Algoritmos Evolutivos para La Secuenciación de Operaciones Con T de Preparacion

IngenieraIndustrial. .
A Ac ct tu ua al li id da ad dy yN Nu ue ev va as sT Te en nd de en nc ci ia as s

A A o o3 3, ,V Vo ol l. .I II I, ,N N 4 4
ISSN:18568327

DArmas.AlgoritmosEvolutivosparasecuenciacindeoperaciones,p.726

7
AlgoritmosEvolutivosparalaSecuenciacinde
OperacionesconTiemposdePreparacin
EvolutionaryAlgorithmsfortheSchedulingwithSetupsTimes
MayraDArmasRegnault
PalabrasClaves:AlgoritmosEvolutivos,Secuenciacin,tiemposdepreparacin,familiadeproductos
KeyWords:EvolutionaryAlgorithms,Scheduling,setuptimes,familyjobs

RESUMEN
Este trabajo se enmarca dentro del rea de
la programacin de procesos de produccin y
tienecomoobjetivoevaluar,mediantepruebas
computacionales, el comportamiento de los
Algoritmos Evolutivos en la resolucin de un
problema de secuenciacin de operaciones. El
problema estudiado considera una mquina
con tiempos de preparacin dependientes de
la secuencia, familia de productos y fechas de
vencimientos, con el objetivo de minimizar el
retraso total. Dado que alcanzar la solucin
ptima requiere un proceso excesivamente
largo, se opt por un algoritmo
metaheurstico, del grupo de los Algoritmos
Evolutivos. La dimensin de la poblacin se
tom en funcin del nmero de piezas, se
consider como medida de calidad de un
individuo (solucin) el valor del retraso total,
parejas porbondaddelasolucin,crucePMX
y probabilidad de mutacin del 30% con
mutacin blanda. Cada uno de los diferentes
operadores que configuran el Algoritmo
Evolutivo, se implementaron mediante el
lenguajeVisualBasic6.0yseprobaronenuna
coleccin de 1000 instancias del problema con
un nmero de familias entre 46 y con un
nmero de piezas entre 1525. Los resultados
computacionalesobtenidosdemuestranqueel
AlgoritmoEvolutivopropuestoarrojamejores
resultados que los obtenidos con las reglas de
secuenciacin.
ABSTRACT
This work can be located in the production

scheduling area and pretends to evaluate,
using computational tests, the behavior of
Evolutionary Algorithms to solve a
scheduling problem. The studied problem
considers a single machine with sequence
dependent setup times, family jobs and
deadlines, with the objective to minimize the
total tardiness. Since the optimal solution
requiresanexcessivelylongtime,itisapplied
a metaheuristic algorithm, within the group
of Evolutionary Algorithms. The sample size
depends on the number of jobs, individual
solutions are selected through the value of
total tardiness, pairs by flexibility of the
solution, crossover PMX and the mutation
probability of 30% with soft mutation.
Therefore,eachofthedifferentoperatorsused
in Evolutionary Algorithms were
implemented, by means of Visual Basic
language 6.0, and tested on 1000 instances
with a total number of families between 46
and with a total number of jobs between 15

ISSN:18568327


8
25. The obtained computational results
demonstrated that the proposed Evolutionary
Algorithm had a better performance than the
sequencingrules.
INTRODUCCIN
En muchos ambientes industriales tales
como la industria qumica, textil, del
plstico, farmacutica y del metal, es
comnquesellevenacabodiversostipos
de operaciones que requieren un cierto
tiempo de preparacin entre una
operacin y otra (DArmas, 2005).
Tambin, es muy comn la existencia de
unas fechas lmites para la entrega de los
pedidos, lo que puede determinar la
presencia de retrasos en las entregas, con
lo queelobjetivobsico seconvierteenla
minimizacin de los retrasos de los
pedidos.
Muchas de las investigaciones en el
rea de la secuenciacin de operaciones,
consideran que cuando una mquina
cambia de un trabajo a otro no hay
tiemposdepreparacin,ysiloshay,stos
se consideran independientes de la
secuencia. No obstante, la suposicin de
que los tiempos de preparacin son
insignificantes o forman parte del tiempo
deprocesamientonoesvlidaparaelcaso
de tiempos de preparacin dependientes
delasecuencia,yenelcasodetiemposde
preparacin independientes de la
secuenciapuedeconduciraunincremento
de los tiempos muertos en algunas de las
mquinas(Allahverdi,2000).
El problema objeto de estudio es de
tipo combinatorio (Morales, 2004).
Resolver un problema combinatorio se
puede resumir en encontrar la solucin
ptima dentro de un conjunto finito de
alternativas, asumiendo que la calidad de
la solucin es cuantificable y comparable
con cualquier otra solucin. Sin embargo,
alcanzar la solucin ptima requiere un
procesoexcesivamentelargo.Porejemplo,
para resolver un problema combinatorio
por enumeracin con n=20, se tendran
20!= 2,43x10
18
posibilidades. Obviamente,
no es factible resolver cada una de las
posibles soluciones, por lo que en este
trabajo se recurri a otro tipo de mtodos
deresolucinllamadosheursticos.
En este trabajo se plante encontrar
una secuencia de n piezas, en una
situacindeunamquina,contiemposde
preparacin dependientes de la secuencia,
y familia de productos que minimice el
retraso total. Para resolver este problema
seprogramunAlgoritmoEvolutivo(EA,
por sus siglas en ingls). Mediante una
investigacinnoexperimentalseevaluel
comportamiento del algoritmo. La
experiencia computacional se realiz en
1000 ejemplares con un nmero total de
piezasentre1525yunnmerodefamilias
entre46.
Laimportanciadelcasotratadoenesta
investigacin radica en que muchas
industrias del sector metalmecnico en
Venezuela, se caracterizan por una
situacin casi prototpica reducible a un
problemadeunamquinacontiemposde
preparacin dependientes de la secuencia,
con familia de productos y fechas de
vencimiento, con lo que el objetivo bsico

ISSN:18568327


9
se convierte en la minimizacin de los
retrasosdelospedidos.
Eneldesarrollodeltrabajosemuestran
los antecedentes y trabajos relacionados.
Seguidamente se presenta el
planteamiento del problema.
Posteriormentesedescribelametodologa
aplicada, las reglas de secuenciacin que
permitieron generar las soluciones
iniciales y el algoritmo evolutivo.
Finalmente, se muestran los resultados
obtenidosenlaexperienciacomputacional
ylasconclusiones.
Antecedentes
Segn Lee y Pinedo (2002) hay varios
ambientesproductivosquesondeinters.
El ambiente ms bsico es el de una
mquina, todas las piezas tienen que
procesarse una y solamente una vez en
estamquina.Unambientemsgenerales
un conjunto con m mquinas idnticas en
paralelo, en este conjunto cada pieza tiene
que procesarse exactamente una vez y
puede hacerlo en cualquier mquina. Un
tercer ambiente es el denominado
ambiente flowshop, en este ambiente cada
pieza tiene que ser sometida al
procesamiento en cada una de las m
mquinas. Cada pieza se procesa primero
en la mquina 1, luego se procesa en la
mquina 2, despus de finalizado su
procesamientotienequeiralamquina3,
yassucesivamente.Dadoquelasrutasde
todas las piezas en un flowshop son
idnticas, las mquinas se organizan en
serie. Un cuarto ambiente es una
generalizacin del flowshop, el cual se
denomina jobshop. Otra vez cada pieza
tienequeserprocesadaencadaunadelas
mquinas, pero ahora cada pieza tiene su
propia ruta y las rutas pueden ser
diferentes.
Los trabajos sobre el tema, reflejados
enelpresenteartculosebasanenestudios
de una mquina. Siguiendo lo propuesto
por Allahverdi, Gupta y Aldowaisan
(1999), se clasificaron en problemas con
familias y sin familias, con tiempos de
preparacin que pueden ser dependientes
de la secuencia o independientes de la
secuencia.
De acuerdo con Narasimhan et al
(1995), el caso de una mquina es el ms
sencillo de todos los ambientes
industrialesyesuncasoespecialdetodos
los otros ambientes industriales ms
complicados. En la figura siguiente se
presentaunesquemadelambientedeuna
mquina.
Figura1.Configuracindenpiezas,unamquina
1 2 3
n
1
Piezas Mquina

ISSN:18568327


10
Los modelos de una mquina son
importantes por varias razones. Los
resultados que puedan obtenerse de
modelos de una mquina no solamente
proporcionanconocimientoenelambiente
de una mquina, tambin proporcionan
unabaseparalasheursticasdeambientes
industriales ms complicados. En la
prctica, los problemas de programacin
en ambientes con ms mquinas con
frecuencia se descomponen en sub
problemasqueseocupandeunamquina
(Narasimhanetal,1995).
La investigacin sobre la
programacin de una mquina, desde el
punto de vista terico, es muy til para
compenetrarse en el comportamiento de
las reglas de programacin segn ciertos
criterios particulares. Desde el punto de
vista prctico tiene aplicacin en diversos
casos reales en donde existe una sola
mquina o instalacin compleja
funcionando sincronizadamente
(industrias qumicas y de proceso,
detergentes, pinturas, etc.) o bien cuando
una sola mquina es el cuello de botella
deltaller.
En la Tabla 1 se resumen los trabajos
relacionadas con la secuenciacin de
operacionesen unamquina,indicandosi
consideran familias de productos y
tiempos de preparacin dependientes o
independientes de la secuencia, as como
tambinelndicedeeficienciayelmtodo
de resolucin del problema (la aplicacin
de diferentes mtodos como son la
Programacin Lineal PL, Programacin
Lineal Entera Mixta MILP, Algoritmos
Branch & Bound B&B, Recocido
Simulado SA, Algoritmo Gentico GA,
Bsqueda Tab TS, Programacin
Dinmica PD y Greedy Randomized
AdaptiveSearchProcedureGRASP).
A partir de la revisin de la literatura
mostrada, se evidencia el inters en
investigaciones con consideraciones de
tiempos de preparacin, la falta de
aplicaciones en ambientes industriales
reales y que la mayora de las
investigacionesqueconsideranlasfamilias
de productos, asumen que los tiempos de
preparacin son independientes de la
secuencia.Delanlisisdelosantecedentes
se concluye que es un campo abierto para
futuras investigaciones que se ocupen de
las aplicaciones de sistemas del mundo
real,talescomoporejemplosecuenciacin
de familias, fechas de vencimiento, no
wait o limitaciones en los
almacenamientos intermedios.


ISSN:18568327


11
Tabla1.Trabajosrelacionadosconproblemasdeunamquina.
AUTOR
TIEMPOSDEPREPARACIN
FAMILIAS NDICEDEEFICIENCIA
MTODO
APLICADO
Independientes
delasecuencia
Dependientes
delasecuencia
Ngetal(2004) X X Tiempototaldeprocesamiento
delapieza,Pesototaldel
consumoderecurso
AlgoritmoPL
LeeyAsllani(2004) X Nmerodeoperaciones
retrasadasytiempode
procesamiento
AlgoritmoMILP
yGA
Rabadietal(2004) X Cantidaddeadelantosy
retrasos
AlgoritmoB&B
Franaetal(2001) X Retrasototal MAyGA
BakeryMagazine(2000) X X Retrasomximo AlgoritmoB&B
Dunstalletal(2000) X X Pesodeltiempode
permanencia
AlgoritmoB&B
Tanetal(2000) X Retrasototal AlgoritmoB&B,
GA,SA
Baker(1999) X X Retrasomximo Procedimiento
heurstico
Sunetal(1999) X Pesodelretrasoalcuadrado Relajacinde
Lagrange
KolahanyLiang(1998) X Costosdepenalidadpor
retrasoyporadelanto,Costo
deincrementodeltiempode
operacinydereduccin
MILPyTS
Webster(1998) X Pesototaldelos
retrasos/adelantosdetodaslas
operaciones
GA
ChenZL(1997) X X Adelantototalyretrasototal AlgoritmoPD
LiaeeyEmmons(1997) X X X Tiempototaldefinalizacin,
tiempomx.Finalizacin,
retrasomx.,noperaciones
retrasadas,costomx.
ClasificacinNP
TanyNarasimhan(1997) X Retrasototal SA
AsanoyOhta(1996) X Adelantototal AlgoritmoB&B
Feoetal(1996) X
Sumadepenalidadespor
retrasoycostosde
preparacin
GRASP
Shuttenetal(1996) X X Mximoretraso AlgoritmoB&B
Zdrzalka(1996) X X Tiempodeprocesamiento AlgoritmoB&B
GuptayHob(1995) X X Nmerodeoperaciones
retrasadas
Alg.heurstico
yB&B
Planteamientodelproblema
El prototipo del problema de
secuenciacin se denomina problema del
Taller Mecnico (JobShop Problem). Segn
Companys (2003), el enunciado bsico
generaldelproblemaes:npiezas(lotesde
piezas, pedidos u rdenes de trabajo)
debenrealizarseenmmquinas(recursos,
secciones, puestos de trabajo). La
realizacin de cada pieza implica la
ejecucin, en cierto orden establecido, de
una serie de operaciones prefijadas donde
cada operacin est asignada a una de las

ISSN:18568327


12
m mquinas y tiene una duracin
determinadayconocida;debeestablecerse
un programa, es decir, la secuencia de
operaciones en cada mquina y el
intervalo temporal de ejecucin de las
operaciones, con el objetivo de optimizar
un ndice determinado que mide la
eficiencia del programa. Una de las
nomenclaturas utilizadas para denotar los
problemas del Taller Mecnico es la
propuesta por Conway et al (1967)
formadaporsmbolosA/B/C/D,donde:
A: nmero de piezas (n indica un
nmerodepiezasarbitrario).
B: nmero de mquinas (m indica un
nmerodemquinasarbitrario).
C: patrn de flujo. [F: indica flujo
regular (flowshop), todas las piezas tienen
esencialmente la misma ruta. P: indica un
casoparticulardelanteriorenelquetodas
lasmquinastienenlamismasecuenciade
piezas.R:indicarutasaleatorias(randomly
routedjobshop).G:indicaflujogeneral(job
shop)].
D: se refiere al ndice de eficiencia
elegido para evaluar los programas. [Cmax:
instante de salida de la ltima pieza del
taller. Fmax: tiempo de permanencia de la
pieza que permanece ms tiempo. Fmed:
tiempomediodepermanenciaeneltaller.
Tmax:retrasodelapiezaqueseretrasams.
Tmed:retrasomedio].
Para los diferentes conceptos
implicados en los problemas, la notacin
usada es la siguiente, dada una pieza i:
n nmerodepiezas
i ndicedepiezasieI={1,2,3,,n}
p,i tiempodeprocesamientodelapiezai(processingtime)
bi familiaalaquepertenecelapiezai(bach)
ri instantedeentradadelapiezaieneltaller(readytime)
di fechadevencimientodelapiezai(duedate)
w,i tiempodeesperadelapiezai(waitingtime)
SThi tiempodepreparacindelapiezaicuandohhasidolapiezaanteriordelasecuencia
ai
tiempoconcedidoparalarealizacindelapiezai
i i i
r d a =
ci
instantedesalidadelapiezai(completiontime)
i h i i i i
ST p w r c
,
+ + + =
Fi
tiempodepermanenciadelapiezai
i h i i i i i
ST p w r c F
,
+ + = =
Li
diferenciaentreelinstantedesalidarealyelprevisto(lateness)
i i i
d c L =
Ti
retraso(tardiness) { } 0 , max
i i
L T =

ISSN:18568327


13
Deacuerdoconlanotacin,setratadel
caso n/1//ET, en que un conjunto de n
piezas deben ser secuenciadas en una
mquina.Seasumequelamquinapuede
procesarunasolapiezaalavezyqueest
disponible en el instante cero. Las piezas
estn disponibles al inicio del proceso y
tienen un tiempo lmite de entrega. Se
asume que las piezas estn clasificadas en
familiasyqueeltiempodepreparacinse
produce cuando se pasa de una familia a
otra. El tiempo de preparacin de la
mquinadependedelafamiliadelapieza
aserprocesadaylafamiliadelapiezaque
la precede. Para cada pieza i se conoce el
tiempodeoperacin;eltiempodeentrega,
lafamiliaalaquepertenecedichapiezay
lostiempos de preparacin delamquina
alpasardeunafamiliaaotra.
Segnlasecuenciaescogida,paracada
pieza i el instante en que la pieza sale del
taller ci, viene dado por: ci= ri+wi+pi+SThi y
suretrasoTivienedadopor:Ti=max{0,ci
di}. El objetivo es encontrar una secuencia
de las piezas que minimice la suma del
retrasodelaspiezas:
| |

=
=
n
i
i
T Z
1
MIN
(1)
METODOLOGA
Elpresentetrabajoserealizmedianteuna
investigacin no experimental del tipo
exploratoria y evaluativa que permiti
evaluar, mediante pruebas
computacionales, el comportamiento de
losAlgoritmosEvolutivospararesolverel
problema de secuenciacin de
operaciones. El Algoritmo Evolutivo se
codific en Visual Basic y las pruebas se
realizaron en un computador personal
PentiumIV3.00GHzy1.00GBRam.Enla
experiencia computacional se probaron
1000 instancias, obtenidas mediante
simulacin en el Laboratorio de
OrganizacinIndustrialdelDepartamento
de Organizacin de Empresas de la
Universidad Politcnica de Catalua, con
un nmero de familias entre 46 y con un
nmero de piezas entre 1525. Las
instanciasseclasificaronenproblemasde:
(a)15piezasde4familias;(b)20piezasde
4 familias; (c) 25 piezas de 4 familias; (d)
20 piezas de 5 familias; (e) 25 piezas de 5
familiasy(f)25piezasde6familias.Cada
instancia se resolvi usando cuatro reglas
de secuenciacin diferentes y mediante el
AlgoritmoEvolutivopropuesto.Los datos
dados para cada uno de las instancias:
nmero de piezas, nmero de familias,
tiempo de preparacin para pasar de una
familia a otra, tiempo de operacin de
cada pieza, tiempo de entrega de cada
pieza, familia a la que pertenece cada
piezaylafamiliaprocesadaanteriormente
(para la cual la mquina est preparada
inicialmente).
Reglasdesecuenciacin
Seaplicaroncuatroreglasquepermitieron
generar soluciones directas, las dos

ISSN:18568327


14
primeras estticas y las dos ltimas
dinmicas:
EDD (earliest due date): consiste en
ordenar las piezas, en orden creciente, de
acuerdoconlafechadevencimiento.Para
cada pieza i se considera la fecha de
vencimientodiyeltiempodepreparacin
STh,i (dependientedelafamiliadelapieza
anterior h). Dada las caractersticas del
problema tratado, esta regla favorece las
piezas ms prioritarias, sin embargo no
aprovecha la ventaja de reducir los
tiempos de preparacin al procesar,
sucesivamente,piezasdelamismafamilia.
SSTEDD (shortest setup time
earliest due date): consiste en ordenar las
piezas por familias de acuerdo con el
tiempo de preparacin ms corto cuando
se cambia de una familia a otra (para
favorecer un tiempo mnimo de cambios
entre familias), y, adems, secuenciar las
piezasentrefamiliaporordencrecientede
fechasdevencimiento.
CR1 (Cociente). ndice crtico para cada
pieza i, basada en De Castro et al (2003),
que consiste en calcular el ndice de
prioridad por medio de la fecha de
vencimiento dividida por la suma entre el
tiempo de preparacin de la familia de la
pieza i (dependiente de la familia de la
pieza anterior h) y el tiempo de
procesamientodelapiezai.Laspiezasque
tienen el CR1 ms pequeos se asignan
primero.
CR1=di/(SThi+pi)(2)
CR2 (Suma ponderada). Consiste en
asignar las piezas tomando en cuenta el
ndice de prioridad () para cada pieza i,
elcualponderalafechadevencimiento,el
tiempo de preparacin de la familia de la
pieza i (dependiente de la familia de la
pieza anterior h) y el tiempo de
procesamiento de la pieza i. Asignando
primero las piezas que tienen ndices ms
pequeos. Basado en Companys y
DArmas(2005)seutilizun=0,2
CR2=0.2di+0.8(pi+SThi)(3)
En el siguiente ejemplo se aplican las
reglas de secuenciacin descritas
anteriormente,aunejemplarde12piezas
con 4 familias, asumiendo que la ltima
familiaprocesadaeslanmerouno.
A continuacin se presentan los datos
relacionados con el tiempo de
procesamiento, vencimiento, familia a la
cual pertenece y la matriz de tiempos de
preparacin:
i 1 2 3 4 5 6 7 8 9 10 11 12 SThi 1 2 3 4
pi 5 6 8 9 8 7 6 4 7 9 8 5 1 0 2 2 2
di 22 31 42 50 19 23 29 41 20 31 25 43 2 2 0 2 2
bi 1 1 1 1 2 2 2 2 3 3 4 4 3 2 2 0 2
4 2 2 2 0

ISSN:18568327


15
Si se ordena conforme a la fecha de
vencimiento EDD, la secuencia es 5916
11721083124, y los resultados son los
siguientes:
i 5 9 1 6 11 7 2 10 8 3 12 4
pi 8 7 5 7 8 6 6 9 4 8 5 9
bi 2 3 1 2 4 2 1 3 2 1 4 1
SThi 2 2 2 2 2 2 2 2 2 2 2 2
ci 10 19 26 35 45 53 61 72 78 88 95 106
di 19 20 22 23 25 29 31 31 41 42 43 50
Li 9 1 4 12 20 24 30 41 37 46 52 56
Ti 0 0 4 12 20 24 30 41 37 46 52 56
Si se ordenan por familia y fecha de

vencimientoSSTEDD,lasecuenciaes12
3456789101112, obtenindose los
resultadossiguientes:
i 1 2 3 4 5 6 7 8 9 10 11 12
pi 5 6 8 9 8 7 6 4 7 9 8 5
bi 1 1 1 1 2 2 2 2 3 3 4 4
SThi 0 0 0 0 2 0 0 0 2 0 2 0
ci 5 11 19 28 38 45 51 55 64 73 83 88
di 22 31 42 50 19 23 29 41 20 31 25 43
Li 17 20 23 22 19 22 22 14 44 42 58 45
Ti 0 0 0 0 19 22 22 14 44 42 58 45
Si se ordenan de acuerdo con el ndice

crticoCR1,lasecuenciaes591161017
234128, obtenindose los resultados
siguientes:
i 5 9 11 6 10 1 7 2 3 4 12 8
CR1 1,90 2,22 2,50 2,56 2,82 3,14 3,63 3,88 5,25 5,56 6,14 6,83
pi 8 7 8 7 9 5 6 6 8 9 5 4
bi 2 3 4 2 3 1 2 1 1 1 4 2
SThi 2 2 2 2 2 2 2 2 0 0 2 2
ci 10 19 29 38 49 56 64 72 80 89 96 102
di 19 20 25 23 31 22 29 31 42 50 43 41
Li 9 1 4 15 18 34 35 41 38 39 53 61
Ti 0 0 4 15 18 34 35 41 38 39 53 61

ISSN:18568327


16
Si se ordenan de acuerdo con el ndice

crticoCR2(con=0,5),lasecuenciaes15
9671121081234, obtenindose los
resultadossiguientes:
i 1 5 9 6 7 11 2 10 8 12 3 4
CR2 13,5 14,5 14,5 16 17,5 17,5 19,5 21 23,5 25 26 29,5
pi 5 8 7 7 6 8 6 9 4 5 8 9
bi 1 2 3 2 2 4 1 3 2 4 1 1
SThi 0 2 2 2 0 2 2 2 2 2 2 0
ci 5 15 24 33 39 49 57 68 74 81 91 100
di 22 19 20 23 29 25 31 31 41 43 42 50
Li 17 4 4 10 10 24 26 37 33 38 49 50
Ti 0 0 4 10 10 24 26 37 33 38 49 50
Si se comparan los resultados de las

cuatro reglas de secuenciacin, se puede
observar quelasecuencia SSTEDD ofrece
el menor retraso total; esta disminucin
puede ser debido a que se aprovecha la
ventaja de reducir los tiempos de
preparacin al agrupar las piezas de la
mismafamilia:
ndicedeeficacia CR1 EDD CR2 SSTEDD

Tmed 28,17 26,83 23,42 22,17
Tmax 61 56 50 58
ET 338 322 281 266
Algoritmosevolutivos(EA)
EA es un algoritmo de bsqueda que
explora un espacio de soluciones que
simula procesos en un sistema natural
hacia la evolucin, especficamente
aquellos que siguen el principio de la
supervivencia en funcin de la
adaptabilidad(Adensoetal,1996).EAfue
desarrollado por Holland (1975), y se
distingue muy claramente de los mtodos
Recocido Simulado, Bsqueda Tab y
GRASP, bsicamente por el hecho de que
en cada iteracin se tiene un conjunto de
soluciones, o poblacin en curso y no una
nica solucin en curso. Las soluciones
sucesoras se obtienen a partir de parejas
constituidas con los elementos de la
poblacinynomediantelatransformacin
delasolucinencurso.

ISSN:18568327


17
Formalizacin
EA es una clase de metaheurstica de
bsqueda local que ha sido tambin
propuesta para los problemas de
optimizacin combinatoria. El concepto
representaunasolucinfactiblecomouna
cadena de genes, es decir cromosomas,
que forman una poblacin de soluciones.
La evolucin de la poblacin se realiza
mediante el cruce y la mutacin
(Goldberg,1989).
Cruce se refiere a la unin de dos
soluciones para derivar nuevas
individuales, mientras que mutacin se
refiere a una solucin alterada por el
cambio de un gen. La solucin definida
por las cadenas se evala mediante un
valordefitness(deadaptacinalentorno).
El procedimiento de la Metaheurstica
EA que se ha aplicado se explica cmo
sigue. Sea P(g) y D(g) padres y
descendientes respectivamente en la
generacinexistenteg:
En cada iteracin se obtiene el

conjuntodedescendientesdelapoblacin,
y a partir de la reunin de la poblacin y
sus descendientes se obtiene la poblacin
de la iteracin siguiente. Los
descendientes se obtienen mediante los
procesosdeseleccin,cruceymutacin;la
nuevapoblacinmediantelaregeneracin.
Poblacininicial
La dimensin de la poblacin se tom
igual al nmero de piezas de tal manera
que la poblacin tiene una relacin
directamente proporcional con la
dimensin del problema a tratar. En
cuanto a su composicin, la poblacin
inicialsedividiendospartesiguales,las
FOR
g:=0;
InicializacindelapoblacinP(g)
EvaluacindeP(g)
FOR
RecombinacindeP(g)paragenerarD(g);
EvaluacindeD(g);
SeleccindeP(g+1)deP(g)yD(g);
g:=g+1
END
END

ISSN:18568327


18
cuales se diferencian entre s por el
esquemadeconfeccindeloscromosomas
que conforman dicha poblacin. La mitad
de la poblacin se forma secuenciando
todas las operaciones, en orden creciente,
de acuerdo con la fecha de vencimiento.
Posteriormente, se generan
aleatoriamente,dosgenesapermutarenla
secuencia dando lugar a una nueva
secuencia. La otra mitad, se forma
secuenciando todas las operaciones de
acuerdoconelndiceCrticoCR2enorden
no decreciente de su ndice.
Posteriormente, se generan
aleatoriamente,dosgenesapermutarenla
secuencia dando lugar a una nueva
secuencia.SeutilizlaReglaCR2yaquees
estadsticamente ms efectiva que CR1,
EDDySSTEDD.
Seleccin
El retraso total (ET) se consider como
la medida de la calidad de un individuo
(solucin). El proceso de seleccin se
realiz mediante la combinacin de las
mejores secuencias y de forma aleatoria.
Un 50% de las secuencias a cruzar lo
conforman las mejores soluciones de la
poblacin actual y el otro 50% se elige
aleatoriamente.
Cruces
Las soluciones progenitoras del grupo
seleccionado,seemparejaronporordende
bondaddelasolucin,esdecir,laprimera
solucin se empareja con la segunda, la
terceraconlacuarta,etc.dentrodelalista
de soluciones elegidas ordenadas de
acuerdo con el valor de ET. A
continuacin, una vez que se tienen las
parejas,seprocedearealizarelcruceentre
ambas, las cuales generan dos soluciones
descendientes.
El procedimiento de cruce que se ha
aplicado es el Cruce PMX (Partially
MatchedCrossover).Dadasdossoluciones
progenitoras, se eligen dos puntos de
cruce al azar, luego, el procedimiento
copia los genes de uno de los padres
directamentealasmismasposicionesenel
hijo.Lasposicionesrestantessellenancon
losvaloresqueannohansidoutilizados
en el mismo orden en que se encuentran
en uno de los padres. Por ejemplo, si se
tienenlosdospadressiguientes:P1=<1,2,
4,6,3,7,58>yP2=<5,4,1,7,2,6,8,3>,y
si los puntos de cruce seleccionados al
azar de P1 para ser insertados en P2 se
sitan entre el 2 3 gen y entre el 5 6,
los genes seleccionados de P1 para ser
insertados en P2 son <4 6 3>, lo que
establece una relacin con los genes <1 7
2> que ocupan las mismas posiciones en
P2. Entonces, la secuencia de operaciones
transformara P2 en: <5, 4, 4, 6, 3, 6, 8, 3>.
Luego, eliminando las repeticiones
quedara: <5, *, 4, 6, 3, *, 8, *>.
Reemplazandoqueda:<5,1,4,6,3,*,8,*>
ya que el 4 haba ocupado el lugar del 1.
Continuando,seobtiene:<5,1,4,6,3,7,8,
2>(verFigura2)

ISSN:18568327


19
Figura2.Ejemplodesolucindescendiente
Mutaciones
Paraelproblema,sefijlaprobabilidad
de mutacin en un treinta por ciento, de
acuerdo con los resultados de Fernndez
Baos (2003). Es decir, el procedimiento
genera un nmero aleatorio entre 0 y 1, si
este valor es inferior al parmetro de
probabilidad fijado (0,3) se realiza la
mutacin en la secuencia. En el supuesto
que lo haga, la mutacin consiste en
intercambiar un gen, seleccionado al azar,
consuconsecutivoenlasecuencia.
Siguiendo con el ejemplo anterior, se
genera un nmero aleatorio. Suponiendo
queeselcuatro,entoncesseintercambiael
cuarto gen de la secuencia con el quinto
(verFigura3):
Figura3.Ejemplodemutacin
Regeneracin
En este proceso de regeneracin se
seleccionaronlasmejoressecuenciasdelas
dos poblaciones de soluciones,
progenitoras e hijas. Es decir, la nueva
poblacin generada para la siguiente
iteracin est formada por la mitad del
total de las soluciones (progenitores +
descendientes) (FernndezBaos, 2003).
RESULTADOSYDISCUSIN
Laexperienciacomputacionalserealiz
en un total de 1000 instancias, con un
nmero de familias de 4 a 6 y con un
nmero de piezas de 15 a 25. Las
instancias se clasificaron en seis
PADRE1PADRE2
1246375854172683
HIJO51463782
51463782
51436782

ISSN:18568327


20
colecciones de acuerdo con el nmero de
piezasyfamilias:
200instanciasde15piezasde4familias
Cabe resaltar que los resultados
mostrados se obtuvieron con un nmero
de iteraciones igual a 500. Se realizaron
corridas 1000, 2000, 3000, 4000 y 5000
iteraciones, encontrndose que la calidad
de las soluciones no mejora con el
incremento del nmero de iteraciones y
que el esfuerzo computacional es mucho
mayor.(Adensoetal,1996).
Con el objeto de determinar cul es el
procedimiento ms adecuado para el tipo
de problema estudiado, en esta seccin se
comparanlosresultadosobtenidosconlas
reglasdesecuenciacinyelEA.
La Tabla 2 resume los resultados
experimentales de las 1000 instancias en
trminos de cantidad de mejores y peores
soluciones. Se puede observar que con los
Algoritmos Evolutivos se lograron los
mejores resultados en la mayora de las
instancias.
Tabla2.Reglasdesecuenciacinvs.EA.Cantidaddemejoresypeoressoluciones
Ejemplares: n=15,b=4 n=20,b=4
Cantidaddesoluciones: peores mejores* peores mejores
SSTEDD 0 15 0 5
EDD 0 1 0 0
CR1 200 0 200 0
CR2 0 27 0 112
AlgoritmoEvolutivo: 0 174 0 195
*(17empatesbinarios) *(12empatesbinarios)
Cantidaddesoluciones: peores mejores* peores mejores
SSTEDD 0 3 0 1
EDD 0 1 0 0
CR1 200 0 100 0
CR2 0 9 0 5
*(10empatebinario) *(5empatesbinarios)
Cantidaddesoluciones: peores
mejor
es* peores mejores
SSTEDD 0 0 0 1
EDD 0 0 0 0
CR1 100 0 200 0
CR2 0 5 0 5
*(5empatesbinarios)*(5empatesbinarios)

ISSN:18568327


21
Los resultados experimentales en
trminos del valor medio del retraso total
se presentan grficamente en la Figura 4.
Puede observarse que para todas las
colecciones, las soluciones con menor
valor medio de retraso total se obtienen
conEAylosmayoresretrasosseobtienen
conCR1.
Figura4.Comparacindelretrasomedio.MetaheursticaEA
Discusin
Enunprimeranlisis,cabedecirqueel
Algoritmo Evolutivo propuesto,
proporciona, en general, mejores
resultadosquelasreglasdesecuenciacin,
con un menor valor medio del retraso
total. Para probar si existen diferencias
significativas entre las medias de las
soluciones obtenidas con las reglas de
secuenciacin y con los EA, se realiz un
anlisis de varianza (ANOVA) de una va
a un nivel del 5%. De acuerdo con los
resultados obtenidos, se demuestra que
existen diferencias significativas entre las
medias de las soluciones a un nivel de
confianzadel95%.(VerTabla3).
Tabla3.Resultadosdelanlisisdevarianza
PRUEBA:
ANOVA
FRatio(PValor)
n=15,b=4 14,0016*(0,0000)
n=20,b=4 28,0763*(0,0000)
n=25,b=4 29,9568*(0,0000)
n=20,b=5 5,56271*(0,0010)
n=25,b=5 8,61776*(0,0000)
n=25,b=6 12,6027*(0,0000)
*Estadsticamentesignificativocon=0,05
0
500
1000
1500
2000
2500
3000
V
a
l
o
r

m
e
d
i
o

d
e
l

r
e
t
r
a
s
o
GA 85.00 178.60 272.20 213.00 306.80 293.70
CR2 138.22 211.33 313.87 251 365.49 348.12
SST-EDD 252.38 435.88 673.08 481.39 692.26 725.34
EDD 301.22 550.44 884.69 606.03 932.75 926.63
CR1 828.1 1561.5 2503 1554.1 2468.5 2529.6
n=15, b=4 n=20, b=4 n=25, b=4 n=20, b=5 n=25, b=5 n=25, b=6

ISSN:18568327


22
Adems, se aplic el procedimiento de

las menores diferencias significativas de
Fisher (LSD), lo que permiti determinar
cules medias son significativamente
diferentes de otras (Ver Tabla 4). Los
resultados indican que los diez pares
muestran diferencias estadsticamente
significativas a un nivel de confianza del
95%. Los Algoritmos Evolutivos son
estadsticamente ms efectivos que las
reglas de secuenciacin CR2, CR1, EDD,
SSTEDD y EDD. La Regla de
secuenciacinCR2esestadsticamentems
efectiva que CR1, EDD y SSTEDD. La
Regla de secuenciacin SSTEDD es ms
efectivaqueEDDyCR1.
Tabla4.Resultadosdelacomparacinmltipledemedias
PRUEBA:
CONTRASTEMLTIPLEDERANGO
Diferencias(+/Lmites)
Contraste
n=15,b=4 n=20,b=4 n=25,b=4 n=20,b=5 n=25,b=5 n=25,b=6
SST_EDDEDD
48,835*
(27,4714)
114,55*
(42,4929)
211,61*
(58,6674)
124,64*
(62,2383)
240,49*
(82,8844)
201,295*
(61,2131)
SST_EDDCR1
575,715
*
(27,4714)
1125,66*
(42,4929)
1829,92*
(58,6674)
1072,66*
(62,2383)
1776,2*
(82,8844)
1804,26*
(61,2131)
SST_EDDCR2
114,165*
(27,4714)
224,555*
(42,4929)
359,21*
(58,6674)
230,39*
(62,2383)
326,77*
(82,8844)
377,21*
(61,2131)
SST_EDDEA
43,525*
(27,4714)
48,61*
(42,4929)
63,45*
(58,6674)
64,74*
(62,2383)
95,65*
(82,8844)
84,01*
(61,2131)
EDDCR1
526,88*
(27,4714)
1011,11*
(42,4929)
1618,3*
(58,6674)
948,02*
(62,2383)
1535,71*
(82,8844)
1602,96*
(61,2131)
EDDCR2
163,0*
(27,4714)
339,105*
(42,4929)
570,82*
(58,6674)
355,03*
(62,2383)
567,26*
(82,8844)
578,505*
(61,2131)
EDDEA
80,555*
(27,4714)
115,945*
(42,4929)
167,505*
(58,6674)
140,61*
(62,2383)
197,16*
(82,8844)
198,995*
(61,2131)
CR1CR2
689,88*
(27,4714)
1350,22*
(42,4929)
2189,13*
(58,6674)
1303,05*
(62,2383)
2102,97*
(82,8844)
2181,47*
(61,2131)
CR1EA
39,69*
(27,4714)
42,895*
(42,4929)
69,48*
(58,6674)
85,2*
(62,2383)
143,84*
(82,8844)
145,6*
(61,2131)
CR2EA
60,825*
(27,4714)
83,905*
(42,4929)
126,485*
(58,6674)
103,66*
(62,2383)
140,33*
(82,8844)
146,515*
(61,2131)
*Estadsticamentesignificativocon=0,05

ISSN:18568327


23
CONCLUSIONES
Los resultados computacionales obtenidos
muestran que el Algoritmo Evolutivo
propuesto logra explorar el espacio de
bsquedadeformaeficaz,yarrojamejores
resultadosquelosobtenidosconlasreglas
de secuenciacin EDD (earliest due date),
SSTEDD (shortest setup timeearliest due
date), ndice CR1 (Cociente) e ndice CR2
(Sumaponderada).
Teniendo en cuenta que para lograr la
solucin ptima del problema estudiado
se requiere un proceso excesivamente
largo, se concluye que los resultados
obtenidos son satisfactorios. Resaltando la
adaptabilidad del EA planteado al
problema especfico estudiado, de una
mquina con tiempos de preparacin
dependientesdelasecuenciadelaspiezas.
La investigacin presentada en este
trabajo puede ser tomada como una base
para posibles extensiones enfocadas a
considerar otro tipo de variaciones del
problema estudiado, incorporando
elementos que en ocasiones tambin
aparecen en determinados ambientes
industrialesreales:introducirrestricciones
de costos de penalizacin, modelar el
problema teniendo en cuenta la
incertidumbre o priorizar las rdenes de
produccindeacuerdoconlaimportancia
o pesos relativos. En cuanto a la
metaheurstica EA, se sugiere continuar
investigando sobre el impacto de los
diferentes elementos que forman el
algoritmo propuesto con el fin de medir
sus rendimientos, particularmente si se
incrementa el nmero de pedidos n. As
comoprobarotrosmtodosdecrucesyde
mutacin.
Finalmente,serecomiendaresolvereste
mismo problema mediante otro tipo de
metaheursticas, como pueden ser el
Recocido Simulado (SA), la Bsqueda
Tab (TS) o un algoritmo GRASP, y
comparar los resultados obtenidos con los
AlgoritmosEvolutivos.
REFERENCIAS
Allahverdi A. (2000). Minimizing mean
flowtime in a twomachine flowshop with
sequenceindependent setup times. Computers
&OperationsResearch,27,111127.
Allahverdi A., Gupta J. y Aldowaisan T.
(1999). A review of scheduling research
involving setup considerations. Omega,
International Journal of Management Science, 27,
219239.
AdensoB.,GloverF.,GhasiriH.,GonzlezJL.,
Laguna M., Moscazo P. y Tseng F. (1996).
Optimizacin Heurstica y Redes Neuronales
en Direccin de Operaciones e Ingeniera.
Espaa:EditorialParaninfo.
Asano M. y Ohta H. (1996). Single machine
scheduling using dominance relation to
minimize earliness subject to ready and due
times. International Journal Production
Economics,44,3543.

ISSN:18568327


24
Baker K. y Magazine M. (2000). Minimizing
maximum lateness with job families. European
JournalofOperationalResearch,127,126139
Baker K. (1999). Heuristic Procedures for
Scheduling Job Families with Setups and Due
Dates.NavalResearchLogistics,46,978991
Chen ZL. (1997). Heuristic Procedures for
Scheduling Job Families with Setups and Due
Dates. European Journal of Operational Research,
96,518537
Companys R. (2003). Secuenciacin.
Programacin de proyectos y de taller.
Equilibrado y secuenciacin de lneas.
Volumen I. Espaa: CPDAETSEIB
PublicacionsdAbastS.L.L.
Companys R. y DArmas M. (2005),
Programacin de operaciones con tiempo de
preparacin mediante algoritmos de
optimizacin local. Universidad, Ciencia y
Tecnologa,9(35),155162.
Conway R., Maxwell W. y Miller L. (1967).
TheoryofScheduling.MA:AddisonWesley.
DArmas M. (2005), Estado del arte de la
programacin de operaciones con tiempos de
preparacin: tema para futuras
investigaciones.ParteI.Universidad,Cienciay
Tecnologa,9(33),4248.
DeCastroR.,CompanysR.yMateoM.(2003),
Programacin de las rdenes de fabricacin
en una sola mquina con tiempos de
preparacin, V Congreso de Ingeniera de
Organizacin,ValladolidBurgos,5960.
DunstallS.,WirthA.yBakerK.(2000).Lower
bound and algorithms for flowtime
minimization on a single machine with setup
times.JournalofScheduling,3,5169.
Feo T., Sarathy K. y McGahan J. (1996). A
grasp for single machine scheduling with
sequence dependent setup costs and linear
delay penalties. Computers Operations Research,
23,881895.
FernndezBaosI.(2003),Programacindela
secuencia de fabricacin en una mquina, con
tiemposdepreparacinvariables,mediantela
aplicacindeAlgoritmosEvolutivos.Proyecto
deFindeCarrera.EscuelaTcnicaSuperiorde
IngenieraIndustrialdeBarcelona,Espaa
Frana P., Mendes A. y Moscazo P. (2001). A
memetic algorithm for the total tardiness
single machine scheduling problem. European
JournalofOperationalResearch,132,224242.
Goldberg, D.E. (1989), Genetic Algorithms in
Search, Optimization and Machine Learning,
AddisonWesley,Reading,MA.
Holland J. (1975). Adaptation in Natural and
Artificial Systems. Ann Arbor: University of
MichiganPress.
Gupta J. y Hob J. (1995). Scheduling with two
job classes and setup times to minimize the
number of tardy jobs. International Journal of
ProductionEconomics,42,205216.
Kolahan F.y Liang M. (1998). An adaptive TS
approach to JIT sequencing with variable
processing times and sequencedependent
setups.EuropeanJournalofOperationalResearch,
109,142159.
LeeS.yAsllaniA.(2004).Jobschedulingwith
dual criteria and sequencedependent setups:
mathematical versus genetic programming.
Omega.32(2),145153.
Lee CY. y Pinedo M. (2002). Problems Types,
en: Handbook of Applied Optimization.
OxfordUniversityPress,Inc.UnitesEstates.
Liaee M. y Emmons H. (1997). Scheduling
families of jobs with setup times. International
JournalofProductionEconomics,51(3),165176.

ISSN:18568327


25
Morales E. (2004). Bsqueda, Optimizacin y
Aprendizaje. Documento en lnea. Disponible
en:
http://ccc.inaoep.mx/~emorales/Cursos/Busqu
eda04/principal.html
Narasimhan S., McLeavey D. y Billington P.
(1995). Production Planning and Inventory
Control,2daedicin.NewJersey:PrenticeHall.
Ng CTD, Cheng E. y Kovalyov M. (2004).
Single machine batch scheduling with jointly
compressible setup and processing times.
EuropeanJournalofOperationalResearch,153(1),
211219.
Rabadi G., Mollaghasemi M. y
Anagnostopoulos G. (2004). A branchand
bound algorithm for the early/tardy machine
scheduling problem with a common duedate
and sequencedependent setup time.
Computers & Operations Research, 31(10), 1727
1751.
Shutten J., Van de Velde S. y Zijm W. (1996).
Single machine scheduling with release dates,
duedatesandfamilysetuptimes.Management
Science,42,11651174.
Sun X., Noble J. y Klein C. (1999). Single
machineschedulingwithsequencedependent
setup to minimize total weighted squared
tardiness.IIETransactions,31,113124.
Tan KC, Narasimhan R., Rubin P., Ragatz G.
(2000). A comparison of four methods for
minimizing total tardiness on a single
processor with sequence dependent setup
times.Omega,28,313326.
Tan KC y Narasimhan R. (1997). Minimizing
Tardiness on a Single Processor with
SequencedependentSetupTimes:aSimulated
Annealing Approach. Omega, International
JournalManagementScience,25,619634.
WebsterS.,JogP.yGuptaA.(1998).Agenetic
algorithm for scheduling job families on a
single machine with arbitrary
earliness/tardiness penalties and an
unrestricted common due date. International
JournalofProductionResearch,36,25432551.
ZhuZyHeadyR.(2000).Minimizingthesum
of earliness/tardiness in multimachine
scheduling: a mixed integer programming
approach. Computers & Industrial Engineering,
38,297305.

Autora
Mayra DArmas Renault. Ingeniero Industrial, Magister Scientiarum en Ingeniera Industrial,
Doctora en Administracin y Direccin de Empresas. DocenteInvestigador adscrita al
Departamento de Ingeniera Industrial de la Universidad Nacional Experimental Politcnica
AntonioJosdeSucre(UNEXPO),VicerrectoradoPuertoOrdaz,Venezuela.
Email:mdarmas@unexpo.edu.ve
Recibido:19/10/2009Aceptado:12/01/2010

Algoritmos Evolutivos para La Secuenciación de Operaciones Con T de Preparacion

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algoritmos Evolutivos para La Secuenciación de Operaciones Con T de Preparacion

Uploaded by

Copyright:

Available Formats

IngenieraIndustrial. .

This work can be located in the production

Si se ordenan por familia y fecha de

Si se ordenan de acuerdo con el ndice

Si se ordenan de acuerdo con el ndice

Si se comparan los resultados de las

ndicedeeficacia CR1 EDD CR2 SSTEDD

En cada iteracin se obtiene el

Adems, se aplic el procedimiento de

You might also like