplica el tamao de lote determinado para cada
componente.
Para el ejemplo que hemos venido trabajando en este mdulo
agregamos algunas recepciones programadas y establecimos
inventarios iniciales para todos los componentes, de esta forma
podemos efectuar una programacin de requerimientos netos. La
formulacin que utilizamos es simple:

Inventario Disponible (perodo i) = Inventario Proyectado (perodo i

-1)

Requerimientos Netos (i) = Requerimientos brutos (i) - Inventario

Disponible (i)
Recepcin Planeada (i) = S los requerimientos netos son mayores a
0, debe efectuarse una recepcin planeada por el tamao del lote,
en el caso de ser LXL (lote por lote) corresponde al requerimiento
neto.
Inventario Proyectado (i) = Inv. Disponible (i) + Recepcin planeada
(i) + Recepcin Programada (i) - Requerimientos Brutos (i)
Liberacin Planeada = Segn la el perodo en que se plane una
recepcin esta deber liberarse tantos perodos antes como sea el
tamao del lead time.

Bsqueda Tab
La bsqueda tab es un mtodo de optimizacin matemtica,
perteneciente a la clase de tcnicas de bsqueda local. La
bsqueda tab aumenta el rendimiento del mtodo de bsqueda
local mediante el uso de estructuras de memoria: una vez que una
potencial solucin es determinada, se la marca como "tab" de
modo que el algoritmo no vuelva a visitar esa posible solucin. La
bsqueda tab es atribuida a Fred Glover.

Problema del Viajante

El problema del viajante (TSP), es comnmente utilizado para
mostrar la funcionalidad de la bsqueda tab. El TSP requiere
buscar un orden en el cual viajar entre ciudades, tal que la
distancia recorrida sea minimizada. Por ejemplo, si las ciudades A y
B estn una al lado de la otra, mientras que la ciudad C est ms
lejos, la distancia total recorrida ser ms corta si las ciudades A y
B son visitadas una despus de la otra, antes de visitar C. Como
encontrar un orden ptimo para visitar las ciudades en el TSP es un

problema NP-difcil. los mtodos de aproximacin basados en

heursticas son tiles para lograr la optimalidad.
La bsqueda tab puede utilizarse para encontrar una solucin
satisfactoria para el TSP. Primero, la bsqueda tab comienza con
una solucin inicial, que puede ser generada con el algoritmo del
vecino ms cercano. Para crear nuevas soluciones, el orden en que
dos ciudades son visitadas es intercambiado. La distancia total
recorrida entre todas las ciudades es utilizada para juzgar cunto
mejor es una solucin que otra. Para prevenir ciclos y para salir de
los ptimos locales, una solucin es agregada a la lista tab si es
que es aceptada en N*(x), el vecindario de soluciones. Se continan
creando nuevas soluciones hasta que se cumple algn criterio de
parada, como por ejemplo un nmero arbitrario de iteraciones. Una
vez que la bsqueda tab se detiene, la mejor solucin es aquella
que cuya distancia total a recorrer entre las ciudades es la menor.

Algoritmos Genricos

El algoritmo gentico es una tcnica de bsqueda basada en la

teora de la evolucin de Darwin, que ha cobrado tremenda
popularidad en todo el mundo durante los ltimos aos. Se
presentarn aqu los conceptos bsicos que se requieren para
abordarla, as como unos sencillos ejemplos que permitan a los
lectores comprender cmo aplicarla al problema de su eleccin.
En los ltimos aos, la comunidad cientfica internacional ha
mostrado un creciente inters en una nueva tcnica de bsqueda
basada en la teora de la evolucin y que se conoce como
el algoritmo gentico. Esta tcnica se basa en los mecanismos de
seleccin que utiliza la naturaleza, de acuerdo a los cuales los
individuos ms aptos de una poblacin son los que sobreviven, al
adaptarse ms fcilmente a los cambios que se producen en su
entorno. Hoy en da se sabe que estos cambios se efectan en los
genes de un individuo (unidad bsica de codificacin de cada uno
de los atributos de un ser vivo), y que sus atributos ms deseables

(i.e., los que le permiten adaptarse mejor a su entorno) se

transmiten a sus descendientes cuando ste se reproduce
sexualmente.
Un investigador de la Universidad de Michigan llamado John Holland
era consciente de la importancia de la seleccin natural, y a fines
de los 60s desarroll una tcnica que permiti incorporarla a un
programa. Su objetivo era lograr que las computadoras aprendieran
por s mismas. A la tcnica que invent Holland se le llam
originalmente "planes reproductivos", pero se hizo popular bajo el
nombre "algoritmo gentico" tras la publicacin de su libro en
1975.
Una definicin bastante completa de un algoritmo gentico es la
propuesta por John Koza:
"Es un algoritmo matemtico altamente paralelo que transforma un
conjunto de objetos matemticos individuales con respecto al
tiempo usando operaciones modeladas de acuerdo al principio
Darwiniano de reproduccin y supervivencia del ms apto, y tras
haberse presentado de forma natural una serie de operaciones
genticas de entre las que destaca la recombinacin sexual. Cada
uno de estos objetos matemticos suele ser una cadena de
caracteres (letras o nmeros) de longitud fija que se ajusta al
modelo de las cadenas de cromosomas, y se les asocia con una
cierta funcin matemtica que refleja su aptitud.
Definicin
Los Algoritmos Genticos (AGs) son mtodos adaptativos que
pueden usarse para resolver problemas de bsqueda y
optimizacin. Estn basados en el proceso gentico de los
organismos vivos. A lo largo de las generaciones, las poblaciones
evolucionan en la naturaleza de acorde con los principios de la
seleccin natural y la supervivencia de los ms fuertes, postulados
por Darwin. Por imitacin de este proceso, los Algoritmos Genticos
son capaces de ir creando soluciones para problemas del mundo
real. La evolucin de dichas soluciones hacia valores ptimos del
problema depende en buena medida de una adecuada codificacin
de las mismas.

Un algoritmo gentico consiste en una funcin matemtica o una

rutina de software que toma como entradas a los ejemplares y
retorna como salidas cules de ellos deben generar descendencia
para la nueva generacin.
Versiones ms complejas de algoritmos genticos generan un ciclo
iterativo que directamente toma a la especie (el total de los
ejemplares) y crea una nueva generacin que reemplaza a la
antigua una cantidad de veces determinada por su propio diseo.
Una de sus caractersticas principales es la de ir perfeccionando su
propia heurstica en el proceso de ejecucin, por lo que no requiere
largos perodos de entrenamiento especializado por parte del ser
humano, principal defecto de otros mtodos para solucionar
problemas, como los Sistemas Expertos.
Problemtica
Los principios bsicos de los Algoritmos Genticos fueron
establecidos por Holland, y se encuentran bien descritos en varios
textos . Goldberg, Davis, Michalewicz, Reeves.
En la naturaleza los individuos de una poblacin compiten entre s
en la bsqueda de recursos tales como comida, agua y refugio.
Incluso los miembros de una misma especie compiten a menudo en
la bsqueda de un compaero. Aquellos individuos que tienen ms
xito en sobrevivir y en atraer compaeros tienen mayor
probabilidad de generar un gran nmero de descendientes. Por el
contrario individuos poco dotados producirn un menor nmero de
descendientes. Esto significa que los genes de los individuos mejor
adaptados se propagarn en sucesivas generaciones hacia un
nmero de individuos creciente. La combinacin de buenas
caractersticas provenientes de diferentes ancestros, puede a veces
producir descendientes "superindividuos", cuya adaptacin es
mucho mayor que la de cualquiera de sus ancestros. De esta
manera,
las
especies
evolucionan
logrando
unas
caractersticas cada vez mejor adaptadas al entorno en el que
viven.
Los Algoritmos Genticos usan una analoga directa con el
comportamiento natural. Trabajan con una poblacin de individuos,
cada uno de los cuales representa una solucin factible a un
problema dado. A cada individuo se le asigna un valor
puntuacin, relacionado con la bondad de dicha solucin. En la
naturaleza esto equivaldra al grado de efectividad de un
organismo para competir por unos determinados recursos. Cuanto

mayor sea la adaptacin de un individuo al problema, mayor ser la

probabilidad de que el mismo sea seleccionado para reproducirse,
cruzando su material gentico con otro individuo seleccionado de
igual forma. Este cruce producir nuevos individuos . descendientes
de los anteriores . los cuales comparten algunas de las
caractersticas de sus padres. Cuanto menor sea la adaptacin de
un individuo, menor ser la probabilidad de que dicho individuo sea
seleccionado para la reproduccin, y por tanto de que su material
gentico se propague en sucesivas generaciones.
De esta manera se produce una nueva poblacin de posibles
soluciones, la cual reemplaza a la anterior y verifica la interesante
propiedad de que contiene una mayor proporcin de buenas
caractersticas en comparacin con la poblacin anterior. As a lo
largo de las generaciones las buenas caractersticas se propagan a
travs de la poblacin. Favoreciendo el cruce de los individuos
mejor adaptados, van siendo exploradas las reas ms
prometedoras del espacio de bsqueda. Si el Algoritmo Gentico ha
sido bien diseado, la, poblacin converger hacia una solucin
ptima del problema.
Ventajas y Desventajas
No necesitan conocimientos especficos sobre el problema que
intentan resolver.

Operan de forma simultnea con varias soluciones, en vez de

trabajar de forma secuencial como las tcnicas tradicionales.

Cuando se usan para problemas de optimizacin maximizar una

funcin objetivo- resultan menos afectados por los mximos
locales (falsas soluciones) que las tcnicas tradicionales.

Resulta sumamente fcil ejecutarlos

arquitecturas masivamente paralelas.

Usan operadores probabilsticos, en vez de

operadores determinsticos de las otras tcnicas.

Pueden tardar mucho en converger, o no converger en

absoluto, dependiendo en cierta medida de los parmetros que
se utilicen tamao de la poblacin, nmero de generaciones,
etc.-.

Pueden converger prematuramente debido a una serie de

problemas de diversa ndole.

Limitaciones

en

las

modernas
los

tpicos

El poder de los Algoritmos Genticos proviene del hecho de que se

trata de una tcnica robusta, y pueden tratar con xito una gran
variedad de problemas provenientes de diferentes reas,
incluyendo aquellos en los que otros mtodos encuentran
dificultades. Si bien no se garantiza que el Algoritmo Gentico
encuentre la solucin ptima, del problema, existe evidencia
emprica de que se encuentran soluciones de un nivel aceptable, en
un tiempo competitivo con el resto de algoritmos de optimizacin
combinatoria. En el caso de que existan tcnicas especializadas
para resolver un determinado problema, lo ms probable es que
superen al Algoritmo Gentico, tanto en rapidez como en eficacia.
El gran campo de aplicacin de los Algoritmos Genticos se
relaciona con aquellos problemas para los cuales no existen
tcnicas especializadas. Incluso en el caso en que dichas tcnicas
existan, y funcionen bien, pueden efectuarse mejoras de las
mismas hibridndolas con los Algoritmos Genticos.
Como Saber si es Posible usar un Algoritmo Gentico
La aplicacin ms comn de los algoritmos genticos ha sido la
solucin de problemas de optimizacin, en donde han mostrado ser
muy eficientes y confiables. Sin embargo, no todos los problemas
pudieran ser apropiados para la tcnica, y se recomienda en
general tomar en cuenta las siguientes caractersticas del mismo
antes de intentar usarla:

Su espacio de bsqueda (i.e., sus posibles soluciones) debe

estar delimitado dentro de un cierto rango.

Debe poderse definir una funcin de aptitud que nos indique

qu tan buena o mala es una cierta respuesta.

Las soluciones deben codificarse de una forma que resulte

relativamente fcil de implementar en la computadora.

El primer punto es muy importante, y lo ms recomendable es

intentar resolver problemas que tengan espacios de bsqueda
discretos aunque stos sean muy grandes. Sin embargo, tambin
podr intentarse usar la tcnica con espacios de bsqueda
continuos, pero preferentemente cuando exista un rango de
soluciones relativamente pequeo.
La funcin de aptitud no es ms que la funcin objetivo de
nuestro problema de optimizacin. El algoritmo gentico
nicamente maximiza, pero la minimizacin puede realizarse
fcilmente utilizando el recproco de la funcin maximizante (debe

cuidarse, por supuesto, que el recproco de la funcin no genere

una divisin por cero). Una caracterstica que debe tener esta
funcin es que tiene ser capaz de "castigar" a las malas soluciones,
y de "premiar" a las buenas, de forma que sean estas ltimas las
que se propaguen con mayor rapidez.
La codificacin ms comn de las soluciones es a travs de
cadenas binarias, aunque se han utilizado tambin nmeros reales
y letras. El primero de estos esquemas ha gozado de mucha
popularidad debido a que es el que propuso originalmente Holland,
y adems porque resulta muy sencillo de implementar.
Marco de Desarrollo
Antes de continuar ahondando en la tcnica de los Algoritmos
Genticos sera interesante dejarla situada dentro de un marco ms
amplio. Nos referimos a la rama de la Inteligencia Artificial que se
ha denominado Computacin Evolutiva.
El trmino Computacin Evolutiva se refiere al estudio de los
fundamentos y aplicaciones de ciertas tcnicas heursticas de
bsqueda basadas en los principios naturales de la evolucin. Una
gran variedad de algoritmos evolutivos han sido propuestos pero
principalmente pueden clasificarse en: Algoritmos Genticos,
Programacin
Evolutiva,
Estrategias
Evolutivas,
Sistemas
Clasificadores y Programacin Gentica. Esta clasificacin se basa
sobre todo en detalles de desarrollo histrico ms que en el hecho
de un funcionamiento realmente diferente, de hecho las bases
biolgicas en las que se apoyan son esencialmente las mismas. Las
diferencias entre ellos se centra en los operadores que se usan en
cada caso y en general en la forma de implementar la seleccin,
reproduccin y sustitucin de individuos en una poblacin.
Aunque los detalles de la evolucin no han sido completamente
comprendidos, incluso hoy en da, existen algunos puntos en los
que se fundamentan:

La evolucin es un proceso que opera a nivel de cromosomas, y

no a nivel de individuos. Cada individuo es codificado como un
conjunto de cromosomas.

La seleccin natural es el mecanismo mediante el cual los

individuos mejor adaptados son los que tienen mayores
posibilidades de reproducirse.

El proceso evolutivo tiene lugar en la etapa de la reproduccin.

Es en esta etapa donde se producen la mutacin, que es la

causante de que los cromosomas de los hijos puedan ser

diferentes a los de los padres, y el cruce, que combina los
cromosomas de los padres para que los hijos tengan
cromosomas diferentes.
De forma breve, pasamos a comentar cada uno de los algoritmos
mencionados anteriormente, para que el lector pueda tener una
idea de las similitudes y diferencias entre ellos.
Los Algoritmos Genticos resuelven los problemas generando
poblaciones sucesivas a las que se aplican los operadores de
mutacin y cruce. Cada individuo representa una solucin al
problema, y se trata de encontrar al individuo que represente a la
mejor solucin.
La Programacin Gentica funciona igual que la tcnica anterior
pero se centra en el estudio de problemas cuya solucin es un
programa. De manera que los individuos de la poblacin son
programas que se acercan ms o menos a realizar una tarea que es
la solucin.
La Programacin Evolutiva es otro enfoque de los algoritmos
genticos, en este caso el estudio se centra en conseguir
operadores genticos que imiten lo mejor posible a la naturaleza,
en cada caso, ms que en la relacin de los padres con su
descendencia. En este caso no se utiliza el operador de cruce,
tomando la mxima importancia el operador de mutacin.
Estrategias Evolutivas se centran en el estudio de problemas de
optimizacin e incluyen una visin del aprendizaje en dos niveles: a
nivel de genotipo, y a nivel de fenotipo. Y por ltimo los Sistemas
Clasificadores engloban el estudio de problemas en los que la
solucin buscada se corresponde con toda una poblacin.
Para finalizar se muestra un esquema en el que se sitan las
tcnicas mencionadas con respecto a otros procedimientos de
bsqueda conocidos.