Ingenier y Ciencia, ISSN 17949165 a Volumen 5, n mero 10, diciembre de 2009, pginas 7592 u a

Solucin de un problema Job Shop con un o agente inteligente1

Soluo de um problema Job Shop com um agente inteligente ca Job Shop problem solution with an intelligent agent Omar Danilo Castrilln2, Jaime Alberto Giraldo3 y o William Ariel Sarache4
Recepcin: 29-mar-2009/Modicacin: 20-jun-2009/Aceptacin: 21-jun-2009 o o o Se aceptan comentarios y/o discusiones al art culo

Resumen
En el presente trabajo se dene una nueva y efectiva metodolog basada en a, agentes inteligentes, para la secuenciacin de la produccin en ambientes Job o o Shop; especialmente, para pequeas y medianas empresas del sector metaln mecnico, donde estas tcnicas no han sido muy empleadas; debido a la alta a e resistencia al cambio. Este trabajo se desarrolla en dos fases. En la primera, se denen las diferentes tcnicas utilizadas. En la segunda, se ejecutan las pruebas estad e sticas con el n de determinar el porcentaje de aproximacin de estas soluciones a la o Este trabajo se deriva de la participacin de sus autores en el proyecto de investigacin o o nanciado por la vicerrector de investigaciones de la Universidad Nacional de Colombia, a con el cdigo 20101005012, titulado Los sistemas expertos y los agentes inteligentes, en la o reduccin de los plazos de fabricacin en ambientes Job Shop. o o 2 Doctor en Bioingenier odcastrillong@unal.edu.co, profesor asociado, Departamento a, de Ingenier industrial, Universidad Nacional de Colombia, ManizalesColombia. a 3 Doctor en Ingenier jaiagiraldog@unal.edu.co, profesor asociado, Departamento de a, Ingenier Industrial, Universidad Nacional de Colombia, ManizalesColombia. a 4 Doctor en Ciencias tcnicas, wasarachec@unal.edu.co, profesor asociado, Departamento e de Ingenier Industrial, Universidad Nacional de Colombia, ManizalesColombia. a Universidad EAFIT
1

75|

Solucin de un problema Job Shop con un agente inteligente o

solucin ptima o subptima. El resultado de este trabajo muestra que las o o o tcnicas basadas en agentes inteligentes, no siempre producen un resultado e ptimo; pero en unos pocos segundos, estas tcnicas pueden encontrar una o e solucin subptima con una aproximacin del 97,81 % y 90,43 % a la solucin o o o o ptima o subptima, en las variables tiempo total de proceso y tiempo total o o muerto, respectivamente. Esto contrasta con la poca efectividad encontrada en las tcnicas tradicionales. e Palabras claves: tiempo de proceso, tiempo muerto, agentes inteligentes, secuenciacin de la produccin, Job Shop, algoritmos evolutivos, optimizacin o o o multiobjetivo.

Resumo
Neste trabalho uma metodologia nova e ecaz denida, baseada em agentes e inteligentes, para a sequnciada produo em ambientes Job Shop; espee ca cialmente, para companhias pequenas e mdias do setor metalmecnico, onde e a estas tcnicas no foram usadas muito; devido ` resistncia elevada ` mudana. e a a e a c Este trabalho desenvolvido em duas fases. Na primeira fase, as diferentes e tcnicas usadas so denidas. Na segunda fase, as provas estat e a sticas so a executadas com a nalidade de determinar a porcentagem da aproximao ca destas solues soluo otima ou sub otima. co a ca Os resultados obtidos neste trabalho indicam que as tcnicas baseadas em e agentes inteligentes, no sempre producem um resultado otimo; porm em a e poucos segundos, estas tcnicas podem achar uma soluo otima com aproe ca ximao de 97.81% e 90.43% soluo otima ou sub otima, sob s variveis ca a ca a a tempo total do processo e tempo total morto, respetivamente. Em contraste com a pouca efectividade achada nas tecnicas tradicionais. Palavras chaves: tempo de processo, tempo morto, agentes inteligentes, sequncia da produo, job shop, algoritmos evoluo, optimizao multiobe ca ca ca jetivo.

Abstract
In this paper, is denes a new and eective methodology based on intelligent agents for production sequencing Job Shop Environments; especially for small and medium enterprises in the metal mechanics sector, where these techniques have not been employed , due to the high resistance to change. This work is developed in two phases. In the rst one, the dierent techniques used are dened. In the second step, statistical tests are executed in order to determine the approximation percentage solutions to the optimal or sub optimal solution. This works results show that the intelligent agents techniques dont produce an optimal result every single time; but in few seconds, these techniques, can

|76

Ingenier y Ciencia, ISSN 17949165 a

Omar Danilo Castrilln, Jaime Alberto Giraldo y William Ariel Sarache o

nd sub optimal solutions with an approximation of 97.81% and 90.43%, to the optimal or sub optimal solution, in the variables total time process and total idle time, respectively. This contrasts with the little eectiveness of traditional techniques. Key words: makespan time, Idle time, intelligent agents, production se-

quencing, Job Shop, evolutionary algorithms, multiobjective optimization.

Introduccin o

Desde la aparicin de las industrias manufactureras y su continuo crecimiento, o se ha incursionado en el estudio y mejoramiento de la programacin de la o produccin. En general, algunos autores [1] establecen bsicamente tres tipos o a de sistemas de produccin: o a) Conguracin por proyectos. o b) Conguracin contina. o u c) Conguracin por lotes, la cual comprende las conguraciones ow shop o y Job Shop; donde esta ultima se divide en conguracin en batch y con o guracin a la medida o de talleres; siendo esta conguracin (talleres) o o el objeto de anlisis de este art a culo. En la anterior clase de sistemas (conguracin a la medida o talleres) la o diversidad de variables que se deben tener en cuenta en este campo elevan el problema a la categor NPHard [2]; los cuales son problemas que no tienen a una unica solucin o su solucin es muy complicada. En estos problemas de o o secuenciacin bajo ambientes Job Shop con N trabajos y M mquinas, el o a M , si se tienen en cuenta todas nmero total de posibles soluciones es (N !) u las posibles alternativas, incluso las soluciones no realizables, por limitaciones f sicas [3]. Por ende, actualmente se desarrollan diferentes tcnicas de invese tigacin en todo el mundo, dado que este problema ha capturado la atencin o o de muchas instituciones pioneras en nuevos enfoques para encontrar mejores soluciones. Para solucionar este tipo de problemas, de optimizacin combinatoria, o bsicamente se emplean tres clases de tcnicas: a e
Volumen 5, nmero 10 u

77|

Solucin de un problema Job Shop con un agente inteligente o

a) Reglas de prioridad [1]. b) Algoritmos anal ticos. Si bien, tericamente pueden garantizar la o obtencin de soluciones ptimas, en su gran mayor estas tcnicas o o a, e son estticas y presentan problemas cuando el nmero de pedidos N a u y mquinas M , aumenta considerablemente. Pudindose armar que no a e existe tcnica de solucin exacta por su alta complejidad matemtica, e o a especialmente cuando el problema se sale de las pocas distribuciones conocidas [1]. c) Algoritmos evolutivos. Estos algoritmos no siempre garantizan una solucin ptima, pero por medio de conceptos derivados de la intelio o gencia articial, evolucin biolgica y mecanismos estad o o sticos, logran soluciones satisfactorias en tan slo unos pocos segundos, dado que son o algoritmos especialmente adaptados para la optimizacin [4]. o En la categor de algoritmos evolutivos se podr citar los agentes intelia an gentes, los cuales pueden ser denidos como un sistema (hardware o software) situado en un determinado entorno, capaz de actuar de forma autnoma y o razonada para llevar a cabo unos objetivos predeterminados [5, 6]. Como lo expresan algunos autores, pueden constituir el prximo avance en el desarrollo o de los sistemas y ser considerados como la nueva revolucin en el software [7]. o De una manera ms concisa, pueden ser denidos como programas de ordenaa dor capaces de efectuar una tarea o actividad sin la manipulacin directa de un o humano. As los agentes inteligentes han cambiado sustancialmente la forma , de interaccin hombremquina [8]. El diseo de la estructura de un ageno a n te debe ser conforme a tres principios bsicos: modularidad, generalizacin, a o escalabilidad [9] y seis propiedades fundamentales: autonom inteligencia, a, reactivo proactivo, sociabilidad, cooperacin y movilidad [5]. o En este sentido, cobran gran importancia los sistemas multiagentes, los cuales son una tecnolog que permite el funcionamiento de varias de las ana teriores tcnicas simultneamente, considerndose as cada agente como una e a a entidad con objetivos espec cos [10], como se estudia en Lpez [11], dono de se descompone el proceso de decisin de un experto humano en distintas o fases; en cada una de las cuales se aplican coordinadamente diferentes formas de inteligencia emulada, siendo el principal benecio obtenido por esta herramienta, el de lograr una visin global del problema [10], dependiendo o

|78

Ingenier y Ciencia, ISSN 17949165 a

Omar Danilo Castrilln, Jaime Alberto Giraldo y William Ariel Sarache o

del alcance de los diferentes agentes utilizados en este proceso, los cuales se activan automticamente. a Aunque actualmente se han desarrollado una gran variedad de aplicaciones para el manejo de los agentes inteligentes como: Shamash [12], AMCC agentbased manufacturing control and coordination [13], Lega [14], Callisto [15], MES, ERP [16], sistemas multiagentes basados en colonia de hormigas y bsqueda tab [17, 18, 19, 20], algoritmos h u u bridos [21], enfoque evolutivo multiagentes (los cuales parten de una solucin inicial para ser mejorada) o [22], planeacin y control de la produccin [23], manufactura distribuida [24], o o control de manufactura [25], programacin de manufactura dinmica [26], o a manufactura distribuida y exible [27, 28], optimizacin de log o stica y produccin [29], Secuenciacin de Problemas Job Shop (JSSP) [30, 31, 32]; su o o aplicacin en los sistemas de produccin bajo ambientes Job Shop no ha sido o o muy difundida. Adicionalmente, al campo de la produccin, los anteriores mtodos tamo e bin han sido extendidos a otras ramas como la educacin [33], donde por e o medio del diseo de software, ha sido posible aprender a interactuar con ten mas espec cos como losof mejora continua, retroalimentacin, etctera a, o e [34]. Resaltndose que los nuevos mtodos de enseanza basados en agentes, a e n se han convertido en una herramienta clave en reas como: enseanza [35], a n robtica [36], cadenas de proveedores [37], planeacin y protocolos de negoo o ciacin [38], optimizacin del ujo de trco [39], problemas nancieros [40], o o a prediccin de eventos [41], seleccin ptima de pedidos [42], y en general toda o o o clase de problemas NP completos [43, 44, 45, 46]. Es importante resaltar que sin la asistencia de un computador y sus herramientas no es posible hablar de agentes inteligentes, lo cual contrasta con la gran resistencia al cambio especialmente en la pequea y mediana industria, n donde su cultura informtica es muy baja y las empresas consideran que no es a necesario modicar su forma de programar la produccin [47]. Siendo as el o , objetivo fundamental de este trabajo es mostrar la efectividad de las tcnicas e basadas en inteligencia articial (agentes inteligentes) en la secuenciacin de o la produccin, bajo ambientes Job Shop, en pequeas y medianas empresas o n (PYMEs) metalmecnicas. Campo en el cual, estas tcnicas no han sido muy a e empleadas.

Volumen 5, nmero 10 u

79|

Solucin de un problema Job Shop con un agente inteligente o

Igualmente, es importante resaltar que por medio de las tcnicas basae das en inteligencia articial (agentes inteligentes) [48, 49] se ha encontrado una efectividad cercana al 98 %, medida en la variable tiempo total de proceso, lo cual contrasta con la poca efectividad [1] encontrada en las tcnicas e tradicionales de programacin de la produccin. Todas las anteriores razones o o justican el emple de estas tcnicas en el desarrollo de esta investigacin. o e o As mismo, se espera que este art culo motive el uso de las tcnicas de e inteligencia articial en las pequeas y medianas empresas; especialmente en n pa ses poco desarrollados, donde los sistemas de produccin presentan un o gran nmero de operaciones manuales, impidindoles alcanzar altos niveles u e competitivos con estndares mundiales [50]. a Finalmente, se resalta que la extensa revisin literaria desarrollada en esta o seccin muestra que, si bien, la inteligencia articial ha sido ampliamente o usada en los campos de la produccin, su aplicacin por medio de agentes o o inteligentes en la solucin de problemas de secuenciacin de la produccin, o o o en ambientes Job Shop, no ha sido muy empleada (23,5 % de las referencias). Esto ultimo conrma la novedad de la metodolog propuesta en la siguiente a seccin. o

Metodolog a

Si bien en la solucin de problemas de programacin de la produccin en o o o ambientes Job Shop, se han propuesto diferentes metodolog relacionadas as con la inteligencia articial, en esta seccin se propone una nueva metodolog o a basada en agentes inteligentes, con el n de mejorar la solucin de esta clase o de problemas. Paso 1: tomando como referencia algunos escritos [51], el problema Job Shop N M , puede ser representado por medio de una estructura: mquina, a tiempo de proceso, como la ilustrada en la tabla 1. Cada columna representa los tiempos de proceso de un pedido N , en los diferentes centros de trabajo (CT). Cuando un pedido no requiere procesamiento de una mquina, en la a respectiva casilla del CT, se coloca un valor igual a innito, en cualquier otro caso su valor es Pm,n . El orden en que cada uno de los diferentes pedidos es atendido por cada uno de los diferentes centros de trabajo, es descrito en el paso 3.

|80

Ingenier y Ciencia, ISSN 17949165 a

Omar Danilo Castrilln, Jaime Alberto Giraldo y William Ariel Sarache o

Tabla 1: representacin de un problema JSS N M o Centro T 1 2 3 M C 1 T p11 T p21 Inf T pMC1 Tiempo de procesos 2 3 4 T p12 T p13 T p22 Inf T p32 T p33 Inf T pMC2 T pMC3 de los 5 Pm,n pedidos 6 N T p1N T p2N Inf T pMCN

Paso 2: la secuenciacin de los procesos es codicada dentro de una matriz o de (M C) N casillas, donde el valor de cada columna de la matriz Vm,n , corresponde al orden en que un centro de trabajo C debe atender un pedido N , es decir, la ruta de un pedido. As mismo, la variable M denota las mquinas a del centro de trabajo que pueden atender este pedido, ver tabla 2.
Tabla 2: rutas de los pedidos Centro T C1 M1 C1 M2 C2 M2 Cc Mm 1 2 2 1 M 2 1 1 M 5 3 Pedidos 4 5 Vm,n 6 N M C M C 3 1

Por ejemplo, en la tabla 2, el pedido 1 debe ser atendido por alguna de las mquinas de los diferentes centros de trabajo en el siguiente orden a C2 , C1 . . . Cc . En este caso se supone que en cada centro de trabajo pueden existir hasta M diferentes mquinas, con diferentes tiempos de proceso, que a pueden atender el pedido. Paso 3: se disea un agente inteligente el cual, basado en el principio n de autonom codique varias soluciones vlidas (m a, a nimo 10) representadas por medio de genes, donde cada gen contiene el orden en que un pedido ser atendido por cada una de las diferentes mquinas, ver tabla 3. Con base en a a las funciones descritas en el paso 4, el agente deber evaluar la efectividad de a
Volumen 5, nmero 10 u

81|

Solucin de un problema Job Shop con un agente inteligente o

la solucin encontrada y tomar las acciones genticas necesarias (combinacin o e o gentica 99 % y/o mutacin gentica 1 %) para optimizar o suboptimizar la e o e solucin del problema deseado. o
Tabla 3: posible solucin del problema. Representacin de un gen o o 1 2* 2 1 M 1* M 3 4 5 6 N M C

3 1

* Mquinas CT a

Paso 4: para cada una de las soluciones encontradas en el paso anterior, se debe denir un diagrama de Gantt, el cual establezca el orden de los procesos en el tiempo, en cada una de las diferentes mquinas. Establecido el diagrama a de Gantt, se procede a evaluar cada una de las diferentes soluciones, con el n de calcular los tiempos totales de proceso (Makespan) y los tiempos totales de ocio (Idle), bajo las funciones de clculo (Fitness): a Fitnessmakespan = m mx ( mx (Pij ))) y n( a a
1iN 1jM m

(1) (2)

Fitnessidle = m n
j=1

fj .

El objetivo fundamental es minimizar las dos funciones Fitness. La ecuacin (1) representa el objetivo primario y (2) el objetivo secundario. Donde o N representa el nmero de trabajos, M representa el nmero de mquinas, u u a Pij es el tiempo de procesamiento del trabajo i en la mquina j, y fj es el a tiempo de ocio de la mquina j. a Nota: si bien, en la programacin multiobjetivo existen varios mtodos, como o e las funciones agregadas (mtodo ponderaciones), inicialmente, en esta investie gacin slo se considera una funcin primaria y otra secundaria. Sin embargo, o o o en las prximas investigaciones tambin se debe asociar una funcin de costo, o e o lo cual har necesario tratar todas las funciones como agregadas. a

|82

Ingenier y Ciencia, ISSN 17949165 a

Omar Danilo Castrilln, Jaime Alberto Giraldo y William Ariel Sarache o

Paso 5: con el n de analizar la aproximacin de las soluciones respecto o a la solucin ptima o subptima, se calcula, mediante un algoritmo recuro o o sivo de backtraking y poda, las posibles formas de secuenciar los N pedidos en cada uno de los diferentes centros de trabajo (en los problemas donde computacionalmente es posible). Para cada una de estas soluciones se establece, mediante un diagrama de Gantt, su respectivo tiempo total de proceso y tiempo total muerto. El anterior proceso permitir obtener un promedio de a las mejores soluciones que servirn de referencia en este anlisis. a a Nota: cuando computacionalmente es factible, se establece la solucin ptio o ma por medio un algoritmo recursivo, el cual prueba todas las posibilidades (aunque su ejecucin tarde d o as) en los casos en los cuales computacionalmente no es factible, el algoritmo recursivo slo podr calcular un subptimo, o a o mediante un proceso de backtraking y poda, el cual slo analizar una parte o a de las ramas del rbol de posibilidades. Es de resaltar que este paso slo se a o realiza una vez con el n de establecer la efectividad de la metodolog en la a; prctica, una vez demostrada esta efectividad, este paso no es necesario. a Paso 6: con base en el promedio de las mejores soluciones obtenidas en el paso 4, se establece el porcentaje de aproximacin de cada una de las posibles o soluciones encontradas, respecto a la estimacin de la mejor solucin posible. o o Lo anterior permite establecer la efectividad de la metodolog propuesta. a Paso 7: con el propsito de garantizar la consistencia de la metodolog es o a necesario repetir la misma, durante un determinado nmero de veces (tratau mientos). En cada uno de los tratamientos, los 10 mejores resultados, respecto a las funciones Fitness son tomados como referencia. Con el n de determinar si los resultados corresponden estad sticamente a tratamientos iguales o diferentes, un anlisis de varianza bajo el modelo a

yi = + Ti + i

es realizado, donde yi representa las variables de respuesta, Ti los efectos causados por el tratamiento ith , y i es el ith error experimental. En este punto es importante vericar que la informacin recolectada cumpla con las o condiciones necesarias de independencia y normalidad, que permitan aplicar los test requeridos.
Volumen 5, nmero 10 u

83|

Solucin de un problema Job Shop con un agente inteligente o

Experimentacin o

En la experimentacin de esta metodolog se toma como referencia una emo a presa del sector metalmecnico, en su producto fundamental denominado Baa rras. Aunque en el problema original, el producto debe pasar por cinco centros de trabajo sin importar el orden; la experimentacin se realiz con base o o en un problema de carcter general, con C centros de trabajos y con M difea rentes mquinas en cada centro, que pueden atender el producto en proceso, a gura 1.
Maquina 11 Maquina 12 Maquina 1M Centro trabajo 1

Maquina 21

Maquina 22

Maquina 2M Centro trabajo 2

Maquina 31

Maquina 32

Maquina 3M Centro trabajo 3

Maquina C1

Maquina C2

Maquina CM Centro trabajo C

Figura 1: problema objeto de anlisis a

Sin embargo, considerando el alt simo nmero de posibilidades compuu taciones para calcular una solucin ptima o subptima, los resultados sern o o o a analizados bajo un problema con 16 Pedidos (ver tabla 5) con 9, 9771 1071 posibilidades, un problema no factible de calcular computacionalmente; con la siguiente distribucin de mquinas por centros de trabajo, ver tabla 4. o a
Tabla 4: mquinas por centros de trabajo a Centro de trabajo 1 2 3 4 5 No de mquinas a 2 3 2 1 1
Ingenier y Ciencia, ISSN 17949165 a

|84

Omar Danilo Castrilln, Jaime Alberto Giraldo y William Ariel Sarache o

Igualmente, la tabla 5 ilustra los tiempos de procesos de los 16 pedidos en cada una de las diferentes mquinas. a
Tabla 5: tiempos de proceso de los diferentes pedidos en cada una de las mquinas a
CT 1 1 2 2 2 3 3 4 5 Centros Mquinas a 2 3 2 1 1 P1 3 3 5 3 8 3 5 3 8 P2 3 7 8 6 5 7 8 6 5 P3 5 3 4 4 3 5 4 5 3 P4 4 4 5 3 6 4 7 4 5 P5 5 5 5 5 5 5 5 5 5 P6 5 7 6 5 4 3 7 6 3 P7 7 4 3 5 6 7 8 3 4 P8 3 7 3 8 7 6 4 3 5 Pedidos P9 P10 P11 P12 P13 P14 P15 P16 9 3 3 5 4 3 3 4 8 4 4 3 3 4 5 6 7 3 3 4 4 4 6 5 3 8 4 6 5 3 6 7 4 6 5 5 3 4 5 6 5 4 4 4 6 5 4 6 6 4 6 3 3 6 5 5 4 7 4 4 4 5 6 7 4 8 5 3 3 4 5 6

Resultados

Paso 1-6: aunque las mejores soluciones encontradas son buenas (ver tabla 6), las mismas distan ligeramente en la variable tiempo total muerto (Idle), de la solucin ptima (ver gura 2). o o
Tabla 6: anlisis de varianza de las diferentes rplicas, en los diferentes tratamientos a e
T Makespan JSSP 3 9 Trata 1 Trata 2 Trata 3 Repeticiones Sum 1 2 3 4 5 6 7 8 9 10 77 78 78 78 78 78 78 77 78 78 778 77 78 78 77 78 78 78 78 78 76 776 78 78 78 78 77 78 78 77 78 77 777 Fuente varia GL SC CM Fcal F tabla Sum C Total 8,30 Tratamiento 2,00 0,20 0,10 0,33 3,35 Error Exper 27,00 8,10 0,30 Total 29,00 8,30 0,40 El modelo no es signicativo

Fuente F GL SC CM Fcal varia tabla JSSP Sum C 1 2 3 4 5 6 7 8 9 10 1258,97 39 Total Trata 1 300 312 311 297 307 308 308 311 292 311 3057 Tratam 2,00 76,07 38,03 0,87 3,35 Error Trata 2 318 312 311 306 303 297 304 311 318 296 3076 27,00 1182,90 43,81 Exper Trata 3 319 303 307 310 305 308 314 313 311 306 3096 Total 29,00 1258,97 81,84 El modelo no es signicativo T Idle Repeticiones Sum

Volumen 5, nmero 10 u

85|

Solucin de un problema Job Shop con un agente inteligente o

Proceso 1 Proceso 2 Proceso 3 Proceso 4 Proceso 5 Proceso 6 Proceso 7 Proceso 8 Proceso 9

P2

P5

P9

P3

P10 P13 P14 P15

P4 P5

P7 P9

P1 P6

P8

P11 P12 P16

}
P11 P15 P9 P10

Ct1

P6

P8

P12

P13

P14

P12

P3 P10 P12 P1 P1 P2 P7 P2 P3

P1

P2 P10 P16 P3 P4 P5 P4 P6 P8

P4

P7 P13

}
P11 P15 P10

Ct2

P5

P6

P14 P16

}
P15 P16

Ct3

P7 P8 P9

P12 P13 P11 P14

P12 P3 P4

P5

P13 P1

P2

P6 P8

P7

P14 P9

P11

P15

} }

Ct4 Ct5

10

20

30

40

50

60

70

80

Figura 2: solucin ptima. Makespan = 76. Tiempo Idle = 277 o o

Nota: dado que en los centros de trabajo CT4 y CT5 no existen tiempos muertos, se puede armar que con respecto a la variable Tiempo total de proceso (Makespan) la solucin encontrada es la mejor. o Paso 7-8: dado que el programa no siempre genera la solucin ptima, es o o necesario establecer la efectividad de las soluciones encontradas, respecto a la mejor solucin. Para lo anterior se ilustran las mejores soluciones encontradas, o al ejecutar el algoritmo propuesto, durante tres tratamientos de 10 rplicas e consecutivas, las cuales son representativas. Los anlisis de varianza ilustrados en esta seccin (tabla 6), muestran a o que el valor de las dos distribuciones F , calculadas en (0,05; 2; 27), es menor que el valor de las mismas distribuciones F reales; en consecuencia se puede armar que los resultados obtenidos son estad sticamente iguales, con una conabilidad de 99,5 %. La estabilidad de las soluciones encontradas, permite establecer una aproximacin promedio de las soluciones encontradas, respecto o a la mejor solucin. Esta aproximacin promedio fue del 97,81 % y 90,43 %, o o medida en las variables tiempo total de proceso y tiempo total muerto.

|86

Ingenier y Ciencia, ISSN 17949165 a

Omar Danilo Castrilln, Jaime Alberto Giraldo y William Ariel Sarache o

Lo anterior comprueba la efectividad de los agentes inteligentes y la consistencia de sus soluciones, en los procesos de secuenciacin de la produccin, eso o tableciendo as un referente; el cual, como se expres al inicio de este art o culo, permite motivar el uso de las tcnicas de inteligencia articial en las empresas; e especialmente en pa poco desarrollados, donde los sistemas de produccin ses o presentan un gran nmero de operaciones manuales, impidindoles alcanzar u e altos niveles competitivos con estndares mundiales. a

Conclusiones

Como se deduce del anlisis de varianza, las diferentes soluciones encontradas a por medio de estas tcnicas de inteligencia articial, muestran que, respece to a la variable tiempo total de proceso (Makespan) y tiempo total muerto (Idle), no existen diferencias signicativas entre los resultados encontrados, en las diferentes rplicas del algoritmo, basado en un agente inteligente. As e , en promedio esta nueva tcnica ilustrada permite encontrar soluciones, con e una aproximacin, respecto a la solucin optima, del 97,81 % y 90,43 % reso o pectivamente, medida en las variables objeto de estudio; lo cual, como se ilustr en la introduccin de este art o o culo, contrasta con la poca efectividad [1] encontrada en las tcnicas tradicionales de programacin de la produccin. e o o Aspecto que permite mejorar considerablemente el desempe o de un sistema n de produccin. o As mismo, como lo muestra la amplia revisin literaria realizada, no existe o una tcnica, tan efectiva, de secuenciacin de la produccin en ambientes Job e o o Shop, la cual est basada en agentes inteligentes y sea aplicada en las pequeas e n y medianas empresas del sector metalmecnico, especialmente en pa en v a ses a de desarrollo. Finalmente es importante resaltar que una vez se ha alcanzado el valor o ptimo respecto a la variable tiempo total de proceso (objetivo primario); el tiempo total muerto slo puede ser reducido, por un mayor empleo de los o centros de trabajo con diferentes mquinas, que puedan realizar la misma a operacin sobre un pedido. Por lo cual, es necesario asociarle una funcin de o o costo al uso de cada mquina, con el n de optimizar las dos variables objeto a de estudio, respecto a esta funcin. El anlisis de estas funciones, por medio o a de programacin multiobjetivo, ser objeto de futuras l o a neas de investigacin. o
Volumen 5, nmero 10 u

87|

Solucin de un problema Job Shop con un agente inteligente o

Referencias
[1] Jos A. Dom e nguez, Antonio Alvarez Gil, Miguel Angel Dom nguez Machuca y Santiago Garc Gonzlez. Direccin de operaciones. Aspectos estratgicos en a a o e la produccin y los servicios, ISBN 978-84-481-1848-8. Mac Graw Hill, Madrid, o 1995. Referenciado en 77, 78, 80, 87 [2] M. R. Garey, D. S. Johnson and R. Sethi. The complexity of owshop and jobshop scheduling. Mathematics of operations research, ISSN 0364765X, 1(2), 117129 (1976). Referenciado en 77 [3] Jin hui Yang, Liang Sun, Heow Pueh Lee, Yun Qiand and Yan-chun Liang. Clonal selection based memetic algorithm for jobshop scheduling problems. Journal of bionic engineering, ISSN 16726529, 5(2), 111119 (2008). Referenciado en 77 [4] M. Elena Prez y Francisco Herrera. Algoritmos genticos multimodales: un estue e dio sobre la parametrizacin del mtodo clearing aplicado al problema Job Shop. o e http://sci2s.ugr.es/publications/cheros/0679.pdf, julio 2009. Referenciado en 78 [5] Angel A. Castillo. Agentes inteligentes. http://www.sia.eui.upm.es/grupos/ IntroAI.pdf, julio 2009. Referenciado en 78 [6] Pablo L. Navarra y Jos A. Mart e nez. Agentes inteligentes en la bsqueda y reu cuperacin de informacin, ISBN 8497075714. Editorial planeta, Barcelona, o o 2004. Referenciado en 78 [7] V. Julin y V. Botti. Agentes inteligentes: el siguiente paso en la inteligencia a articial . Novatica, ISSN 02112124, 1(145), 9599 (2000). Referenciado en 78 [8] LiNing Xing, YingWu Chen and KeWei Yang. Multiobjective exible Job Shop schedule: design and evaluation by simulation modeling. Applied soft computing, ISSN 15684946, 9(1), 362376 (2009). Referenciado en 78 [9] Shijin Wang, Lifeng Xi and Binghai Zhou. FBSenhanced agentbased dynamic scheduling in FMS . Engineering applications of articial intelligence, ISSN 09521976, 21(4), 644657 (2008). Referenciado en 78 [10] Alain Cardon, Thierry Galinho and JeanPhilippe Vacher. Genetic algorithms using multiobjectives in a multiagent. Robotics and autonomous systems, ISSN 09218890, 33, 179-190 (2000). Referenciado en 78 [11] Omar LpezOrtega and Israel VillarMedina. A multiagent system to conso truct production orders by employing an expert system and a neural network . Expert Systems with Applications: An International Journal, ISSN 09574174, 36(2), 29372946 (2009). Referenciado en 78

|88

Ingenier y Ciencia, ISSN 17949165 a

Omar Danilo Castrilln, Jaime Alberto Giraldo y William Ariel Sarache o

[12] Mar Dolores R.Moreno, Daniel Borrago, Amedeo Cesta and Angelo Oddi. a Integrating planning and scheduling in workow domains. Expert Systems with Applications: An International Journal, ISSN 09574174, 33(2), 389406 (2007). Referenciado en 79 [13] RueyShun Chen and Mengru Tu. Development of an agentbased system for manufacturing control and coordination with ontology and RFID technology. Expert Systems with Applications: An International Journal, ISSN 09574174, 36(4), 75817593 (2009). Referenciado en 79 [14] Nhu Binh Ho, Joc Cing Tay and Lai Edmund M.K. An eective architecture for learning and evolving exible jobshop schedules. European journal of operational research, ISSN 03772217, 179(2), 316333 (2007). Referenciado en 79 [15] Arvind Sathi, Thomas Morton and Steven Roth. Callisto: an intelligent project management system. AI magazine, ISSN 07384602, 7(5), 3452 (1986). Referenciado en 79 [16] Amy Trappey, TungHung Lu and LiDienFu. Development of an intelligent agent system for collaborative mold production with RFID technology. Robotics and computerintegrated manufacturing, ISSN 07365845, 25(1), 4256 (2009). Referenciado en 79 [17] KuoLing Huang and ChingJong Liao. Ant colony optimization combined with taboo search for the Job Shop scheduling problem. Computers & operations research, ISSN 03050548, 35(4), 10301046 (2008). Referenciado en 79 [18] Andrea Rossi and Elena Boschi. A hybrid heuristic to solve the parallel machines jobshop scheduling problem. Advances in Engineering Software, ISSN 09659978, 40(2), 118127 (2009). Referenciado en 79 [19] Oscar BuitragoSuesc n, Rodrigo BrittoAgudelo y Gonzalo Mej u a Delgadillo. Anlisis comparativo de colonia de hormigas vs. un enfoque a combinado cuello de botella mvil/bsqueda tab en la minimizacin o u u o de la tardanza ponderada total en sistemas de manufactura tipo taller. http://caribdis.unab.edu.co/pls/portal/docs/PAGE/REVISTACOLOMBIANA COMPUTO/RCC ESPANOL/NUMEROSANTERIORES/JUNIO2007/R81 AR T2 C.PDF, julio 2009. Referenciado en 79 [20] W. Xiang and H. P. Lee. Ant colony intelligence in multiagent dynamic manufacturing scheduling. Engineering applications of articial intelligence, ISSN 09521976, 21(1), 7385 (2008). Referenciado en 79
Volumen 5, nmero 10 u

89|

Solucin de un problema Job Shop con un agente inteligente o

[21] Hong Zhou, Cheung Waiman and Leung Lawrence. Minimizing weighted tardiness of jobshop scheduling using a hybrid genetic algorithm. European journal of operational research, ISSN 03772217, 194(3), 637649 (2009). Referenciado en 79 [22] N. Liu, M. A. Abdelrahman and S. Ramaswamy. Robust and adaptable Job Shop scheduling using multiple agents, ISBN 0780388089. Proceedings of the Thirty-Seventh Southeastern Symposium on System Theory, 2005. SSST 05, 45 49 (2005). Referenciado en 79 [23] H. K. Tnsho, O. Herzog and I. J. Timm. Integrated process plano ning and production control based on the application of intelligent agents. http://en.scienticcommons.org/42323286, january 2009. Referenciado en 79 [24] Weiming Shen. Distributed manufacturing scheduling using intelligent agents. IEEE Intelligent Systems, ISSN 15411672, 17(1), 8894 (2002). Referenciado en 79 [25] M. K. Lim and D. Z. Zhang. An integrated agentbased approach for responsive control of manufacturing resources. Computers & Industrial Engineering, ISSN 03608352, 46(2), 221232 (2004). Referenciado en 79 [26] Weiming Shen and Douglas H. Norrie. An Agent Based approach for dynamic manufacturing scheduling. http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.40.2734, january 2009. Referenciado en 79 [27] Ludovica Adacher, Alessandro Agnetis and Carlo Meloni. Autonomous agents architectures and algorithms in exible manufacturing systems. IIE Transactions, ISSN 0740817X, 32(10), 941951 (2000). Referenciado en 79 [28] Weiming Shen, Lihui Wang and QiHao. AgentBased distributed manufacturing process planning and scheduling: a stateofthe-art survey. IEEE transactions on systems, man and cybernetics. Part C, Applications and reviews, ISSN 10946977, 36(4), 563577 (2006). Referenciado en 79 [29] Anthony Karageorgos, Nikolay Mehandjiev, Alexander Hmmerle and Georg a Weichhart. Agentbased optimization of logistics and production planning. http://users.teilar.gr/karageorgos/publications/IMS 2003 v 6.0 Karageorgos et al camera ready.pdf, julio 2009. Referenciado en 79 [30] M. Emin Aydin and Terence C. Fogarty. A simulated annealing algorithm for multiagent systems: a jobshop scheduling application: applied intelligent heuristics for responsive manufacturing. Journal of intelligent manufacturing, ISSN 09565515, 15(6), 805814 (2004). Referenciado en 79

|90

Ingenier y Ciencia, ISSN 17949165 a

Omar Danilo Castrilln, Jaime Alberto Giraldo y William Ariel Sarache o

[31] Emmy M. Ayden and Terence C. Fagorty. Teams of autonomous agents for jobshop scheduling problems: an experimental study: intelligent manufacturing systems: vision for the future. Journal of intelligent manufacturing, ISSN 0956 5515, 15(4), 455462 (2004). Referenciado en 79 [32] Zhanjie Wang and Yanbo Liu. A MultiAgent agile scheduling system for job shop problem, ISBN 0769525288. Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications, Jinan, 679683 (2006). Referenciado en 79 [33] Gonzalo Villarreal. Agentes inteligentes en educacin. EdutecE, Revista o electrnica de tecnolog educativa, ISSN 11359250, 16, 15 (2003). Refereno a ciado en 79 [34] John Wang, Ruiliang Yan, Kimberly Hollister and Dan Zhu. A historic review of management science research in China. Omega, ISSN 03050483, 36(6), 919932 (2008). Referenciado en 79 [35] C. Romero, P. Gonzlez, S. Ventura, M. J. del Jes s and F. Herrera. Evolua u tionary algorithms for subgroup discovery in elearning: a practical application using moodle data. Expert systems with applications, ISSN 09574174, 36(2), 16321644 (2009). Referenciado en 79 [36] Maria J. Lamarca. Robots y agentes. http://www.hipertexto.info/documentos/ robot agent.htm, julio 2009. Referenciado en 79 [37] J. Sauer and H. J. Appelrath. Scheduling the supply chain by teams of agent. http://www2.computer.org/portal/web/csdl/doi/10.1109/HICSS.2003.1174200, ISBN 0769518745, julio 2009. Referenciado en 79 [38] Isabel C. Zattar, Joao C. E. Ferreira, Joao G. Rodr guez and Carlos Humberto B. De Sousa. Integration between process planning and scheduling using featurebased timeextended negotiation protocols in a multiagent system. International journal of services operations and informatics, ISSN 17415403, 3(1), 7189 (2008). Referenciado en 79 [39] Jeremy Blum and Azim Eskandarian. Enhancing intelligent agent collaboration for ow optimization of railroad trac. Transportation research part a: policy and practice, ISSN 09658564, 36(10), 919930 (2002). Referenciado en 79 [40] Yu Lean, Wang Shouyang and Lai Kin Keung. An intelligentagentbased fuzzy group decision making model for nancial multicriteria decision support: the case of credit scoring. European journal of operational research, ISSN 03772217, 195(3), 942959 (2009). Referenciado en 79
Volumen 5, nmero 10 u

91|

Solucin de un problema Job Shop con un agente inteligente o

[41] Lessmann Stefan, Sung Ming-Chien and Johnson Johnnie E. V. Identifying winners of competitive events: a SVMbased classication model for horserace prediction. European journal of operational research, ISSN 03772217, 196(2), 569577 (2009). Referenciado en 79 [42] Hyung Rim Choi, Hyun Soo Kim, Byung Joo Park, et al. An agent for selecting optimal order set in EC marketplace. Decision Support Systems, ISSN 01679236, 36(4), 371383 (2004). Referenciado en 79 [43] J. Sun, Y. Zhang, Nee A. Y. C. Agent-based product design and planning for distributed concurrent engineering. Proceedings. ICRA 00. IEEE International Conference on Robotics and Automation, 2000., ISBN 0780358864, 4, 3101 3106 (2000). Referenciado en 79 [44] Jens Henoch and Heinz Ulrich. Agentbased management systems in logistics. http://www.ifor.math.ethz.ch/publications/2000 agentbasedmanagementsystems.pdf, julio 2009. Referenciado en 79 [45] Byung-in Kim, Robert J. Graves, Sunderesh S. Heragu and Art St. Onge. Intelligent agent modeling of an industrial warehousing Problem. IIE transactions, ISSN 15739724, 34(7), 601612 (2002). Referenciado en 79 [46] Yuhong Yan, Torsten Kuphal and J rgen Bode. Application of multiagent sysu tems in project management . International journal of production economics, ISSN 09255273, 68(2), 185197 (2000). Referenciado en 79 [47] Sev V. Nagalingam and Grier C.I. Lin. CIMstill the solution for manufacturing industry. Robotics and computerintegrated manufacturing, ISSN 0736 5845, 24(3), 332344 (2008). Referenciado en 79 [48] Omar D. Castrilln, Jaime A. Giraldo y William A. Sarache. Secuenciacin en o o ambientes jobshop por medio de sistemas expertos y agentes inteligentes, ISBN 9781934272640. Octava conferencia iberoamericana en sistemas, ciberntica e e informtica, Orlando, 3942 (2009). Referenciado en 80 a [49] Omar D. Castrilln, William A. Sarache y Jaime A. Giraldo. Anlisis de un proo a blema jobshop por medio de un sistema experto y un agente inteligente. Congreso de Ingenier de la Organizacin, Barcelona, 2009. Referenciado en 80 a o [50] J. R. Latta, E. G. Sarabia, D. Fernndez, J. Arce y J. P. Oria. Aplicacin de a o inteligencia articial en sistemas automatizados de produccin. Inteligencia artio cial: Revista Iberoamericana de Inteligencia Articial, ISSN 19883064, 4(10), 100110 (2000). Referenciado en 80 [51] Koonce D. A. and Tsai S. C. Using data mining to nd patterns in genetic algorithm solutions to a jobshop schedule. Computer & Industrial Engineering, ISSN 03608352, 38(3), 361374 (2000). Referenciado en 80

|92

Ingenier y Ciencia, ISSN 17949165 a