UNIVERSIDAD POLITCNICA DE VALENCIA

Departamento de Organizacin de Empresas

PROGRAMACIN DE LA PRODUCCIN EN UN TALLER DE FLUJO HBRIDO SUJETO A INCERTIDUMBRE: ARQUITECTURA Y ALGORITMOS. APLICACIN A LA INDUSTRIA CERMICA.

TESIS DOCTORAL
PRESENTADA POR: D. PEDRO GMEZ GASQUET DIRIGIDA POR: DR. D. FRANCISCO CRUZ LARIO ESTEBAN DR. D. CARLOS ANDRS ROMANO VALENCIA, ENERO DE 2010

EstatesissehadesarrolladoconelapoyodelCentrodeInvestigacindeGestine IngenieradelaProduccin(CIGIP)delaUniversidadPolitcnicadeValencia.

ACristina,MaryClaudia.

Quisiera aprovechar estas lneas para recordar a todos los que han hecho posible que este trabajosehayapodidorealizar. En primer lugar quisiera dar las gracias a la familia. A mis Padres por proporcionarme el entorno y la confianza que me han posibilitado embarcarme en esta aventura. A mi mujer, Cristina,quehaconseguidoelmilagrodesacartiempoparaqueyopudieratrabajarenlatesis, al mismo tiempo que llegaron a nuestras vidas Mar y Claudia y lo revolucionaron todo. Este nuestrotercerhijotelodedicosobretodoati.Tampocomequieroolvidardemissuegrossin loscualestodohubierasidomuchomsdifcil. En el terreno profesional quisiera agradecer a todos mis compaeros del Departamento de Organizacin de Empresas su colaboracin, a los compaeros del Centro de Investigacin de GestineIngenieradelaProduccinsuapoyoentodoloquehenecesitadoparaeldesarrollo demitrabajo,alosdoctoresngelOrtiz,RalPoler,JosPedroGarca,JuanJosAlfaroyRal Rodriguezla oportunidad deintercambiarpuntosdevistaenmltiplesocasiones,yaldoctor JosMiguelCarotporsuapoyoenelanlisisestadsticodelosdatos. DeformaespecialquierodarlasgraciasaRubnDaroFrancopordedicarsutiempo,congran paciencia y mucho acierto, a orientarme cuando ms lo necesitaba. Gracias Daro por mostrarmeeluniversodelosSistemasMultiagente. As mismo quisiera expresar mi mximo agradecimiento a las personas que de forma ms directahan contribuidoa este trabajo, quenosson otros quemisdirectores. ElDr.Francisco Cruz Lario ha contribuido estructurar y dar consistencia al trabajo con sus comentarios y recomendaciones. El Dr. Carlos Andrs me ha servido de referencia en todo el trabajo relacionado con el planteamiento del problema y la seleccin de posibles tcnicas de resolucin. Ambos han aportado con generosidad su experiencia y han contribuido en la mejorardeltrabajofinal. Finalmente,quisieraagradeceralosrevisoresymiembrosdeltribunalsuesfuerzoydedicacin, ascomosuscomentarios. Graciasatodos. Valencia,2denoviembrede2009

RESUMEN
PROGRAMACINDELAPRODUCCINENUNTALLERDEFLUJOHBRIDO SUJETOAINCERTIDUMBRE:ARQUITECTURAYALGORITMOS. APLICACINALAINDUSTRIACERMICA.
En un marco de competencia global en el cual los tiempos de respuesta son cada vez ms relevantescomoelementocompetitivoydonde,ennopocasocasiones,lasempresastiendea ofreceruncatlogodeproductosamplioydiferenciadodelacompetencia,existenmltiples retos que las Organizaciones deben afrontar. Dentro de stas la Direccin de Operaciones tieneelretodeadaptarlosprocesosdeGestindelosSistemasProductivosyLogsticosalas actuales necesidades. En este proceso de cambio es habitual partir de Sistemas Productivos poco flexibles y orientados a la produccin en masa en los que es fundamental emplear el mejor saberhacer para procurar obtener el rendimiento ms adecuado de los recursos disponibles. El despliegue de unas buenas prcticas en el mbito de la Programacin de la Produccinpuedeayudarenbuenamedidaamejorarlaeficienciadelosrecursos. Tradicionalmente se ha venido considerando a la Programacin de la Produccin con una visinbastantecuantitativaenlaquesumisinconsistaenasignar,secuenciarytemporizar losdiferentestrabajosdelperiodoenbasealosrecursosdisponibles.Noobstante,sindejarde servlidoesteplanteamiento,enestatesissedeseaenfatizarcomoenrealidadelfinltimo delastcnicasymtodosdesarrolladosduranteaosenelmbitodelaProgramacindela ProduccinnoesotroqueeldeserempleadosdentrodeunSistemasdeAyudaalaTomade Decisiones. Y en este sentido, las decisiones operativas que se toman en el rea del Programador de la Produccin deben estar conectadas en todos los casos, al menos, con su entornodecisionalmsdirectocomoeseldelaPlanificacindelaProduccin. Una revisin literaria en profundidad al extenso trabajo realizado en ms de 50 aos de existencia de lo que se ha denominado, empleando la terminologa en lengua inglesa, como Schedulingponedemanifiestolaexistenciaunanecesidadquedebesercubierta.Setratade reducir la distancia entre los problemas planteados por la comunidad cientfica y los que desean resolver los profesionales. Los problemas acadmicos se caracterizan por ser simplificacionesdelarealidadenlacuallossistemasproductivos,lascondicionesdetrabajo, lasinterrelacionesorganizativas,olapropiaaparicindeeventossonconsideradosdeforma parcial,oinclusoignorados.Porestemotivoenmuchoscasoslosprocedimientosylastcnicas aplicadasalaProgramacindelaProduccinenlasempresasnohanrecibidoelempujeque precisa.
IX

Unodelosaspectosqueesprecisoconsiderarparareducirlabrechaexistenentreelentorno acadmico y el profesional es el de la Incertidumbre. Existe relativamente poca bibliografa queconsidereelproblemadelaProgramacindelaProduccinenentornosinciertos,ydelas propuestasrevisadassehaoptado porseguirelmodeloquepropone dividir elproblema en dos fases. La primera fase, que recibe el nombre de Programacin Predictiva, consiste en establecerunProgramaProductivoenunentornodeterministaquesirvadepuntodepartida. LasegundafaseconsisteenmodificarelProgramaProductivoencursocuandoseproduzcaun eventoquelohagainviable,ysedenominaProgramacinReactiva.LaProgramacinPredictiva yReactivadelaProduccinsirvenparagenerarProgramasapartirderestriccionesyobjetivos que pueden ser diferentes dado que se emplean en instantes diferentes del periodo Productivoconsiderado. Con el objeto de explorar nuevos paradigmas que aportasen un enfoque diferente al tradicional en relacin al uso de tcnicas y herramientas con los que tratar el problema de ProgramacindelaProduccin,enlascondicionesactuales,seexploraronlasposibilidadesde la Inteligencia Artificial, y en concreto el rea relacionada con los Agentes Inteligentes y Sistemas Multiagente. El paradigma de los Agentes se ha aplicado a diversas reas entre las queseencuentraladeDireccindeOperaciones.Enelreamencionadasupuestaenprctica sehacentradosobretodoenelmbitodelaPlanificacindelaProduccinydelaGestinde laCadenadeSuministro.EstoesdebidoaquelateoradeAgentesayudaaabordaraspectos como la Integracin Empresarial, Organizacin Distribuida, los Entornos Heterogneos, la Interoperabilidad,laEstructurasDinmicas,olaCooperacinentreotros.Dadalanecesidad deincluiralgunosdeestosaspectosenelmbitodelaProgramacindelaProduccinseha consideradoquelosSistemasMultiagentespuedenactuardefacilitadores. UnavezanalizadaslasaportacionescientficasrelacionadasconelmbitodelSchedulingy delosSistemasMultiagenteseidentificaqueelobjetivodeestatesisdebesereldeplantear un Modelo que permita Automatizar, mediante el empleo de Sistemas Multiagente, la ProgramacinPredictivayReactivadelaProduccin,basadoenunaorientacindeProcesos de Negocio que incluya Herramientas (Algoritmos) de Ayuda a la Toma de Decisiones bajo Incertidumbre, necesarios para resolver la visin funcional/decisional que contemple la existencia de eventos y su gestin, y que permita dar el primer paso hacia un Modelo Dinmico. El objetivofijadoparadicho modeloeseldemantenerunatasadeproductividad medialomsaltaposibleenfuncindelosrecursosdisponibles,yparaellolosprocesosde Programacin Predictivo y Reactivo dispondrn de funciones objetivos que potencien el mismo. Comopasoprevioalaconstruccindeunapropuestaserealizaunimportanteesfuerzopara delimitar correctamente la validez de la misma. En este aspecto, se analizan aquellas caractersticas del problema que se desea tratar destacando sus peculiaridades, pudindose caracterizarcomounTallerdeFlujoHbridoconTiemposdeCambiodePartidaDependientes delaSecuenciaencondicionesdeIncertidumbre.Elproblemasemodelamatemticamente.
X

Para alcanzar el objetivo propuesto se define una Metodologa, unos elementos Arquitectnicos,yunasHerramientas quesirvendeguay desoporte,almismotiempo que estructuran, la elaboracin de una propuesta. A travs de cinco pasos definidos en la metodologa, y empleando en cada uno de ellos los elementos constructivos y herramientas necesarios, se sigue un camino que se inicia con la definicin elemental del problema y que terminaconunapruebadefuncionamientoparauncasoconcreto. Conlosdosprimerospasosdelametodologasedeterminaronlosrequerimientosenlosque sedeberabasarlapropuestaparaconseguirsuobjetivo.Paraelanlisisdelosrequerimientos del proceso de Programacin PredictivoReactiva y su relacin con los procesos de PlanificacinseemplealapropuestaCIMOSA.Coneltercerpasodelametodologa,yenbase a los requerimientos identificados, aborda el diseo de una Plataforma Software concebida como un Sistema Multiagente (IPSUMAS) que facilite la automatizacin de los procesos de Programacin.ParaeldiseoseemplealaMetodologaINGENIASespecficaparadesarrollos basadosenAgentes. Antesderealizarelcuartopaso,queconsisteenlaimplementacindeIPSUMAS,sedisea, desarrolla, y analiza una serie de algoritmos y procedimientos que necesariamente deben formarpartedelaPlataformaSoftware.Siseconsideraalaplataformacomounaestructura estosprocesosseranelmotorquerealmenteposibilitalaautomatizacin.Estossedefinena partir de un anlisis conceptual y un contraste prctico. Entre los algoritmos ms relevantes quesedesarrollanhayquedestacaraquellosquepermitenelclculodelProgramaPredictivo y del Programa Reactivo de la Produccin. Aunque en menor medida tambin abordan aquellosqueregulanlacoordinacinentrelosprocesosdeProgramacinyPlanificacin. ParapoderobtenerunProgramaProductivoPredictivoseproponeeldiseoeimplementacin de un nuevo Algoritmo Gentico denominado SMAGA. La diferencia fundamental entre la propuesta que realiza en esta tesis y los Algoritmos Genticos tradicionales, es que en este caso, se realiza una hibridacin del algoritmo combinando la estructura bsica de esta Metaheurstica con las caractersticas de los Sistemas Multiagente. El objetivo es que la hibridacinseproduzcadeformaquelosAgentestomenelroldeseresvivosyporlotanto, deindividuosdelapoblacin.ConlaintroduccindelparadigmadeAgentesenestealgoritmo lapropuestaconsideralaexistenciadeunSistemaMultiagente(SMAGA)dentrodeotro(IPSU MAS).DespusdeunaadecuadaparametrizacindelasdosvariantesdelalgoritmoSMAGA, losresultadossecomparanconlosobtenidosporotraspropuestasrealizadasparaelmismo tipodeproblemasresultandoseraltamenteeficaces.Tantoparalaparametrizacincomopara elanlisiscomparativoseempleaunjuegodedatosconocido. Para realizar el clculo del Programa Reactivo se realiza un anlisis comparativo entre un conjunto de Heursticas y Metaheursticas seleccionado, entre las que existe una aportacin

XI

propia(SSDS).Todaslastcnicassonsometidasaunamplioestudioendiversascircunstancias pudindoseobtenerconclusionesrelevantesencuantoasucomportamiento. Finalmente se realiza como parte del quinto paso de la metodologa una aplicacin del prototipo IPSUMAS, generado a partir del trabajo realizado anteriormente, a una empresa concreta de la Industria Cermica. Se considera que las empresas de este sector son muy adecuadaspararealizarunaexperienciaprcticadebidoalaconfiguracindesustalleresyala situacin de competencia de su entorno. En la experiencia prctica se compararon los resultadosqueobtenidosempleandolosmtodos actuales delaEmpresaSeleccionada ylos obtenidos con IPSUMAS, en diversos escenarios. La conclusin es que en todos ellos los resultados obtenidos con la IPSUMAS son mejores, y en muchos de ellos se han alcanzado valoresconunatasadeproductividadentreun17%yun29%mejoresquelosdelastcnicas actualmenteempleadas.

XII

ABSTRACT
HYBRIDFLOWSHOPSCHEDULINGUNDERUNCERTAINTY:ARCHITECTURE ANDALGORITHMS.APPLICATIONTOTHECERAMICTILEINDUSTRY.
In a time of global competence in which the lead times are increasingly more prominent as competitiveelementandwhere,innotfewoccasions,companiestendtoofferacatalogueof extensiveproductsanddifferentiatedfromthecompetence,multiplechallengesexistthatthe Organizations should confront. Operations Management has the challenge to adapt the processesofManagementoftheLogisticandProductiveSystemstothecurrentneeds.Inthis processofchangeishabitualtoleavefromflexiblesmallProductiveSystemsandtotakethe massproductionapproachinwhichisfundamentaltoemploythebest"knowhow"totryto obtain the mostadequateperformanceof theavailableresources.Theunfoldofsome good practices in the environment of the Production Scheduling can greatly help to improve the efficiencyoftheresources. Traditionally,ProductionSchedulinghasbeentakenunderaratherquantitativevisionwhose missionconsistedofassigning,toarrangeandtotemporizethedifferentworksoftheperiod basedontheavailableresources.Nevertheless,althoughstillconsideringvalidthisapproach, this thesis aims to emphasize that, in reality, the last goal of the techniques and methods developed during years within the environment of the Production Scheduling is not another thanbeingappliedwithinDecisionMakingAidSystems.Inthissense,theoperativedecisions takenintheProductionSchedulerareashouldbeconnectedinallthecases,atleast,withits moredirectdecisionalenvironment,asisthatoftheProductionPlanning. An in depth literary review within the extensive work carried out in more than 50 years of existenceofwhathasbeencalledas"Scheduling"showstheexistenceofaneedthatshould be covered. It is a matter of reducing the distance among the problems presented by the scientificcommunityandtheonesthatprofessionalswanttosolve.Theacademicproblems arecharacterizedforbeingsimplificationsoftherealityinwhichtheproductivesystems,the working conditions, the organizing interrelations, or the own apparition of events are consideredfromapartialpointofview,orevenignored.Forthatreasoninmanycasesthe proceduresandthetechniquesappliedtotheProductionSchedulingintheorganizationshave notreceivedtheattentionneeded. One of the aspects to be considered to reduce the gap between the academic environment and the professional one is that of the Uncertainty. Relatively few bibliography exists that consider the problemof theProductionSchedulingunderuncertainenvironments,andfrom
XIII

the revised proposals, it has been decided to follow the model that proposes to divide the problem into two phases. The first phase, that receives the name of Predictive Scheduling, consists of establishing a Productive Schedule in a deterministic environment that serve of startingpoint.ThesecondphaseconsistsofmodifyingtheProductiveScheduleinprocessin the occurrence of an event that do it unfeasible, and it is called Reactive Scheduling. The Predictive and Reactive Production Scheduling serve to generate Schedules from restrictions andobjectivesthatcanbedifferentgivensincetheyareemployedindifferentinstantsfrom theProductiveperiodconsidered. Withtheobjectiveofexploringparadigmsthatcontributedadifferentfocustothetraditional one relating to the use of techniques and tools to deal with the problem of Production Scheduling, in the current conditions, the possibilities of the Artificial Intelligence were explored,andinconcretethearearelatedtotheIntelligentAgentsandMultiagentsSystems. TheparadigmoftheAgentshasbeenappliedtodiverseareaslikeOperationsManagement.In the area mentioned its put in practice has been mainly focused on the environment of the Production Planning and of the Supply Chain Management. This due to that the aid Agents theory to undertake aspects as the Business Integration, Organization Distributed, the Heterogeneous Environments, the Interoperability, the Dynamic Structures, or the Cooperation among others. From the need of including some of these aspects in the ProductionProgrammingambit,ithasbeenconsideredthattheMultiagentsSystemscanact asfacilitators. Oncethescientificcontributionsrelatedtotheenvironmentofthe"Scheduling"andtheMulti agents Systems have been analyzed, it has been identified that the objective of this thesis should be to introduce a Model that permit to Automate, by means of the employment of MultiagentsSystems,thePredictiveandReactiveProductionScheduling,basedonaBusiness Processes orientation that include Tools (Algorithms) for aiding to make decisions under Uncertainty, which are necessary to solve the functional/decisional vision that encloses the existence of events and its management, and that permit to take the first step toward a Dynamic Model. The objective set for the model is that of maintaining a rate of average productivity as high as possible in function of the available resources, having available the processesofPredictiveandReactiveSchedulingobjectivefunctionsthatpotentiateit. Asaprevioussteptotheconstructionofaproposalithasbeencarriedoutanimportanteffort tocorrectlydelimititsownvalidity.Inthisaspect,thosecharacteristicsoftheproblemdesired to treat are analyzed, emphasizing its peculiarities and being been able to characterize as a Hybrid Flow Shop with Sequence Dependent Setup Times in conditions of Uncertainty. The problemismathematicallymodeled. In order to reach the proposed objective a Methodology, some Architectural elements, and some Tools that serve of guide and support are defined. These elements, at the same time,
XIV

structuretheelaborationofaproposal.Throughfivestepsdefinedwithinthemethodology, and employing in each one of them the constructive elements and necessary tools, it is followed a path that is initiated with the elementary definition of the problem and that finisheswithatestofoperationforaparticularcase. With the two first steps of the methodology were determined the requests in which the proposalshouldbebasedtoobtainitsobjective.Fortheanalysisoftherequirementsofthe Predictive and Reactive Scheduling process and its relation with the Production Planning is employedtheproposednamedCIMOSA.Withthethirdstepofthemethodology,andinbase totheidentifyingrequests,itisundertakenthedesignofaSoftwarePlatformconceivedasa MultiagentSystem(IPSUMAS)thatfacilitatestheautomationoftheprocessesofScheduling. As design Methodology is employed INGENIAS, which is specific for developments based on Agents. Before carrying out the fourth step, that consists of the implementation of IPSUMAS, it is designed, developed, and analyzed a series of algorithms and procedures that necessarily should be included into the Software Platform. If the platform is considered as a structure, these processes would be the motor that really enables the automation. These are defined from a conceptual analysis and a practical contrast. Among the most prominent algorithms develop it is necessary to emphasize those that permit the calculation of the Predictive SchedulingandoftheReactiveProductionScheduling.Althoughinsmallermeasuretheyalso undertake those algorithms that regulate the coordination between the processes of SchedulingandPlanning. In order to be able to obtain a Predictive Production Schedule it is proposed the design and implementation of a new Genetic Algorithm called SMAGA. The main difference among the proposalcarriedoutinthisthesisandthetraditionalGeneticAlgorithms,isthatinthiscase,a hybridization of the algorithm is carried out by combining the basic structure of this Metaheuristic with the characteristics of the Multiagent Systems. The objective is that the hybridizationbeproducedsothattheAgentstaketheroleof"alivebeings"andtherefore,of individuals of the population. With the introduction of the paradigm of Agents in this algorithm the proposal considers the existence of a Multiagent System (SMAGA) inside another (IPSUMAS). After a proper parameter setting of the two variants of the SMAGA algorithms,theresultsarecomparedwiththeobtainedbyotherproposalscarriedoutforthe sametypeofproblems,turningouttobehighlyefficient.Forboththeparametersettingand forthecomparativeanalysisaknownsetofdataisemployed. InordertocarryoutthecalculationoftheReactiveSchedule,itiscarriedoutacomparative analysisbetweenaselectedsetofHeuristicsandMetaheuristics,existinganowncontribution (SSDS).Allthetechniqueshaveundertakenanextensivestudyunderdiversecircumstances, beingabletoobtainprominentconclusionsregardingtheirbehavior.
XV

Finally it is carried out, as part of the fifth step of the methodology, an application of the prototypeIPSUMAS,generatedfromtheworkcarriedoutpreviously,toarealworldcompany of the Ceramic Tile Industry. It is considered that the companies of this sector are very adequatetocarryoutapracticalexperienceduetotheconfigurationoftheirmanufacturing systemsandcompetencelevelreachedwithintheirenvironment.Inthepracticalexperience were compared the results obtained when employing the current methods of the Company SelectedandwhenapplyingIPSUMAS,indiversesettings.Theconclusionisthatinallcases theresultsobtainedwiththeIPSUMASarebetter,andmanyofthemhavereachedvaluesof productivity rate of between a 17% and a 29% better than the ones obtained with current techniques.

XVI

RESUM
PROGRAMACIDELAPRODUCCIENUNTALLERDEFLUXHBRID SUBJECTEAINCERTESA:ARQUITECTURAIALGORISMES.APLICACIALA INDSTRIACERMICA.
En un marc de competncia global en qu els temps de resposta sn cada vegada ms rellevants com a element competitiu i on, en no poques ocasions, les empreses tendeixen a oferiruncatlegdeproductesampliidiferenciatdelacompetncia,hihamltiplesreptesque les organitzacions han dafrontar. Dins daquestes, la direcci doperacions t el repte dadaptarelsprocessosdegestidelssistemesproductiusilogsticsalesnecessitatsactuals. Enaquestprocsdecanvishabitualpartirdesistemesproductiuspocflexiblesiorientatsala produccienmassa,enqusfonamentalemprarelmillorsaberferperaprocurarobtenir elrendimentmsadequatdelsrecursosdisponibles.Eldesplegamentdunesbonesprctiques enlmbitdelaprogramacidelaproduccipotajudarenbonamesuraamillorarleficincia delsrecursos. Tradicionalment, sha considerat la programaci de la producci amb una visi bastant quantitativa en qu la missi que tenia consistia a assignar, seqenciar i temporitzar els diferents treballsdel perodesobrela basedelsrecursosdisponibles.Noobstantaix,sense deixardeservlidaquestplantejament,enaquestatesiesvolemfatitzarcom,enrealitat,la finalitat ltima de les tcniques i els mtodes desenvolupats durant anys en lmbit de la programacidelaproduccinosaltraqueserempratsdinsdunssistemesdajudaalapresa de decisions. I en aquest sentit, les decisions operatives que es prenen en lrea del programadordelaproduccihandestarconnectadesentotselscasos,almenys,ambelseu entorndedecisimsdirecte,comseldelaplanificacidelaproducci. Unarevisiliterriaenprofunditatalextenstreballrealitzatenmsde50anysdexistncia del que sha denominat, emprant la terminologia en llengua anglesa, scheduling, posa de manifestlexistnciaunanecessitatquehadesercoberta.Estractadereduirladistnciaentre elsproblemesplantejatsperlacomunitatcientficaielsquevolenresoldreelsprofessionals. Elsproblemesacadmicsescaracteritzenperqusnsimplificacionsdelarealitat,enquels sistemes productius, les condicions de treball, les interrelacions organitzatives o la mateixa aparici desdeveniments sn considerats duna manera parcial, o fins i tot ignorats. Per aquestmotiu,enmoltscasoselsprocedimentsilestcniquesaplicadesalaprogramacidela produccienlesempresesnohanrebutlembranzidaquecaldria.

XVII

Undelsaspectesquecalconsiderarperareduirlabretxaquehihaentrelentornacadmiciel professional s el de la incertesa. Hi ha relativament poca bibliografia que considere el problema de la programaci de la producci en entorns incerts, i de les propostes revisades shaoptatperseguirelmodelqueproposadividirelproblemaenduesfases.Laprimerafase, querepelnomdeprogramacipredictiva,consisteixaestablirunprogramaproductiuenun entorndeterministaqueserviscadepuntdepartida.Lasegonafaseconsisteixamodificarel programa productiu en curs quan es produsca un esdeveniment que el faa inviable, i es denominaprogramacireactiva.Laprogramacipredictivaireactivadelaproducciserveixen peragenerarprogramesapartirderestriccionsiobjectiusquepodenserdiferents,atsque sempreneninstantsdiferentsdelperodeproductiuconsiderat. Amb lobjecte dexplorar nous paradigmes que aportaren un enfocament diferent al tradicionalenrelacialsdetcniquesieinesambqutractarelproblemadeprogramaci de la producci, en les condicions actuals, shan explorat les possibilitats de la intelligncia artificial,ienconcretlrearelacionadaambelsagentsintelligentsisistemesmultiagent.El paradigma dels agents sha aplicat a diverses rees, entre les quals es troba la de direcci doperacions. En lrea esmentada, la posada en prctica daquest paradigma sha centrat sobretot en lmbit de la planificaci de la producci i de la gesti de la cadena de subministrament. Aix es deu al fet que la teoria dagents ajuda a abordar aspectes com la integraci empresarial, organitzaci distribuda, els entorns heterogenis, la interoperabilitat, les estructures dinmiques, o la cooperaci, entre altres. Donada la necessitat dincloure algunsdaquestsaspectesenlmbitdelaprogramacidelaproducci,shaconsideratqueels sistemesmultiagentshipodenactuardefacilitadors. Unavegadaanalitzadeslesaportacionscientfiquesrelacionadesamblmbitdelschedulingi delssistemesmultiagent,sidentificaquelobjectiudaquestatesihadesereldeplantejarun model que permeta automatitzar, mitjanant ls de sistemes multiagent, la programaci predictiva i reactiva de la producci, basat en una orientaci de processos de negoci que incloga eines (algorismes) dajuda a la presa de decisions sota incertesa, necessaris per a resoldre la visi funcional/decisional que considere lexistncia desdeveniments i la seua gesti,iquepermetadonarelprimerpascapaunmodeldinmic.L'objectiufixatperaaquest model s el de mantenir una taxa de productivitat mitja el ms alta possible en funci dels recursosdisponibles,iperaaixelsprocessosdeProgramaciPredictiuiReactiudisposaran defuncionsobjectiusquepotencienelmateix. Com a pas previ a la construcci duna proposta, es du a terme un esfor important per a delimitarnelavalidesacorrectament.Enaquestaspecte,shianalitzenlescaracterstiquesdel problemaqueesvoltractar,destacantnelespeculiaritats,demaneraqueespotcaracteritzar com un taller de flux hbrid amb temps de canvi de partida dependents de la seqncia en condicionsdincertesa.Elproblemaesmodelamatemticament.

XVIII

Peraaconseguirlobjectiuproposatesdefineixunametodologia,unselementsarquitectnics, i unes eines que serveixen de guia i de suport, al mateix temps que estructuren lelaboraci dunaproposta.Atravsdecincpassosdefinitsenlametodologia,iemprantencadascunles eines i els elements constructius necessaris, se segueix un cam que sinicia amb la definici elementaldelproblemaiqueacabaambunaprovadefuncionamentperauncasconcret. Amb els dos primers passos de la metodologia shan determinat els requeriments en qu shauriadebasarlapropostaperaaconseguirnelobjectiu.Peralanlisidelsrequeriments delprocsdeprogramacipredictiureactiuilaseuarelaciambelsprocessosdeplanificaci, sempra la proposta CIMOSA. Amb el tercer pas de la metodologia, i sobre la base dels requerimentsidentificats,sabordaeldissenydunaplataformadeprogramariconcebudacom unsistemamultiagent(IPSUMAS)quefacilitelautomatitzacidelsprocessosdeprogramaci. PeraldissenysempralametodologiaINGENIASespecficaperadesenvolupamentsbasatsen agents. Abans de dur a terme el quart pas, que consisteix en la implementaci dIPSUMAS, es dissenya, es desenvolupa i sanalitza una srie dalgorismes i procediments que necessriamenthandeformarpartdelaplataformaprogramari.Siesconsideralaplataforma com una estructura, aquests processos serien el motor que realment possibilita lautomatitzaci.Aquestsesdefineixenapartirdunaanlisiconceptualiuncontrastprctic. Entre els algorismes ms rellevants que es desenvolupen cal destacar els que permeten el clcul del programa predictiu i del programa reactiu de la producci. Encara que en menor mesuratambshiabordenelsqueregulenlacoordinacientreelsprocessosdeprogramaci iplanificaci. Perapoderobtenirunprogramaproductiupredictiu,esproposaeldissenyilaimplementaci dunnoualgorismegenticdenominatSMAGA.Ladifernciafonamentalentrelapropostaque es fa en aquesta tesi i els algorismes gentics tradicionals, s que en aquest cas es porta a terme una hibridaci de lalgorisme combinant lestructura bsica daquesta metaheurstica amblescaracterstiquesdelssistemesmultiagent.Lobjectiusquelahibridaciesprodusca demaneraqueelsagentsprenguenelroldssersviusi,pertant,dindividusdelapoblaci. Amb la introducci del paradigma dagents en aquest algorisme, la proposta considera lexistncia dun sistema multiagent (SMAGA) dins dun altre (IPSUMAS). Desprs duna adequada parametritzaci de les dues variants de lalgorisme SMAGA, els resultats es comparenambelsobtingutsperaltrespropostesrealitzadesperalmateixtipusdeproblemes, iresultenaltamenteficaos.Tantperalaparametritzacicomperalanlisicomparativa,shi empraunjocdedadesconegut. Peraferelclculdelprogramareactiuesduatermeunaanlisicomparativaentreunconjunt dheurstiques i metaheurstiques seleccionat, entre les quals hi ha una aportaci prpia

XIX

(SSDS). Totes les tcniques sn sotmeses a un ampli estudi en diverses circumstncies, i es podenobtenirconclusionsrellevantspelquefaalcomportamentdaquestes. Finalment, es porta a terme com a part del cinqu pas de la metodologia una aplicaci del prototipIPSUMAS,generatapartirdeltreballrealitzatanteriorment,aunaempresaconcreta delaindstriacermica.Esconsideraquelesempresesdaquestsectorsnmoltadequades perarealitzarunaexperinciaprcticaacausadelaconfiguracidelstallersiperlasituacide competncia del seu entorn. En lexperincia prctica shan comparat els resultats obtinguts emprant els mtodes actuals de lempresa seleccionada i els obtinguts amb IPSUMAS, en diversos escenaris. La conclusi s que, en tots aquests, els resultats obtinguts amb la IPSU MASsnmillors,ienmoltsshanaconseguitvalorsambunataxaproductivitatentreun17%i un29%millorsqueelsdelestcniquesquesemprenactualment.

XX

INDICEGENERAL
Captulo1Introduccin....23

Captulo2LaEmpresaCermicaysuProgramacindelaProduccin.33

Captulo 3 Estado del Arte de los Modelos, Mtodos y Algoritmos de Resolucin en la ProgramacindelaProduccin...77

Captulo 4 Estado del Arte de los Sistemas Multiagente y su Aplicacin a los Sistemas de FabricacinysuProgramacindelaProduccin..195

Captulo5DescripcinyModeladoMatemticodelProblema .279

Captulo6EnfoqueEmpleadoparalaElaboracindelaPropuesta.335

Captulo 7 Anlisis, Diseo e Implementacin de una Plataforma Software basada en MultiagentesparalaProgramacindelaProduccinPredictivoReactiva361

Captulo8AlgoritmosparalaProgramacinPredictivadelaProduccinenunTallerdeFlujo Hbrido...461

Captulo9AlgoritmosparalaProgramacinReactivadelaProduccinenunTallerdeFlujo Hbrido..587

Captulo10AplicacindelaPropuestadeProgramacindelaProduccinPredictivo/Reactiva aunaEmpresaCermica...633

Captulo11ConclusionesyTrabajoFuturo...697

XXI

Anexo I Definicin de los Elementos Arquitectnicos de CIMOSA Implementados para ModeladodeRequerimientosdelProblemaPropuesto.713

Anexo IILmitesConocidosyNuevosLmitesAlcanzadosporSMAGA1ySMAGA2paralos BancosdeDatosEmpleadosenlaExperimentacin..749

Anexo III Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la ProgramacinPredictivadelaProduccin...775

Anexo IV Resultados y Anlisis Estadstico de los mismos Obtenidos en la Experimentacin paralaProgramacinReactiva..861

AnexoVProductosEmpleadosparalaSimulacin..959

AnexoVIAnlisisEstadsticodelosResultadosObtenidosenlaParametrizacindeSMAGA1 ySMAGA2paralaPlataformaIPSUMAS..963

XXII

Captulo
Introduccin

Introduccin

Captulo1

Tabladecontenido
1. Captulo1.......................................................................................................................27 1.1 Presentacin ..................................................................................................................27 . 1.2 Motivacin.....................................................................................................................27 1.3 Objetivos........................................................................................................................28 1.4 EnfoquedelTrabajoyProcesoRecorrido......................................................................29 1.5 EsquemaGeneraldelatesis..........................................................................................30

25

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

26

Introduccin

Captulo1

1. Captulo1

1.1

Presentacin

Eltrabajoqueseiniciaenestepuntosehadesarrolladoenelmarcodelprocesoinvestigador correspondiente a la ltima fase del programa doctoral, y con l se pretende poner de manifiestolacapacidadinvestigadoradeldoctorando. ElprogramadedoctoradoGestindelaCadenadeSuministroeIntegracinEmpresarialen elqueseenmarcaestedocumentodacabidaadiversaslneasdeinvestigacinentrelascuales se encuentra la relacionada con la Programacin de la Produccin (Scheduling en su denominacinenlenguaInglesa),enlacualsecentraestetrabajo.Sinembargo,graciasala continua interaccin con otras disciplinas relacionadas tanto con la Gestin de la Cadena de Suministro como con la Integracin Empresarial, la tesis que se presenta no se centra nicamente aspectos cuantitativos sino que intenta ofrecer una visin ms amplia del ProblemadeProgramacindelaProduccinincorporandovisionesdelproblemaprocedentes deotrasreas.Enconcretosehatenidomuyencuentalarelacinexistenteentrelastareas delProgramadorylasdelPlanificadordelaProduccinylanecesidaddecolaboracinentre ambos.Asmismo,comopartedelprocesoinvestigadorsehanmanejadoconceptosytcnicas prximosalmodeladodeprocesosyaldesarrollodeaplicacionessoftware. Se podra finalizar esta introduccin indicando que aunque esta tesis se basa fundamentalmente en ciertos aspectos cuantitativos relacionados con la Programacin de la Produccin,ofreciendoenestecampodiversasaportacionesenformafundamentalmentede algoritmos, se realiza un esfuerzo importante considerando las condiciones habituales del entornoendondedichosavancessedeberaaplicar,ofreciendocomoresultadounconjunto deModelos,AlgoritmosyHerramientasfcilmenteaplicablesenunentornoreal.

1.2

Motivacin

Lainvestigacinofrecesindudaungranestimulocuandoseesconocedordelaaplicabilidad delosresultadosobtenidos.EnelreadeIngenieradeOrganizacinIndustrial,yenconcreto dentrodelalneadeinvestigacinrelacionadaconlaProgramacindelaProduccin,existeun campo que reclama continuamente la necesidad de incorporar nuevos avances debido a los continuoscambiosenlosingenios,enlosprocesosyenlasformasdegestionarlaspersonas queelloimplica.
27

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Unadelasindustriasenlasquemejorencajalafilosofademejoracontinuaesprecisamentela IndustriaCermicaespaola,siemprepreocupadaporofrecerproductosdecalidad,frutode un inters constante por mejorar todos los aspectos relacionados con la fabricacin de sus productoscermicos.EnlasdosltimasdcadaslasempresasdelSectorCermicohansufrido una transformacin muy profunda, inicialmente basada en los avances tecnolgicos de sus equipos productivos, y posteriormente fundamentada en los aspectos relacionados con su gestin.Esenelmarcodeestaapuestaporlamejora,yaenelmbitodelagestin,yenuna industria lder mundial, en el que se ha planteado la posibilidad de revisar inicialmente aquellos aspectos mejorables, y posteriormente desarrollar una propuesta que permita alcanzaralgnlogroconcretoenelmbitodelaProgramacindelaProduccin. Enesteaspectosequiereponerdemanifiestoqueademsdelaexperienciaqueelautorde este trabajo ha tenido durante su etapa como consultor, tambin durante su etapa como investigadorydocentehapodidodedicarpartedesuesfuerzoatrabajarendiversosproyectos relacionados con la Industria Cermica. Algunos de estos proyectos han sido: ESPRIT Project 26736 'Performance Measurement System for Total Quality Management' (TQMTile), GV04A/543 Resolucin Negociada para el Problema Real de la Programacin de Produccin Colaborativa de Procesos en Lnea en la Industria Cermica (AgentFlow), DPI200402594 InteroperabilidaddeProcesosExtendidos,PSS37050020061aPSS37050020067Proyecto de Potenciacin de la Competitividad del Tejido Empresarial Espaol a travs de la Logstica comoFactorEstratgicoenunEntornoGlobal(GLOBALOG).

1.3

Objetivos

ElobjetivodeestatesisdebesereldeplantearunModeloquepermitaAutomatizarmediante elempleodeSistemasMultiagentelaProgramacindelaProduccindurantetodoelperiodo que se desee abarcar, basado en una orientacin de Procesos de Negocio que incluya HerramientasdeAyudaalaTomadeDecisionesbajoIncertidumbre,necesariospararesolver la visin funcional/decisional que contemple la existencia de eventos y en su caso la reprogramacindelasoperaciones,yquepermitadarelprimerpasohaciaunModelodems Flexibleyorientadoalmercado. Desdeel puntodevistainvestigadoresta tesisdoctoraltienecomometasesidentificaruna situacin que afecta al mbito operativo de la direccin de operaciones, analizar detenidamenteelproblema,modelarloatendiendoaltipodesolucinqueseidentifiquems ajustadaalmismo,yestudiarlosresultadosqueseobtienenconlapropuestayvalidarlos.

28

Introduccin

Captulo1

1.4

EnfoquedelTrabajoyProcesoRecorrido

En sus orgenes este trabajo se empez a desarrollar a partir de propuestas preliminares desarrollara fundamentalmente con un enfoque cuantitativo basados en la bsqueda de tcnicas que permitiesen obtener Programas Productivos eficientes para problemas deterministas caracterizados como de Taller de Flujo Hbrido con Tiempos de Cambio de Partida Dependientes de la Secuencia. En la actualidad la tesis doctoral que se presenta ha sufridounprofundoprocesodetransformacinfundamentalmenteportresmotivos: Enprimerlugarelproblemadebasesehamodificadoconsiderandonoslolasolucin alcasodeterministasinotambinaposiblessituacionesdeReprogramacin. En segundo lugar, y como consecuencia del cambio anterior, se ha considerado que una fuente de mejora para un problema de programacinreprogramacin, poda procederdelosaspectosrelacionadosconlarelacinplanificadorprogramadordela produccin. Entercerlugar,ycomoconsecuenciadelcambioanterior,sehacambiadoelenfoque meramentecuantitativoporunomixtoenelquelosaspectoscualitativostuvieranun pesoaunquefuesemenorquelosprimeros.

Al mismo tiempo que se modific el enfoque del problema original, cubriendo un espectro diferente, necesariamente se empezaron a plantear alternativas para construir la solucin. Hasta el momento de iniciar este trabajo los fuentes habituales que el autor empleaba para abordarlosproblemasdesecuenciacineranfundamentalmentelosmodelosmatemticosy los algoritmos heursticos y metaheursticos. Sin embargo, motivado por la complejidad del problema se empez a explorar la posibilidad de aplicar tecnologas emergentes como es el casodelosSistemasMultiagente. En el documento actual se analizan las relaciones entre los proceso de Planificacin y de Programacin de la Produccin con el fin de plantear mecanismos que, en el marco de la Industria Cermica, faciliten la Toma de Decisiones para obtener Programas Productivos que permitan ser eficientes tanto al inicio del periodo como en cualquier instante del mismo si surgelanecesidaddemodificarlo.EstaTomadeDecisionessebasartantoenherramientas aplicablesalaresolucindemodeloscuantitativoscomoenPolticasDiscrecionalesalservicio delosintersdelasEmpresas.

29

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

1.5

EsquemaGeneraldelatesis

Para abordar los objetivos planteados en esta tesis doctoral se ha realizado un trabajo de aproximacin al Sector Cermico. En el captulo 2 se presentan las caractersticas ms relevantesdelmismo,susignificacineconmicaysocial,ylosprocesosbsicosquedentrode ste realizan las empresas de produccin de baldosas cermicas. Este captulo finaliza analizando las oportunidades de mejora, que dentro del mbito de la Programacin de la Produccin,seidentificanenestetipodeempresas. Unavezsehaidentificadolaslneasgeneralesquepuedenconstituirelcaminoaexplorar,en loscaptulos2y3seanalizanlascontribucionesmsrelevantesquepuedenayudarentender, modelar y solucionar un problema como el que se ha esquematizado en el captulo 2. En concretoenelcaptulo3serealizaunprofundoanlisisdeestadodelarteenlosModelos,los MtodosylosAlgoritmosderesolucinempleadosenlaProgramacindelaProduccin.Yen elcaptulo4seamplaelestudiodelestadodelartealosSistemasMultiagenteaplicadosalos sistemasdeFabricacinyasuProgramacindelaProduccin. Una vez se dibuja una idea clara del marco de actuacin que se disponen en base a lo desarrollado por la ciencia en aos anteriores en referencia al entrono de trabajo seleccionado,enelcaptulo5serealizalaprimeradescripcindelproblema.Enestecaptulo secomentanlosaspectoscaractersticosdelapartequeseconocedelproblemaysemodela matemticamente.Estaesunadescripcinquesetomacomopuntodepartidaperoquean noseconsideracompleta. El captulo 6 constituye el hito a partir del cual se empieza a afrontar el proceso de construccindeunapropuestadesolucin.Enestecaptulosedescribelametodologaconla que alcanzar el fin deseado, as como los elementos constructivos y las herramientas que deben formar parte de la solucin. Adems se realiza una aproximacin a la solucin propuesta. Enelcaptulo7serealizaelanlisisderequerimientos,diseoeimplementacindelasolucin anivelmacro.Enestecaptulosedaporcompletadaladescripcindelproblemaquesedesea

30

Introduccin

Captulo1

abordar(requisitosasatisfacer)ascomosedibujaelesquemabsicodelosqueconstituirla solucin:LaPlataformaiSoftwareIPSUMAS. En los captulos 8 y 9 se completa el diseo de la plataforma. En el captulo 8 se disea, implementa y analizan los algoritmos para la programacin de la produccin determinista o inicial (Programacin Predictiva). En el captulo 9 se disean, implementan e analizan los algoritmosqueformanpartedelsistemadereprogramacindelaProduccin(Programacin Reactiva). En el captulo 10 se realiza una aplicacin de la propuesta desarrollada a una empresa de la Industria Cermica, y se analizan los resultados obtenidos en relacin a los mtodos empleados actualmente en la empresa. El anlisis que se realiza pretende determinar la factibilidad de la propuesta, as como la eficiencia en algunos aspectos como es el de la productividad. Finalmente, en el captulo 11 se realiza una reflexin a modo de conclusin del trabajo realizado,yseplanteanlneasdeinvestigacinparaelfuturo.

Se debe entender que una Plataforma es, en este contexto, un software sobre el cual se pueden ejecutar diversos protocolos para la Toma de Decisin y Procedimientos de Clculo, en este caso, orientadosalaresolucindeunproblemadeProgramacindelaProduccin.

31

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

32

Captulo
LaEmpresaCermicaysu ProgramacindelaProduccin

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

Tabladecontenido
2. Captulo2.......................................................................................................................39 2.1 Introduccin...................................................................................................................39 2.2 ElSectordePavimentosyRevestimientosCermicos..................................................40 2.2.1 2.2.2 2.2.3 2.2.4 PerspectivaGeneral............................................................................................40 EvolucinHistricadelSector.............................................................................42 InnovacionesenelSector...................................................................................43 FactoresqueObliganaFlexibilizarelProcesoProductivo..................................45

2.3 DescripcindelaEmpresaCermica.............................................................................47 2.3.1 2.3.2 DescripcindelosProductos..............................................................................47 DescripcindelProcesodeFabricacin..............................................................48 DescripcinGeneral....................................................................................48 RecepcinyTratamientodeMateriasPrimas............................................50 Molienda.....................................................................................................51 Atomizacin.................................................................................................52 PrensadoySecado......................................................................................52 Esmaltado....................................................................................................54 PreparacindeEsmaltesyTintasSerigrficas............................................56 Coccin........................................................................................................57 ClasificacinyEmbalado.............................................................................58 Paletizado....................................................................................................59 ElTransporte...............................................................................................59

2.3.2.1 2.3.2.2 2.3.2.3 2.3.2.4 2.3.2.5 2.3.2.6 2.3.2.7 2.3.2.8 2.3.2.9 2.3.2.10 2.3.2.11

2.4 ProcedimientodeProgramacindelaProduccindeAlgunasEmpresasCermicas...60

35

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 2.5 Oportunidades para la Mejora del Proceso de Programacin de la Produccin en la IndustriaCermicaActual.......................................................................................................64 2.5.1 2.5.2 2.5.3 ElproblemadelaIncertidumbre.........................................................................64 ElProblemadelosTiemposdeCambiodePartida ............................................67 . ElproblemadelaProgramacindelaProduccinenelSectorCermico.........68

2.6 PropuestadeunNuevoMarcodeTrabajo....................................................................69 2.6.1 VentajasqueseObtendranconunaProgramacinajustadaalasSingularidades Identificadas........................................................................................................................72 2.7 Conclusiones..................................................................................................................73 2.8 Bibliografa.....................................................................................................................74

36

LaEmpresaCermicaysuProgramacindelaProduccin ndicefiguras

Captulo2

Figura21.Procesogeneraldemonococcinporosa(Dalmau,J.I.&DeMiguel,E.1991)...49 Figura22.Ciclodecoccinenelhorno(ASCER2007). .........................................................57 . Figura23.Visingeneraldelprocesodefabricacindebaldosascermicas(ASCER2007). 60 Figura 24. Sistema de fabricacin de baldosas cermicas modelado como taller de flujo (elaboracinpropia)................................................................................................................63 Figura25.RelacindecausasyefectosdelaIncertidumbreenelsistemaproductivodelas EmpresasCermicas(elaboracinpropia)..............................................................................65

37

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

38

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

2. Captulo2

2.1

Introduccin

Enestecaptuloserealizalapresentacindeunentornoindustrial,ydeuntipodeempresa caracterstica como es la de Fabricacin de Pavimentos y Revestimientos Cermicos. En los prximosapartadosseirncomentadolascaractersticas,peculiaridadesyrelevanciadeeste tipo industria con la intencin de dirigir el enfoque hacia los aspectos relacionados con la Direccin de Operaciones y las necesidades que actualmente se demandan en este mbito paraconvertirlasenoportunidadesparadesarrollarunproyectodeinvestigacin. Comocondicinpasoprevioenestecaptuloseplanteadaraconocerlaformadetrabajarde algunas empresas del sector cermico en relacin a su actividad de Programacin de la Produccin. Este recorrido, fundamentalmente descriptivo, se realizar mediante una aproximacin tomando como punto de partida los aspectos generales, por ello en primer lugar, se describe el Sector Cermico. Se ha considerado que un anlisis de la Industria Cermica requiere como mnimo poner de manifiesto su importancia econmica y social, tanto en el mbito nacional como internacional, comentar la evolucin histrica del sector quepermitacomprenderelestadoactualdelmismo,subrayarlasinnovaciones tecnolgicas ms relevantes que ha supuesto hitos evolutivos destacados, y por supuesto considerar algunasdelastendenciasactualesenelmbitodeladireccindeoperaciones.Elsiguiente estrato que se debe analizar es el de la empresa, como elemento de transformacin, por lo que en este segundo paso los productos y los procesos son los objetos de estudio. Esta descripcindefinelasrestricciones,queporgeneralizadasenelsector,deberndetenerseen cuenta en el transcurso de la investigacin. El tercer paso que se ha planteado es la descripcin general del proceso de Programacin de Produccin en algunas empresas cermicas. A partir de un adecuado conocimiento del entorno empresarial y de las prcticas operativas ms habituales del sector se plantea fase, bsicamente de anlisis crtico, con el fin de encontrarnuevasoportunidadesdeinvestigacin.Enprimerlugarseidentificalaexistenciade incertidumbre en el proceso, parte de la cual se relaciona con caractersticas del producto (tonos, calibres, etc.) pero tambin de las operaciones que se realizan, como puede ser la existenciadeTiemposdeCambiodePartidadependientesdelaSecuencia.Apartirdeesta peculiaridadsecuestionalavalidezdelosmtodosactualesdeProgramacindelaProduccin ylaposibilidaddeplantearmtodosnuevosquepermitanobtenerprogramasmsrealistasy ajustadosalasnecesidades.SeplantealaexistenciadeProgramacinyReprogramacindela Produccincomoformadeadaptarsealoscambiosmotivadosporlaincertidumbre. El resto del captulo est estructurado como sigue: En el apartado 2.2 se realiza una aproximacin a la relevancia y posicionamiento del Sector Cermico. En el apartado 2.3 se
39

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica describen las operaciones bsicas en los que se descompone el proceso de fabricacin de baldosas cermicas. En el apartado 2.4 se analiza el Sistema de Gestin de la Produccin de algunas empresas significativas del Sector Cermico. En el apartado 2.5 se analizan las oportunidades de mejora que ofrecen el actual Sistema de Gestin de la Planificacin/Programacin. En el apartado 2.6 realiza valoracin las ventajas que supondra unnuevomarcodetrabajo.Finalmente,enelapartado2.7sepresentanlasconclusiones.

2.2

ElSectordePavimentosyRevestimientosCermicos

2.2.1 PerspectivaGeneral
La industria de la cermica espaola engloba una amplia gama de actividades con el denominador comn de fabricar productos obtenidos a partir de la arcilla que, una vez moldeada y tratada con otros productos, se somete a coccin. Produce materiales para la construccin, para uso industrial y para uso domstico, empleando procesos de produccin muy distintos, con actividades tradicionales y prcticamente artesanales y otras muy industrializadasydealtocontenidotecnolgico. Espaa es el primer productor europeo, con ms del 38% del total de la cuota de la Unin Europeaa27.Laproduccinanualsesituen2008en494,7millonesdem2(585en2007).Las ventastotalesdeproductoscermicosalcanzen3.671en2008millonesdeeuros(4.120en 2007),conunelevadocomponenteexportador,puesalrededordel60%desusingresos,2.211 millonesdeeuros,procedendelaexportacinamsde179pases,situndoseenunacuota sobre comercio mundial de alrededor del 19%. El mayor mercado exportador fue la propia Unin Europea (a 27 pases) con una cuota superior al 51%. Los datos econmicos que se muestranrelativosalsectorcermicosebasanen(ASCER2008). En los ltimos aos la produccin se distribuye fundamentalmente entre productos de pavimentosesmaltados(46,0%),azulejos(39,1%),gresporcelnico(12,0)yextruido(2,9).El porcelnicoesmaltadoalcanzohastael75,2%detotaldeporcelnico. Aunqueyaenelao2003Espaaeraelsegundoproductormundial,conmsdel38,5%del total de la cuota. Se poda observar como, segn (ASCER 2003), se estaba asistiendo a un incrementodelacompetenciaaescalamundial,debidoalaumentodelacapacidadproductiva deChinaconel32,5%delaproduccinmundial.ExistanotrospasescomoBrasil,Indonesia, laIndiayTurquaconcuotasdel8,4%,4,0%,3,8%y3,2%respectivamentedeltotalmundial. Noobstante,elcambiomssignificativoenelmercadomundialfueelimportanteincremento
40

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

delcoeficienteexportadordeChina,quepasdeunacuotadel2,1%enelao2000al19,8% registradoen2004,yqueen2007y2008sigueenaumento. El nmero total de empresas espaolas era de 200 en 2007, a las que hay que sumar una veintenadedicadasalaatomizacindetierrasyfabricacindebizcocho.Elempleodirectoes de unos 26.000 trabajadores y se calcula que el indirecto es de unos 7.000 empleos adicionales.LamayorpartedelasempresassonPYMES.Unadelasprincipalescaractersticas del sector azulejero espaol es la alta concentracin de la industria en la provincia de Castelln,enespecialenelreadelimitadaalnorteporAlcorayBorriol,alOesteporOnda,al surporNulesyalesteporCastellndelaPlana.Aproximadamenteel94%delaproduccin nacional tuvo origen en esta provincia, donde estn ubicadas el 81% de las empresas del sector. La actual concentracin de empresas ha sido justificado por (De Miguel, E. 1996) mediantelassiguientesrazones: Proximidaddeloslugaresdeextraccindearcillas. Abundanciadeempleadostcnicosespecializados. Posibleseconomasdeescaladerivadasdeunaredempresarial.

En (Molina, J. 1999) se ha mostrado empricamente como empresas ubicadas en el rea de concentracindescritaobtenanresultadossuperioresalasempresasdelmismosectorfuera de dicha rea. El sector cermico es el segundo que ms riqueza genera en la Comunidad Valenciana, de un total de 104 sectores analizados, slo superado por el sector de la distribucindemercancas(grandessuperficiesydetallistas),segnelestudioArdn2004del IMPIVA(IMPIVA2004).Condatosde2002,elsectorazulejerogenerel6,8%deltotaldela riquezacreadaenlaComunidad.Yaenelao2009,yenplenacrisiseconmica,losproductos cermicos han supuesto un 10% del total de las exportaciones de la Comunidad Valenciana hastaelmesdejunio,mantenindosecomotercerafuerzaexportadoraslosuperadaporlos automvilesylosfrutoscomestibles(InstitutoValencianodeEstadstica2009). La produccin espaola rompi en 2003 su crecimiento ininterrumpido desde 1982, pero en 2004volviamostrarunatendenciaascendente,quehacontinuadohasta2007.Aunqueen 2008 se empez a ver afectada por inicio de la crisis econmica mundial. Se estima que en 2007lasventastuvounascensodel5,1%,aunqueyaen2008seprodujoundescensocercano al 12%. Adems de la crisis econmica, la aparicin de China como superpotencia, no slo productora, sino exportadora ha tenido un gran impacto en el sector cermico espaol. Por estemotivolasEmpresasCermicasespaolasseencuentranenunperiododeadaptacina lasnuevascircunstanciasdelmercado,afrontandolasnuevascondicionescompetitivas.

41

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica EnlosprximosaoslaIndustriaCermicadeber desplegarunaestrategia competitiva que nosebaseexclusivamenteenelpreciodelproducto.Aspectoscomolacalidadentendidade forma global (propiedades del producto, diseo producto, atencin al cliente, etc.) estn siendolabasedelasinnovacionesadoptadasenlaIndustriaCermicaespaola.

2.2.2 EvolucinHistricadelSector
Tradicionalmente los responsables de las Empresas Cermicas han considerado que una polticadeinversinenI+Derasuficienteparacompetirconxitoenlosmercados,puestoque el factor diferenciador del producto era la calidad del mismo. Esto propici que se llegase a una situacin en la que sistemas productivos tecnolgicamente muy desarrollados y automatizados, se siguiesen gestionando de una forma muy tradicional con la aparicin de diversosproblemasdeadaptacinalasnuevassituacionesdelmercado. As, en los aos 70, el coste haba determinado la ventaja competitiva de las Empresas Cermicas y, por lo tanto, una gestin centrada en los costes fue suficiente para el buen funcionamiento de las mismas. En los 80 se hizo nfasis en la calidad, intentando llevar los conceptosdecalidadmsalldelproducto,eintegrndoloenlafilosofaglobaldelaempresa (anhoymuchossectoresseencuentranenunafasedeimplantacindesistemasglobalesde calidad). Adems, en el sector azulejero, se incorporan mejoras tecnolgicas, como son los hornosdemonococcin(Dalmau,J.I.,DeMiguel,E.,&Miquel,S.1993) Asenlaactualidad,elbajocosteylaaltacalidadsonpremisasbsicasparadesarrollaruna actividad empresarial viable en el sector de fabricacin de pavimentos y revestimientos cermicos. A estos se aade el servicio adecuado al cliente sin importar su localizacin o preferencias. Esto propicia una alta personalizacin de los productos y grandes esfuerzos de distribucin.Sinembargo,esterpidoritmodecrecimientohafavorecidolaaparicindeuna seriedeproblemasque,lamayoradelasveces,hansupuestounexcesivonfasisenlamejora tecnolgicadelosprocesosdejandodeladolamejoraymodernizacindesugestin.Estose ha agravado porque, desde mediados de los 90, se ha producido un estancamiento en los preciosyunprogresivoaumentodelosinventarios(Ybarra,J.A.,Giner,J.M.,&Santa,M.J. 1996). Enestecontextosehaobservadouninterscrecienteporintegraratodosloseslabonesdela cadena logstica que intervienen en la elaboracin del producto. Esto implica que, para mantenerseenlosmercados,ademsdefabricarbuenosproductosaunprecioasequibleyen unos plazos razonables, es necesario que los proveedores y distribuidores sincronicen sus actividades con las de la empresa. En este campo cobra cada vez ms importancia los
42

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

conceptos de Gestin de la Cadena/Red de Suministro y de integracin empresarial que pretende lograr este objetivo ltimo a partir de unas propuestas y unas herramientas modelado, anlisis y resolucin global de los diferentes procesos desarrollados en las empresas. Enlosprximosaossecontinuarnestastendencias,puestoquecadavezseacentamsla expansin global de los mercados fruto de las polticas comunitarias, y la personalizacin de losproductosparaclientescadavez msexigentesydistintos propicianla aparicinde una gran variedad de productos con baja demanda, que obligan a la empresa (y en particular al subsistemaproductivo)aserfiableyflexibleparaadaptarserpidamentealoscambiosenlas necesidadesdelosclientesenunentornodeCadena/ReddeSuministro.

2.2.3 InnovacionesenelSector
Enelsectordefabricacindepavimentosyrevestimientoscermicossehanidosucediendo una serie de hitos, fundamentalmente tecnolgicos, que han llevado al sector a la situacin actual,dondeunagranautomatizacindelprocesoeslabasedelacompetitividaddelsector entecnologa,calidadydiseo,estoshansido: El primer cambio relevante fue la sustitucin a mediados de la dcada de los sesentadelsistemadefabricacintradicionalbasadoenhornosintermitentespor los hornos tneles que aumentaron considerablemente la productividadide las plantas. Despusdeesto,noessinohastaladcadadelosochentacuandoseincorporala tecnologa de los hornos de monococcin (MolinaMorales, F. X. 2002), trados desde Italia. Esta modernizacin coincide con una recuperacin importante del mercado a escala mundial y un aumento de la produccin basado en el tirn del sector de la construccin que dur hasta el principio de la dcada actual. La implantacin del sistema de monococcin conlleva el aumento de la demanda de personalcualificado(TcnicosdegradomedioyFPII)(Escardino,A.2001). En los ltimos aos se han alcanzado importantes avances tecnolgicos que ha permitidofabricarproductosdegranformato(500 mm x500mm,600mmx600

Enestecontextolaproductividadsedebeentendercomom2producidosporunidaddetiempo.

43

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica mm)basadosenlacalidaddelasmateriasprimaslocales.Comoconsecuenciade esta ventaja, las firmas han desarrollado tecnologa mecnica, de esmaltado y de coccin(MolinaMorales,F.X.2002). ConlaentradadelsigloXXIlapolticamedioambientalcomunitariaseorientahacia laproteccinintegraldelmedioambiente,demaneraqueelsectorindustrialdebe adaptarse a las nuevas normativas mediante un enfoque de gestin empresarial que integre la variable medio ambiental. (Gabaldn, S., Lpez, S., & Carda, J. B. 2003) analizan las principales mejoras obtenidas como resultado de aplicar innovaciones medio ambientales en el proceso de produccin de baldosas cermicas,destacando:laoptimizacindelgradodereutilizacindelosresiduos,la inertizacin de los residuos cermicos, la disminucin del consumo de materias primas y energa, la mayor rentabilidad del proceso productivo y la mejora de las caractersticas tcnicas del producto acabado. As mismo, concluyen en su trabajo con una previsin a corto plazo sobre la implantacin de mayor nmero de innovacionesmedioambientalesquepermitanmejorarelprocesoproductivo.

Cabedestacarelpapeljugadoporlainiciativaempresarialyladisponibilidadtecnolgicaydel personal tcnico cualificado necesarios para implantar la innovacin industrial que ha permitidoelextraordinariocrecimientoexperimentadoenlosltimosdiezaos,basadoenun entramado socioeconmico y de entidades comprometidas con el proceso de innovacin (Escardino,A.2001). Estoscambiosindustriales,hantenidolassiguientesconsecuencias(Gallego,J.R.,Bono,E.,& Tomas,J.A.1997): Aumentodelarelacinm2/operario.Lanecesidadeconmicadereducirloscostes salariales en los pases industriales ha conducido a automatizar en mayor medida losprocesosindustriales. Ahorroenergtico(MolinaMorales,F.X.2002).Elprocesodefabricacincermico, consume grandes cantidades de energa calorfica. Gracias a la construccin del gasoducto procedente de Argelia, se ha podido obtener el combustible necesario para los procesos de fabricacin del gres a precios econmicos. Adems, las ventajosascondicionesofrecidasporlascompaaselctricas,hanposibilitadoque las empresas se conviertan en suministradoras de energa elctrica a la red nacional,mercedalaimplantacindelosprocesosdecogeneracin. La automatizacin ha influido en los importadores de cermica. Los pases tradicionalmente consumidores de productos cermicos, hoy en da estn en

44

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

condicionesdeautoabastecerse,convirtindoseenpasescompetidores,envezde clientes (por ejemplo China). Como consecuencia de esto, las facturaciones de la Industria Cermica en Alemania, Italia, Gran Bretaa y Francia, han sufrido un estancamientoeinclusounligeroretroceso,exigiendounmayoresfuerzosicabeen lamejoradelacalidadyelabaratamientodeloscostesdecaraalaexportacin. (Gabaldn,S.etal.2003)concluyenensutrabajolaprevisinsobrelaimplantacin demayornmerodeinnovacionesmedioambientalesacortoplazoquepermitan mejorarelprocesoproductivo. Actualmente,pareceserquelasituacinsehaestancadoenloqueserefierealas grandes innovaciones tecnolgicas. En este momento el sector se empieza a sensibilizar por lograr mejoras en lo que se refiere a mejorar sus sistemas de informacin para la gestin (Vallada, E., Maroto, C., Ruiz, R., & Segura, B. 2005), cambiaromejorarsusprocesosdecisionalesyaumentarlaflexibilidaddelproceso productivoparahacerfrentealasvariacionesdelmercado.

2.2.4 FactoresqueObliganaFlexibilizarelProcesoProductivo
Segnelestudiorealizadopor(egreVidal,J.,LapiedraAlcami,R.,&ChivaGomez,R.2004)en elcualseanalizlarelacinentrelasoperacionesestratgicasdeunacompaaysucapacidad innovadora,seconcluyqueenlaIndustriaCermicaespaolalasfirmasmsinnovadorasse diferenciabandelrestopordosfactoresfundamentales:lacalidadylaflexibilidad.Esteestudio coincideensusconclusionesconlosmodelosde(Ferdows,K.&DeMeyer,A.1990)segnel cuallosobjetivosdetodaslasoperacionessonfundamentalmente,lacalidadenprimerlugar, yluegolaentregaylaflexibilidad,yfinalmentelaeficienciaenelcoste.Asmismo,en(Segura, B., Vallada, E., Maroto, C., & Ruiz, R. 2004) se realiz un estudio estadstico basado en encuestasconempresasdelsectorcermicoenelcualseconcluylasprioridadesmediasms altasseobtienenparaaspectosvinculadosconalservicio,seguidodelcosteylaflexibilidad. Debidoalanecesidaddeincrementarelgradodeinnovacin,enlasEmpresasCermicasseha venido observando en los ltimos aos una necesidad creciente de flexibilizar el sistema productivo,debidoalossiguientesfactores: Variabilidad del volumen demandado. La demanda de los productos cermicos procede bsicamente del sector de la construccin, tanto en lo que se refiere a nuevasedificacionescomoaobrasderenovacinyrehabilitacin.Elhechodeque setratendeelementosvisiblesyqueformanpartedelmobiliarioyladecoracinde casa determinan que su renovacin se lleve a cabo por razones estticas y no solamentedebidoasudeterioro.Eldiseoylamodasonfactoresmuyimportantes

45

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica en este tipo de productos, que eleva su valor aadido y posibilita su comercio exterior. En la primera mitad de la dcada de los 90 el sector tuvo una ligera recesinoriginadaporlacadadelconsumoyladisminucindelaconstruccinde viviendas, que origin un aumento considerable de los inventarios de producto acabadoypusoenevidenciaqueelmercadotradicionalhabacambiadoyquelas empresas deban comenzar a gestionar de una manera menos rgida sus procesos defabricacin. Reduccindelosciclosdevidadelosproductos.Elazulejosehaconvertidoenun producto de moda y productos que antes tenan un ciclo de vida en torno a la dcada, actualmente se renuevan a los tres o cuatro aos. Es necesario, permanentementerenovarloscatlogos,conloqueelpeligrodeobsolescencia(si sefabricaengrandeslotes)escadavezmayor. Aumento de la variedad y personalizacin de la oferta. En el segmento de pavimentoscermicossehaacrecentadounavariacinenloshbitosdecomprade los consumidores motivadas por un aumento de la exigencia (en precio y en servicios)yunamayormadurez(yporlotantoinfidelidadalamarca).Unexcesode oferta de productos se ha traducido en un aumento de la competencia y por lo tantoenlanecesidaddediferenciarsefrenteaella.Frenteaesto,lasempresashan reaccionadomultiplicandolosformatosyacabadosporloquelatendenciageneral es tener extensos catlogos que complican la gestin de los almacenes y la PlanificacindelaProduccin. Disminucin de los plazos de entrega. La poca diferenciacin entre los productos propicia que el servicio al cliente se haya convertido en un factor clave en la competitividaddelasEmpresasCermicas.Laventadirectaalclienteesraraenel sector,siendolomscomnutilizarunoovariosalmacenistasintermedios.Estolos convierteenelementosdelacadenalogsticacongrancapacidaddepresinsobre las empresas fabricantes. Entre los criterios tenidos en cuenta por estos almacenistasalahoradeelegirunfabricante,unoesprecisamenteelajustealos plazos de entrega, que obliga a las Empresas Cermicas a reducirlos a base de acumular inventario de producto acabado y mejorar la Planificacin de la Produccin(ASCER1998).

Como conclusin a todo lo dicho anteriormente, se ha venido observando en el sector cermico una aspiracin creciente en conjugar las ventajas de fabricar en serie pero con la filosofa de fabricacin de pequeos lotes. Sin embargo, tal y como se discutir el siguiente apartado, existen varios impedimentos que dificultan la consecucin de este objetivo de fabricarenpequeoslotesyconrpidostiemposderespuesta.

46

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

2.3

DescripcindelaEmpresaCermica

2.3.1 DescripcindelosProductos
En el proceso fabricacin tradicional de gres se puede hablar de dos tipos de procesos, denominados de monococcin y bicoccin. En cada tipo de produccin se pueden distinguir variostiposdeformatos(tamao).Asuvez,cadaformatoposeediferentesmodelosquesern funcindelaformaydelasaplicacionesquereciben(dibujo,esmaltes,etc.). En el proceso de monococcin el esmalte se aplica directamente sobre la pasta prensada y cruda, ambas se cuece simultneamente para dar el acabado final. En la bicoccin, la pasta prensadasepasaporelhornoparaformarelbizcochoy,posteriormenteseaplicaelesmalte sobresteysecuecenuevamenteparadarelacabadofinal. Durantemuchosaoshaexistidolacontroversiaacercadecualdelosdosmtodosesmejor. En realidad, teniendo la formulacin adecuada tanto del cuerpo como del esmalte, y observandounrgidocontroldetodaslasetapasdefabricacin,esposibleproducirunbuen azulejoconcualquieradelosdosmtodos. Tradicionalmenteeramsutilizadoelprocesodebiccocin,conciclosdecoccindecuarenta yveintehorasparalaprimeraysegundacoccinrespectivamente(coccindelsoporteydel esmalte). Actualmente es ms interesante el proceso de monococcin, con ciclos de slo cuarentaocincuentaminutosdeduracin. Adems,juntoalaeconomadelprocesodemonococcinvaunidaunagranfacilidadparala automatizacindelosdiferentesprocesosdefabricacin,conelconsiguienteresultadoenla reduccindecostes. Los pavimentos y revestimientos cermicos se obtienen preparando una composicin de materias primas depuradas formada por silicatos alumnicos, siendo las composiciones diferentesparaelcasodelospavimentosyrevestimientoscermicosenpastarojaoenpasta blanca. En todo caso, en cualquier grupos de productos continuamente se van eliminando modelos que no tienen suficiente demanda e incorporando otros nuevos, por lo que el nmero de modelos fabricados sufre continuas modificaciones, tendiendo a aumentar el nmero de un aoaotro.

47

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Ambosprocesossontotalmenteindependientes(estoes,cadaproductosepuedefabricarsolo enunodelosprocesosynocompartenrecursos),porloqueenlatesis,elanlisissecentrar en el primer proceso (monococcin), puesto que es el que ms complejidad representa debidoalnmeroderecursosinvolucrados(Alfaro,J.J.1997). Unproducto esunapieza cermica caracterizada porun modelo,unformato,un calibre,un color y tono. El modelo est relacionado con los aspectos estticos y con el diseo (textura, dibujos,etc.)yseidentificaconunnombrepropioydelaseriealquepertenece(porejemplo modeloPasesdelaserieEspaa).Elformatoidentificasusdimensionesenelplano(anchoy largoencentmetros).Elcalibredeterminaelgrosordelapieza(enmilmetros).Elcolorest relacionadoelvalornumricogruesoqueseasociaralapiezaenelpantonedecolores,yse identificaconunnombre(rojo,negro,etc.).Eltonodeterminaelvalornumricofinoquese asociaralapiezaenelpantonedecolores.Sepuededecirqueelproductoestformadopor caractersticasesencialesyauxiliares.Lasprimerassonaquellasporlascualessonconocidos porlosclientesysolicitadosporlosmismos,esdecirmodelo,formatoycolor.Mientrasquelas segundas, tono y calibre, se determinan definitivamente en el proceso de fabricacin y diferencian a los productos, incluso de un mismo lote, en subconjunto diferenciados por no poderserutilizadosenunmismoclientefinal.

2.3.2 DescripcindelProcesodeFabricacin
2.3.2.1 DescripcinGeneral Lafabricacindelrevestimientocermicoserealizaapartirdearcillas,quesesometenaun tratamiento de molturacin va hmeda y, posteriormente, de atomizacin. La arcilla atomizadaseprensa,formandounaspiezas,queenelcasodebicoccinsecuecenantesde seresmaltadas(bizcocho),luegoseesmaltaysufreunasegundacoccin(fino),comoyaseha comentadoenelapartado2.3.1,enmonococcindirectamentepasanaesmaltarse. Porltimo,seacualseaelproceso,elproductoesmaltadopasaalhorno.Entrelaslneasde esmaltadoyloshornosexistenalmacenesintermediosdebidoaldistintoritmodeproduccin quehayencadaseccin. Una vez cocido el producto, el producto se transporta a una zona de almacenamiento a la espera de ser clasificado en diferentes calidades y caractersticas fsicas (tono y calibre) por medio de mquinas sofisticadas. Al mismo tiempo, un operario analiza los defectos de superficie.Lapropiamquinadeseleccinconfeccionalascajasdecartnenlasqueseenvasa

48

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

el producto. Un robot recoge estas cajas y las almacena en los palets que se transportan al almacndeproductoacabado.Elproductoquedayalistoparasuexpedicin. Tradicionalmente la utilizacin de un sistema de fabricacin u otro ha correspondido sobre todoaltamaodelformatoafabricar,asparalafabricacindeformatosdegrantamao,se haempleadoelprocesodebicoccin,yparaformatosinferioresseaempleadoelprocesode monococcin porosa. Esta diferenciacin se ha debido a la fragilidad que presentan los formatosgrandescuandoseprensaelbizcochoporloque,paraevitarroturasalolargodel proceso,losazulejosdebansercocidosantesdepasarporlasdistintasaplicacionesenlalnea deesmaltado.Porelloselesdabaunaprimerapasadaporelhorno,paraqueadquierancierta durezayaspodersermanipuladosenlaslneasdeesmaltadosinriesgoderotura(Tormo,G. 1997).Actualmente,elprocesodemonococcinpredominaenlaIndustriaCermica,incluso paralosformatosdegrantamao,debidoalosavancestcnicos. A continuacin, se muestra un diagrama (Figura 21) donde se detallan las fases que tienen lugar en el proceso productivo de monococcin porosa. Estas fases se explican en los siguientesapartados.

M aterias Prim as M olienda va hm eda A tom izacin Prensado Secado Esm altado Secado C occin C lasificacin Paletizacin

Preparacin de esm altes

Figura21.Procesogeneraldemonococcinporosa(Dalmau,J.I.&DeMiguel,E.1991).

49

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica A continuacin se describen uno por uno todos los procesos detallados en la Figura 21, basadosen(Andrs,C.2001).

2.3.2.2 RecepcinyTratamientodeMateriasPrimas El proceso se inicia con la obtencin de la materia prima con la que se fabrica la base del azulejo. Las arcillas llegan a la empresa mediante camiones desde minas a cielo abierto distribuidasenlasproximidadesdelazona. Las arcillas se deposita en estratos horizontales, en una superficie (era) dedicada al almacenamiento de materias primas, cuyo principal objetivo es conseguir una homogeneizacin ptima para conseguir una mayor uniformidad en las propiedades de las arcillas. Cadaunodelostrestiposdearcillaconlasquesetrabaja,esdepositadoenmontones(eras) independientes y se van formando capas de un espesor aproximado de medio metro entre cadapardeestratos,introducindoseentreambosunafinacapadepolvoqueserecuperadel cicloproductivo.Estosehaceconobjetodeevitarquecuandolluevasefiltreelaguadelos estratos inferiores y estos se humedezcan por encima de un valor mnimo ptimo para trabajar. Sepuededisponerdedostiposdeeras: Eras de consumo. Se extraen las materias primas que van a ser utilizadas en el proceso. La extraccin se realiza mediante palas mecnicas que toman la arcilla perpendicularmente a como han sido formados los estratos para conseguir un materiallomshomogneoposible. Eras de formacin. Se van formando los estratos para abastecer las eras de consumo.

Paraobligaraquelalluvianodetengalaproduccin,sedisponedeunosgranerostechadosen losquelasarcillastambinsealmacenanenmontonesindependientes.Diversoscontrolesa lasarcillasaseguranlaptimacalidaddelasmismas,asserealizaunoalaentradaaerasy otroantesdelamolienda.

50

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

Para evitar problemas en la etapa de molienda ya que las arcillas tienen una granulometra muyvariada,serealizaunareduccindetamaodelasarcillasmedianteunostrituradoresde martillos que consiguen reducirlas, gracias a varios cilindros dentados, a partculas no superiores a tres o cuatro centmetros. Una pala mecnica se encarga de llevar las arcillas hastaeltriturador. Unaveztrituradacadaarcilla,pasamedianteunacintatransportadora,aunossilosdeacopio, desdelosqueserealizaladosificacinalosmolinos.Estossilossuelenestarconectadosaun sistemainformatizadodepesadaquemarcalostiposylacantidaddearcillaqueserequiere. Una vez realizada la pesada de los materiales stos pasan mediante cintas transportadoras mvilescubiertas(paraevitarlaaccindeagentesmeteorolgicosdurantesutrayecto),auna seriedetolvasqueseencuentransituadasenlazonadecargademolinos.Paracadamolinola carga se realiza mediante una tolva de arcilla y un depsito de agua situados en la parte superior.

2.3.2.3 Molienda Estaetapatienedosobjetivos.Porunlado,aumentarlasuperficiedelmaterialporunidadde masa, y por otro, obtener una distribucin de tamaos de partcula adecuada a las necesidadesdelprocesoyproducto. La molienda se lleva a cabo mediante molinos de bolas y se realiza por va hmeda (en presenciadeagua),yaqueseconsigueunamayorhomogeneizacindelasmateriasprimasy permiteobtenerpolvogranuladoconmayorfluidezqueelobtenidoporvaseca,facilitandola obtencindemejorasenelprocesoproductivoyconellomayorcalidadenelproductofinal. Losmolinoscontienenensuinteriorbolasdeslexcomoelementosdemolienda,siendostos dediferentestamaosycapacidades.Alfinaldelprocesoseobtieneunamezcladelaarcilla, aguaydefloculantequesedenominabarbotina.Paraello,elmolinoestenmarchadurante unas1015horas. Una vez finalizado el proceso de molienda, el contenido del molino (barbotina de arcilla) se vierteyalmacenaenconstanteagitacinenlallamadabalsadesucio.Estelquidoespesoes tamizado en tamices vibratorios, eliminando todas las partculas de tamao excesivo, y guardadoenlasbalsasdelimpioquedandolistoparaelsiguienteprocesodeatomizacin.

51

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Elaguautilizadaenelprocesoprovienedeunasbalsasenlasquesealmacenalosvolmenes provenientes de la limpieza de la fbrica y lluvia, con lo que se evitan vertidos al medio ambiente.

2.3.2.4 Atomizacin Mediantelaoperacindeatomizacinoglobulacinselograndosobjetivosbsicos: Secarlabarbotinaparaadecuarlahumedaddelslidoalaptimarequeridaenla etapadeprensado. Obtenerunpolvocuyosgrnulospresentanunamorfologaesfricaquemejorala fluidez del slido y facilita que durante el llenado del alvolo de la prensa se obtengaunadistribucindemasauniforme.

Desdelasbalsasdelimpiolabarbotinasebombeaalatomizadormediantebombasdepistn doblerefrigeradasporagua,pasandoantesporunostamices.Elobjetivodelosatomizadores espulverizarlabarbotinaencontracorrienteconunflujodeairecaliente(quepuedeprovenir de un quemador vertical de gas o una turbina de cogeneracin). Al contacto con los gases calientessufreunsecadoviolentoquedandoconvertidaenpolvoligero. Eltotaldeatomizadoproducidoesconducidomediantecintastransportadorasaunossilosde almacenamiento. Lossilospresentanaspiracionesinternasparaeliminarelpolvoproducidoenlacargaascomo lahumedad,evitandodeestemodoquesepegueelatomizadoalasparedesinternasdelsilo produciendocostras.Delossilos,elatomizadopartemediantecintastransportadorashaciala seccindeprensas.

2.3.2.5 PrensadoySecado Conlamezclapreviamenteatomizada,sealimentaalcarrodelaprensa,dondeseconfigurael productofinal.Paraello,sesueledisponerdeprensasoleodinmicasdealtapotencia. Conelprensadosedaformaalapiezayseledotadeunaresistenciamecnicaquepermita quelapiezaconformadapuedasertransportadaenlassiguientesetapasdelproceso.

52

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

Los moldes son los que dan la forma geomtrica exacta a la pieza aprovechando la fuerza ejercidaporelpistndelaprensa.Enellospuedendiferenciarsetrespartes: Punzonessuperiores(marcacomercial). Punzonesinferiores(caractersticassuperficievista). Matriz(tamaoycalibre).

La configuracin de la prensa, en especial su potencia, determinan el tipo de formato que puedefabricarseconesterecurso. Lostrabajosdepreparacindelasprensasconsistenenelajustedeestostreselementoshasta obtener la configuracin fsica deseada. Dichos trabajos suelen suponer la manipulacin de maquinara pesada por lo que los recursos necesarios para llevarlos a cabo son importantes evitndoseloscambiossimultneosenvariasprensas.Estafasepreparatoriasueleserlams laboriosadetodoelprocesodefabricacin. El siguiente proceso al que es sometida la pieza despus del prensado es el secado, cuya misineseliminaraguadelamismapara,posteriormente,conseguirquelaadherenciadelas aplicacionesdeesmaltenoprovoquefallosdetiposuperficial. Atravsdecintastransportadorasseconducenlaspiezasalsecadero.Duranteestetransporte sesometenaunprocesodecepillado,tantodelacarasuperiorcomodelacarainferior,conel findeeliminarelpolvoquequedaadheridoalapiezadespusdelprocesodeprensado. Elprincipiodefuncionamientodelossecaderosautomticosverticalessebasaenrealizarun flujocontracorrienteentreelmaterialasecaryairecalienteproducidoporquemadoresdegas natural. Los azulejos se sitan en cestas con movimiento descendente, mientras que el aire calienteasciende. El tiempo de permanencia de la pieza en el secadero, as como la temperatura utilizada, depende fundamentalmente del espesor. La temperatura y la humedad se controlan peridicamente. Laoperacindesecadoduraaproximadamenteunos12minutosylatemperaturadeentrada delairealsecaderoesde220dependiendodelmodeloqueseestrealizando.

53

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 2.3.2.6 Esmaltado Las instalaciones de una planta de monococcin porosa constan de lneas de esmaltado disponiendo cada una de ellas en su cabecera de su correspondiente prensa y secadero vertical.Eltipodeproductoafabricarenunalneadependedelformatoy,principalmente,del nmerodeaplicacionesquevaallevarelmodeloaesmaltar. Laspiezassalendelsecaderoverticalaunatemperaturaptimaparaelprocesodeesmaltado. Seguidamente,laspiezassufrenunprocesodecepilladoporlaparteinferior,paraevitarque elpolvoquepuedanllevaradheridocontaminelascorreasenlascampanasdeengobeybase, contaminando a su vez al esmalte. Un soplador se encarga de eliminar el polvo en la parte superiordelaspiezas. Unaerosoldeaguahomogenezalatemperaturasuperficialdelapiezaalmismotiempoque tapa los poros superficiales. En la primera parte de la lnea, cada unidad recibe dos aplicaciones por medio de una serie de campanas denominadas engobe y base, respectivamente. La aplicacin de la base se debe realizar justo cuando el engobe recin aplicadoempiezaasecar(estoseconsigueregulandolavelocidaddelalnea).Lafinalidadde estascapasesocultarelcolorrojizodelapasta,eliminarocorregirlosdefectossuperficiales delsoporteymejorarlaadherenciaesmaltesoporte. Acontinuacin,hayunlargotramodelneaqueseencuentratechadoparaevitarqueelpolvo del ambiente se adhiera a la pieza ocasionando defectos. Durante este tiempo la base se va secando y la pieza va evaporando agua. Ms tarde se friega o rasca lateralmente todas las piezas,medianteunasmuelaselctricasalmismotiempoqueunsopladoreliminalasposibles virutasquehayanpodidosaltarsobrelapieza. Seguidamente, se pasa a la decoracin de la pieza mediante distintas aplicaciones, que son realizadaspordiversosdispositivosespecficamentediseados.Estasinstalacionessepueden montarydesmontarsobrelacintatransportadora,paravariarlaconfiguracindelalneaen funcindeltipodeproductoafabricar.Lasposiblesaplicacionesquepuederecibirunmodelo son: Aerosoldeagua:Lafuncindeesteaerosolesladeregularlahumedadsuperficial delapieza,ademselaguapenetraenlosporosdelapiezallenndolosconloque laaplicacindelengobesehacesobreunasuperficiedemuypocaporosidadconlo queseevitarlaformacindepinchazos.

54

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

Aplicacin de esmalte: Los esmaltes se aplican a campana, con ello se logra un mayor control sobre la aplicacin. Este esmalte es el que proporciona el color de fondo del azulejo. Los esmaltes ms utilizados son las cristalinas (negra y coloreadas),blancodecirconioymates. Serigrafiado:Esunsistemaconsistenteenhacerpasarunesmalte(tintaserigrfica) a travs de una tela especial (pantalla). La tinta pasa al presionarla mediante una esptuladegomaporlospuntosdelateladondeexisteunorificio,comolapantalla seencuentratocandoelesmaltedelapiezalatintaquedaradheridaalapieza.

La esptula realiza dos movimientos, en el primero recoge tinta y pasa sobre la pantalla sin apretar,llenandoaslosorificiosde sta.Enelsegundomovimiento,ensentidocontrario al anterior,laesptulayaaprietalapantallasobrelapieza.Laalimentacindetintaenlapantalla puedesermanualoautomtica. Elserigrafiadodefineelritmodeproduccinenelesmaltado.Existenvariasdeestasmquinas de serigrafiado en cada una de las lneas de esmaltado, para poder as aplicar variedad de dibujosycoloresacadamodelo. Antesdelserigrafiadopropiamentedicho,seaplicaalapiezaunaligeracapadefijadorpara mejorarlaadherenciadelaserigrafa. Serigrafiadorotatorio:sedisponenlaspantallasalrededordeuncilindroelcualgira a una velocidad determinada, consiguiendo mejorar la productividad de este proceso. Efectoveteado:Elesmalteseaplicaensecosobrelapiezaunavezqueyahasido esmaltadaparacrearefectosdeveteado,intentandoimitarpiedrasnaturales.Este polvo se aplica con una mquina especial. Esta aplicacin se lleva a cabo entre el engobeyelesmaltado.Serequierequeelengobeestesuficientementetierno,para queselleveacabolaabsorcindelpolvoynosedenpinchadosdeesmalte. Cabaasdediscos:permitenlaaplicacindeefectoslanzandoelesmalteatravs deunosdiscosenrpidarotacin,loquedaunresultadoirregularydegoteo. Fum: sistema que consiste en rociar el esmalte con un aergrafo utilizando una plantillaparaeldibujo. Granilladoras: depositan esmalte en polvo sobre el azulejo, dando resultados rugosos.

55

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Compensadores:distribuidosalolargodelalneahayvarioscompensadoresquese encargan de almacenar la produccin que llega por la cinta cuando se produce algnpequeoparoaguasabajo. Varios: elementos para la limpieza de los bordes, volteadores, guas de direccin, sopladoresdepolvo,cintastransportadoras,etc.

Alolargodetodalalnea,distintoscontrolesaseguranlacorrectacalidaddelaspiezasydelos componentesutilizados. Las piezas una vez esmaltadas se pasan por unos secaderos para reducir el contenido de humedadhastaaproximadamenteel0.5%.Deestamanera,seevitanposiblesexplosionesy defectosquepodranoriginarsesiseintroducendirectamentealhorno. Lossecaderossonunasestructurasconbandejasderodillos,dondeseintroducenlosazulejos alosquese lesinyectaunamezcla deaireexternoyaire calienteprocedentede lazona de enfriamiento del horno, mediante una serie de conducciones. El tiempo de residencia de las piezas en el secadero depende del tiempo de almacenamiento de stas en el parque, de la descargaahornosydelespesordelaspiezas. Unavezsalendelsecaderolaspiezassetraspasanalalneadealimentacinahornos,lacual disponedeotrocompensadorparaevitarladiscontinuidadenlaentradaalhorno.

2.3.2.7 PreparacindeEsmaltesyTintasSerigrficas Estos procesos auxiliares se realizan previamente al inicio de la produccin. Los esmaltes suelenserdefabricacinpropia.Parafabricarlosesmaltesseutilizanfritas,colores,aditivosy agua. La frita llega en sacos de producto y su forma es la de cristales. Todas estas materias primasseintroducenenunosmolinosespeciales,enunascantidadesadecuadasysemuelen hasta que la granulometra y viscosidad son las prescritas. Se almacenan entonces en cubas constantementehomogeneizadasmedianteunosbatidoreshastaelmomentodesuuso. Lapastaserigrficasefabricaapartirdepolvobase.stesedispersaenunvehculoserigrfico (que generalmente es una mezcla de resinas sintticas), con ayuda de un agitador a alta velocidad.Lapreparacindelapastasehaceatravsdedosmtodos:

56

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

Lapastasehacepasarporunamquinadenominadatricilndrica,lacualconstade tres rodillos que giran en sentido diferente cada uno. Con esto, se consigue una laminacindelmaterial,evitandoaslaformacindepequeosgrumosenlapasta yconsiguiendounamayorintegracindeloscomponentesdelamezcla. Lapastayadispersadaseconsiguepasarporuntamiz,ejerciendopresinmediante una esptula para facilitar el paso del material a su travs. De este modo se consiguelaeliminacindegrumosquepodranocasionarproblemasposterioresen laspantallasserigrficas.

2.3.2.8 Coccin Paraestafuncinseutilizanloshornos.Sufuncinescocerelbizcochoesmaltadoparadarel productofinal.Laalimentacindeloshornosesmediantegasnatural.Ensupasoporelhorno el bizcocho atraviesa varias secciones denominadas prehorno, precalentamiento, coccin, enfriamiento natural y enfriamiento forzado, respectivamente, siendo el sistema de movimiento de las piezas mediante rodillos. El control del horno para la regulacin de la temperaturaserealizamedianteunsistemadecontrolpormicroprocesadores. Delhornosaleelproductoaunatemperaturaelevada,peroyaconlascaractersticasfinales deresistenciaydurezaadecuadas.Losfactoresqueafectanprincipalmentealacoccinsonel rangodecoccinyeltiempodepermanenciaalamximatemperatura.Otrasvariablesmuy importantes para el ptimo funcionamiento del horno son launiformidad de la temperatura del horno, el control de la curva de coccin y el control de la atmsfera del horno. La temperatura mxima de coccin del bizcocho es 1120 C aproximadamente, siendo la permanenciadecadapiezaenelhornodeunos42minutosaproximadamente.

Figura22.Ciclodecoccinenelhorno(ASCER2007).

57

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Las variables fundamentales a considerar en la etapa de coccin son, el ciclo trmico (temperaturatiempo, Figura 22), y la atmsfera del horno, que deben adaptarse a cada composicin y tecnologa de fabricacin, dependiendo del producto cermico que se desee obtener. Sin embargo, estas temperaturas pueden cambiar ligeramente en funcin del tamao y del formato.Amayortamaoyespesormayortiempodecoccin.

2.3.2.9 ClasificacinyEmbalado Las piezas una vez han salido del horno pasan al almacn donde se almacenan para su posterior clasificacin. En esta seccin se somete a los azulejos,uno a uno, a varias pruebas para clasificarlos por calidades, calibres y tonos (resistencia mecnica, clasificacin visual, planaridad,calibresytono). Enlaclasificacindelaspiezassedistinguentrescalidades: Primera:elazulejonopresentaningndefectovisible. Segunda: el azulejo incluye despuntados, grietas, hoyos, picaditas de tamao pequeoyenpocacantidad,etc. Tercera:elazulejocontienelosmismosdefectosquelosdesegundaperoenmayor cantidadytamao,ademsdedefectosdeserigrafayotrasaplicaciones.

Los azulejos con defectos ms graves como despuntados o desconchados se clasifican como tiesto, las piezas as clasificadas son desviadas y caen a un depsito. Posteriormente sern molidasparasureincorporacinalasnuevasarcillasdelaseras. Almismotiempoqueserealizalaclasificacinporcalidadeslosazulejosseclasificanportonos y calibres dentro del mismo producto que ya vena definido por un formato, un diseo y un color.Dichodeotraformaeltonoyelcalibresoncaractersticasvariablesdelproducto,quesi biensemantienendentrodeunrango,noseconocenconprecisinhastaelfinaldelproceso. Latecnologaactualpermitequeelprocesodeclasificacinestealtamenteautomatizado.Este procesoconsisteenelpaso,medianteunacintatransportadora,porunsistemaformadopor elementos de visin artificial y otros sensores que informan a un sistema informtico que
58

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

asigna al azulejo a un grupo. El azulejo contina por la lnea hasta que llega a la posicin asignadaalosazulejosdesugrupodondeesdesviadoaunnivelinferiordondepermanecer hastacompletarunnmeropreestablecidodependientedelformato.Cuandoesenmerose alcanza se traslada mediante otra cinta transportadora a la entrada de la mquina empaquetadoraqueidentificaensuenvoltorionosloelmodelo,formatoycolorsinosutono ycalibre. Finalmentelascajassontransportadasporunacintahastalasiguienteseccindepaletizado.

2.3.2.10 Paletizado Delaseccindelaclasificacinsaleelproductoembaladoencajascodificadassegncalibre, calidadytono.Lapaletizadoraseencargadellenarlospaletsdeformaautomticateniendo encuentaestosdatos.Unavezestelpaletyaconformadoseenfundamanualmenteconun plsticobiodegradablemediantelaaplicacindecalor.Lospaletssellevanaotranavedonde seubicaelalmacnmediantelautilizacindevehculosmecnicos. La situacin de los palets en el almacn atiende a un programa de control de almacenes diseado para un ptimo aprovechamiento del mismo, as como para una eficaz gestin y controldecadapalet.

2.3.2.11 ElTransporte Entrelneasdeesmaltadoyhornos,yhornosylneasdeclasificacinlasunidadessedepositan mediante sendos manipuladores en unas estructuras compuestas por diferentes repisas denominadasvagonetas.Paraeltransportedeestasvagonetasseutilizanvehculosfiloguiados motorizados elctricamente (AGV), que se desplazan sin necesidad de rales mediante la accin de un sistema de radio control. El recorrido de los vehculos viene prefijado por un trazadodecablesbajoelsueloqueseencargadedirigirlatrayectoria.Todoelmecanismoest gestionado por un autmata, que manda la informacin a los vehculos mediante ondas de radio.Estesistemaproporcionaunagranflexibilidadalahoradeprogramarlaentradadelos trabajosalasiguienteseccin. EnlaFigura23sepuedeapreciardeformaresumidaelprocesocompletodefabricacinde baldosascermicas.

59

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Figura23.Visingeneraldelprocesodefabricacindebaldosascermicas(ASCER2007).

2.4

Procedimiento de Programacin de la Produccin de Algunas EmpresasCermicas.

Actualmente, en las empresas del Sector Cermico existe una situacin predominante de lo queseconocetradicionalmentecomofabricacincontraalmacn.Latendenciaalargoplazo esllegaraunasituacincercanaalafabricacinbajopedido,debidoalasexigenciascadavez mayores de un producto personalizado y cambiante, que provoca una rpida obsolescencia. Sinembargo,debidoaloselevadoslotesdefabricacin,tiemposdeajusteylagranvariedad demodelosquesesueledarenlosProgramasdeProduccin,losplazosdefabricacinii(Lead Time) son elevados (se estiman en una semana y media en promedio). Esto provoca la necesidad de una Planificacin basada en la previsin y mantenimiento de cierto nivel de inventariodealgunosproductos,porloquelamayoradelasveces,sefabricacontraalmacn paraasegurarunacapacidadderespuestarpida.

ii

Tiempopromediotranscurridoentrequeseoriginalaordendefabricacinysefinalizasuproduccin

60

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

ParacomprenderelprocesodeProgramacinesnecesariointroducirunaseriedeconceptos relacionados dicho mbito tcticooperativo de la Gestin de los Sistemas Productivos que aunque habituales en el mbito de la Direccin de Operaciones, sern ampliamente comentados en el captulo 3, correspondiente al anlisis del Estado del Arte de la ProgramacindelaProduccin. EnlafabricacincontrainventarioelprocesodedefinicindelPlanMaestrodeProducciniiies fundamental.Aunquedichoprocesoquedafueradelosobjetivosdeestatesissereconoceel inters de analizar la problemtica de definicin del mismo, puesto que se ha observado en muchas Empresas Cermicas que uno de los problemas que aparece en el mbito de Programacin de Produccin es una deficiente definicin del Plan Maestro, que provoca frecuentes cambios y distorsiones en el desarrollo del mismo. Ser necesario determinar los requerimientos en la relacin entre el Plan Maestro de Produccin y el Programa de Produccin. Debido a la vinculacin entre Planificacin y Programacin que se vislumbra es interesante realizar una breve introduccin, que ser ampliada en captulos posteriores, respecto al procedimiento que se sigue en algunas Empresas Cermicas para alimentar su sistema productivo. En las algunas Empresas Cermicasivse suele definir un Plan Maestro que sufre sucesivas modificaciones en un proceso de refinamiento continuo. En general, el proceso se suele iniciar con un Plan Maestro a Capacidad Infinita y con un horizonte de doce meses basado en demanda prevista, datos histricos, estrategias corporativas, lotes mnimos, capacidad almacenamiento y aprovisionamiento, etc. Este plan marca las grandes lneas de actuacin a un ao vista. A partir del plan anterior se generan otros planes ms detallados, normalmente un mnimo de dos planes simultneos, con horizontes de tres meses y de seis semanasrespectivamente.Estosplanessebasanenlaagrupacinpormodelosapartirdelos Pedidosvde los distintos clientes y Previsiones de stock deseadas. En el plan con menor horizonte se generan la Lista de rdenesvide Fabricacin donde se especifican los distintos

iii

EntendidocomounProgramaanticipadodeproduccinquerepresentaloquelacompaaplanifica quevaaproducirexpresadoenconfiguraciones,cantidadesyfechasespecficas(Apics1994) Informacin extrapolada a partir de conversaciones mantenidas con diferentes responsables de produccindeempresasfabricantesdebaldosascermicas.

iv

Estospedidossecomponendediferentesmodelosyformatosysonrealizadoporelmismocliente. Lista de rdenes: Listado de Trabajos a realizar agrupados en rdenes de Fabricacin. Cada Orden suponeunameraagrupacintemporaldetrabajos.

vi

61

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Trabajosvii(dondeseespecificamodelosytamaodeloteafabricar).Estosehaceenfuncin del ratio de agotamiento de cada modelo en el almacn (puesto que un objetivo es el mantenimiento de un cierto nivel de Inventario de Seguridad de cada producto). A veces, cuando se detecta que un producto est prximo a agotarse, se origina un Trabajo, que se aadealaListaderdenesdeFabricacin,cuyotamaodelotesueleoscilarentreunvalor mnimo que ronda los 1.500 m2 y mximo situado alrededor de los 10.000 m2 definidos en funcindelaexperienciadelosresponsablesdefabricacinyenprevisionesproporcionadas porelDepartamento de Planificacin.AssepuedeobservarqueenelmismoPlanMaestro coexistendistintostiposdeTrabajos:porunladoestnaquellosquehansidooriginadospor pedidosenfirmedeclientes(descontandolasposiblesexistencias),mientrasqueporotrose pueden dar TrabajosPrevisionales,destinadosamantenerun ciertoniveldeinventariopara satisfacerdemandasimprevistas. EnestePlanMaestro,acadaordendefabricacinseleasignaunafechadeentregamarcada por el compromiso alcanzado con los clientes, basndose en criterios fundamentalmente comerciales adoptados por la direccin (importancia de los clientes cuyos pedidos han originadolasrdenesdefabricacin).Estosuponequenormalmenteelconjuntodetrabajos asociadoadichaordentienenlamismafechadeentregaviii. Porelsistemaquesesigue,normalmenteseverificalacapacidadcasideformasimultneaala generacindelPlanMaestro,porloquelalistaderdenesdeFabricacinsueleconvertirseen un verdadero Plan de Fabricacinix. La generacin del Programa de Produccin se realiza mediante una reunin de los expertos en base al Plan de Fabricacin y a los informes de incidencias de los responsables de las diferentes secciones. Revisndose los programas definidos en reuniones previas y aadiendo nuevos trabajos al Plan de Fabricacin si fuera necesario. As se define un calendario de lanzamientos, basndose en criterios de disponibilidad de material, maximizacin de la utilizacin de los recursos y minimizacin del inventarioencurso,conelrequisitodelograrelcumplimientodelasprioridadesprefijadasy el objetivo de la utilizacin eficiente de las instalaciones. El Programa suele tener un

vii

El trabajo considera solamente un nico modelo o formato de diferentes clientes agrupados en funcindelasfechasdeentregaydondesehantenidoencuentaelinventarioexistentedelproducto. Seconsideracomofechadeentregaaquellaenlaqueelproductofinaldebehaberrealizadotodas susoperaciones,estardisponible,paraserentregadoalcliente.

viii

ix

PlandeFabricacin:ListadodeFabricacinsobreelqueseharealizadoelanlisisdeCapacidad,ypor lo tanto se considera factible la realizacin de los trabajos incluidos en las rdenes en las fechas previstas.

62

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

horizontededosacuatrosemanas,conunperiodomximodeunasemana.Lageneracinde losinformesdeincidenciaseslenta(variosdas)ydificultalatomadedecisionesporpartede losprogramadores. Una gran parte de los Sistemas Productivos de la Industria Cermica podran ser modelados como un Taller de Flujo Hbrido, tal y como se justificar y profundizar en los prximos captulos.EnelmodelodeTallerdeFlujosepuedenidentificardeformageneraltresetapas comunesaunagranmayoradeEmpresasCermicas,dondeserealizansendasoperaciones: Etapa de PrensadoSecadoEsmaltado, Etapa de Coccin, y Etapa de Clasificacin y Embalado. En cada etapa suelen existir recursos alternativos, con diferente eficiencia, para realizarlamismaoperacin.

Figura24.Sistemadefabricacindebaldosascermicasmodeladocomotallerdeflujo(elaboracinpropia).

Enestetaller,cadaresponsabledeetapasedebedepreocupardeajustarsealofijadoenel Programapudiendohacerligeroscambiosenelordendeprocesamientodecadatrabajo.Sin embargo, como la definicin del calendario de lanzamientos se consensua basndose en la experienciadelosasistentesalareunin,cuandoseproduceunasituacinnoprevistaynose puedeesperaralaprximareuninpararesolverla,setomandecisionesenelmbitodeltaller o de una seccin que pueden perjudicar a la ejecucin del Programa de Produccin. Esto provocadistorsionesenelPlanMaestrodeProduccinqueavecespuedenllegarasergraves.

Porotrolado,nosonpocaslasvecesenlasqueselanzantrabajosquenosehantenidoen cuentaenlareunin,debidoaqueaparecennecesidadesdeltimahora,nocontempladasen el Plan Maestro de Produccin desplegado, y que a su vez, provocan perturbaciones en lo inicialmente programado. Se observa por lo tanto, una relacin entre Planificacin y Programacin poco fluida, casi limitado a una reunin semanal, pero que no dispone de mecanismos de Toma de Decisiones ni Eficientes, ni Colaborativos en cado de eventos no esperados.

63

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

2.5

OportunidadesparalaMejoradelProcesodeProgramacindela ProduccinenlaIndustriaCermicaActual.

Actualmente se tiende a ofrecer un catlogo de productos muy amplio donde adems se pretende que estos productos estn diferenciados de la competencia. Los clientes son cada vez ms exigentes en trminos de Precio, Calidad y Servicio.Ademsexisteunconjuntode pases en vas de desarrollo (China, Turqua, Brasil, etc.) que son una fuente de fuerte competencia en el mbito de los precios. Todos estos factores, unidos al hecho de que, por normageneral,lasempresasdisponendeSistemasdeProduccinpocoflexiblesyorientados hacialaProduccinenMasa,hacenqueseanecesariaunaeficienteutilizacindelosrecursos parapodermantenerelnivelcompetitivo. AcontinuacinseanalizanconmayordetalleaquellosaspectosdelaIndustriaCermicaque inciden de forma negativa, dificultando la gestin del proceso de Programacin de la Produccin.Enconcretosehanseleccionado2problemasdiferentes: La Incertidumbre. Se analizar de que manera afecta al proceso, y se profundiza sobre aquella que procede de los Tiempos de Cambio de Partida por ser caractersticadeesteSector. Ladistanciaexistenteentrelassolucionesnecesariasparalosproblemasrealesylas existentesenelentornocientfico.

A partir de esta revisin se deberan identificar con mayor facilidad las oportunidades de mejoraquepermitanalcanzarunamayorcompetitividad.

2.5.1 ElproblemadelaIncertidumbre
LaGestindelaProduccinenlaIndustriaCermicaesunprocesoclaramenteafectadopor la Incertidumbre en los trminos establecidos por (Galbraith, J. 1973). Esta Incertidumbre procede tanto del entorno como del propio sistema, es decir procede de los dos grupos establecidospor(Ho,C.1989). La Incertidumbre del entorno que afecta al proceso productivo en la Industria Cermica es fundamentalmente la debida a la Demanda de los Clientes, que est relacionada con la IncertidumbreenlosPedidosdelosClientesy/oPrevisiones.

64

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

LaIncertidumbredelsistemaestrelacionadadirectamenteconelprocesoproductivo,yentre las que afectan de forma singular a la produccin de baldosas cermicas destacan: Las procedentes del proceso de transformacin que provocan variaciones en la calidad del producto(verapartado2.3.2.9),lavariabilidaddelTiempodeProcesoydeCambiodePartida (ver apartado 2.5.2) que implica variaciones en las fechas de finalizacin. Existen otras Incertidumbres comunes a otros procesos industriales como: Averas del equipamiento, variacindelosrecursos,etc.EnlaFigura25seidentificanlascausasdeIncertidumbreyse relacionan con los impactos que tienen sobre la gestin del sistema, que ser comentada a continuacin.

Figura25.RelacindecausasyefectosdelaIncertidumbreenelsistemaproductivodelasEmpresasCermicas (elaboracinpropia).

Como consecuencia de los impactos causados por la Incertidumbre del entorno y/o del sistema,elcostetotaldelafabricacinseincrementa.En(Murthy,D.N.P.&Ma,L.1991)se enumeraronalgunasdelascausasdedichoincrementodecoste,entrelascualessedestacan por su relacin con el caso de las Empresas Cermicas las siguientes: Pedidos no servidos, inventariosexcesivosoinsuficientes.
65

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica LasEmpresasCermicashanluchadodeformaconstanteparareducirelimpactoquesobrela ProductividadyelniveldeServicioalClientetienelaIncertidumbre.Sehanhechograndes esfuerzo para minimizar la Incertidumbre, especialmente las debidas a la singularidad del entornoydelsistemaproductivoobjetodeestudio,esdecir,lasproducidasporlavariacinde la demanda, de las calidades del producto, o de los Tiempos de Proceso y de Cambio de Partida(verFigura25).LaorganizacinylagestindelaproduccinenlaIndustriaCermica sehanvistocondicionadasporestaspeculiaridades. Desde el punto de vista de la Programacin de la Produccin se ha observado como los Programas,alverseafectadosporlaIncertidumbredelsistema,hanoptadoengeneralpor: Incorporar periodos de tiempo ocioso extra para absorber pequeos retrasos en lostiemposestndaresdeproduccinocambiodepartida. Fabricar unos lotes mnimos que permitan que el producto llegue al final del procesoparaserclasificado,yqueentoncesserealicenlosajustesnecesariosenlas variablescontrolablesdelprocesoparacorregirlasanomalasquepuedanaparecer. Esto est motivado, porque pese a todos los esfuerzos realizados en mejorar el proceso,esimposibleaseguraruna calidad100%.Porlotanto,sedeberealizaral finaldelprocesounaclasificacinporcalidades. Aumentar el tamao de los lotes, para evitar las prdidas debidas a defectos de calidad, debido a la dificultad de asegurar un producto final uniforme de primera calidad.Estosproblemaspropicianquesetiendanasobredimensionareltamaode loslotesafabricarconloquelosinventariosdeproductoacabadoaumentan.

As mismo, los programadores han evitado que la Incertidumbre del entorno les afecte trabajando,porunlado,conperiodoscongeladosdondelosrdenesdeproduccin,yporlo tanto la ejecucin del Plan Maestro, no pueden ser modificadas, y por otro lado, suelen disponerdeInventariosSobredimensionados. Queda patente que alguno de los planteamientos actuales podran ser mejorados si las empresas pudieran ser capaces de absorber parte de la Incertidumbre mediante la FlexibilizacinyelaumentodelarobustezdelSistemadeGestindelaProgramacindela Produccin. LacorrectacomprensindelascausasdeIncertidumbreydesusefectos,directoseindirectos, esimportanteparaentenderlamotivacindeestatesis.Algunosimpactosquedanfueradel objetodela tesis,comoeselcasodelavariacindelademanda,otrassehanexplicado en
66

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

apartadosanteriores(verapartado2.3.2.9)dondesehapresentadoelproblemadelostonosy calibresascomoeldelaclasificacinencategoras(primera,segunda,terceraytiesto)delos productoscermicos. A continuacin se profundiza en el problema de los Tiempos de Cambio de Partida caractersticosdelsectorcermico.

2.5.2 ElProblemadelosTiemposdeCambiodePartida
Al inicio de cada nueva orden de fabricacin aparecen unos Tiempos de Ajuste, necesarios paracalibrarlasmquinasdemaneraqueseobtengaelproductodeseado.Aestostiemposde ajusteselesdebendeaadirlostiemposinvertidosenmodificarlasmquinasysuposicinen lalnea,denominadosTiemposdePreparacin,conloquelasumadeambosoriginaloquese denominaTiempodeCambiodePartida. Inicialmente, cuando el catlogo de las Empresas Cermicas no era muy extenso, el sistema productivoeramuyeficientepuestoqueenlamismalneasefabricabanunoodosmodelos. Sinembargo,hoyendaenunamismalneadeesmaltado(ydebidoasugranautomatizacin y coste), se deben fabricar gran diversidad de productos. Para ello, se tienen que cambiar y ajustarlasmquinassituadasenlamisma.EstosTiemposdeCambiodePartidapuedenllegar asermuyelevadosy,porlotanto,sehacenecesariounagestinadecuadadelosmismosque minimicesuimpactosobrelacapacidaddelsistemaproductivo.En(Vallada,E.etal.2005)se realiza un estudio sectorial en el que se establece la relacin entre el nmero de formatos diferentesyelnmerodelneasdedicadasacadaformato,ascomolafrecuenciamediade cambiodepartidaenlalneadeprensasesmaltado. Los tiempos de cambio de partida afectan a todas las etapas del proceso productivo. No obstante,elgradodeimpactonoeselmismoentodas,pudiendoinvertirsehorasominutos dependiendodelatareaarealizar. Loscambiosdepartidacondicionanloscostesenlosqueincurrelaempresa,laproductividad de la misma, la flexibilidad de operaciones, el tamao de lote aplicado a cada producto, la capacidad de los almacenes tanto de producto acabado como de producto en curso, etc. El mayor o menor tiempo empleado en la realizacin de los cambios de partida condiciona la ProgramacindelaProduccin,puestoqueenfuncindeloqueseestfabricandoydeloque quedaporfabricar,seincurrirnenunostiemposdeajustemsomenoselevadosenfuncin de la decisin que se tome y, por lo tanto la fecha de finalizacin de los trabajos se ver afectada.
67

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Sepuedenidentificardostiposdetrabajoenrelacinconlostiemposdecambiodepartida. Laslaboresasociadasalamodificacindelformatoylasvinculadasalavariacindelmodelo entre dos productos sucesivos. Las primeras tienen que ver con la modificacin del ancho y largo de la baldosa (el cambio de matrices, ancho de carriles, etc.), los segundos estn relacionados con el cambio de las aplicaciones situadas en la lnea de esmaltado y de las materiasprimas.Agrosomodo,eltiempodecambiorelacionadoconelformatosueleestaren tornoalasochohoras,yafectasobretodoalaconfiguracindelaprensa.Deigualformael tiemporelacionadoconelcambiodeunmodelosuelesituarsealrededordeunahora,yafecta acasitodaslasetapasproductivas.

2.5.3 El problema de la Programacin de la Produccin en el Sector Cermico

Una excelente estrategia empresarial y una buena Planificacin de la Produccin necesitan tambin de una buena Programacin de la Produccin para conseguir los objetivos de productividadyservicio. Un problema que afronta el Programador en Taller de Flujo consiste bsicamente en el establecimientodelasecuenciadelostrabajos,yladeterminacindeunasfechasdeinicioy findecadaoperacin.EnelTallerdeFlujoclsico,elflujouordendeprocesamientodecada trabajo en las mquinas es el mismo para todos ellos. Sin embargo, si el Taller de Flujo es Hbridodispondrdemltiplesrecursosdisponiblespararealizaralgunasdesusoperaciones. Por lo tanto, en el Taller de Flujo Hbrido el Programador debe resolver el problema de Asignacin,ademsdeldeSecuenciacinyTemporizacin. Lassiguienteshiptesisaparecenfrecuentementeenlaliteraturadelateoradesecuenciacin ysondebidasa(Conway,R.W.,Maxwell,W.L.,&Miller,L.W.1967):(1)Lasmquinasestn siempredisponiblesynuncadejandefuncionar;(2)Cadamquinapuedeprocesaralosumo untrabajoalavez;(3)Cualquiertrabajopuedeserprocesadonicamenteenunamquinaala vez; (4) Los tiempos de preparacin de todos los trabajos son cero, por ejemplo, todos los trabajos estn disponibles al comienzo del proceso; (5) No se permiten interrupciones, es decir, cuando una operacin ha comenzado debe terminarse antes de empezar otra en la mismamquina;(6)Lostiemposdecambiosonindependientesdelosprogramas/secuenciasy estnincluidosenlostiemposdeprocesado,y(7)Lostiemposdeprocesadoylasrestricciones tecnolgicas son deterministas y se conocen de antemano, y similarmente ocurre con las fechasdeentrega.

68

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

Sinembargo,enmuchosproblemasindustrialesrealesestashiptesisnosonvlidasyespor eso que en los ltimos aos han aparecido modelos y procedimientos de resolucin que relajanunaovariasdelashiptesisanteriores.En(MacCarthy,B.L.&Liu,J.1993)secomenta que existe una gran distancia en los desarrollos de la teora de secuenciacin y sus aplicaciones prcticas, que los autores achacan a dos factores: el primer factor es un desconocimientodelateoradesecuenciacinydelosprocedimientospararesolverestetipo deproblemasporpartedelosusuariosfinales(lasejefesdeproduccin,mandosintermedios y personal encargado de tomar este tipo de decisiones); mientras que el segundo factor se basaenquelamayoraderesultadosexistentesresuelvenproblemasdemasiadoalejadosdela realidad.Elautordeestetrabajoestdeacuerdoconlaapreciacinde(MacCarthy,B.L.etal. 1993),sinembargoseconsideraqueenmuchoscasosnoesposiblereducirladistanciaentre el planteamiento terico y el prctico en base a modelos y/o algoritmos ms prximos a la realidad. Efectivamente, por la complejidad de muchos sistemas no es eficaz, ni eficiente, disponer modelos finales tan complejos, y en algunas ocasiones los avances tcnicos no posibilitan la obtencin resultados de la forma deseada. Por este motivo, en este trabajo se desea avanzar para reducir esta distancia entre teora y prctica focalizando los esfuerzos tantoenelenfoquedeProgramacindelaProduccincomounProcesodeNegocio,ascomo en la mejora de la Colaboracin entre Planificacin y Programacin de la Produccin. La revisin y adaptacin de procesos que se propondr tambin significar una revisin y adaptacindealgunosAlgoritmos/TcnicasdeProgramacindelaProduccinquepermitan alcanzarlosobjetivosdelosProcesosEstablecidos. Enestetrabajoseproponeaplicarlosmtodosdesarrolladosaentornosrealesdeproduccin, concretamente en el Sector Cermico. La creciente diversificacin y diferenciacin de productos y la fuerte competencia han hecho que las empresas de este sector tengan que dotardeunvaloraadidoalosproductos/serviciosparavendertodoloqueproducen,ycada vez este valor aadido tiene un peso especfico mayor. El valor aadido est directamente vinculadoconlamejoradelservicioalcliente,quejuntoconlanecesidaddeofrecerunprecio muycompetitivo,implicarealizarunamejoraintegraldetodoslosprocesos.Lamejoradelos procesos debe de incluir entres sus objetivos realizar una eficaz Programacin de la Produccin. En este contexto un objetivo que se plantea es el diseo de un prototipo de softwareparalaProgramacindelaProduccinqueincluyatodoslosalgoritmosdesarrollados enlapresenteTesisDoctoral.Lafinalidaddelsoftwareesqueseacapazde

2.6

PropuestadeunNuevoMarcodeTrabajo

Segn lo analizado en el apartado anterior la Gestin de los Programas Productivos de las Empresas Cermicas actuales presenta al menos dos lneas de trabajo que permitiran una mejorasustancialdelosresultadosendichombito.Dichaslneasson:
69

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica La utilizacin de Aplicaciones con una Arquitectura Orientada a la Programacin de la Produccin embebiendo algoritmos que eficientes sean capaces de proporcionarunmarcoquedotedeflexibilidadyrobustezalproceso. LaaplicacindeAlgoritmosEficientesenfuncindesuadecuacinaltipodetallery condicionesproductivasrealesquegaranticenunrendimientomedioelevado.

Parte de la flexibilidad y robustez que se busca debe proceder de una adecuada respuesta ante los eventosquepermitaconsiderarlaevolucintemporaldelosProgramas.Esteesun aspecto que constituyen una pieza clave en la propuesta que se realizada en esta tesis. Un sistema razonablemente sensible a los eventos podra suponer una mejora, ya que proporcionara mayor agilidad al sistema productivo pudiendo incrementar la capacidad de reaccinanteIncertidumbresloquepodradarlugaraperfeccionaralgunodelossiguientes aspectos: MayorfiabilidaddelPlanMaestro. MayorautomatizacindelsistemadeGestindelaProduccin. Reduccindelinventario.

Enlaactualidad(verapartado2.4)losProgramasdeProduccinabarcanunespaciotemporal reducido. La reduccin del Programa est causada por la inexistencia de un sistema automatizado de gestin de la produccin que ayude a manejar los eventos. La frmula tradicionalesreducirelperiodoprogramadoparareducirelnmerodeeventosqueinciden sobre el mismo e intentar absorberlos, normalmente mediante: tiempos muertos explcitamente preparados para circunstancias inesperadas o desplazando el evento al siguienteperiodo.Excepcionalmente,loseventosimplicanunareprogramacin.Entodo,caso la aparicin de un evento implica la dedicacin de un conjunto importante de recursos humanosytiempoparasuanlisisylapresentacindesolucionesalternativas. LaexistenciadeunModeloAutomatizadodeProgramacindelaProduccin,basadoenuna orientacin de Procesos de Negocio que incluyen Herramientas (Algoritmos) de Ayuda a la TomadeDecisionesbajoIncertidumbrenecesariaspararesolverlavisinfuncional/decisional, que contemple la existencia de eventos y su gestin, permite dar el primer paso hacia un modelo dinmico.Seentenderpor unsistema deProgramacindelaProduccindinmico aquel que dispone de un horizonte de programacin infinito (ver captulo 3). Un sistema de programacindinmicopermitira:

70

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

MayorintegracinentrelosPlanesylosProgramasdeProduccin.ElProgramade Produccinpuedetenerencuentatrabajosprevistosmsalldelperiodoactual,lo que puede ser usado para evaluar la viabilidad y prestaciones de los planes de Produccin. Disponer de un periodo de programacin extenso (disponer simultneamente de variastandasdetrabajos)implicaqueelnmerodetrabajosaprogramarencada periodo es mayor. El aumento del nmero de trabajos en un solo Programa aumenta las posibilidades combinatorias del problema, frente a la alternativa anterior,ylasposibilidadesdemejorarfuncionesdeutilidad.

En esta tesis se realiza una propuesta para la Programacin de la Produccin basada en un enfoquesemidinmicoyestocsticodelsistemaproductivo.Estapropuestasediferenciapor completodelmodelotradicional.Estacambiodeenfoquepermiterealizarunapropuestaque contempla el problema de la Programacin de la Produccin con una perspectiva lo ms realistaposible,dondeaspectoscomolaNoDisponibilidaddeRecursos,aparicindeTrabajos Urgentes no contempladas, modificacin de Tiempos de Ejecucin, Cambio de Partida, etc. puedansertenidosencuenta. Para poder llevar a cabo la automatizacin se ha considerado determinante el anlisis de nuevos mbitos tecnolgicos que complementen a los aspectos Metodolgico y Arquitectnico,yactendefacilitadores.Desdeelpuntodevistatecnolgicohayquesubrayar queenlosltimosaoshasurgidounadisciplinaprocedentedelainteligenciaartificial,que aborda el paradigma de los Sistemas Multiagentes, Agentes Inteligentes o simplemente Agentes. LosSistemasMultiagentetienencomounadesuscaractersticasfundamentalesladeafrontar problemas complejos. Segn (Lesser, V. R. 1995) los Agentes solucionan problemas interdependientes, ya sea por el uso de recursos o por objetivos compartidos. Para los que Agentesalcancensolucionescompatibles(noconflictivas)yptimas/subptimasenentornos de interdependencia con el mnimo uso de recursos requieren tener una visin actualizada, consistente,aunquenonecesariamentecompletadelconjuntodeproblema(visinglobal). SepuedeconcluirindicandoqueelobjetivoserelplanteamientodeunModeloProgramacin de la Produccin, basado en una orientacin de Procesos de Negocio que incluyen Herramientas (Algoritmos) de Ayuda a la Toma de Decisiones bajo Incertidumbre necesarias para resolver la visin funcional/decisional soportado en un Plataforma Integradora desarrolladabajoelparadigmadelosSistemasMultiagente.

71

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

2.6.1 Ventajas que se Obtendran con una Programacin ajustada a las SingularidadesIdentificadas
La utilizacin de una aplicacin software capaz de gestionar el conjunto de Incertidumbres asociadas al Proceso de Programacin de la Produccin expuesto con anterioridad y de generar Programas Productivos con un alto grado de eficiencia, generaran un conjunto de mejorasenelSistemaProductivo.Sepuedendestacarlassiguientes: Mejor uso de los recursos al aplicar algoritmos que mejoren las medidas de eficienciamedianteunamejoradaptacinalassingularidadesdelproceso. Mejoraenlarobustezalpoderadaptasealasmodificacionesquevayanocurriendo enelsistemaproductivo,proponiendosolucionesalternativas. Mejora del Servicio al Cliente si el sistema es capaz de solventar posibles eventualidades con soluciones alternativas podr evitar posibles retrasos o cancelacionesdepedidos. AumentodelaProductividadsiescapazdereducireltiempodeesperaactualpara lagestindeunevento.Dichotiempopodrserutilizadoenavanzarproduccinde otrosperiodosoatenderpedidosurgentes. Automatizacin de la Gestin al ser capaces de utilizar pequeas rutinas informatizadasparasolucionareventoshabituales.

Si adems el sistema que se proponga es capaz de afrontar el problema de los Cambios de Partida con xito se obtendran algunas economas en las Empresas Cermicas que podran ser: Disminucindelnmero de cambiosenlosdistintosrecursosdelsistema(moldes enprensas,ajustedeguasydiversoselementosenlaslneasdeesmaltado,ajustes enhornosyajustesenlasmquinasdeclasificacinyembalaje). Disminucin de los costes de personal. Al reducirse el nmero de cambios, no seran necesarios los mismos operarios de mantenimiento que atienden estas variaciones. AhorrodetiempodeejecucinenlaconsecucindelPlanMaestrodeProduccin, yaqueseevitaraninnecesarioscambiosdepartida.Conello,sepuedeaumentarla produccinyelcosteunitariopormetrodeproductoacabadoseramenor.

72

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

ElmayoromenortiempoempleadoenlarealizacindelosCambiosdePartidacondicionala ProgramacindelaProduccin,puestoqueenfuncindeloqueseestfabricandoydeloque quedaporfabricar,seincurrirnenunostiemposdeajustemsomenoselevadosenfuncin de la decisin que se tome y, por lo tanto la fecha de finalizacin de los trabajos se ver afectada LacapacidaddeadaptacindelosProgramasdeProduccinalassingularidadesdelsistema duranteelprocesodegeneracindelPrograma,yalaseventualidadesquesepuedendaren lafasedeejecucinpuedeconvertirseenunaventajacompetitivadeprimerorden.

2.7

Conclusiones

En resumen, el sector azulejero espaol es altamente competitivo en los mercados internacionales. Este comportamiento se ha alcanzado debido a una poltica efectiva y constantealolargodeltiempobasadaeninversionesengranmedidaaplicadasainnovaciones tecnolgicas en los procesos. Sin embargo, sus xitos esconden algunas posibilidades de mejoraqueenlosltimosaosseestnintentandomejorar. EnloquerespectaalSistemadePlanificacinyControldeOperacionessehanobservadoun conjunto de causas que generan Incertidumbre, que a su vez, condicionan el proceso productivo, originando un incremento del nivel de inventarios y una especializacin en las tareasquesonagrupadasendiversasetapas.Paramejorarlacompetitividad,almismotiempo que se desarrollan y aplican tecnologas que permiten mejorar operaciones concretas, se ha detectadocomolasempresasmuestranuncrecienteinterspordesarrollarprocedimientosy tcnicasqueayudenaprogramaradecuadamentelaproduccincomoformadeconseguirun entorno de trabajo que facilite la gestin de eventos de forma dinmica, y atendiendo a la singularidad de cada fase productiva. Con este enfoque se intuye como las empresas inician una orientacin sus sistemas productivos para favorecer el incremento de flexibilidad, convirtiendo el sistema de programacin en una pieza fundamental, para la mejora de la fiabilidaddelosplanesproductivos. Comoconclusinatodoloexpresadoenelpresentecaptulo,seidentificalaexistenciadeun campo para la investigacin en relacin con la mejora de la Gestin del Programa de ProduccinenlasEmpresasdelSectorCermico.Enconcretotomanrelevancialosenfoques relacionados con los sistemas semidinmicos y con Incertidumbre que se podran abordar contcnicasPredictivoReactivas,esdecirunsistemabasadoenunProgramapreestablecido que sea capaz de reaccionar ante ciertos eventos Tomando Decisiones que puedan suponer una reparacin del Programa o una Reprogramacin completa. Este mbito de investigacin debedeplanteardiversasmedidasdeeficienciaparadiversosProcesos,queporloidentificado
73

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica de forma preliminar, debera de contar con medidas de eficiencia para el proceso Global de GestindelPrograma,yotrasmedidasdeeficienciaparalasactividadesdeProgramacin,ode Reprogramacin.

Elmbitodeinvestigacinqueseplanteadebeserconfirmado,despusdelcualsedefiniren todo caso el problema concreto que se desea resolver. No obstante, como avance se puede proponer,quedadaslascaractersticasdelentornodetrabajo,podraserinteresanteanalizar las posibilidades de una solucin fundamentada en un modelo basado en un Sistema MultiagenteembebidoenunaPlataformaSoftware.Elprximopasoqueseproponerealizar dentrodeestetrabajoeselanlisisdelestadodelartedelosModelos,MtodosyAlgoritmos deProgramacindelaProduccin,ascomoeneldelosSistemasMultiagenteysuaplicacina losSistemasdeFabricacinyasuProgramacindelaProduccin.

2.8

Bibliografa

Alfaro, J. J. 1997. Anlisis mediante simulacin de reglas heursticas. Aplicacin a empresas cermicas.ProyectoFinaldeCarrera.UniversidadPolitcnicadeValencia. Andrs,C.2001.ProgramacindelaProduccinenTalleresdeFlujoHbridosconTiemposde Cambio de Partida dependientes de la secuencia. Modelos, Mtodos y Algoritmos de Resolucin.AplicacinaEmpresasdelSectorCermico.UniversidadPolitcnicadeValencia. Apics.Diccionario.1994.AmericanProductionandInventoryControlSociety. ASCER.Elazulejo.Estudiosectorial.1998.Castelln,ASCER.InformeanualASCER. ASCER.Lossectoresespaolymundialdefabricantesdebaldosascermicas2003.2003.2003. Castelln,ASCER. ASCER.ProcesodeFabricacindeBaldosasCermicas.2007. ASCER.EvolucindelasexportacionesdelsectorcermicoEspaol.2008.Castelln,ASCER. Conway, R. W., Maxwell, W. L., & Miller, L. W. 1967. Theory of Scheduling. AddisonWesley PublishingCompany. Dalmau, J. I. and De Miguel, E. El azulejo. Estudio Sectorial. 1991. Valencia, Universidad PolitcnicadeValencia. Dalmau,J.I.,DeMiguel,E.,andMiquel,S.Anlisisestratgicodelossectoresindustrialesydel turismoenlaComunidadValenciana.1993.UniversidadPolitcnicadeValencia.Valencia.
74

LaEmpresaCermicaysuProgramacindelaProduccin

Captulo2

De Miguel, E. Estructura de las PYMES en la Comunidad Valenciana. 1996. Valencia, UniversidadPolitcnicadeValencia. egreVidal, J., LapiedraAlcami, R., & ChivaGomez, R. 2004. Linking operations strategy and product innovation: an empirical study of Spanish ceramic tile producers. Research Policy, 33(5):829839. Escardino, A. 2001. Technological innovation in the Castellon ceramic industry. Boletin De La SociedadEspanolaDeCeramicayVidrio,40(1):4351. Ferdows, K. & De Meyer, A. 1990. Lasting improvements in manufacturing performace: in serach of new theory. Journal of Operations Management, 9(2):168184. Gabaldn, S., Lpez, S., & Carda, J. B. 2003. Legistacin y gestin medioambiental en la produccin de baldosas cermicas. Boletin De La Sociedad Espanola De Ceramica y Vidrio, 42(3):169179. Galbraith,J.1973.Designingcomplexorganizations.Massachussets:AddisonWesleyPub.Co. Gallego, J. R., Bono, E., and Tomas, J. A. Cambio tecnolgico y transformacin de sistemas industriales localizados: el caso de la industria espaola de pavimentos y revestimientos cermicos.502.1997.Departamentd'EconomiaAplicada. Ho, C. 1989. Evaluating the impact of operating environments on MRP systems nervousness. InternationalJournalofProductionResearch,27:11151135. IMPIVA.InformeEconmicoyfinancierodelacompetitividad.C.Valenciana.Ardn.35.2004. Valencia,IMPIVA. Instituto Valenciano de Estadstica. Comercio Exterior e Intracomunitario de la COmunidad Valenciana.2009. Lesser, V. R. 1995. Multiagnet Systems: An Emerging Subdiscipline of AI. ACM Computing Surveys,27(3):340342. MacCarthy, B. L. & Liu, J. 1993. Addressing the gap in scheduling research : a review of optimization and heuristic methods in production scheduling. International Journal of ProductionResearch,31:5979. Molina, J. Los Sistemas Productivos Descentralizados: Factor territorial y estrategias empresariales. 1999. Valencia, Fundacin Bancaja. Comit Econmico y Social de la ComunidadValenciana,SerieEconomayEmpresa,n.5. MolinaMorales,F.X.2002.Industrialdistrictsandinnovation:thecaseoftheSpanishceramic tilesindustry.EnterpreneushipandRegionalDevelopment,14:317335. Murthy, D. N. P. & Ma, L. 1991. MRP with uncertainty: a review and some extensions. InternationalJournalofProductionEconomics,25(13):5164.
75

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Segura,B.,Vallada,E.,Maroto,C.,&Ruiz,R.2004.OperationsstrategyinSpanishtileindustry firms.BoletinDeLaSociedadEspanolaDeCeramicayVidrio,43(6):929932. Tormo,G.1997.Desarrollodeunametodologaparalaagrupacindeproductosenfamiliasde produccin. Aplicacin a una empresa de fabricacin de pavimentos y revestimientos cermicos.ProyectoFinaldeCarrera.UniversidadPolitcnicadeValencia. Vallada,E.,Maroto,C.,Ruiz,R.,&Segura,B.2005.AnalysisofproductionschedulinginSpanish tileindustry.BoletinDeLaSociedadEspanolaDeCeramicayVidrio,44(1):3944. Ybarra, J. A., Giner, J. M., & Santa, M. J. 1996. Una poltica industrial para la PYME. La experienciadelacermicaespaola.EconomaIndustrial,308:175185.

76

Captulo
EstadodelArtedelosModelos, MtodosyAlgoritmosdeResolucin enlaProgramacindelaProduccin

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Tabladecontenido
3. Captulo3.......................................................................................................................83 3.1 Introduccin...................................................................................................................83 3.2 IntroduccinalaProgramacindelaProduccin.........................................................84 3.3 TeoradelaProgramacindeProduccin.....................................................................91 3.3.1 3.3.2 3.3.3 Introduccin........................................................................................................91 ProgramacinencontextoDeterministaoIncierto ...........................................92 . ProgramacinencontextosEstticos,Dinmicos,enLnea,oenTiempoReal.95

3.4 Descripcin del Problema Dinmico y con Incertidumbre de Programacin de la Produccin.EnfoquesGeneralesdeResolucinDistribuidos................................................98 3.4.1 3.4.2 DefinicioneseHiptesis......................................................................................98 TiposdeConfiguracionesProductivasyNomenclatura....................................100

3.4.3 Estrategias de Programacin de la Produccin en un entorno Dinmico y con Incertidumbre...................................................................................................................103 3.4.4 Medidas de Eficacia sobre el Rendimiento, la Robustez y la Estabilidad de un ProgramaenentornosDinmicos.....................................................................................110 3.4.4.1 3.4.4.2 3.4.4.3 MedidasdeEficaciasobreelRendimiento...............................................110 MedidasdeEficaciasobrelaRobustez.....................................................113 MedidasdeEficaciasobrelaEstabilidad..................................................115

3.4.5 PolticasdeReprogramacinenEstrategiasPredictivoReactivas:CuandoActuar antelosEventos................................................................................................................116 3.4.6 3.4.7 ProcedimientosdeResolucinparaProgramacionesPredictivoReactivas.....120 DescentralizacinenlaProgramacindelaProduccin..................................126

3.5 ElTallerdeFlujo,FlujoHbridoylosTiemposdeCambiodePartidaDependientesdela Secuencia ..............................................................................................................................131 .

79

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 3.5.1 3.5.2 3.5.3 Introduccin......................................................................................................131 DefinicionesdeTallerdeFlujoyFlujoHbrido..................................................131 ElProblemadelosTiemposdeCambiodePartida ..........................................133 . ElTiempodePreparacin.........................................................................134

3.5.3.1 3.5.4 3.5.5

DefinicinyProblemticadelTallerdeFlujoHbridoconSDST.......................137 EnfoqueDistribuidodelaProgramacindelTallerdeFlujo.............................138

3.6 ProcedimientosparaabordarunProblemadeOptimizacin.....................................139 3.6.1 LaTeoradelaComplejidad..............................................................................139

3.6.2 Tipos de Procedimiento de Resolucin del Problema de Programacin de la Produccin........................................................................................................................142 3.7 Mtodos de Resolucin de Programacin de la Produccin para el Taller de Flujo Hbrido:LosModelosyAlgoritmos.......................................................................................146 3.7.1 ElCasodelTallerdeFlujoconTiemposdeCambiodePartidaDependientesde laSecuencia.......................................................................................................................148 3.7.1 ElCasodelTallerdeFlujoHbrido.....................................................................157

3.7.2 El Caso del Taller de Flujo Hbrido con Tiempos de Cambio de Partida DependientesdelaSecuencia..........................................................................................167 3.8 Conclusiones................................................................................................................172 3.9 Bibliografa...................................................................................................................173

80

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

ndicedefiguras
Figura31.RepresentacindelSistemadePlanificacinyControldeOperaciones(Vicens,E., Poler,R.,Ortiz,A.,Albarracin,J.M.,Garca,J.P.,Andrs,C.etal.1999)..........................85 Figura32.RepresentacindelSistemadePlanificacinyControldeOperaciones(adaptadode lapropuestaelaboradaen(Vicens,E.etal.1999))............................................................86 Figura 33. Una relacin entre las configuraciones de los sistemas productivos (a partir de (Maccarthy,B.L.etal.1993)). .........................................................................................101 . Figura 34. Representacin de un Taller de Flujo con m mquinas o Etapas (elaboracin propia)..............................................................................................................................132 Figura35.RepresentacindeunTallerdeFlujoHbridoconrEtapas(elaboracinpropia)..132 Figura36.Casodetiemposdemontajeydesmontajefijos.Adaptadode(Artigues,C.1997). ..........................................................................................................................................135 Figura 37. Representacin grfica de algunos tipos de Tiempos de Cambio (elaboracin propia)..............................................................................................................................137 Figura 38. Representacin de los tipos de problema en base a su dificultad (elaboracin propia)..............................................................................................................................140

81

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ndicedetablas Tabla 31.Resumen de las principales estrategias de Programacin de la Produccin en un entornodinmico(elaboracinpropia)...........................................................................106 Tabla32.ClasificacindelosprocedimientosreparadoresenunTallerGeneral(Raheja,A.S. etal.2002)........................................................................................................................122 Tabla33.Clasificacindelostiposdetiemposdecambio(Andrs,C.2001)..........................136 Tabla34.ClasificacindelosmtodosderesolucindelosProblemasdeProgramacindela Produccin(elaboracinPropia)......................................................................................142 Tabla35.ClasificacindelosmtodosderesolucindelosProblemasdeProgramacindela ProduccinenunTallerdeFlujoHbrido(Quadt,D.etal.2007)....................................146 Tabla 36. Resumen contribuciones al problema del Taller de Flujo con SDST con soluciones ptimas(elaboracinpropia)...........................................................................................150 Tabla 37. Resumen contribuciones al problema del Taller de Flujo con SDST con Soluciones Aproximadas(elaboracinpropia)...................................................................................151 Tabla 38. Resumen contribuciones al problema del Taller de Flujo con SDST con Soluciones Aproximadas(continuacindeTabla37)(elaboracinpropia).......................................152 Tabla 39. Resumen contribuciones al problema del Taller de Flujo Hbrido con Soluciones Exactas(elaboracinpropia)............................................................................................158 Tabla 310. Resumen contribuciones al problema del Taller de Flujo Hbrido con Soluciones Aproximadas(elaboracinpropia)...................................................................................159 Tabla 311. Resumen contribuciones al problema del Taller de Flujo Hbrido con Soluciones Aproximadas(continuacindeTabla310)......................................................................161 Tabla 312. Resumen contribuciones al problema del Taller de Flujo Hbrido con SDST con SolucionesAproximadas(elaboracinpropia).................................................................168 Tabla 313. Resumen contribuciones al problema del Taller de Flujo Hbrido con SDST con SolucionesAproximadas(continuacindeTabla312(elaboracinpropia))..................169

82

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

3. Captulo3

3.1

Introduccin

Eneste captuloserealizaunarevisindelaspublicacionesmsrelevantesrelacionadascon los Modelos, Mtodos y Algoritmos para la Programacin de la Produccin a las que se ha tenidoacceso.Elfinquesepersigueenestecaptuloesdoble.Porunlado,sedeseaconfirmar queelcasoqueseidentificadoenelcaptuloanterioresinteresante,desdeelpuntodevista investigadorinteresante,esdecirqueexistenenfoquesdestequeannohansidoresueltos, y que por lo tanto, hay campo para realizar aportaciones. Por otro lado, se desea tomar referenciasquepermitanrealizarunabuenaaproximacinalfuturomodeladodelproblemay alosmtodosmsadecuadosderesolucin. AunqueestecaptuloestdedicadoporcompletoaunaspectomuyconcretodelaDireccin deOperaciones,comoeseldeProgramacindelaProduccin,estenodejadeseruncampo deconocimientobastanteamplioqueobligaarealizarunaaproximacinhastapoderanalizar loscasosmssimilaresalobjetivo.Enprimerlugarsehaconsideradofundamentalrealizaruna revisinsobreelSistemadePlanificacinyControldeOperacionescomoformadeubicarel procesodeProgramacindelaProduccinensucontexto,yespecialmenteensurelacincon el procedimiento de Planificacin de la Produccin. Posteriormente, y ya centrados en el mbitodelasecuenciacin,serealizaunresumengeneraldelestadoactualdelamisma,yse analiza la influencia del contexto (determinista/estocstico) en el que se Toman las Decisiones en el momento de abordar un problema. En este paso se precisa sobre el significado de conceptos como Esttico, Dinmico, En Lnea (on line), o en Tiempo Real. Estos conceptos se utilizan para definir de forma ms adecuada el problema identificado, y aunque se empieza por describir aspectos relativos al problema de Programacin de la Produccingenerales,comolostiposdetallerexistentes,lashiptesisdetrabajohabituales, tambin se tratan aspectos especficos de un proceso dinmico y estocstico, como las Estrategias(PredictivasReactivas),PolticasyProcedimientosdeProgramacinolasMedidas de Eficiencia en entornos con incertidumbre. No obstante, dado que segn el anlisis preliminardelcaptulo2eltipodesistemaproductivoquesehadetectadosepuedeclasificar comoTallerdeFlujoHbridoconTiemposdeCambiodePartidadependientesdelaSecuencia sehaconsideradonecesariodefinirformalmenteestetipodeproblemas.Elltimopasoquese realizaenestecaptuloeseldeanalizarlostiposdemtodosconlosquesepuedeabordarel problema esbozado, identificar el grado de dificultad asociado a este tipo de problemas, es decir su complejidad, y estudiar con detenimiento el conjunto de Modelos y de Algoritmos quesehanempleadoencasossimilaresyquepuedenayudaraaproximarlasolucindeeste trabajo.
83

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica El resto del captulo ha quedado estructurado de la siguiente forma: En el apartado 2 se introduce la funcin de Programacin de la Produccin como aproximacin al contexto de trabajo; En el apartado 3 se ampla el apartado anterior abordando aspectos formales de la Teora de la Programacin de la Produccin, sobre todo relacionados con la incertidumbre y loscontextodeTomadeDecisiones;Enelapartado4seanalizaelmbitodeProgramacinde la Produccin Dinmico y con Incertidumbre; En el apartado 5 se define el problema de ProgramacinparaelTallerdeFlujoHbridoconsusdiferentesvariantes,prestandoespecial atencin al caso de Tiempos de cambio de Partida dependientes de la Secuencia; En el apartado6setratanlosaspectosrelacionadosconlasalternativaspararesolverelproblemay la complejidad para obtener soluciones; En el apartado 7 se estudian un conjunto de referenciasafinesalaestructuradeproblemapreliminarconelfindeaprenderrespectodel mtodo propuesto para su resolucin; Y finalmente en el apartado 8 se revisa el trabajo realizadocomoconclusindelmismo.

3.2

IntroduccinalaProgramacindelaProduccin

DentrodelSistemadePlanificacinyControldeOperaciones,demaneraabreviadaSPCO,se inscribe el proceso denominado de Programacin de la Produccin en cuyo mbito se desarrollan los temas tratados en esta tesis. No obstante, tal y como se puede concluir del anlisisdelaFigura31,elprocesodeProgramacindelaProduccinnosepuedeentenderde forma aislada ya que interacta en gran medida con otros procesos del SPCO como son el proceso de Planificacin de la Produccin y Capacidad y el proceso de Ejecucin tambin conocido por proceso de Lanzamiento. Tambin se puede decir que existe una importante relacin entre los procesos mencionados y el periodo de vigencia (medio, corto y muy corto plazo)delasDecisionesqueenellosseToman.Yfinalmente,sedebetenerencuentaqueel SPCOnoesmsqueunapartedelsubconjuntodesistemasdelaEmpresa,yenesesentidoel proceso de Programacin de la Produccin se encuentra sujeta a mltiples factores, que en ocasionescomoconsecuenciadeunavisinsesgada,tiendenaperderse. ComoyahadicholafuncindeProgramacindelaProduccindebedeinteractuarconotras funciones delaOrganizacin.Porejemplo,viene afectada porelprocesodePlanificacinde Produccin, el cual desarrolla los planes de operaciones a medio y corto plazo para la organizacin ensu totalidad.Esteprocesodebe considerarlosrequerimientosdecapacidad, losnivelesdeinventarioylasprevisiones,paramejorarenlamedidadeloposibleelPlande Produccinylaasignacinderecursosalargoplazo. Dentro del Sistema de Planificacin y Control de Operaciones se diferencian claramente las funcionesdePlanificadoryProgramador,aunqueatendiendoalaFigura31debeexistiruna
84

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

relacinbidireccionalentreambos.Sinembargo,sehaidentificadoqueenmuchasocasiones larelacinPlanificadorProgramador esescasa,maldefinida,yqueel nicovinculoformaly robusto es la comunicacin unidireccional que tiene como origen al Planificador y destino al Programador, pero que no cuenta con retroalimentacin, o sta es dbil o est poco formalizada.Apesardeello,parecelgicoquedebeexistirunacomunicacinformalenambos sentidos.

Figura31.RepresentacindelSistemadePlanificacinyControldeOperaciones(Vicens,E.,Poler,R.,Ortiz,A., Albarracin,J.M.,Garca,J.P.,Andrs,C.etal.1999).

Se han identificado algunas de las actividades ms relevantes en relacin con el proceso de PlanificacinProgramacin de la Produccin con el objeto se revisar aquellas que afectan a dicharelacinyconstituirelglosariodeconceptosqueserndeusohabitualalolargodeesta tesis. En el mbito del largo plazo de la Figura 32 se encuentran las actividades directamente relacionadas con la Toma de Decisiones de carcter Estratgico. Como resultado de dichas actividades se elabora un Plan Agregado de Produccin del cual se puede obtener un Plan MaestroPrevisional.
85

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Por un lado, se debemos entender que el Plan Agregado de Produccin especifica los requisitos de produccin por grupos (tipos o familias) de productos principales por periodos (mensuales por ejemplo), ya sea en horas o en unidades de produccin. Las entradas principales del mismo son la Previsin Agregada de la Demanda, y el Plan de Recursos y Capacidadesalargoplazo.Elobjetivodestesueleserencontrarladistribucindenivelesde inventario y mano de obra que minimice los costes durante el horizonte de Planificacin, aunquepuedenexistirotrosenfoques.

Figura32.RepresentacindelSistemadePlanificacinyControldeOperaciones(adaptadodelapropuesta elaboradaen(Vicens,E.etal.1999))

86

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Por otro lado, se debe entender que el Plan Maestro Previsional proyecta las cantidades y fechas de produccin de los artculos especficos de forma que sirve de aproximacin al resultadofinal.Lasunidadesdeproductosafabricarseobtienenmediantedesagregacin.La entrada principal de este Plan es el Plan Agregado de Produccin, y por lo tanto, la informacinquesemanejaespocodetallada. Si se sigue la Figura 32 se puede observar como el mbito del medio y corto plazo estn asociadosconelprocesodePlanificacindelaProduccin.Estavisinmodificalaqueofrecela Figura 31, ampliando el horizonte de actuacin del Planificador del Medio al Medio y Corto Plazo. Las actividades relacionadas con el medio plazo toman como elemento de partida bsico el Plan Maestro Previsional a partir del cual se elabora en primer lugar el Plan Maestro TentativoyposteriormenteelPlanMaestroDefinitivoi(coincideconelconceptodeMaster PlanSchedule,MPS).ElMPSesconsecuenciadelaconsideracinAproximadadelasCapacidad y Recursos. Ambos Planes se pueden considerar como sucesivas actualizaciones del Plan MaestroPrevisionalendonde,conunniveldedetallemselevadoyactualizado,setienenen cuentafundamentalmenteaspectosrelacionadosconlasventasylascapacidadesyrecursos. El MPS proyecta las cantidades y fechas de produccin de los artculos especficos. En los primerosperiodos(cortoplazo)elMPSseconsiderafijo. EnelcortoplazosedesarrollanlasactividadesdePlanificacindelaProduccinmsprximas al mbito operativo. Se trata de aquellas actividades que tienen como objetivo generar las peticionessobrecantidadesaproducir(piezas,montajesintermedios,productosfinales,etc.)y cantidades de materiales a adquirir (materias primas, semielaborados, etc.). Los resultados delasactividadesdeestembitorepercutenporlotantoenlaProgramacindeOperaciones ProductivasyLogsticas. UnavezelaboradoelPlanMaestrodeProduccin,yteniendo encuentaadicionalmentelas restricciones relacionadas con las compras, se calculan los Requerimientos de Materiales o MRP (Material Requirement Planning), del que se obtienen dos resultados. Por un lado, el conjuntodetrabajosafabricar,yporotrolasnecesidadesdematerialesqueesimprescindible comprar. El primer resultado se ha identificado con el nombre de Lista de rdenes de Fabricacinyelsegundo coneldeListadeCompras.Cadaactividad(compras,chequeos de

ComoseveralolargodeestatesislaconsideracindePlanDefinitivoessimplementeintencional,ya

quesecontemplaranposiblesmodificacionesdelmismoinclusodurantesuejecucin.

87

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica materiasprimas,produccindepiezas,etc.)quesederivadelMRPtieneasignadaunafecha mximade disponibilidad quegarantizaqueelproductoquehaoriginadodichasactividades podrestardisponibleenlafechaquesemarcenelPlanMaestrodeProduccin.Dadoque el MRP no tiene en cuenta la capacidad se pueden dar situaciones de no factibilidad de la propuestaresultanteporfaltaderecursos,poresosehadenominadoListaynoPlanalas propuestas. Por este motivo, sobre la Lista de rdenes se suele aplicar un anlisis o PlanificacindelosRequerimientosdeCapacidadoCRP(CapacityRequirementPlanning)que puedeimplicarunalisamientodelascargas,yengeneralunaredistribucindelasactividades, para garantizar la disponibilidad de recursos suficientes para realizar las operaciones. Como resultadodelCRPseobtieneunPlandeFabricacinyunPlandeCompras.Amboselementos sonresultadoderefinarlasListasderdenesdeFabricacinydeComprasparaajustarlasa losrecursosexistentes.ElsistemaformadoporlaPlanificacindeRequerimientosyelAnlisis deCapacidades(MRP+CRP)esconocidocomoMRPdeBucleCerrado(oMRPII). En el mbito del muy corto plazo se encuentran los procedimientos de Programacin de la ProduccinydeLanzamientooImplementacindelProgramadeProduccin.Encuantoala ProgramacindelaProduccin(Apics1994)definelaProgramacindeOperacionescomola asignacin efectiva de fechas de inicio y/o trmino a operaciones o grupos de operaciones paracalcularelmomentoenqueestasoperacionesdebenserrealizadasparaquelaordende fabricacinsecompleteatiempo.Estasfechasseusanenlafuncindeasignacin,seleccin ysecuenciacindelostrabajos.YcomosepuedeverenlaFigura32comoconsecuenciade dichaactividadsedeben obtener losprogramasrelativosalasactividadesproductivas como logsticas.ParapoderrealizarcorrectamenteelclculodelProgramaProductivoesnecesario disponer como entradas del proceso el Plan de Fabricacin y el Estado Actual del Sistema ProductivoyLogstico. Una definicin de la Programacin de la Produccin integrada en el SPCO es la que ofrecen (Companys, R. & Corominas , A. 1996), para las cuales la Programacin de la Produccin se definecomoelprocesodeasignacinderdenesdefabricaciny/olasoperacionesenque sedescomponen,arecursosespecficosdentrodeintervalosdetiempoconcretos.Lafasede Programacin se engloba dentro del SPCO, como una etapa posterior a la Planificacin y el clculodenecesidades.Eselpasoprevioalaejecucinfsicadelasoperacionesdefabricacin y, a pesar de su importancia, en muchos entornos productivos, la carga de mquinas y ProgramacindelaProduccinesllevadaacaboporpersonaldeniveloperativo(capataces, encargadosdelneaolospropiosoperarios). Estos autores diferencian entre tres subfunciones que tradicionalmente se han distinguido dentro de la funcin de Programacin de la Produccin. stas pueden ejecutarse simultneamenteono:
88

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Subfuncin carga (loading): Asignacin de las operaciones a centros de trabajo, decisinqueseadoptarporcomparacinentrelacapacidaddisponibledelcentroyla cargarequeridaporlasoperacionesyaasignadasalmismo. Subfuncinsecuenciacin(sequencing):secuenciacindelasoperacionesasignadasa uncentrodetrabajoparaestablecersuordendeejecucin. Subfuncintemporizacin(scheduling):Determinacindelosinstantesdeinicioyfin (programados)decadaoperacin.

Sin embargo, y volviendo sobre la Figura 32, se puede apreciar que una vez el Programa Productivo est disponible este debe ser ejecutado para lo cual se necesita realizar un procedimiento de Lanzamiento. Las actividades de Lanzamiento estn encaminadas a proporcionar el conjunto de elementos de soporte que faciliten la transmisin de los ProgramasProductivosyLogsticosalconjuntodecomponentesactivos(bsicamenterecursos humanos)yquepermitanrealizardeformaefectivaeltrabajoprevisto. Algunos de los objetivos perseguidos por la Programacin de la Produccin (dentro de las consideracionesgeneralesestablecidasporlaPlanificacin)suelenser: Terminardentrodeplazounaltoporcentajederdenes. Obtenerunaaltautilizacindelequipoodelpersonal. Reduciralmnimolashorasextra. Reduciralmnimolaobraencurso,etc.

Estosobjetivossonclaramenteantagnicosentres,dadaunasituacinconcretadelsistema productivo,porloquesesueleestablecerunajerarquizacinentreellos.Adems,elsistema deProgramacindeProduccintienequeinteraccionarconotrasfuncionesnecesariasdentro delSPCO.Estasinteraccionessondependientesdelsistemaypuedendiferirsustancialmente deunasituacinaotra(Pinedo,M.1995).Enconcreto,dentrodelSPCO,lospedidosdebenser transformadosenrdenesdeproduccinotrabajosconsusfechasdeentregaasociadas.Los trabajosdebenserprocesadosporlasmquinasenloscentrosdetrabajoenundeterminado orden o secuencia y deben esperar a ser procesados en las mquinas que estn ocupadas, pudiendoocurririnterrupcionescuandolleganrdenesdeunaprioridadsuperioralaquese est ejecutando actualmente. La Programacin de la Produccin detallada de las tareas a realizarenunsistemadeproduccinesnecesariaparamantenerlaeficienciayelcontrolde lasoperaciones.
89

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Finalmente, en el mbito del tiempo real se encuentran las actividades de Control de la Produccin. Estas tienen como objetivo monitorizar las actividades que forman parte de las operaciones en curso y contrastar si la informacin percibida coincide con la prevista. Los controladoresdebendeestablecerrutinasquepermitandetectaranomalas. Un aspecto relevante del proceso de PlanificacinProgramacin de la Produccin es la influenciaquelainformacinprocedentedesdeelmbitodelControldelaProduccintiene sobreelmbitodelaProgramacindelaProduccinydecmolainformacinprocedentede steltimopuedeinfluirenlasdecisionesquesetomenenelmbitodePlanificacin. En la Figura 32 se puede observar como el Sistema de Control de la Produccin debe comunicar el estado del sistema Productivo y Logstico al Sistema de Programacin de la Produccin.AsuvezenlamismafigurasepuedeobservarcomoelSistemadeProgramacin delaProduccininformaderestriccionesysolicitacambiosenelPlanMaestrodeProduccin mediante comunicacin directa con el Sistema de Planificacin de la Produccin. Un anlisis delflujodeinformacindepartedelmbitodelcortoplazoyterminaenelmedioplazo,yque conforma lo que debera ser la comunicacin Programador Planificador, puede dar como resultado que en muchas ocasiones ste no se recoge en algn tipo de procedimiento de trabajo,yaquesesuelenplantearcasosestticosydeterministasenelquenosonnecesarias estascomunicaciones. As mismo, como las decisiones tomadas en el mbito de Planificacin, influyen en la Programacin,lainformacingeneradaenelmbitodecontroldeplanta,tambinrepercute en sta. Una forma de coordinar las diferentes decisiones tomadas consiste en plantear sistemasdePlanificacinJerrquicadelaProduccin(Hax,A.C.&Meal,H.C.1975;LarioF.C. 1986;Vicens, E. 1988). Los conceptos de agregacin de piezas en familias que se usan en PlanificacinJerrquicasepuedenabordarmediantelaaplicacindelatecnologadegrupos (TG). Desdeelpuntodevistaterminolgicoesimportanteidentificaralgunosvocabloscomunesen este mbito pero con significados poco unificados en la literatura. Por un lado, se puede establecer que la unidad bsica en la que se puede descomponer el Plan Maestro de ProduccineselLote,yqueestequedadeterminadoporelartculocomercialylacantidada fabricardelmismo,ascomoporlafechadedisponibilidadprevista.Porotrolado,launidad bsica del Programa de Produccin es el Trabajo, que queda determinado por la referencia comercializableono(pieza,compuesto,submontajeoreferencia),lacantidadafabricar,la operacin que hay que realizar, el recurso sobre la cual se prevee realizar la operacin, y la fechadeinicioyfindelaoperacin.EnlaterminologadeestatesisseentiendeporOrdende

90

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

FabricacinalconjuntodeTrabajosagrupadosconunfincomn(normalmenteejecucinen unmismoperiodo).

3.3

TeoradelaProgramacindeProduccin

3.3.1 Introduccin
En este apartado se cree conveniente hacer un breve resumen de los planteamientos tradicionales de abstraccin, modelado y resolucin matemtica del problema. Si bien el nmero de referencias que existen en este campo es inmenso, se ofrece a continuacin una visingeneraldeesteenfoquetericojuntoconaquellasreferenciasquesehanconsiderado fundamentalesparaprofundizarmseneltema. A partir de la abstraccin del problema real de Programacin de Produccin, se han desarrolladounaseriedetcnicasquehanoriginadoungrannmeroderesultadostericos desde hace ms de tres dcadas. A todo esto se le denomina frecuentemente Teora de ProgramacindeProduccinSecuenciacin(TheoryofScheduling),inspirndoseeneltrabajo pionerode(Conway,R.W.,Maxwell,W.L.,&Miller,L.W.1967). Sinembargo,hayquedestacarqueenelentornoindustrialreal,enlamayoradeloscasos,no sesuelenaplicarlosresultadosobtenidosapartirdelasinvestigacionesacadmicasenteora deProgramacindeProduccin,desarrolladasdesdehacemsdetresdcadas,yquepodran ayudaramejorarlosprogramasdefabricacinenlasempresas.Estopuedeserdebidoavarios factores: LateoradeProgramacindelaProduccinylosmtodosderesolucinutilizados,son desconocidososondifcilesdeentenderporlaspersonasencargadasdedesarrollarla funcin de Programacin de Produccin. La solucin a este problema, pasa por una mejora en la capacitacin del personal encargado de Programar la Produccin y el desarrollodeprocedimientos,quehaganmsamigablelaresolucindelosproblemas porpersonalnoexcesivamentecualificadoenteoradesecuenciacin. Las situaciones analizadas en la teora no son suficientemente cercanas a las encontradas en la prctica. Es comn analizar problemas simplificados, que despus sondifcilesdeextrapolaralentornoindustrialreal.Sinembargo,cadavezms,estn apareciendo desarrollos que permiten un mejor acercamiento a la realidad. La aplicacin de las tcnicas heursticas,mucho ms flexibles en este aspecto, permiten evitaresteproblema.
91

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Acontinuacinsedescribirndiversosenfoquesquesehanusadoparaabordarlosproblemas enteoradeProgramacindelaProduccin.

3.3.2 ProgramacinencontextoDeterministaoIncierto
Lamayorpartedelasherramientastradicionalesusadasparamodelarproblemasdetomade decisiones son Deterministas. Por Determinista se entiende que el modelo se conoce con precisinycertidumbre(Maccarthy,B.L.&Liu,J.Y.1993;Mula,J.2004).Laprecisinasume quelosparmetrosdeunmodelorepresentanexactamentelapercepcindelfenmenoolas caractersticasdelsistemamodelado.Lacertidumbreindicaqueseasumequelasestructuras yparmetrosseconocendefinitivamenteynoexistendudassobresusvaloresuocurrencia. EnlosproblemasdeProgramacindelaProduccinlassituacionesrealessonfrecuentemente ImprecisasoInciertas.Debidoalafaltadeinformacinelestadofuturodelsistemapodrano ser completamente conocido. Segn (Galbraith, J. 1973) la diferencia entre la cantidad de informacin requerida para ejecutar una tarea y la cantidad de informacin que realmente posee una organizacin se entiende como Incertidumbre. Este tipo de Incertidumbre de carcter estocstico se ha gestionado tradicionalmente mediante teora de probabilidad y la estadstica (Kolmogoroff, A. 1950;Koopman, B. O. 1940). Para abordar cuantitativamente la imprecisin, se pueden utilizar los conceptos y tcnicas de la teora de la probabilidad, complementadosporlasherramientasproporcionadasporlaTeoradelaDecisin,laTeora delControl,laTeoradelaInformacin(Mula,J.2004). MuchosdelosprocesosdeTomadeDecisionesenelmundorealocurrenenentornosenlos quelasmetas,lasrestriccionesylasconsecuenciasdelasposiblesaccionesnoseconocende formaprecisa.Estaimprecisinpuedeperteneceradoscategoras:Incertidumbreestocstica (o aleatoria) o Borrosidad. En (Zimmermann, H. J. 1996) se diferencia entre la aleatoriedad producidaporlasimprecisionesdelmundoreal,quesedenominaIncertidumbreestocstica en contraste a la imprecisin presente en la descripcin del significado semntico de los eventos,fenmenososentencias,quedenominaBorrosidad.(Bellman,R.&Zadeh,L.A.1970) diferencia entre aleatoriedad y borrosidad (fuzziness). La aleatoriedad se relaciona con la Incertidumbre concernida a la pertenencia o no pertenencia de un objeto a un conjunto no difuso.Porotrolado,laBorrosidadconsideraclasesenlasqueexistengradosdepertenencia entre la completa pertenencia y la no pertenencia. En esta tesis se consideraran aspectos relacionadosconlaBorrosidadenlosdatosdelproblemaaresolver. Una vez se ha reflexionado sobre el concepto de imprecisin en relacin con el proceso de modeladodelarealidadparalaresolucindeproblemasesconvenienterealizarunarevisin
92

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

sobrelascausasquelaproducenysualcance.En(Ho,C.1989)seclasificalaIncertidumbreen dosgrandesgrupos,lacorrespondientealentornoylacorrespondientealsistemaproductivo. (McKay,K.N.,Buzacott,J.A.,&Safayeni,F.R.1989)distinguetrestiposdeIncertidumbreen lossistemasproductivos:completamentedesconocidas,sospechosasyconocidas.Lasprimeras serefierealoseventosimpredecibles,yantelascualessolocabereaccionar.Lassegundasson intuidas en base a la experiencia del programador, pero son difciles de incorporar en un Programa Productivo. Las terceras son aquellas que pueden ser previstas y que se pueden incorporarenlosalgoritmosyprogramas.En(Vieira,G.E.,Herrmann,J.W.,&Lin,E.2003)se identifican un conjunto de eventos que producen Incertidumbre en un sistema productivo y quetienenunimpactoconsiderablesobrelosProgramasdeProduccinencurso. Noobstante,nosedebeconsiderarlacausacomonicooprincipalcriteriodeclasificacinde laIncertidumbre.En(Aytug,H.,Lawley,M.A.,Mckay,K.,Mohan,S.,&Uzsoy,R.2005;Henning, G.P.&Cerda,J.1995;Li,R.K.,Shyu,Y.T.,&Adiga,S.1993)seestableciunataxonomapara elanlisisdelosproblemasconIncertidumbrerelacionadaconelsistemaproductivobasada encuatrodimensionesclave.Estascuatrodimensionesparaelanlisisson:causa,contexto, impacto e inclusin. Un procedimiento de Programacin de la Produccin en un contexto de Incertidumbredebedefinirelalcanceadecuadoencadaunadelascuatrodimensionesquele permitacubrirlosobjetivospropuestos. LosproblemasdeProgramacindelaProduccin,queinicialmentesesolanplantearenbase a un Modelo Determinista, con el tiempo se han ido desarrollando otros enfoques que pretenden modelar ms fielmente la Incertidumbre que caracteriza a este tipo de sistemas (Pinedo,M.1995).EnestosModelosEstocsticosoBorrosos,seasumequelosdatosdecada trabajo(tiemposdeproceso,fechasdelanzamientoofechasdeentrega)puedennoconocerse conexactitud,sinoqueseconoceunadistribucinprobabilsticadelosmismosounafuncin depertenencia.Slodespusdeejecutarseeleventoseconocesuvalorexacto. A continuacin se muestra un conjunto de referencias, relacionadas con la Programacin de Produccin con Incertidumbre, clasificadas en funcin del evento que consideran de forma incierta(Vieira,G.E.etal.2003): Fallosenlasmquinas:(Abumaizar,R.J.&Svestka,J.A.1997;Akturk,M.S.&Gorgulu, E. 1999;Alvarez, E. & Diaz, F. 2004;Black, G. W., McKay, K. N., & Messimer, S. L. 2004;Bollapragada,R.&Sadeh,N.M.2004;Chen,J.&Chen,F.F.2003;Church,L.K.& Uzsoy, R. 1992;Fang, J. & Xi, Y. G. 1997;Guo, B. & Nonaka, Y. 1999;Jain, A. K. & Elmaraghy, H. A. 1997;Jensen, M. T. 2003;Kim, M. H. & Kim, Y. D. 1994;Kumar, R., Tiwari,M.K.,&Allada,V.2004;Li,R.K.etal.1993;Mason,S.J.,Jin,S.,&Wessels,C.M. 2004;Mendez,C.A.&Cerda,J.2004;Rossi,A.&Dini,G.2000;Sabuncuoglu,I.&Bayiz,
93

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica M. 2000;Sabuncuoglu, I. & Comlekci, A. 2002;Sabuncuoglu, I. & Karabuk, S. 1999;Sabuncuoglu,I.&Kizilisik,O.B.2003;Shafaei,R.&Brunn,P.2000;Shafaei,R.& Brunn, P. 1999b;Sun, J. & Xue, D. 2001;Wu, S. D., Byeon, E. S., & Storer, R. H. 1999;Yamamoto,M.&Nof,S.Y.1985). Trabajos urgentes: (Abumaizar, R. J. et al. 1997;Alvarez, E. et al. 2004;Hall, N. G. & Potts,C.N.2004;Jain,A.K.etal.1997;Kim,M.H.etal.1994;Li,R.K.etal.1993;Mason, S.J.etal.2004;Subramaniam,V.,Raheja,A.S.,& Reddy,K.R.B.2005b;Sun, J.etal. 2001),ollegadasdenuevostrabajoscomo,(Hall,N.G.etal.2004;Jang,W.S.&Klein, C. M. 2002;Lodree, E., Jang, W. S., & Klein, C. M. 2004), o demanda de trabajos impredecible como, (Jensen, M. T. 2003;Kumar, R. et al. 2004;Sabuncuoglu, I. et al. 2002). Cancelacindetrabajos:(Abumaizar,R.J.etal.1997;Jain,A.K.etal.1997;Li,R.K.et al.1993;Sun,J.etal.2001). Cambioenlasfechasdeentrega:(Fang,J.etal.1997;Henning,G.P.etal.1995;Lejmi, T.&Sabuncuoglu,I.2002;Li,R.K.etal.1993;Sun,J.etal.2001). Retrasoofaltadematriaprima:(Alvarez,E.etal.2004;Fang,J.etal.1997;Henning, G.P.etal.1995;Li,R.K.etal.1993;Rossi,A.etal.2000;Sun,J.etal.2001). Cambio en la prioridad de los trabajos: (Alvarez, E. et al. 2004;Henning, G. P. et al. 1995;Jain,A.K.etal.1997). Problemasdecalidad:(Church,L.K.etal.1992). DesviacinenlosTiemposdeProcesoprevistos:(Li,R.K.etal.1993).Adicionalmente, podemos resear aquellos que presentan Incertidumbre en el tiempo de proceso como, (Anglani, A., Grieco, A., Guerriero, E., & Musmanno, R. 2005;Daniels, R. L. & Kouvelis,P.1995;Hauptman,B.&Jovan,V.2004;Jang,W.S.etal.2002;Kutanoglu,E.& Wu, S. D. 2004;Lejmi, T. et al. 2002;Mendez, C. A. et al. 2004;MontoyaTorres, J. R. 2003;Sabuncuoglu, I. et al. 2002;Sabuncuoglu, I. et al. 2003;Subramaniam, V. et al. 2005b).(He,Y.,Smith,M.,&Dudek,R.1994)realizaronunestudiosobreelefectode la variacin del tiempo de proceso sobre las reglas de despacho en un entorno dinmica, llegando a la conclusin de que una moderada variacin no afecta al rendimientodelasreglas.(Lawrence,S.R.&Sewell,E.C.1997)investigaronelefecto de los tiempos de proceso estocsticos sobre mtodos de Programacin de la Produccin y encontraron que cuando la variabilidad aumenta los mtodos ptimos sonsuperadosporlasheursticasylasreglasdedespacho. Variacin en la plantilla de trabajadores: (Alvarez, E. et al. 2004;Church, L. K. et al. 1992;Jensen,M.T.2003;Subramaniam,V.etal.2005b;Sun,J.etal.2001).
94

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Cambioseneltallerii:(Black,G.W.etal.2004). Pueden existir otro tipo de situaciones que conduzcan a generar Incertidumbre, sin embargolasmencionadasanteriormentesuelenserlasmshabitualesenunentorno fabril.

3.3.3 Programacin en contextos Estticos, Dinmicos, en Lnea, o en TiempoReal.

Existendostendenciasclarasenlaliteraturaenloqueserefiereacomoafrontarunproblema de Programacin de la Produccin con respecto a la evolucin temporal de los eventos, las prioridades,losrecursos,lasnecesidades,elentornoylosrequerimientosconsiderados.Esas tendencias conocidas de forma simplificada como Esttica y Dinmica, tienen en la segunda un abanico de denominaciones alternativas. En este apartado diferenciaremos entre el enfoqueEstticoyDinmicodelaProgramacindelaProduccin,ysusalternativas. Existenalmenostresaspectosquesedebenconsideraralahoradeabordarunproblemade ProgramacindeProduccinenloqueserefierealaspectotemporal,queson:Elmodelodela realidadquesedeseareflejar,elmomentoqueseTomanlasDecisionesyelentornosobreel cualseacta. Porloqueserefierealmodeloquesedeseaconsiderar,losproblemaspuedenserdivididosen EstticosoDinmicos.UnproblemaEstticoesaqulenelqueloseventos,lasprioridades, losrecursos,lasnecesidades,elentornoylosrequerimientossonfinitosysonconocidosenel instante inicial. Por lo tanto, en este tipo de problemas, el horizonte de Programacin no se extiende msalldeunperiododeterminado. Mientrasque unprogramaseentiende como Dinmicosiserealizaenunentornovoltilquenecesitafrecuentescambiosparaadaptarsea losrequerimientos(Stankovic,J.A.,Spuri,M.,Marco,D.N.,&Buttazzo,G.C.1995;Suresh,V.& Chaudhuri,D.1993). Siseatiendealmomentoenelquesetomanlasdecisionesoestrategialosprogramaspueden estar en Lnea o Fuera de Lnea. Se dice que un programa se ejecuta en Lnea (online) si la

ii

EnestetrabajoseentiendeporTalleralSistemaProductivooFabrilqueesobjetodeanlisis.ste puedeestarcompuestoporunoovariosCentrosdeTrabajo,queasuvezpuedenestarcompuestos pormltiplesrecursos.

95

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ProgramacindelaProduccinseestrealizandoalmismotiempoquelaproduccinesten marcha (Narasimhan, S. L., McLeavey, D. W., & Billington, P. J. 1995). Por otro lado, se entiendequeseejecutaFueradeLnea(offline)silaProgramacindelaProduccinserealiza una vez acabado el programa anterior y en un momento de parada productiva (Riggs, J. L. 1987).Puedenexistirprocesosmixtos,endondeexistenunconjuntodeDecisionesTomadas Fuera de Lnea, y otras que se toman en Lnea cuando se detectan eventos que afectan al ProgramaInicial. PorloqueserefierealsistemaquegestionaelProgramadelaProduccinseentiendequeel Programa se realiza en Tiempo Real si la actividad se ejecuta simultneamente a la realidad (Garvey,A.J.&Lesser,V.R.1993;Sha,L.&Goodenough,J.B.1990). Por lo tanto, un problema Dinmico, considera el horizonte de funcionamiento del taller ilimitado hacia el futuro, aunque el conocimiento concreto en un instante determinado se limitealasituacinactual,yaunacarteradepiezasfinitaarealizar.EneltallerDinmicono se puede hallar un Programa Productivo nico, sino un conjunto de Programas sucesivos desarrolladosalolargodeciclosdeReprogramacin.Portanto,nopodrjuzgarselacalidad deunProgramaProductivosino,entodocaso,ladeunprocedimientodeReprogramacin,yla naturaleza del criterio que permita juzgar la calidad del procedimiento. Este procedimiento estar entroncado con el comportamiento medio de los Programas Productivos obtenidos utilizndolofrentealasentradas(caractersticasdellegadayestructuradelaspiezas)aquees sometido. En (Vieira, G. E. et al. 2003) se justifica la no existencia de clasificaciones adecuadas en un entornodeDinmicofrentealaexistenciaclasificacionesenunentornoestticocomolade (Herrmann,J.W.,ChungYee,L.,&Snowdon,J.1993).En(Vieira,G.E.etal.2003)serealiza unadiferenciacindelproblemaDinmicoEstticodelasiguienteforma: Esttico:Entendiendoportal,elcasoenelqueexistenunconjuntodetrabajosfinitos duranteunperiodofinito. Determinista:Nosecontemplanincertidumbresenelmodelo. Estocstico: Existen cierta variables aleatorias en el modelo. Algunas referencias interesantesseencuentranen(Daniels,R.L.etal.1995;Herrmann,J.W.1999;Pinedo, M.&Chao,X.1999;Wu,S.D.etal.1999) Dinmico: Entendiendo por tal, el caso en el que existen un conjunto de trabajos infinitos.
96

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Sin variacin en las llegadas de trabajos: Se conoce el momento de entrada en el tallerdecadatrabajo.Lostrabajossiguenuncomportamientocclicohastaelinfinito. Algunas referencias interesantes se encuentran en (Hall, N. G. & Sriskandarajah, C. 1996;Kamoun,H.&Sriskandarajah,C.1993;Lee,T.E.&Posner,M.E.1997;Matsuo,H. 1990;Pinedo,M.etal.1999;Roundy,R.1992). Convariacinenlallegadadelostrabajos:Existenincertidumbresobreelmomento deentradaeneltallerdelostrabajos,perolasoperacionesrequeridassonconocidas. Algunas referencias interesantes se encuentran en (Markowitz, D. M. & Wein, L. M. 2001;Mehta,S.V.&Uzsoy,R.M.1998) Con variacin en el flujo de trabajo: Los trabajos pueden sufrir cambios en la ruta prevista cuando llegan al taller. Algunas referencias interesantes se encuentran en (Church,L.K.etal.1992).

En(Abumaizar,R.J.etal.1997;Vieira,G.E.,Herrmann,J.W.,&Lin,E.2000b)yaseproponala mismadiferenciacinentreDinmicayEsttica.LaVisinDinmicabasadaenlaexistenciade un conjunto de trabajos que van llegando al taller tambin est avalada por (Fang, J. et al. 1997). Tanto los Enfoques Estticos como Dinmicos se ven afectados por la Incertidumbre. Los modelosestticospuedenincorporarlaimprecisincomounafuncin deprobabilidad,pero losmodelosdinmicospuedenoptaradicionalmenteaesperaraqueseproduzcaeleventoy ofrecerlarespuestaadecuadaenfuncindelascircunstanciascorrespondientesalestadoen dichoinstante. El Enfoque Dinmico del modelo correspondiente al problema de Programacin de la ProduccinimplicaladefinicindeEstrategiasyMtodosdeProgramacindelaProduccin enunEntornoDinmico.LasestrategiasestnrelacionadasconlaTomadeDecisiones(online ooffline)ylaspolticasconcretassobreReprogramacin.Losmtodosestnrelacionadoscon losalgoritmosconcretosquesonmsadecuadosutilizar.Ambosaspectosseanalizarnenlos prximosapartados.

97

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

3.4

Descripcin del Problema Dinmico y con Incertidumbre de Programacin de la Produccin. Enfoques Generales de ResolucinDistribuidos.

3.4.1 DefinicioneseHiptesis
Suponiendo que existen n trabajos {J1, J2, , Jn} y m mquinas disponibles {M1, M2, , Mm}. Segn(Brucker,P.2006)unProgramaconsisteenlaubicacindecadatrabajoenunooms intervalos de tiempo en una o ms mquinas. El Problema de Programacin consiste en encontrardichaubicacinbajociertasrestricciones. Estadefinicinpuedesergeneralizada,reemplazandolasmquinasporetapasdeunproceso que pueden, a su vez, contener varias mquinas. Se debe entender que una Etapa est asociadaaunafuncionalidaddentrodelTalleryquecadatrabajorealizasusoperacionesen diferentespasosoEtapas.Enestecaso,apareceunproblemadeasignacindelostrabajosa lasmquinasysecuenciacindelostrabajosencadamquina. Lassiguienteshiptesisaparecenfrecuentementeenlaliteraturadelateoradesecuenciacin ysondebidasa(Conway,R.W.etal.1967): Lasmquinasestnsiempredisponiblesynuncadejandefuncionar. Cadamquinapuedeprocesaralosumountrabajoalavez. Cualquiertrabajopuedeserprocesadonicamenteenunamquinaalavez. Los tiempos de preparacin de todos los trabajos son cero, por ejemplo, todos los trabajosestndisponiblesalcomienzodelproceso. No se permiten interrupciones, es decir, cuando una operacin ha comenzado debe terminarseantesdeempezarotraenlamismamquina. Los Tiempos de Cambio son independientes de los programas/secuencias y estn incluidosenlosTiemposdeProcesado. Los tiempos de procesado y las restricciones tecnolgicas son deterministas y se conocendeantemano,ysimilarmenteocurreconlasfechasdeentrega.

Sin embargo, hay que tener presente que los entornos productivos son por naturaleza Dinmicos y sujetos a diversos tipos de Perturbaciones. Estos eventos pueden cambiar el
98

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

estadodelsistemayafectaralrendimientodelmismo.LaliteraturarelativaalaProgramacin Dinmica de la Produccin considera un nmero significativo de eventos producidos sobre sistemas controlados en tiempo real, as como sus efectos en varios sistemas productivos (maquinanica,mquinasparalelas,talleresdeflujo,talleresdetrabajo,etc.).Losautoresde (Stoop,P.P.M.&Weirs,V.C.S.1996)ensutrabajosobrelacomplejidaddelaProgramacin delaProduccindescribierondoscategorasdeeventos,losrelacionadosconlosrecursosylos relacionados con los trabajos. Esta misma categorizacin es apoyada por (Cowling, P. & Johansson,M.2002;Mehta,S.V.&Uzsoy,R.1999).Eneltrabajode(Suresh,V.etal.1993) sobre Programacin Dinmica de la Produccin pusieron de manifiesto el efecto de la presencia de eventos tratados en Lnea sobre sistemas en Tiempo Real, y propusieron tres categoras: los relacionados con los trabajos, los relacionados con los recursos, y los relacionadosconlasoperaciones. Loseventosrelacionadosconlosrecursoshacenreferenciaalosfallosdelasmquinas,bajas delosoperarios,nodisponibilidaddelasherramientas,nodisponibilidaddemateriales,etc. Los eventos relacionados con los trabajos hacen referencia a la llegada de las rdenes, la cancelacin de trabajos, cambios en las fechas de entrega, cambios en la prioridad de los trabajos,cambiosenlostiemposdeproceso,etc. Si se aplican las hiptesis de (Conway, R. W. et al. 1967) a las Empresas Cermicas, contempladasconunenfoquedinmico,esnecesariorealizarlossiguientescomentarios: Lahiptesis1nosecumple.Nosepuedeasegurarquenoseproduzcaunfalloenuna mquinaqueretraseelprocesoproductivo,apesardelaltogradodeautomatizacin. Tambinsepuededeterminarlanecesidaddepararunamquinaeneltranscursode unProgramadeProduccindeacuerdoconunaestrategia. Lashiptesis2y3,sepuedenasumirpuestoquelascaractersticasdelamaquinaria hacenquenoseaposibleprocesartrabajosdistintossimultneamente. Debido a la aplicacin de sistemas M.R.P., y al alto grado de coordinacin con los proveedores todos los materiales suelen estar disponibles al inicio de un trabajo. No obstanteenlostrabajosnoprevistosnoocurrelomismo,porloquelahiptesis4no sepuedeasumir. En cuanto a la hiptesis 5, sta se cumple, puesto que las interrupciones implicaran costesdearranquedelamaquinaria.

99

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Sinembargo,lahiptesis6nosecumple,porqueenelcasocermicolosTiemposde Cambio,talycomosehadiscutido,sondependientesdelasecuenciaynoasimilables alosTiemposdeProceso. Porltimo,lahiptesis7secumpleparcialmente.Porloqueserefierealostiempos pueden aparecer, pequeas variaciones en los Tiempos de Proceso y Cambio, su magnitudsueleserpequeaperonosepuedendescartarvariacionessignificativaspor problemas de ajuste con respecto al patrn de calidad establecido. Por lo que se refierealasfechasdeentregasepuededecirquesondeterministas.

3.4.2 TiposdeConfiguracionesProductivasyNomenclatura
AlconsiderarunproblemadeProgramacindelaProduccindeberantenerseencuentalas restriccionestecnolgicasdelostrabajos,determinadasprincipalmenteporeltipodeflujode los mismos a lo largo de las mquinas del taller (hojas de ruta). As se pueden definir las siguientesconfiguracionesproductivas: Tallermonomquina(singlemachineshop). TallerAbierto(Openshop).Noexistepredefinidounflujoparacadatrabajo. TallerdeFlujo(Flowshop).Todoslostrabajostienelamismaruta. TallerdeFlujodePermutacin(Permutationflowshop).Esuncasoespecialdeltaller de flujo en el que todos los trabajos pasan en la misma secuencia por todas las mquinasdeltaller. Taller de trabajo (Job shop). Tambin denominado por algunos autores, taller mecnico,puestoqueesenestetipodeindustriasdondeprimerosedefini.Eneste caso,cadatrabajotienesurutaespecfica,porloqueelproblemadeProgramacinde laProduccinsecomplicaenormemente.

En el caso en el que consideran que existe ms de una mquina capaz de ejecutar la misma operacin aparece el concepto de Etapa. En efecto, si M() es el nmero de mquinas en la Etapa(=1,,k)ykelnmerodeetapas,sepuedenconsiderarlossiguientescasos: Mquinasparalelas.Mmquinasidnticassloenunaetapadetrabajo.Cadatrabajo necesitasolamenteunadelasmquinas.
100

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Taller de Flujo Hbrido o con mquinas o procesadores duplicados (Flow shop with multiple machines/processor). Tambin llamado taller de flujo hbrido (Hybrid flow shop),otallerdeflujoflexible(Flexibleflowshop).Cadatrabajosufrekoperaciones, cadaoperacinpuedeserejecutadaporcualquieradelasM()mquinasexistentesen cadaetapa. TallerdeTrabajoconmquinasduplicadas(Jobshopwithmultiplemachines).Esun tallerdetrabajoendondeexistenM()mquinascapacesdeejecutarcadaoperacin ycadatrabajoquerequieraesaoperacinsloseprocesaenunadeesasmquinas.

La Figura 33 basada en (Maccarthy, B. L. et al. 1993) expresa grficamente la clasificacin realizada:

Taller abierto

= (1,.., k )

M()=1

Taller de Trabajo con mquinas duplicadas

= (1,.., k )
M()=1 Hoja de ruta idntica

Hoja de ruta no fija

Taller de Trabajo
k=1

Taller de Flujo hbrido

Hoja de ruta idntica M()=1

k=1

= (1,.., k )

Mquinas Paralelas

Orden de los trabajos idntico en todas las mquinas

Taller de Flujo
M(1)=1

Taller de Flujo de permutacin

k=1

k=1

Mquina nica

Figura33.Unarelacinentrelasconfiguracionesdelossistemasproductivos(apartirde(Maccarthy,B.L.etal. 1993)).

Sepuedeobservarenlafiguraqueuntallerdeflujohbridopuedeseruncasogeneraldeun tallerdeflujo(dondeporcadaoperacinhayms deunamquina)ountallerde mquinas paralelas(dondesloexisteunaoperacinoetapa). Dada la infinita variedad de los problemas de Programacin, se han desarrollado diversos sistemasdeclasificacinquepermitenrpidamentedescribireidentificarcadaproblema.Uno de los primeros sistemas desarrollados fue el de (Conway, R. W. et al. 1967). En este se describecadaproblemamediantecuatrocamposA/B/C/D:

101

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Campo A. Define los trabajos (u rdenes de fabricacin) a realizar. Para problemas estticos, especificar el nmero de trabajos cuya llegada se conoce exactamente (1,...,n).Paraproblemasdinmicos,Aidentificarladistribucindeprobabilidadentre llegadas. Campo B. Determina el nmero y tipo de mquinas que componen el taller(1,...,m). Cuandoseconsideranmquinasparalelas,elvalordeesteparmetroeselnmerode etapas de procesado y el nmero de mquinas de cada etapa es incluido en el descriptorC. CampoC.Describeeltipodeconfiguracindeltaller.Susvaloresposiblesson: o 1:mquinanica. o J:tallerdetrabajo(Jobshop). o F:tallerdeflujo. o O:tallerabierto. o F,perm:tallerdeflujodepermutacin. o kparalel:kmquinasenparalelo. o J,kparalel:tallerdetrabajoconkmquinasparalelasencadaetapa.

Con esta nomenclatura no se pueden identificar todos los tipos de problemas posibles del tallermecnico,nitansiquieratodoslosqueaparecenenlaliteratura,muyextensa,existente sobre el tema. Algunos autores han propuesto nomenclaturas ms voluminosas que generalmentesonunaextensindelaindicada.ParaelloseaadeaestecampoC,unaserie de abreviaturas que representan restricciones adicionales y que pueden tener lugar en entornosdesecuenciacinmscomplejos.Algunasdelasabreviaturasutilizadasson: o rj:trabajoscondiferentesinstantesdeentradaeneltaller(readytimes). o prec:existenciadeprecedenciasentrelasoperaciones. o prmt:sepermiteninterrumpirunaoperacindurantesurealizacin. o unit:tiemposdeprocesadounitarios. o depend:trabajosdependientes. o setup:tiemposdecambiodependientesdelasecuencia. Campo D. Describe el criterio de eficacia elegido para evaluar los programas, como puedenserloscriteriosdeFmax,Cmax,Fmed,Tmax,etc.
102

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Existenotrasnomenclaturasperoestsueleserlamsutilizada.

3.4.3 EstrategiasdeProgramacindelaProduccinenunentornoDinmico yconIncertidumbre.

Enesteapartadosepresentanlasdiferentesestrategiasqueunprogramadorpuedeadoptar frente a un problema de Programacin de la Produccin en un entorno Dinmico y con Incertidumbre.SeentenderporEstrategiaenesteapartadoaladeterminacinporpartedel programadordesisusdecisionessetomarnenLnea,FueradeLneaoconunaCombinacin deambas.Enelmarcodeestatesisesteaspectoesrelevante.Talycomosedetallarenel Captulo 5, donde se describe con precisin el problema que se plantea abordar, en este trabajo se tiene en cuenta que existen ciertos eventos que pueden suponer una reconsideracin de las condiciones del problema. Las condiciones que se consideran susceptiblesdecambiosonentreotraseltipoynmerodetrabajosparaloscualessedebe realizar la Programacin de la Produccin. Por lo tanto, se debe analizar el problema de ProgramacindelaProduccinenunentornocambiantequesegnalgunosautorespuedeser consideradoDinmico. Notodoslosautoresquesonreferenciadosenesteapartadoutilizanlamismanomenclatura presentada enelapartado3.3.3,esms,algunosdeestosautoresusanlas mismaspalabras con diferente significado o incluso intercambiando el significado de estas. As la Estrategia denominada en el apartado 3.3.3 como en Lnea podr ser denominada en este apartado con un conjunto de nombres como Programacin: Dinmica, o Reactiva (esta denominacin puedeserusadatambincomoestrategiamixtaencuyocasoseindicar).Programacindela Produccin PredictivoReactiva, Reprogramacin, Programacin Robusta, basada en el ConocimientooReactivasonconceptosutilizadosporalgunosautoresqueseincluyendentro delaestaestrategiadenominadamixtaenelapartado3.3.3. Conelobjetodefacilitarlalecturaacontinuacinsedefinirnalgunostrminoscomolosde Programacin de la Produccin Reactiva, PredictivoReactiva o el de Programacin Robusta basndose en la aportacin de las diversas referencias usadas en este apartado. Dichos conceptossernmatizadosporlosdiferentesautoresencasodediscrepancia. LaProgramacindelaProduccinReactiva,conocidaporalgunosautorescomodinmica,es aquellaquenoproporcionaningnprogramainicialdeformaquelasdecisionessetomanen elmomentoquesonrequeridasysinavancesprevios.

103

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica LaProgramacindelaProduccinPredictivoReactivaproporcionaunprogramainicialqueno intenta prever ninguna distorsin, y cuando esta se produce el programa dispone de mecanismos para reaccionar, modificando el programa en curso y generando uno nuevo parcialototalmente. LaProgramacinRobustadelaProduccinesaquellaqueproporcionaunprogramadeforma anticipada(ProgramacinPredictiva)queminimizaelefectodeloseventossobreelvalordela medidadelrendimientodelprogramafinalmenterealizado.Sesuelecombinarconunaaccin Reactivaanteeventosoefectosdelosmismonoprevistos. En (Vieira, G. E. et al. 2000b) se realiza una primera diferenciacin entre dos estrategias dinmicas,porunladolasrepresentadasporlasreglasdedespacho,yporotroladoloqueel autordenominaProgramacinReactivadelaProduccin(queatendiendoalacategorizacin del apartado 3.3.3 se debe incluir dentro de la estrategia mixta). Ya en (Vieira, G. E. et al. 2003) se establecen dos estrategias bien diferenciadas para hacer frente al Control de la Produccin en un entorno de Reprogramacin Dinmica de la Produccin que presenta Incertidumbreenlaentregadetrabajosaltaller.LasestrategiassonlaProgramacinDinmica de la Produccin (que atendiendo a la categorizacin del apartado 3.3.3 se debe denominar Reactiva) y la Programacin de la Produccin PredictivoReactiva (o Reprogramacin). En la ltima se diferencian a su vez tres polticas de Reprogramacin: Peridica, Dirigida por EventoseHbrida. Segn (Mehta, S. V. et al. 1999) existen cuatro aproximaciones a la Programacin de la Produccin dinmica en un entorno de Incertidumbre: Completamente Reactiva, Predictivo Reactiva, Robusta y basada en el conocimiento. La orientacin completamente Reactiva est dominadaporlastcnicasbasadasenreglasdedespacho.Enestacategorizacinseentiende por mtodos basados en el conocimiento aquellos que proporcionan un mecanismo de seleccin de la poltica de Reprogramacin adecuada frente a un conjunto de alternativas. Dentro de la Programacin Predictiva de la Produccin, los autores distinguen tres tipos de polticadeReprogramacin;continua,peridica,ydirigidaporeventos,ascomocuatrotipos detcnicas;rightshift,programacincompleta,matchup,ymultiobjetivo. Para (O'Donovan, R., Uzsoy, R., & McKay, K. N. 1999) existe una diferencia entre la ProgramacinPredictivaylaPredictivoReactiva.EnlaProgramacinReactivasepresentaun programaquedebesercapazdeabsorberdistorsionesdeformaanticipadaalmismotiempo quesemantieneelrendimientodelmismo.Losautoresclasificanfinalmentelasestrategiasde Programacin de la Produccin ante Incertidumbres en cuatro grupos: Completamente Reactivas, PredictivasReactivas, Robustas (o Predictivas) y basadas en conocimiento. Los

104

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

autoresdestacanelpredominiodelasreglasdedespachoenlaaproximacinCompletamente Reactiva. Para un entorno dinmico (Shafaei, R. & Brunn, P. 1999a;Shafaei, R. et al. 1999b) diferencia entreestrategiasbasadasenTeoradeColasyReprogramacin(elautorlodenominarolling timehorizon).Lateoradecolasafrontaelproblemaconsiderandounsistemadecolasdonde cada mquina acta como un servidor. Normalmente, la teora de colas se ha aplicado a problemasconunamquinahacindoseaconsejableunasimulacinpreviaparadeterminarel comportamiento previsible. La Teora de Colas y de las reglas de despacho han estado muy ligadas. En el caso de la estrategia de Reprogramacin los autores no realizan un estudio exhaustivo realizando un breve recorrido por las reglas de despacho usadas con este propsito.(Shafaei,R.etal.1999b)introduceelconceptodeProgramacinRobusta. En (Raheja, A. S. & Subramaniam, V. 2002) se realiza una clasificacin de las diversas aproximaciones a la Programacin de la Produccin Esttica y Dinmica. En la aproximacin dinmica distinguen 3 tipos de Programacin: Totalmente Reactivo, Reactivo y Predictivo Robusto. Los autores ponen de manifiesto la supremaca de las reglas de despacho en las soluciones Totalmente Reactivas. El enfoque Reactivo propuesto en esta referencia es equivalente al PredictivoReactivo propuesto por otros autores y definido al inicio del apartado. Mientras que el enfoque PredictivoRobusto se relaciona con soluciones con toma de decisiones fuera de lnea en las que el programa establecido antes del inicio de las operacionesincorporaunaseriedeparmetrosquelepermitenabsorberlasdistorsionesque seproduzcan.Finalmentelosautoresproponenunaseriedetcnicasparaseraplicadasenla Programacin Reactiva de la Produccin como: Heursticas (rightshift, affected operation rescheduling (AOR)), Sistemas Multiagente, Programacin basada en Lgica Difusa, Programacin basada en Restricciones, Programacin basada en Razonamiento de los casos, SistemasbasadosenelConocimientoyTcnicasdeInteligenciaArtificial(RedesNeuronaleso AlgoritmosGenticos). En(Ouelhadj,D.2003)secategorizanlasestrategiasdeProgramacindelaProduccinenun entorno dinmico en: Programacin en Lnea, Programacin PredictivoReactiva y ProgramacinRobusta.LaautoradestacaqueenlaProgramacinenLneaesfrecuenteeluso de reglas de despacho, ya que proporcionan una solucin aceptable en un corto espacio de tiempo.Perodestacalamiopadedichasreglasalnodisponerdeinformacinglobal,yaque se aplican de forma local, lo no garantiza el rendimiento del sistema. La Programacin PredictivoReactiva,alaquelaautorareconoceotrosnombrecomoProgramacinReactivao Reprogramacin,esinterpretadaporlamismacomoaquellaquegenera un programainicial con el objeto de optimizar un parmetro y sin tener en cuenta ningn evento, y cuando se produceeleventolaProgramacinReactivaproporcionaunnuevoprogramaconelobjetode mantener la factibilidad o mejorar el rendimiento. Para Quelhadj la Programacin Robusta
105

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica partedelaProgramacindelaProduccinPredictivoReactivaperosecaracterizaporbuscar la minimizacin de los efectos de las distorsiones sobre el rendimiento del Programa Productivorealizado. Eneltrabajode(Aytug,H.etal.2005)seclasificanlasestrategiasparaafrontarlosproblemas de Programacin de la Produccin es tres grandes grupos: Completamente Reactivos, Robustos y PredictivosReactivos. Las aproximaciones Completamente Reactivas se basan en tomas de decisiones en lnea de forma local. Los autores destacan como tcnica ms representativadelaestrategiaCompletamente Reactivalaaplicacindereglasdedespacho, ya sea de forma directa o aplicando una variante que permita seleccionar la regla en cada instante en funcin de las condiciones del taller. Otra tcnica Completamente Reactiva destacada por los autores es el uso de Agentes Inteligentes. Los Programas Productivos Robustos intentan minimizar el impacto de las diferentes eventualidades sobre el programa implementado.EnelcasodelaProgramacinPredicitivoReactivalosautoreshacenhincapi enlaspolticasdeReprogramacin,esdecirCundoreprogramar?Losautoresproponentres opcionesdeReprogramacin:continua,peridicaydirigidaporeventos.
Autores (Vieira,G.E.etal.2000b) (Vieira,G.E.etal.2003) EstrategiaEnLnea Enlnea Dinmica(Reactiva) EstrategiaMixta Reactiva PredictivoReactiva PredictivoReactiva Robusta BasadaenelConocimiento (Shafaei, R. et al. Teoradecolas 1999a;Shafaei, R. et al. 1999b) (Raheja,A.S.etal.2002) (Ouelhadj,D.2003) CompletamenteReactiva Enlnea Reprogramacin PredictivoRobusto Reactiva PredictivoReactiva Robusta (Aytug,H.etal.2005) CompletamenteReactiva PredictivoReactiva

(Mehta, S. V. et al. 1999) CompletamenteReactiva (O'Donovan,R.etal.1999)

Tabla31.ResumendelasprincipalesestrategiasdeProgramacindelaProduccinenunentornodinmico (elaboracinpropia).

106

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

En la Tabla 31 se muestra un resumen de las diferentes denominaciones utilizadas por los autoresconsultados,clasificadasendosgrandesgrupos.Segnlarevisinliterariarealizada se puede decir que existen dos estrategias principales para enfocar la Programacin de la Produccin en un entorno dinmico: La Programacin de la Produccin en Lnea (en discordanciaconelapartado3.3.3,algunosautoresladenominandinmica,peroenestatesis usaremos preferentemente el trmino en lnea) dominada por las reglas de despacho, y la ProgramacindelaProduccinMixtabasadaenunplanprevioquesevamodificandosegn sehacenpatenteslasdistorsiones.EnlaProgramacindelaProduccinMixtaexisteunabase comn denominada habitualmente estrategia PredictivoReactiva, a partir de la cual se distinguen dos mejoras importantes: la Programacin de la Produccin Robusta y la ProgramacindelaProduccinbasadaenelConocimiento. La Programacin de la Produccin en Lnea se puede entender como aquella que no crea ProgramasdeProduccindeformaanticipada,demaneraquelasdecisionessesuelentomar de forma local y en el momento que es necesario. Normalmente se utilizan reglas de despacho, que son aplicadas cuando una mquina queda libre, para seleccionar el siguiente trabajo. Con estas reglas de despacho o con heursticas se priorizan los trabajos en cola de espera para establecer el orden de entrada. La ventaja de las reglas de despacho es su fcil aplicacinysurpidoclculo,peronormalmenteadolecendeunavisinglobaldelproblemay esdifcildeestablecercualsersurendimientoenunentornocambiante.LaProgramacinde laProduccinenLneanoesadecuadaparalaEmpresaCermicadadoquelapreparacinde las materias primas (arcillas, esmaltes, colores, etc.) por parte de los proveedores implica la necesariadisponibilidaddeunProgramaPrevio. Una vez se han diferenciado las estrategias de Programacin de la Produccin en entornos dinmicos, que al mismo tiempo estn sujetos normalmente a Incertidumbre, y se han destacadolasmsextendidas,sepresentanunconjuntodereferenciascomplementarias.Los autorescorrespondientesnoofrecendiversasalternativasestratgicas,peroaportanaspectos interesantesqueayudanaentenderlasituacinactualdecadaunadeellas. Dentro de las estrategias en Lnea (Completamente Reactiva) destacamos: (Bhaskaran, K. & Pinedo,M.1991;Chrtienne,P.,Coffman,J.E.,Lensrta,J.K.,&Liu,Z.1995;Dempster,M.A., Lensrta,J.K.,&Rinnooy,K.1982)presentanunadiscusinsobrereglasdedespachoaplicadas de forma local. (Wu, D. S. & Wysk, R. A. 1989) estudiaron el problema de las reglas de despacho en un sistema de fabricacin flexible. Los autores dividieron el horizonte temporal enintervalosyaliniciodecadaunodeellossesimulabaelcomportamientodeunconjuntode reglas y seleccionaba la mejor para aplicarla en dicho periodo. (Jeong, K. C. & Kim, Y. D. 1998;Kim,M.H.etal.1994)realizaronaplicacionesparecidasalasde(Wu,D.S.etal.1989) introduciendosensiblesmejoras.(Aytug,H.,Bhattacharyya,S.,Koehler,G.J.,&Snowdon,J.L. 1994) realiza una profunda revisin literaria sobre la aplicacin de la tcnica de inteligencia
107

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica artificialdenominadamquinadeaprendizaje(machinalearning)paralaseleccindelaregla de despacho adecuada en un problema de Programacin de la Produccin.(Piramuthu, S., Park,S.C.,Raman,N.,&Shaw,M.J.1991)sebasenlatcnicadelamquinadeaprendizaje paraseleccionarlaregladedespachomsadecuadasegnlascondicionesdeltallerenbasea diferenteseventosestablecidosenunmodelodesimulacin.(Chen,C.&Yih,Y.1996)usaron una red neuronal para predecir la regla de despacho en funcin del estado del sistema. (Ovacik,I.M.&Uzsoy,R.1994)propusierondiversoshorizontesdeReprogramacinparaun tallerdeunasolamquinaconTiempodeCambiodePartidaDependientesdelaSecuencia. (Ovacik, I. M. & Uzsoy, R. 1995) desarrollaron un algoritmo similar para un problema de mquinasparalelas. Dentro de las estrategias Mixtas se encuentran aportaciones interesantes en el enfoque PredictivoReactivopurooenfoquesRobustosybasadosenelConocimiento. ElenfoquePredictivoReactivopresentaaportacionescomo:(Raman,N.,Rachamadugu,R.V., &Talbot,F.B.1989)queusanunaReprogramacincontinuaparalaresolucindelproblema presentado.(Adam,N.R.&Surkis,J.1980;Church,L.K.etal.1992)investiganlafrecuenciade ReprogramacinenuntallerdetrabajodinmicoconfallosenmquinasyTiemposdeProceso variables. (Muhlemann, A. P., Lockett, A. G., & Farn, C. K. 1982) realiza un estudio de simulacinparainvestigarelrendimientodeunconjuntodereglasheursticasbasadasenun algoritmo de generacin de Programas Productivos sin retraso. Aunque no se pudo concluir con la supremaca de ninguna reglas, si se detecto que la frecuencia de la Reprogramacin influa en el rendimiento del Programa. (Shafaei, R. et al. 1999a) realizan un estudio de simulacin para investigar sobre el rendimiento de una serie de reglas de despacho en un entornodeReprogramacinenuntallerdetrabajodinmico.Losresultadosmuestrancomola reglasSPTC/Reslamsapropiadaparaminimizarelcostetotalycomosepuedemostraruna relacin entre el rendimiento y el intervalo de Reprogramacin. (Yamamoto, M. et al. 1985) realizanunestudiomedianteReprogramacincompletaenuntallerconfallosaleatoriosenlas mquinas. Los resultados mostrados por los autores concluyen con resultados mejores de dicho mtodo frente a las reglas de despacho o modificaciones parciales del programa. (Church,L.K.etal.1992)estudiaronelproblemadelaReprogramacinconunanicamquina conllegadadinmicadetrabajos.SegnsutrabajolapolticadeReprogramacinaintervalos fijos es preferible frente a la dirigida por evento excepto cuando se producen llegadas de trabajosurgentesaliniciodelprograma. ElenfoquedeProgramacinRobustapresentaaportacionescomo:(Dooley,K.J.&Mahmoodi, F.1992;Graves,C.S.1981;Yellig,E.J.&Mackulak,G.T.1997)definieronlarobustezcomoun objetivoparaevaluarelrendimientorealdeunmtododeProgramacindelaProduccinen unentornoestocstico.(Leon,V.J.,Wu,S.D.,&Storer,R.H.1990)consideralaProgramacin Robustadeuntallerdetrabajoconfallosenlasmquinas,variacindelosTiemposdeProceso
108

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

yminimizacindeCmaxyladesviacindelCmaxcomomedidasderendimiento.(Wu,S.D.et al. 1999) propusieron una descomposicin para alcanzar la robustez. Ellos consideraron el problema con variacin en los Tiempos de Proceso y con la minimizacin del retraso ponderado total (weighted tardiness) como funcin objetivo. (Daniels, R. L. & Carrillo, J. E. 1997;Daniels, R. L. et al. 1995;Kouvelis, P. & Yu, G. 1997) aportan una discusin interesante sobre la Programacin Robusta. Definen la Incertidumbre en trminos de escenarios y redefinenelproblemadeProgramacincomolabsquedadeunasecuenciaqueminimicela mximadesviacinentreelrendimientodelasecuenciaylassecuenciasoptimasasociadasal conjuntodeescenarios.(Mehta,S.V.etal.1998)desarrollaronunalgoritmoqueminimizabael retraso(lateness)yladiferenciaentreelCmaxprevistoyrealizado.Esteestudiomuestracomo los Programas Productivos que son Robustos a las distorsiones estocsticas pueden ser generadossinsacrificardemasiadorendimientodelmismo.(Mehta,S.V.etal.1999)propone una Programacin Predicitiva de la Produccin, intentando minimizar Lmax sobre una nica mquina con llegada dinmica de trabajos y fallos la mquina. Para ello los autores insertan tiempos muertos mientras se recupera el fallo. La propuesta Predictiva supone mejoras importantesdelarobustezacostadeunapequeadisminucindeLmax.(Mehta,S.V.etal. 1998)aplicaronunaestrategiaPredictivasobreuntallerdetrabajoconmaquinasnofiablesy obtuvieron resultados similares al anterior caso.(Shafaei, R. et al. 1999b) investiga sobre la robustezdeunconjuntodereglasdedespachoenunentornodinmicoyestocsticousando Reprogramacin cclica Las reglas evalan sobre una funcin de coste. Se concluye estableciendounarelacinentrelainfluenciadelacargayelbalancedeltallerylaRobustez deunPrograma.(Bollapragada,R.&Sadeh,N.M.1996)desarrollanunProgramaPredictivode la Produccin para minimizar el retrasoadelanto total de un taller de trabajo teniendo en cuenta los posibles fallos de mquinas y la variacin de los Tiempos de Proceso. (Mckay, K., Mortn,T.E.,Ramnath,P.,&Wang,J.2000)introdujeronlaReprogramacindinmicaquesub optimiza en un determinado periodo de tiempo para permitir al sistema estabilizarse y progresivamenteoptimizarse.(Singer,M.2000)aplicalaReprogramacindinmicaenuntaller detrabajoconIncertidumbreenlosTiemposdeProcesoparaminimizarelretrasototal. El enfoque de Programacin basada en el Conocimiento presenta aportaciones como: (Fox, M.S.&Smith,S.F.1984)realizaronunadelasprimerasymsexitosasaportacionesdelaIA aplicada al problema de la Programacin de la Produccin. (Sadeh, N. M., Otsuka, S., & Schnelbach, R. 1993) muestra la propuesta de la Universidad de Carnegie Mellon sobre propagacinderestriccionesaplicadaalaReprogramacinyusadaenlapropuestadeMicro Boos como sistema de control y secuenciacin. (Smith, S. F. 1992) discute sobre las posibilidades de Reprogramacin en OPIS (Opportunistic Intelligent Scheduler), un sistema basadoenelConocimientodesarrolladoporlaUniversidadCarnegie Mellon. En (Smith,S.F. 1987;Smith,S.F.,Keng,N.,&Kempf,K.1990)sepuedeencontrarsobreOPIS.(McKay,K.N.et al. 1989) presenta el sistema de Programacin de carga finita en un taller de trabajo, WATPASS.EnestecasolaReprogramacinserealizaporactuacindirectadelprogramador. (Szelke,E.&Kerr,R.M.1994)proporcionaunaextensarevisindelaProgramacinReactiva
109

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica basadaenelconocimiento.(Dutta,A.1990)proponeunmecanismodecontrolmonitorizando el entorno y tomando decisiones correctivas en funcin del evento. (Baptiste, P. & Favrel, J. 1993) compara esquemas para representar Programas Productivos alternativos mientras se desarrollaelProgramaPredictivo. Losapartadossiguientesprestarnmayoratencinalosdiversosaspectosrelacionadosconlas estrategias Mixtas. Al considerar que el enfoque PredictivoReactivo resulta una estrategia bastanteacertada(apriori)paraabordarelproblemaqueseproponeresolverenestatesis en los siguientes apartados se presentarn las diferentes polticas de Reprogramacin en relacincondichaestrategiaMixta.

3.4.4 MedidasdeEficaciasobreelRendimiento,laRobustezylaEstabilidad deunProgramaenentornosDinmicos

3.4.4.1 MedidasdeEficaciasobreelRendimiento Para evaluar la calidad de un Programa de Produccin se deber utilizar una medida o parmetro de eficacia. Estas medidas pueden estar basadas en trminos temporales, econmicosuotros. Existenunaaltavariedaddemedidasdeeficaciaquesondefinidasenfuncindelosobjetivos a optimizar. Por lo que se refiere a las medidas basadas en el tiempo, la teora clsica de secuenciacin, se ha venido hablando de parmetros o medidas de eficacia regulares y no regulares. Unamedidadeeficaciaesregular,sisepuedeponerenfuncindelosinstantesdefinalizacin delostrabajoseneltalleryaumentaslosiporlomenosunodelosinstantesdefinalizacin de las piezas en el taller aumenta. Para cada trabajo i procesado en el taller se pueden calcularlossiguientesparmetros: Fechadefinalizacin,Ci. TiempodeFlujo,Fi=Ciri,tiempodepermanenciadelapiezaeneltaller. TiempodeEspera,Wi=Ciritij Holgura,Li=Cidi
110

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

TardanzaoRetraso,Ti=Max Adelanto,Ei=Max{0,Li} Tiempodedesocupacindelamquinaj,Ij=Cmaxtij i=1,,n.j=1,,m.

A partir de las anteriores definiciones se pueden plantear algunas medidas de eficacia regulares: Mxima fecha de finalizacin (o makespan), Cmax. La mejora de esta medida de eficacia implica una utilizacin eficiente de los recursos (Blazewicz, J., Ecker, K. H., Pesch,E.,Schmidt,G.,&Weglarz,J.1996;Mehta,S.V.etal.1998;Sabuncuoglu,I.etal. 1999;Wu,S.D.,Storer,R.H.,&Chang,P.C.1993;Yamamoto,M.etal.1985). Maximotiempodeflujo,varianzadeltiempodeflujo(Jayamohan,M.S.&Rajendran, C.2000). FechadefinalizacinmediaCmed,tiempodeflujomedio,otiempodeesperamedio Wmed. Implica una respuesta rpida a la demanda y la minimizacin del tiempo en procesodelostrabajos. Cumplimientodelafechatopedeentrega:TardanzamediaTmed(Henning,G.P.etal. 1995;Jain,A.K.etal.1997;Kim,M.H.etal.1994),tardanzamximaTmax(Church,L.K. et al. 1992) , raz cuadrada del retraso medio (Gargeya, V. B. & Deane, R. H. 1999), varianza del nmero retraso(Jayamohan, M. S. et al. 2000) o el nmero de trabajos tardosNT.

Algunosdeloscriteriosqueseutilizansonequivalentes.Engenerallamayoradelasmedidas son susceptibles de ser utilizadas en funcin de su valor absoluto, su media, varianza, valor mximo,valormnimo,porcentaje,etc.segnelobjetivoperseguido. Algunasmedidasnoregularesson: Utilizacinmediadelasmquinas(Tabe,T.&Salvendy,G.1988). Minimizarladesocupacindetodaslasmquinas.

111

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Porcentaje de los cambios de herramientas realizados como medio de reflejar las distorsionesoperativasasociadasaloscambiosfrecuentesderecursos(Gargeya,V.B. etal.1999).

En(Pinedo,M.etal.1999)seestablecieronlosdiferentesobjetivoscomounacomposicinde seis objetivos bsicos que se combinan, que son los relacionados con: makespan, fechas de entrega. Como se puede observar existen dos objetivos fundamentales basados en aspectos temporalesycuatroenaspectoeconmicos.Porloqueserefierealosprimeros,losautores resaltan,que: El makespan es especialmente interesante maximizarlo en talleres con mquinas paralelas. LosobjetivosrelacionadosconlasFechasdeEntrega,comolamedidadel:retrasode lostrabajos,retrasomximo,nmero detrabajosretrasados,retrasostotales,media deretrasos,mediaderetrasosponderada.Destacandoquenosloelretrasodebera sermedidoenunsistemaproductivo,sinotambineladelanto.

Por lo que se refiere a las medidas de evaluacin basadas en trminos econmicos (Abdel Wahab, H. M. & Kameda, T. 1978;Aggarwal, S. C. & McCart, B. A. 1974;Hoffmann, T. R. & Scudder, G. D. 1983;Jones, C. H. 1973;Wilson, H. G. & Mardis, B. J. 1983) intentan cubrir un mbitoalquenopuedenllegarlasmedidasbasadasenaspectostemporales.Porejemplo,el beneficiodeuntrabajonopuedeseradecuadamentemedidoconparmetrostemporales. Valor actual de la red, (Lawrence, S. R. 1991;Rohlder, T. R. & Scudder, G. D. 1993;Scudder,G.D.&Smith,D.1989)tomacomobasedelosclculoseltiempopara tener en cuenta los ingresos, coste de los materiales, coste de espera, coste de las entregasfueradeplazo,etc. En(Pinedo,M.etal.1999)establecieronaloscostesdecambiodepartida,loscostes del trabajo en curso, los costes de inventario de producto final, y los costes de personalcomosuscuatroobjetivosbsicosbasadosenlaeconoma Otras medidas basadas en costes son: Beneficio medio de los trabajos, minimizacin delcostetotal,costedeentregasfueradeplazo,costedereprogramar.

Porloqueserefiereamedidasbasadasenotroscostessepuedendestacar:

112

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Lasmedidasbasadasenelcostecomputacional(Church,L.K.etal.1992;Sabuncuoglu, I.etal.1999). Medidas basadas en el coste de la replanificacin de herramientas o reubicacin de material(Olumolade,M.O.&Norrie,D.H.1996). Medidas basadas en el transporte del material por el taller (Olumolade, M. O. et al. 1996).

Algunosautorescomo(Min,H.S.&Yih,Y.2003)establecenlanecesidaddedisponernoslo medidas de rendimiento del sistema, sino medidas complementarias del estado del mismo para evaluar la calidad de un programador en tiempo real y multiobjetivo. Algunos de los parmetrospropuestosparaidentificarelestadodelsistemason:Trabajoencursototal,carga totaldelasmquinascrticas,nmeromediodeoperacionespendientesencadalote,media deltiempodeprocesorestante,mediadeltiemposobrante. EnlaProgramacinenlnealosvaloresrelativosalperiododeReprogramacinyalamediadel Tiempo Total de Proceso requeridos para un trabajo afectarn a la medida usada en el Programa PredictivoReactivo de la Produccin. Cuando el periodo de Reprogramacin es relativamente largo, los trabajos pueden ser iniciados y finalizados entre las Reprogramaciones. Los objetivos de la Programacin de la Produccin se centran normalmente en acabar los trabajos disponibles dentro del periodo. Cuando el periodo de Reprogramacin es relativamente pequeo, el sistema tendr en cada punto de Reprogramacin, algunos trabajos que estn disponibles y esperando para empezar y otros queseencuentrenenprocesoycuyoiniciosehabrrealizadoenperiodosanterioresalactual.

3.4.4.2 MedidasdeEficaciasobrelaRobustez Muchas de las estrategias de la Programacin PredictivoReactiva de la Produccin estn basadas en simples ajustes del Programa Productivo, que pueden llevar al taller a un rendimiento bajo. Por lo tanto, es deseable generar Programas PredictivosReactivos de la Produccin robustos (ver apartado 3.4.3). Ejemplos significativos sobre la investigacin en segnesteenfoquesepuedenencontraren(Wu,D.S.,Storer,R.H.,&Chang,P.C.1991;Wu, S.D.etal.1993),(Leon,V.J.,Wu,S.D.,&Storer,R.H.1994),(Daniels,R.L.etal.1995),(Yellig, E.J.etal.1997),(Abumaizar,R.J.etal.1997),(Shafaei,R.etal.2000;Shafaei,R.etal.1999b), (O'Donovan,R.etal.1999),(Mehta,S.V.etal.1999)yrecientemente(Jensen,M.T.2001),, (Cowling,P.etal.2002;Pinedo,M.2002).

113

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica El trabajo de (Leon, V. J. et al. 1994) consisti en el desarrollo de medidas de robustez y ProgramasProductivosrobustosparatratarconcasosdefallosenlasmquinasyTiemposde Procesovariables.Larobustezsedefinicomolaminimizacindelrendimientoentrminosde valoresperadodemakespanyretraso.Elretrasoesperadoesladesviacinentreelmakespan antes del evento y el makespan real despus de aplicar la tcnica rightshift. El resultado experimental mostr como los Programas Productivos robustos superan significativamente a losProgramasbasadosenmakespanexclusivamente. En(Shafaei,R.etal.2000;Shafaei,R.etal.1999b)seexperimentconlarobustezdealgunas reglasdedespachoenunentornodinmicoyestocstico.Losresultadosindicaronquejunto alefectodelmtododeProgramacindelaProduccinylosintervalosdeReprogramacin,la cargadeltalleryelbalancedelamismatienenunimpactosignificativosobrelarobustezdel ProgramaProductivo. Los autores de (Wu, D. S. et al. 1991;Wu, S. D. et al. 1993) definieron un doble criterio de robustez para una mquina en un problema de Reprogramacin con fallos en mquinas. La propuesta inclua un criterio de eficacia (makespan) y un criterio de estabilidad (impacto del cambiodeprograma).Paramedirelimpactodelcambiolosautoresinvestigarondosmedidas: Ladesviacindelafechadeiniciodelostrabajosyladesviacindelasecuenciarespectodela original. Los resultados mostraron como la efectividad de la medida de la robustez puede significarunincrementosignificativodelaestabilidadmanteniendooperdiendoligeramente elvalordemakespan. De forma similar en (Abumaizar, R. J. et al. 1997) usaron dos medidas, una de eficacia (makespan)yotradeestabilidad(desviacindefechasdeiniciodelostrabajosydesviacinde la secuencia) para definir un Programo Productivo Robusto. El objetivo de la propuesta fue maximizarlamedidadeeficaciayalmismotiempominimizarelimpactocausadoenelsistema porloscambios. En(Jensen, M.T.2001)seexperimentcondiferentesmedidasderobustez paramejorarla robustez de talleres de trabajo con fallos en mquinas y con medidas de eficacia sobre el retrasoyeltiempodeflujototal. Los autores de (Daniels, R. L. et al. 1995) definieron medidas de robustez para entornos de mquinasnicasparatratarconlaIncertidumbreenelTiempodeProcesodondeelobjetivo del programador es minimizar el tiempo de flujo de los trabajos. La robustez del Programa Productivosedefinicomolaminimizacindeltiempodeflujoydeladesviacinabsolutadel tiempo de flujo real frente al ptimo. La medida de robustez se utiliz para seleccionar la mejorheurstica.
114

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Eneltrabajode(Cowling,P.etal.2002)sedesarrollunmarcodetrabajogeneralparadefinir Programas Productivos robustos. Los autores definieron medidas generales de utilidad y estabilidad para facilitar las decisiones sobre las estrategias usadas para reaccionar ante eventos en tiempo real. Las medidas de utilidad mejoran el objetivo original mediante la revisindelProgramaProductivo.LamedidadeestabilidadevalaladesviacindelPrograma originalcausadoporlarevisin.Losautoreshanexperimentadosobreunnmerodemedidas deutilidadydeestabilidadparamodelosdemquinasnicasconelobjetivodeminimizarel Cmax. Enlapropuestade(Pinedo,M.2002)sedefiniunamedidaderobustezparaelcasodeCmax con una mquina nica. Esta medida es f =

Z ' ( ) Z

donde Z() es el valor de la nueva

funcinobjetivo,Zeselvalordelafuncinobjetivoinicial,yeseltiempoderetrasosufrido poruntrabajodebidoauneventoquehainterferidoenelProgramaProductivo. En(Mehta,S.V.etal.1999)propusieronunProgramaPredictivodelaProduccinparauna mquinanicaenlaqueseproducanfallosyseconocaelmodeloqueseguanlasaverasas comoelmodelodelallegadadelostrabajos.Elmodeloconsideradominimizabalaholgura.La medida de robustez se basaba en la diferencia entre el Cmax previsto en el Programa PredictivoyelCmaxobtenidoenlarealidad. En(O'Donovan,R.etal.1999)utilizarontcnicaspredictivascomo(Mehta,S.V.etal.1999) paracrearunProgramarobustocapazdesoportarlosdiversoseventosmanteniendounvalor de medida de rendimiento dentro de lo previsto. En concreto los autores extendieron los trabajosde(Mehta,S.V.etal.1999)paramedidasderetraso.

3.4.4.3 MedidasdeEficaciasobrelaEstabilidad La estabilidad de un Programa de Produccin no es una medida utilizada en propuestas estticas, es decir en Programas Productivos que no necesitan ser actualizados. Como se ha visto en el apartado 3.4.4.2 las medidas de robustez incorporan, en la mayora de los casos, unacomponentequeevalalaestabilidad. Los cambios constantes en un Programa Productivo son la caracterstica opuesta a la estabilidad, denominada Nerviosismo. As un Programa Productivo que realiza pocas modificacionesincrementalaestabilidadydecrementaelnerviosismo.EnunaProgramacin delaProduccinenLneaesimportanteconsiderarestamedida,yaqueinfluyenosoloenla calidad de la medida de rendimiento (apartado 3.4.4.2), sino en otros aspectos como
115

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica aprovisionamiento, nmero de reconfiguraciones de la planta, actitud de los trabajadores (estrs),etc. Los autores de (Wu, S. D. et al. 1993) consideraron que el impacto de un cambio en un ProgramaProductivoesunamedidanoregularquesedefineendossentidos: Ladesviacindelosinstantesdeinicioentreelprogramaoriginalyelnuevo. Lamedidadeladiferenciaentresecuenciasentrelosdosprogramas.

En(Abumaizar,R.J.etal.1997)propusieronideassimilaresestableciendoquelasmedidasde estabilidadtratanconladesviacinconelProgramainicial. Otros autores como (Church, L. K. et al. 1992;Cowling, P. et al. 2002;Wu, S. D. et al. 1993) proporcionan una aproximacin general a la medicin de la estabilidad de un Programa de Produccin y presentan una mediada de estabilidad especfica que calcula el cambio medio absolutodelinstantedeinicioyfinaldedosProgramasProductivos.

3.4.5 Polticas de Reprogramacin en Estrategias PredictivoReactivas: CuandoActuarantelosEventos

Este apartado trata el problema relacionado con la forma de abordar la revisin de las decisiones tomadas por el programador y plasmadas en un Programa Predictivo de la Produccin. En definitiva se trata de saber cuando es conveniente revisar las decisiones anteriores, y en caso de modificarlas, cual es el mejor procedimiento en funcin de las circunstancias. Segn(Vieira,G.E.etal.2003)laReprogramacindelaProduccineselprocesodeactualizar unProgramaProductivoexistenteenrespuestaaunevento. En(Church,L.K.etal.1992)seproporcionaunataxonomadelasdiferentesaproximaciones que existan al problema de la Reprogramacin de la Produccin. Los autores consideran la Programacin continua, la peridica y la dirigida por eventos. (Sabuncuoglu, I. et al. 2000;Vieira, G. E. et al. 2003) proponen tres polticas de Reprogramacin de la Produccin alternativas:Peridica,DirigidaporEventosoHbrida.

116

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

LapolticadeReprogramacindelaProduccinPeridicaconsisteenlarevisindelPrograma encursoaintervalosregulares,deformaqueantesderevisarelProgramasesuelerealizarun procesodeactualizacindelainformacinquepermitadisponerelestadorealdeltalleryde las circunstancias del mismo. Los Programas Productivos con Reprogramaciones peridicas puedenservistoscomounconjuntosucesivodeProgramasestticosencadenados.Unadelas ventajas de esta poltica es que las tcnicas clsicas de Programacin de la Produccin en entornos estticos pueden ser aplicadas en cada Reprogramacin. As mismo los Programas Productivos alcanzan cierta estabilidad y su grado de nerviosismo es bajo. El inconveniente msimportantedeestapolticaesquelosProgramasProductivospuedenvolverseinestables frente a eventos de gran impacto ya que su modificacin no se realizara hasta el inicio del nuevoperiodo. EnlapolticadeReprogramacindelaProduccinDirigidaporEventoselprogramadoracta cuando el rendimiento del Programa en ejecucin se ve disminuido por causa de un evento inesperado.En(Church,L.K.etal.1992)sedenominaProgramacinContinuadelaProduccin a aquella en la que se actualiza el Programa cuando se produce cualquier evento sin determinarsiesteafectaalrendimientodelsistema. En la poltica de Reprogramacin de la Produccin Hbrida los Programas Productivos se revisanenintervalosregulares,ycuandoalgneventoinesperadoreduceelrendimientodel Programa en curso. En las polticas hbridas es fundamental realizar una correcta categorizacin de los tipos de eventos para evitar que el sistema de revisin se active muy frecuentemente. Se debe establecer un equilibrio entre el posible beneficio de corregir el impactodeleventoyelcostedeReprogramacin,teniendoencuentaqueexisteunarevisin cclica. Las Reprogramaciones de la Produccin peridicas e hbridas han recibido especial atencin bajo el concepto Rolling Time Horizon o periodificacin del espacio temporal. Algunas referenciassignificativascomolasde(Adam,N.R.etal.1980;Chen,J.etal.2003;Muhlemann, A.P.etal.1982;Ovacik,I.M.etal.1994;Qi,J.G.,Burns,G.R.,&Harrison,D.K.2000;Shafaei,R. etal.1999b;Shafaei,R.etal.1999a;Singer,M.2000;Sun,D.&Lin,L.1994)aplicanelRolling TimeHorizon. En(Adam,N.R.etal.1980)serealizaunestudiobasadoenuntallerdinmicoenelcualse aplicanlasreglasdedespachoquenecesitanelclculodelestadoactualdelasprioridadesde lostrabajosremanenteseneltaller.Losautoresproponenunnuevoprocedimientomediante el cual la actualizacin de la informacin y la Programacin de la Produccin se realiza a intervalos.

117

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Una de las primeras aplicaciones de este concepto a la Programacin de la Produccin en entornosdinmicosfuerealizadapor(Muhlemann,A.P.etal.1982).Losautoresrealizanun estudio de simulacin para investigar el rendimiento de un conjunto de reglas heursticas basadasenunalgoritmo degeneracindeProgramasProductivossinretraso.Aunquenose pudo concluir con la supremaca de ninguna reglas, si se detecto que la frecuencia de la ReprogramacininfluaenelrendimientodelPrograma.Estetrabajoprofundizaenelanlisis delafrecuenciadeReprogramacinenuntallerdetrabajodinmicoconfallosenmquinasy tiemposdeprocesovariables. En (Ovacik, I. M. et al. 1994) se propone diversos horizontes de Reprogramacin para un sistemademquinanicaconTiemposdeCambiodePartidaDependientesdelaSecuencia. Losautoresde(Sun,D.etal.1994)planteanelproblemadeProgramacindelaProduccinen untallergeneral.Losautoresplanteanunalgoritmoestticodevueltaatrs.Elalgoritmodebe hacerfrentealadisminucindelrendimientoprovocadaporlosfallosenmquinas.Paraello seutilizaunapolticadeReprogramacindirigidaporeventos.Seplanteanvariasmedidasde rendimiento: tiempo de flujo medio, makespan, penalizacin por retraso de los trabajos. El ProgramaProductivosemodificacompletamenteencadarevisinsiesnecesario. En (Shafaei, R. et al. 1999a) se realiza un estudio de simulacin para investigar sobre el rendimientodeunaseriedereglasdedespachoenunentornodeReprogramacinenuntaller detrabajodinmico.LosresultadosmuestrancomolareglasSPTC/Reslamsapropiadapara minimizar el coste total y como se puede mostrar una relacin entre el rendimiento y el intervalo de Reprogramacin. (Shafaei, R. et al. 1999b) investiga sobre la robustez de un conjuntodereglasdedespachoenunentornodinmicoyestocsticousandoReprogramacin cclicaLasreglasevalansobreunafuncindecoste.Seconcluyeestableciendounarelacin entrelainfluenciadelacargayelbalancedeltallerylarobustezdeunProgramaProductivo. La propuesta de (Singer, M. 2000) consisti en usar un procedimiento heurstico de descomposicinbasadoenunprocedimientocentradoenelcuellodebotelladesarrolladopor (Pinedo,M.&Singer,M.1999). En el trabajo de (Qi, J. G. et al. 2000) se propone un procedimiento heurstico de descomposicinbasadoenunalgoritmogenticomultipoblacin. En (Chen, J. et al. 2003) se realizan una propuesta de algoritmo dividido en dos etapas: asignacindeuntrabajoaunamquinayasignacindeunaherramientaaunaoperacin,en untallerflexible.Elalgoritmodebehacerfrentealosdiversoseventostallercomolosfallosen mquinas. Para ello se utiliza una poltica de Reprogramacin de la Produccin dirigida por
118

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

eventos. Se plantean tres medidas de rendimiento: tiempo de flujo medio, retrasos de los trabajos y porcentaje de trabajos retrasados. El Programa Productivo se modifica completamenteencadarevisinsiesnecesario. Por lo que se refiere a la Reprogramacin de la Produccin por eventos la mayora de los autores estudiados estn de acuerdo en que sta suele ser ms eficiente que la Reprogramacin peridica. Algunas referencias interesantes son (Church, L. K. et al. 1992;Cowling, P. et al. 2002;Rossi, A. et al. 2000;Vieira, G. E., Herrmann, J. W., & Lin, E. 2000a;Vieira,G.E.etal.2000b;Yamamoto,M.etal.1985). En(Yamamoto,M.etal.1985)serealizaunestudiomedianteReprogramacincompletaen un taller con fallos aleatorios en las mquinas. Los resultados mostrados por los autores concluyen con resultados mejores de dicho mtodo frente a las reglas de despacho o modificacionesparcialesdelProgramaProductivo. Los autores de (Church, L. K. et al. 1992) estudiaron el problema de la Reprogramacin con una nica mquina con llegada dinmica de trabajos. Segn su trabajo la poltica de Reprogramacinaintervalosfijosespreferiblefrentealadirigidaporeventoexceptocuando seproducenllegadasdetrabajosurgentesaliniciodelProgramaProductivo. Enalgunasreferenciascomolasde(Cowling,P.etal.2002;Rossi,A.etal.2000;Vieira,G.E.et al. 2000b) se presenta un estudio para la bsqueda de un modelo que pueda predecir el rendimiento de un sistema de una mquina con Reprogramacin dirigida por eventos y peridicaenunentornodondediferentestiposdetrabajosllegandinmicamenteexistiendo untiempodecambiodepartidaentretrabajos. En el trabajo de (Vieira, G. E. et al. 2000a) se extiende el estudio anterior a un sistema de mquinas paralelas. Este trabajo demuestra que la frecuencia de Reprogramacin puede afectardeformadeterminantealrendimientodelsistema,dadoqueinfluyesobreelnmero deCambiosdePartidadelsistema. Como conclusin a este apartado se debe remarcar toda poltica de Reprogramacin est condicionada por los eventos que se producen en el sistema, ya que son stos los que determinan el grado de degradacin en la ejecucin del Programa Original a travs de diferentesimpactos.Lapolticaelegidadebe,entodocaso,intentarevitarladegradacindel rendimientodelsistema.Enlamedidaquelapolticaseleccionadaalcanceesteobjetivosero noadecuadaparaelproblemaenelcualseaplica.

119

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

3.4.6 Procedimientos de Resolucin para Programaciones Predictivo Reactivas

HastaelmomentosehacomentadoqueunProgramadorquedesarrollesusfuncionesenun entorno de Incertidumbre debera establecer en primer lugar su estrategia, y segn se ha definido esta poda ser bsicamente Reactiva o PredictivoReactiva. Si este opta por una estrategia PredictivoReactiva debera establecer, en segundo lugar, su poltica, es decir bajo que criterio reaccionara y considerar la modificacin del programa en curso. Y en cualquier caso, el Programador debe de aplicar una tcnica para generar o modificar el Programa Productivo.EnelcasodeunaestrategiaPredictivoReactivaexistenclaramentedosfases,y por lo tanto dos tcnicas, diferenciadas. Por un lado se necesita un procedimiento para generarProgramasnuevos,yporotroladosenecesitaunprocedimientoparamodificarlos Programas en curso si es necesario. En este apartado se van a tratar estos ltimos. Existen diversas tcnicas para afrontar la revisin de un Programa Productivo en curso, es decir su modificacin. Losautoresde(Raheja,A.S.etal.2002)realizanunanlisisparaunTallerGeneraloJobShop del conjunto de mtodos que se han utilizado hasta la fecha para afrontar la revisin y reparacin de un programa en curso afectado por algn tipo de incidencia que ha impedido ejecutarelProgramatalycomoestabaprevisto.Losautoresdiferenciaclaramenteentredos tipos de mtodos: procedimientos Reparadores y procedimientos de Reprogramacin Completa. Los procedimientos Reparadores se basan en la realizacin de alguna modificacin local del Programa Productivo, de forma que el programa inicial se mantiene sin cambios en su mayora.Estetipodesolucinproporcionaenlamayoradeloscasosestabilidadalsistema, evitando lo que se denomina nerviosismo del Programa Productivo. As mismo, las Reparaciones permiten reacciones inmediatas ya que desde el punto de vista computacional noconsumendemasiadosrecursos. LosprocedimientosdeReprogramacinCompletageneranunnuevoProgramaProductivoen cada ocasin. La Reprogramacin puede llevar a buenas prestaciones en los parmetros de rendimiento,peroproducenporelcontrariograndesperturbacionesenelsistema. Eneltrabajode(Raheja,A.S.etal.2002)seproporcionaunainteresantetablaenlacualse clasifican los procedimientos Reparadores en base al mtodo utilizado y sobre cada mtodo comentansusventajas,inconvenientes,medidasdeeficaciarelacionadasofavorecidasporsu uso,yaplicacioneshabituales.Estaaportacinpuedeseraprovechadaendiversostalleres.A continuacinsepresentaunresumen(verTabla32).
120

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Mtodo Ventajas Inconvenientes Medidasde Eficacia Aplicacin

Heursticas Simplicidad en la El tipo de eventos Desviacin sobre basadas en RSR y implementacin. que se pueden el Makespan AOR. tratar son inicial reducidos. La calidad inicial del Programa no serecupera.

Talleres estables con Interrupciones espordicas y cortas.

Sistemas Multiagente

Completa Difcil automatizacin coordinacin del sistema de entreagentes. reparacin. Trabajo paralelo.

Calidad Programa obtenido.

del Talleresdinmicos con Incertidumbres aleatorias. de

La intregacin Tiempo en humanosagentes reaccin. es difcil de mejorar.

Basados en Inteligencia artificial (Basados en conocimiento o razonamiento decasos)

Bien ajustados a Consumoexcesivo Desviacin del dominios de tiempo en Programainicial. concretos. bsquedas en basesdedatos. Aprendizaje continuo. Amplio campo de eventos modelados. Esencial contar con experiencia previa.

Talleres amplia experiencia registrada.

con

Programacin Facilita basada en intervencin restricciones humana.

la Se necesita un Tiempo ajuste muy fino ejecucin para trabajar en algoritmo. tiemporeal.

de Talleresdinmicos del con mltiples interrupciones. el

Posibilita la Calidad incorporacin de Necesita contar Programa. franja temporales con un Sistema

121

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

dereaccin Multiagente.

LgicaDifusa

Revisin completa Necesita Tiempo de las variables incorporar ejecucin violadas. conocimiento en algoritmo. elalgoritmo. Respuestarpida. No aprender mejorar. Calidad puede Programa. y

de Talleres con del variabilidad en los tiempos de procesos y gran nmero de el restricciones asociadas al mismo.

RedesNeuronales

Respuesta rpida.

muy Necesita casos de aprendizaje previos muy buenos. Fiabilidad en las predicciones. Necesitaunabase deconocimiento.

Tiempo ejecucin algoritmo. Calidad Programa.

de Talleres con del alimentacin continua y repeticin del mismo tipo de el interrupciones.

Tabla32.ClasificacindelosprocedimientosreparadoresenunTallerGeneral(Raheja,A.S.etal.2002)

EnlaclasificacinanteriorsehanincluidoalgunasProcedimientosheursticos,RSRyAOR,a continuacin se comentan brevemente, incluyendo otra de las heursticas ms utilizadas en estembito: La tcnica RightShift Repair (RSR) (Brandimarte, P., Rigodanza, M., & Roero, L. 1997;Efstathiou, J. 1996;Leon, V. J. et al. 1994;Sadeh, N. M. et al. 1993) es una heursticaqueconsisteenmovertodalasecuenciahaciaelfuturo,hastaqueelevento es superado en el tiempo. La secuencia se respeta y queda tal cual fue establecida inicialmente,permitiendointroducirtiemposmuertos. Affected Operation Rescheduling (AOR) (Abumaizar, R. J. et al. 1997;Hasle, G. & Smith, S. F. 1994;Leon, V. J. et al. 1994) es una tcnica heurstica en la cual slo las operaciones que se ven afectadas por los efectos de un evento son modificadas. El concepto bsico de esta tcnica es el desplazamiento hacia delante de las fechas de iniciodealgunasoperacionesmanteniendolassecuenciasdeiniciodecadamquina.

122

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Latcnicamatchup(Bean,J.C.,Birge,J.R.,Mittenthal,J.,&Noon,C.E.1991)consiste enhacercoincidireneltiempolanuevasecuenciaconlaanteriorenalgnpuntodela misma.

El resto de mtodos incluidos en la clasificacin tuvieron su origen en el campo de la InteligenciaArtificial: LaspropuestasbasadasenSistemasMultiagentesebasanenunconjuntodeagentes independientes coordinados para resolver un problema en el que cada individuo proporciona su conocimiento, y sus habilidades para conseguir el objetivo comn. Ests tcnicas sern ampliamente revisadas en el captulo siguiente. Algunas aplicaciones basadas en sistemas multiagente son (Shen, W. & Norrie, D. H. 1999;Sycara,K.P.,Roth,S.F.,Sadeh,N.,&Fox,M.S.1991). La Programacin de la Produccin basada en el Razonamiento de los Casos. Esta cosisteenestablecerelconjuntodecaractersticasfundamentalesdeundeterminado problema de forma que el sistema mantiene una base de datos de los problemas caracterizadosylosresultadosobtenidos.Deestaformasepuedeconocerelresultado anterior con respecto a la aplicacin de una u otra solucin en un determinado problema. Este tipo de tcnicas se suelen combinar con las de lgica difusa o algoritmosdeBsquedaTab.Algunoscasosprcticosdemuestranen(Ovacik,I.M.et al.1994;Sycara,K.P.&Miyashita,K.1994;Szelke,E.&Markus,G.1997). LastcnicasbasadasRestricciones.Sebasaenlateoradesatisfaccinderestricciones ((Barber,F.2003;Bartk,R.2001))quepermitetratarproblemasenlosquelasolucin pueda especificarse mediante el cumplimiento de unas determinadas restricciones. Algunasaplicacionessonanalizadasen(Miyashita,K.1995;Sycara,K.P.etal.1994). LosmtodosbasadosenLgicaDifusaoBorrosa.EnlaProgramacindelaProduccin basadaenlgicadifusalostiemposdeprocesosonreemplazadospordistribucionesde tiempos difusos y las violaciones de restricciones temporales son expresadas como porcentaje.Elgradodesolapamientoentrelafechadeentregaylafechadedifusade finalizacin establece la calidad de la solucin. Algunos ejemplos se muestran en (Dorn,J.,Kerr,R.,&Thalhammer,G.1994;Slany,W.1996). Las Redes Neuronales. Las redes neuronales son estructuras de procesamiento distribuido,paraleloyadaptativoquesoncapacesdeaprenderapartirdeejemplosy se inspiran en la estructura cerebral humana (Martin, B. & Sanz, A. 1997).Algunos ejemplossepuedenveren(Garner,B.J.&Ridley,G.J.1994;Rovithakis,G.A.,Perrakis, S.E.,&Christodoulou,M.A.2001).
123

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Lastcnicasqueseacabandemostrarhayqueentenderlasdesdeunapticaexclusivadela Reprogramacin.Sontcnicasquehansidointroducidasporalgunosautoresconelobjetode dotar de un procedimiento que permita combatir la perdida de prestaciones de los talleres producidos por un continuo cambio en la ejecucin programa inicial. Dichos autores han observado,queenunsistemadinmico,noessuficientedisponerdeunalgoritmo,basadoen una metaheurstica, heurstica o incluso en un modelo matemtico, y obtener un Programa Productivo que permita alcanzar una eficacia cercana a la ptima o incluso la ptima. En un sistema cambiante hay que mantener un equilibrio entre la modificacin continua del Programa Productivo para mantener la medida de eficacia adecuada, y la estabilidad del mismo. Acontinuacinsepresentanalgunasreferenciasdondesecontribuyedeformasignificativaen elmbitodelaReprogramacindelaProduccin.Enlasreferenciasde(Abumaizar,R.J.etal. 1997;Daniels,R.L.etal.1995;Jensen,M.T.2001;Wu,D.S.etal.1991;Wu,S.D.etal.1993) serealizarondiversosestudiosenlosqueutilizarondiversasmedidasderobustez,medidasde eficacia y de estabilidad simultneamente, para decidir sobre la mejor tcnica de Reprogramacin.En(Abumaizar,R.J.etal.1997)concluyeronensuestudioquelareparacin de un Programa Productivo era la ms extendida en la prctica y que la Reprogramacin completaseutilizabaencontadasocasiones.En(Sabuncuoglu,I.etal.2000)sedemostrla potenciadelareparacindeunProgramaProductivoentrminosdeestabilidaddelsistema. Por el contrario, (Yamamoto, M. et al. 1985) realizan un estudio mediante Reprogramacin completaenuntallerconfallosaleatoriosenlasmquinas.Losresultadosmostradosporlos autoresconcluyenconqueelrendimientodelsistemaesmejorcondichomtodofrentealas reglasdedespachoomodificacionesparcialesdelprograma. En (Subramaniam, V., Raheja, A. S., & Reddy, K. R. B. 2005a) se analiza el problema de reconstruccin de un Programa Productivo en curso en un Taller General afectado por Incertidumbre. Los autores proponen la modificacin de la heurstica (Affected Operation Rescheduling AOR) para contemplar ms de una causa de interrupcin. Los autores indican quelaeficaciadelapropuestaessuperioraladelaheursticaRightShift. Eltrabajode(Petrovic,D.&Duenas, A.2006)permiteaplicar unmodelodelgica difusaal caso de un taller de Mquina en Paralelo con Incertidumbre en su rendimiento que puede implicar no disponiblidad de las mismas. Para realizar en modelo se consideran como parmetros inciertos la duracin la cantidad de interrupciones. Se plantea una aproximacin PredictivaReactiva de forma que el Programa Productivo inicial sea reparado slo si las interrupciones son importantes. . El objetivo del Programa Predictivo (PP) es minimizar el CmaxyeldelProgramaReactivo(PR)minimizarladiferenciadelasdefechasdefinalizacinde losprogramasPredictivoyReactivo(|Cj(PP)-Cj(PR)|).Seproponendosconjuntosdereglas
124

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

paralaReprogramacin.Elprimerodefinecuandohayquereprogramaryelsegundocomoel mtodoutilizado.Laevaluacinexperimentalconfirmalaeficaciadelmtodo. Enlapropuestade(Duenas,A.&Petrovic,D.2008)seplanteaunmtododeProgramacinde la Produccin PredictivoReactivo para un Taller de Mquinas en Paralelo con interrupciones inesperadas.ElobjetivodelProgramaPredictivo(PP)esminimizarelCmaxyeldelPrograma Reactivo (PR) minimizar la diferencia de las de fechas de finalizacin de los programas Predictivo y Reactivo (|Cj(PP)-Cj(PR)|). El Programa Predictivo se construye de forma que pueda absorber los eventos de menor impacto. Los autores proponen dos tipos de procedimientos Reactivos. El primero es la aplicacin de la tcnica RightShift desplazamientodelasecuenciahastaelinstantederecuperacindelevento.Elsegundoesla Reprogramacintotaldelostrabajospendientes. Los autores de (Tang, L. X. & Wang, X. P. 2008) proponen la utilizacin de un sistema PredictivoReactivo en un caso aplicado a la industria del acero. Tratan de minimizar el impacto de los frecuentes eventos que suponen la no disponibilidad de alguna mquina. El objetivo del Programa Predictivo es la minimizacin de tres objetivos; la penalizacin en el cambiodepartida,elretrasoenlaentregadeproductos,yelinventariogenerado.ElPrograma Reactivo (PR) tiene que minimizar los tiempos no productivos y mantener la calidad de los productos. El PR se disea para trabajar en tres fases. En la primera se busca trabajos que puedansustituiralosnorealizablesutilizandoelmtodoMatchUP.Enlasegundaseverifica lafactibilidaddelosresultadosysereparanconunaheurstica.Enlatercerafasesemejorala secuenciautilizandounaBsquedaTab.Losautoresrealizanunanlisisexperimental. Las tcnicas mostradas en este apartado alcanzan, en algunos casos, un alto grado de abstraccin (Sistemas Multiagente o tcnicas basadas en el Conocimiento y la Inteligencia Artificial) constituyndose en verdaderos mtodos generales de resolucin orientados o aplicados a sistemas dinmicos. Estos mtodos pueden ser combinados en su mayora con otros mtodos o instanciaciones de los mismos (algoritmos genticos, reglas de despacho, bsquedas tab, etc.) de forma que los primeros velan por el equilibrio entre eficacia y estabilidad y los segundos buscan la obtencin del mejor valor posible de algn parmetro concreto. Finalmente, se debe comentar que las tcnicas presentadas no han obtenido un reconocimiento masivo y su uso no se ha extendido demasiado. En la actualidad, no es fecuenteencontrarcasosprcticosenlosquedichastcnicasseapliquendeformaexplcita.

125

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

3.4.7 DescentralizacinenlaProgramacindelaProduccin.
Las nuevas formas de abordar los problemas, considerando la diversidad de intereses y desarrolloscadavezmscomplejos,nopuedenestarsustentadasporelparadigmaclsicode la toma de decisiones centralizadas. De hecho, ms que una aproximacin, la Toma de DecisionesDistribuidashallegadoaserlametodologapredominantedesistemascomplejos para la Toma de Decisiones (Schneeweiss, C. 2003) . As pues la Toma de Decisiones Distribuidas(eninglsdistributeddecisionmaking,DDM)sehadesarrolladorpidamenteen el campo de la teora decisional. Las DDM comprenden reas tan diversas como la optimizacin multinivel, la Programacin de la Produccin Estocstica MultiEtapa, la PlanificacindeProduccinJerrquicaolaGestindelaCadenadeSuministroentreotras. Desde el punto de vista de la teora de decisiones las reas anteriormente mencionadas en DDMabarcandesdeconfiguracionesdeunasolapersonahastasituacionesantagonistasmulti personas,comoenlaTeoraprincipaldeAgenciaiii(AgentesySistemasMultiagentes).Aspues, se requiere cubrir un rea que va desde los problemas estructurales de matemticas hasta interferenciasdelavidareal.Paralasituacindeunasolapersona,laDDMpuedesertilpara entender mejor o manipular una situacin de decisiones complejas. Esto es particularmente necesarioparaelcasodelossistemasdinmicosdondelasDecisionesdebenserDistribuidas en el Tiempo y cuando se adquiere nueva informacin. Para una situacin multipersona, la DDMesmuchomsobvia.Apartedelainformacindiversaquelosdecisoresdebenposeer, se deben considerar los derechos de decisin y las competencias de decisin, as como la comunicacinentrelasunidadesdecisoras. Confrecuenciaestosproblemasdedecisinseparadosnotienenlamismaimportancia,loque implicaenmuchoscasosalgntipodedependenciajerrquica.Dehecho,lasdecisionesque nopresentanalgntipodecaractersticajerrquicasonexcepcionales.Lasdecisionestomadas endiferentessituacionestemporalessonejemploscaractersticosdedependenciasjerrquicas asimtricas. LaDDMtienedosmbitosdiferentes,separarunsistemaenvariossubsistemasydefinirlas tareas de coordinacin. Se pueden distinguir al menos cuatro grados diferentes de coordinacin(Schneeweiss,C.2003):

iii

Enelmarcodetrabajodeestatesisestateoradebeentendersedesdeelenfoquequeserealizaenel contextodelosSistemasdeInformacineInteligenciaartificial.

126

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

IntegracindeDatos:describeelnivelmsbajo.Eseltpiconiveldeintegracinque se encuentra en la informtica. Se centra principalmente en la consistencia de los datosysusestructurasgarantizandounbuenintercambiodedatosentresistemas. Integracin de Sistemas a travs de Negociacin: describe una situacin auto organizativa a travs de las reglas de mercado. Los sistemas multiagente son con frecuencia de este tipo. En muchas situaciones existe un agente coordinador que poseelasreglasdenegociacinyfacilitalosprocesosdecomunicacin. IntegracinatravsdePlanificacindeActividades:Intentacoordinarlosprocesosde decisin de los sistemas separados a travs de instrucciones y anticipaciones. Las instruccionesinfluyenenlaestructuraoenelcampodelasdecisionesdelossistemas. La influencia se limita, sin embargo a los cambios transaccionales. El concepto de anticipacinocupaunimportanterolencontrasteconlasnegociacionesmiopes. Integracin a travs de Actividades de Liderazgo: no solo se deben realizar transacciones sino que se deben intentar compartir actividades que aporten valor, como podra ser el transporte. En este campo, los procesos de comunicacin entre sociosocupanunpapelfundamental,comoporejemploconvencerastosparallegar aunacuerdodecompartiractividades.

LateoraconceptualadesarrollarseenDDMestarfundamentalmentefocalizadaenaspectos de Programacin de la Produccin. Adems de las actividades de Programacin de la Produccin, se considerarn actividades de negociacin. La negociacin ser considerada comounapartedetareasdeProgramacindelaProduccin. Acontinuacinsecomentanalgunasreferenciassignificativasquehanproporcionadoteoray sobre todo han afrontado prcticas, en el mbito de la Programacin de la Produccin Distribuida. En(Carvalho,D.,Protti,F.,DeGregorio,M.,&Franca,F.M.G.2005)sepresentaunalgoritmo distribuido para Programacin de Recursos Compartidos en un entorno de reconfiguracin dinmica de la carga de trabajo. El algoritmo SERH Scheduling by Edge Reversal with Hibernationescapazdetrabajarencondicionesdegrancargaydesdeelpuntodevistadela comunicacin puede ser visto como un grafo dinmico donde el intercambio de mensajes entre el nodo de proceso y sus vecinos se muestra como un arco reversible. Se ilustra el funcionamientopropuestoconuncasodeunsistemadecontroldesemforos. Para un Problema de Programacin Distribuida en un contexto de multiempresa y multi producto(Chan,F.T.S.,Chung,S.H.,&Chan,P.L.Y.2005)proponenunalgoritmogentico
127

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica adaptativo. Plantean los problemas de asignacin de trabajos a centros productivos y la correctaProgramacinTemporaldelaProduccindelosmismosparaalcanzarelrendimiento esperadodelsistema.Enestetrabajoseintroduceunnuevomecanismodecrucedenominado cruce de gen dominado que permite mejorar el rendimiento de la bsqueda y elimina el problemadelatasaptimadecruce.Serealizaunejemploconunsistemadecincofbricas. Losautoresde(Jeong,I. J.&Leon,V.J.2005)consideranelproblemadeunasolamquina dondelosdecisoresylainformacinestndistribuidosenvariossubsistemas.Lossubsistemas compartenlamquinaydebencooperarentresparaminimizarunafuncinlinealbasadaen la fecha de finalizacin de los trabajos. Ni los subsistemas ni las mquinas disponen de una informacin completa. La solucin propuesta se basa en una relajacin Lagrangiana modificada. Eltrabajode(Cicirello,V.A.&Smith,S.F.2004)presentaunnuevoenfoquealproblemade coordinacin, esbozando varios aspectos de un modelo computacional de coordinacin de actividades individuales y de las tareas para alcanzar las necesidades colectivas. Se centran especialmenteenelproblemadeconfiguracindemquinasparalelasmultipropsitodeuna fbricaparamejorarlasatisfaccindelademandaalolargodeltiempo.Elsistemasebasaen Agentesconarquitecturasjerrquicas.Lapropuestasehaexperimentadoenelproblemade asignacinenunsistemadesimulacindepintadodevehculos. En (Siwamogsatham, T. & Saygin, C. 2004) se muestra un algoritmo de subasta para la ProgramacindelaProduccinentiemporealdeunsistemadefabricacinflexibleconrutas alternativas. La efectividad del modelo propuesto se demuestra por comparacin mediante simulacinconvariasreglasdedespacho.Lafuncindecosteincorporaelaspectotemporal como criterio prioritario. Las medidas de rendimiento analizadas son la media del retraso, media de la tardanza, media de la desviacin de la fecha de entrega, media del tiempo de espera, balance en la utilizacin y coste total. El anlisis muestra un mejor rendimiento del sistemadesubasta. En (Chun, H. W. & Wong, R. Y. M. 2003) se presenta un esquema generalizado basado en Agentesqueusanegociacinparaprogramardinmicayptimamenteenfuncindeeventos. Los eventos pueden ser creados dinmicamente por cualquier Agente del entorno. Cada evento puede requerir recursos o la colaboracin potencial con uno o ms Agentes. La asignacinderecursosesnegociadaiterativamentehastaalcanzaruncompromiso.Seusaun modelo de evaluacin y un protocolo de negociacin llamado Nstar (N*). La propuesta se evaluenunentornodegestindecitasbasadoenagentesllamadoMAFOA. El trabajo de (Gargouri, E. & Hammadi, S. 2003) trata el problema de las industrias de alimentacinenlascualesusanproductosprimarioscaracterizadosporfechadecaducidad.Se
128

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

propone un sistema de Toma de Decisin Distribuido para afrontar el proceso de Programacin de la Produccin en tiempo real. El sistema propuesto pretende proporcionar opcionesrobustasaldecisoryestdistribuidoalolargodelacadenadefabricacin.Encada decisinsetieneencuentaalosvecinos,conelobjetivodetenerencuentasusrestricciones parasatisfacersimultneamentelosdiferentescriterios.Elsistemaestpreparadoparatratar diferentesgradosdeimportanciaenloscriteriosmedianteunmodelodeevaluacin. En(Jian,H.Z.,Nee,A.Y.C.,Fuh,J.Y.H.,&Zhang,Y.F.2003)serealizaunareflexinsobrela aplicacindelosalgoritmosgenticos (AG)aplicadosalosproblemasdeProgramacindela Produccin y la evolucin de los problemas de un entorno mono taller a un entorno distribuido.LosautoresproponenunAGmodificadoelcualescapazderesolverlosproblemas deProgramacindelaProduccintradicionalesascomolosdistribuidos.Conlapropuestase alzan varios objetivos como el de minimizar el makespan, el coste y criterios mltiples ponderados. Losautoresde(Jeong,I.J.&Leon,V.J.2002)presentanunametodologadeProgramacinde laProduccinDistribuidaparaelproblemadeuntallerdeflujocondosmquinas.Seasume que los decidores y la informacin se encuentran distribuidos en varios subsistemas productivos que comparten dos mquinas para satisfacer la demanda. Los problemas de ProgramacindelaProduccinsonresueltosmedianteunatcnicaderelajacinLagrangiana modificadaparatrabajarenentornosconinformacincompartidamuyrestringida.Elprincipal objetivodelalgoritmoesencontrarunestadodecompromisodondelasrestriccioneslocalesy globalesseansatisfechas,yseminimicelasumaponderadatotaldetiemposdefinalizacin. El estudio de los sistemas distribuidos de Programacin de la Produccin donde los nodos pueden sufrir sobrecarga y esta puede ser transferida a otros nodos menos cargados es analizadopor(Barroso,A.M.,Leite,J.C.B.,&Loques,O.G.2002).Especialmente,analizan sistemas que utilizan sistemas Bayesianos para inferir el estado de carga del sistema y seleccionarelnodoadecuadoparatransferirparadeesta.Losautoresdetectanqueelmtodo basado en Bayesanos se basa en funciones objetivos difciles de definir, y en ocasiones, subjetivas. En este trabajo se propone una mejora para aadir objetivos a los algoritmos Bayesanos y mejorar el nmero de trabajos ejecutados en un sistema distribuido de tiempo real. En(Dewan,P.&Joshi,S.2002)sepresentaunanuevaformulacindeltallerdetrabajoque Programalostrabajosusandosubastaparadistribuirelcontrol.Sepresentanlasbasestericas paraladescomposicindelproblema,laconstruccindeofertas,ylaevaluacindelasubasta usandoherramientasdeProgramacinmatemtica.Losresultadosmuestranquelapropuesta supera los despachos distribuidos y que puede ser usada para crear Programas Productivos paraunamplioconjuntodeobjetivosdeProgramacindelaProduccin.
129

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica El autor de (Ghosh, S. 2001) examina crticamente la naturaleza de los sistemas reales y de gran escala, y observa que muchas de las complejidades estn compuestas de entidades. Dichas entidades son unidades de decisin independientes, concurrentes y autocontenidas, que interactan unas con otras asncronamente. Los autores comentan algunos ejemplos de sistemasdedecisinasncronosdistribuidos. Enlapropuestade(Nakamura,M.,Nakada,N.,Kinjo,H.,&Onaga,K.2001)seproponeun esquema distribuido autnomo para el problema de mquinas paralelas. A travs de simulacin se observa que el esquema propuesto puede reducir rpidamente la tardanza superando otras propuestas y que puede adaptarse flexiblemente a situaciones no usuales comolallegadademstrabajos. En el trabajo de (Bemelman, R., Tharumarajah, A., Welgama, P., & Wells, A. 1999) se considera el problema de la Programacin de la Produccin de lneas de montaje, y su evolucindesdeenfoquescentralizadoshastalosmsrecientesdistribuidosoheterrquicos. As los autores extienden su trabajo previo en el rea de control distribuido basado en el comportamiento y examinan el rendimiento del enfoque basado en un control centralizado basadoenelcomportamientoparaunproblemadeProgramacindelaProduccindelneas de ensamblado. Se analiza el rendimiento con problemas de tres y cuatro estaciones de ensamblado comparando los resultados del modelo propuesto con los resultados de los modelosbasadosenProgramacinmatemticaentera. En(Miyashita,K.1998)seproponeunanuevaarquitecturadistribuidaparalaPlanificaciny Programacin de la Produccin. Dicha arquitectura alcanza el cumplimiento de las restricciones mediante la descomposicin y coordinacin del problema. El objetivo que se proponeesdesarrollarunmtodoeficienteparatratarproblemasPlanificacin/Programacin delaProduccindegrancomplejidaddeformadistribuidaysinperdercalidadenlasolucin. Seproponeunprototipo(CAMPS)implementadoconAgentesInteligentesquecoordinansus accionesmanejandorestriccionesintraagenteeinteragente.Sedescribelametodologapara laPlanificacinyProgramacinDistribuidadelaProduccinjuntoconlosmecanismosbasados enrestriccionesdelacreacindecoalicionesdinmicasentreagentes. Lapropuestade(Tharumarajah,A.&Bemelman,R.1997)presentanunentornodecreciente autonomaydistribucinenlostalleresdetrabajo,enelquelascaractersticasoperacionales dedichostalleresderivanenaccionesindependientesperocooperativas.Losautoresrevisan, con una visin eminentemente prctica, los mtodos de negociacin y basados en el comportamiento para la Programacin de la Produccin y coordinacin de entidades distribuidasenestructurasjerrquicasyheterrquicas.

130

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Los autores de (Kim, K. H., Bae, J. W., Song, J. Y., & Lee, H. Y. 1996) sugieren Programar y Controlaruntallerdetrabajomedianteunsistemabasadoenlafilosofademercadoybasado en Agentes. Cada recurso se negocia en funcin de ofertas evaluadas segn su precio y un mecanismo de revisin del mismo. Se consideran rutas alternativas para cada orden de trabajo.Finalmentelosautoresproponenunsistemadesimulacinparaestimarelinicioyfin decadatarea. Otrosejemplosdestacablesdeaplicacindesistemasdistribuidosaresolucindeproblemas de Programacin de la Produccin anteriores a 1996 son: (Duffie, N. A. & Prabhu, V. V. 1994;Lu, S. H. & Kumar, P. R. 1991;Tang, Z. B. & Shi, L. Y. 1992). As mismo por lo que hace referenciaaarquitecturasymarcosconceptualespropuestosconanterioridadadichafechase puedendestacar:(Deen,S.M.1993;Hadavi,K.,Hsu,W.L.,Chen,T.,&Lee,C.N.1992).

3.5

El Taller de Flujo, Flujo Hbrido y los Tiempos de Cambio de PartidaDependientesdelaSecuencia

3.5.1 Introduccin
Enelpresenteapartado,yunavezcentradoelmarcotericodeaproximacinalproblemade ProgramacindeProduccinenunentornoDinmicoyconIncertidumbre,seanalizauntipo de configuracin productiva, que en los ltimos aos, comienza a ser estudiada con detalle, denominada Taller de Flujo Hbrido con Tiempos de Cambio de Partida Dependientes de la Secuencia(enInglesflowshopwithSequenceDependentSetup(SDST)).Elintersdeabordar este tipo de configuraciones es que, como se ver en el captulo 5, uno de los sistemas productivosobjetodeestudioenestatesisesasimilableadichoTaller. ParacomprenderadecuadamentelaformadeoperarenuntallerdeflujoSDSTesnecesario partirdelconceptodeTallerdeFlujo,posteriormenteintroducirelconceptodeTallerdeFlujo HbridoyfinalmenteaplicarsobreestelaproblemticadelosTiemposdeCambiodePartida DependientesdelaSecuencia.

3.5.2 DefinicionesdeTallerdeFlujoyFlujoHbrido
Enuntallerdeflujoestndaroflowshoptenemosunconjuntondetrabajosquedebenser procesadosenunconjuntomdemquinas.Enprincipiocadatrabajodebedeprocesarseen todas y cada una de las mquinas, con la particularidad de que el orden de proceso es el
131

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica mismo para todos los trabajos. Es decir, existe un flujo comn de los trabajos en las mquinas. El flujo de trabajo en las mquinas implica una relacin de precedencia en las operaciones, es decir, para cualquier trabajo i, el orden de procesamiento de sus m operacioneseselsiguiente:O1i,O2i,...,Omi.Sepuedecontemplarlacircunstanciaenlacual elTiempodeProcesoenunamquinaseacero,esdecirnoserealizaningunaoperacin,en estecasosehabladeTallerdeFlujoGeneralizado(Baker,K.R.1974).

Llegada

Mquina1

Mquina2

Mquinan

Salida

Figura34.RepresentacindeunTallerdeFlujoconmmquinasoEtapas(elaboracinpropia).

En(Riane,F.,Artiba,A.,&Elmaghraby,S.E.1998)sedefineelTallerdeFlujoHbridocomouna configuracindemquinasorganizadasenrSeccionesoEtapasdondeseprocesanunaserie de n Piezas (Trabajos, en la terminologa utilizada en esta tesis). Cada pieza recibe como mximorOperaciones(unaencadaetapaoseccin).Unaseccincontieneunconjuntode mr Recursos (mquinas) susceptibles de ejecutar una misma operacin, estos son equivalentesencuantoasufuncionamiento,aunquepuedennoserloensueficacia,debidoa queladuracindeunaoperacinpuededependerdelrecursoelegidodentrodeunaseccin (enelcasodemquinassepodrhablardemquinasparalelasidnticas,proporcionalesono relacionadas). Las mquinas solamente pueden procesar un nico trabajo a la vez y cada productorecibeunanicaoperacinporetapa.Elflujodelostrabajosesunidireccionaldesde laetapa1alar.

Etapa1

Etapa2

Etapar

Mquina11

Mquina21

Mquinar1

Llegada

Mquina12

Mquina22

Mquinar2

Salida

Mquina1m1

Mquina2m2

Mquinarmr

Figura35.RepresentacindeunTallerdeFlujoHbridoconrEtapas(elaboracinpropia).

132

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Estasdefinicionespuedensermatizadasenlasdiferentesaproximacionesaproblemasrealeso simplificados que realizan los diversos autores. Aspectos como la inclusin de Tiempos de Cambio de Partida Dependientes o no de la Secuencia, aparicin o no de Almacenes Intermedios, Aparicin o no de Mquinas Idnticas, Uniformes o no Relacionadas, Restricciones en la ruta de algunos trabajos, Disponibilidad de recursos, etc. pueden condicionar la forma de afrontar la resolucin del problema. En los prximos captulos se trataranalgunosdeloscasosmsrelevantes.

3.5.3 ElProblemadelosTiemposdeCambiodePartida
SepuededefiniralosTiempos(ocostes)deCambiodePartidacomounacantidaddetiempo (ouncostemonetario)invertidaenajustarlosrecursosparapasarderealizaruntrabajoaotro diferente(Andrs,C.2001). Segn (Artigues, C. 1997) la preparacin de los recursos se puede modelar mediante dos visionesdiferentes: LosTiemposdePreparacin(setupochangeovertime). LosCostesdePreparacin(setupochangeovercost). UsualmentelosproblemasdeProgramacindeProduccinrelacionanenunaescalatemporal, la fecha de inicio de las diferentes operaciones de los trabajos entre s, por lo que se suele utilizar el concepto de Tiempo de Cambio o ajuste, y es por ello que es ms frecuente en la literatura. Sin embargo, algunas veces se utilizan restricciones basadas en conceptos expresados en unidadesmonetarias(inventarios,porcentajesdedefectos,etc,)conloqueenestoscasosse traducen estos Tiempos de Cambio de Partida en unos costes dados por el coste de oportunidaddebidoalmantenimientodelamaquinariainactiva,costesdebidoalaaparicin de piezas iniciales defectuosas, etc., y que permiten manejar los diferentes tipos de restriccionesbajounaunidaddemedidacomn. Se observa que se usa principalmente la visin temporal a la hora de representar las situaciones donde aparecen Cambios de Partida, y a continuacin se destacan las diferentes aportacionesencontradasenlaliteratura,alrespecto.

133

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 3.5.3.1 ElTiempodePreparacin. El tiempo de preparacin es una cantidad de tiempo durante la que el recurso est inactivo conposterioridadalafinalizacindeuntrabajoypreviamentealaejecucindeotrotrabajo diferente. Se suele expresar al inicio de la operacin (tiempo de ajuste), al final (tiempo de desmontaje)oambos. Normalmente, se definen los Tiempos de Cambio en funcin de los trabajos a realizar o la mquinadondesevanarealizar.Assepuedendistinguir: TiemposdeCambiofijos.Suvaloresidnticoseacualseaeltrabajoasecuenciaroel recursodondesesecuencia.Enestoscasos,elTiempodeCambiosepuedeincluirono dentro del Tiempo de Procesamiento del trabajo. Como caso particular se puede considerarelvalornulo. Tiempos de Cambio variables. Su valor es diferente en funcin de los trabajos o mquinasdondesesecuencia.Asuvezsepuedenclasificarendossubtipos: Tiempos de montaje/desmontaje independientes de la secuencia pero dependientes delrecurso. TiemposdepreparacinDependientesdelaSecuenciayDependientesdelRecurso

Lostiemposdemontaje/desmontajeindependientesdelasecuenciaperodependientesdel recurso (ver Figura 36), denominados Snsd / Rnsd (non sequence dependent Setup/Removal Times).El Tiempode montaje/desmontajequeinmovilizaelrecursoantesodespusdeuna operaciniyquenodependedei,sedenominaSi /Ri.EstosTiemposdeCambiorepresentan laduracindelasoperacionesdeajuste,fijacinopreparacindemquinaantesdeempezar un nuevo producto (o al finalizar un producto en el caso de tiempos de desmontaje). En algunos casos, un Tiempo de Cambio Dependiente de la Secuencia se puede descomponer fcilmenteenelparSnsd/Rnsd,detalformaqueaunqueporseparadonoseandependientesde lasecuenciasusumaslosea.

134

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

TiempodeMontaje Independientedela Secuencia

Secuenciaijk

i j k k

k i j i

TiempodeDesmontaje Independientedela Secuencia

Secuenciajki

Secuenciakji

Figura36.Casodetiemposdemontajeydesmontajefijos.Adaptadode(Artigues,C.1997).

LosTiemposdePreparacinDependientesdelaSecuenciayDependientesdelRecursoson denominadosSsd(sequencedependentSetupTimes).En(Baker,K.R.1974)seaseguraquelos TiemposdePreparacinDependientesdelaSecuenciasonunacaractersticadefinitoriadela secuenciacin en taller mecnico general. El tiempo de preparacin necesario entre dos operacionesiyjquedependealavezdelaoperacinprecedenteiydelooperacinsucesora j, se denomina Sijk. En este caso se considera como un todo, el conjunto de operaciones de montajeydesmontajepuestoqueno admitenfcilmenteunaseparacin.Paraunproblema concreto se define el conjunto {Sij}k definido por una matriz de tiempos de preparacin del recurso k. Tambin pueden existir tiempos de cambios cuyo valor no slo depende de la secuenciaydelasmquinas,sinoademsdeotrosrecursosauxiliarescomopuedensermano deobrainvolucrada(tipoycantidad),utillajeosistemasdetransporte(tipo,velocidad,).En funcindelascaractersticasdelamatrizdetiemposdecambiopodemostener: Lamatrizdecambiosadmiteunabuenaagrupacinporfamiliasdepiezas.Enestos casos se aplican los planteamientos basados en conceptos de tecnologa de grupos (TG)(Burbidge,J.L.1992;Burbidge,J.L.1963;Hashiba,S.&Chang,T.C.1991;Potts,C. N.&Vanwassenhove,L.N.1992).As,sepuedenplanteardospartesdeltiempode ajuste. Un tiempo de ajuste grande (mejor setup) que significa la duracin entre familias,yuntiempodeajustepequeooinferioralmayorsetup(minorsetup) que considera las pequeas prdidas de tiempo por ajustes entre trabajos de la misma familia. Lamatrizdetiemposdecambionoadmiteunabuenaagrupacinporfamilias.Este eselcasomsgeneralycomplejo,aunqueraramenteseencuentraenlaprctica.

Dentro de los problemas multioperacin o dentro de los problemas monooperacin que incluyen las fechas de llegada, es necesario indicar si la preparacin puede ser realizada con
135

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica antelacinalallegadadelaspiezasalamquina.Silapreparacinnopuedeseranticipadase definen como Tiempos de Cambio unidos al Tiempo de Proceso y se incorporan al mismo a efectosdeclculo(Johnson,S.M.1954).Mientrasquesilapreparacinpuedeseranticipada, sehablaentoncesdeTiemposdePreparacinseparadosdelTiempodeProcesoynosedeben tratar junto a los tiempos de ejecucin segn (Yoshida, T. & Hitomi, K. 1979), existiendo la posibilidaddeinsertartiemposmuertosentreeltiempodepreparacinyeldeoperacin.Esto posibilita que la mquina ya est preparada cuando la pieza llega de la operacin anterior. Muchasvecesestonoslodependedelascaractersticasdelostrabajosomquinassinoms biendelaformadegestindeltaller.Sihastaelltimomomentonosetomaladecisinde secuenciacin,noesposibleprepararconantelacinlamquina.Estosucedeensistemasde controldetalleresmuydescentralizadosdondelasdecisionesdesecuenciacinnodependen demasiadodeunsistemadeProgramacincentral,sinoquesontomadasporlosoperariosde losdiferentespuestosconunperiododeanticipacinmuybajo.

Fijos

Nulos(0) Constantes(S)

Tiempos de CambiodePartida Variables

En Funcin del Recurso (Sik) En Funcin del Recursos Agrupacin ydelaSecuencia(Sijk) SinposibilidadAgrupacin En Funcin del Recurso, laSecuenciayOtros

Tabla33.Clasificacindelostiposdetiemposdecambio(Andrs,C.2001).

La Figura 37 resume los diferentes modelos planteados dando para cada uno de ellos su representacinsegnundiagramadeGantt.

136

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Si
Ssd Recursos y Otros

Sj

Si

i
Soi Sij

j
Sjo

TiempodeMontaje Dependientedela Secuenciaylos RecursosUtilizados

Ssd

TiempodePreparacin Dependientedela Secuencia

Figura37.RepresentacingrficadealgunostiposdeTiemposdeCambio(elaboracinpropia).

Elcriterioaminimizarmsfrecuentementeusadoligadoalostiemposde preparacin esel tiempototaldepreparacinosumadetodoslostiemposdepreparacin

ij

Estecriteriosepuedecombinarconotroscriteriosclsicosmedianteunasumaponderadao tambinpuedenoestarpresenteenlafuncinobjetivo.Enestecaso,elobjetivoaminimizar puede ser exclusivamente algn criterio clsico (Cmax, Lmax,) que tenga en cuenta las restriccionesdepreparacin.

3.5.4 DefinicinyProblemticadelTallerdeFlujoHbridoconSDST
SepuededecirqueelTallerdeFlujoHbridoconTiempodeCambiodeSecuenciaDependiente delaSecuencia(TallerdeFlujoHSDST)esunaextensindelTallerdeFlujodefinidopor(Riane, F.etal.1998).EnsteexisteunTiempodePreparacinnecesarioentredosoperacionesiyj, quedependealavezdelaoperacinprecedenteiydelooperacinsucesoraj(Sijk)porloque se necesita un conjunto {Sij}k definido por una matriz de tiempos de preparacin para cada recursok.SecontemplaporlotantosloelcasodeTiemposdeCambiodePartidavariables enfuncindelrecursoydelasecuencia. DentrodeunproblemadeTallerdeFlujoestndaroFlowShopsloesnecesarioTomarun tipodeDecisinqueeslarelativaalasecuenciacindetareas.Elproblemadeasignacinno existe,puestoqueslohayunrecursoporetapa.EstenoeselcasodelTallerdeFlujoHbrido dondepodemosencontrarnosmquinasenparalelo.Aspues,debenTomarsedosDecisiones a la hora de realizar la Programacin de un Trabajo. Por un lado existe el problema de Asignacin de los Trabajos a las mquinas de cada Etapa, mientras que por otro se debe
137

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica resolver un problema de Secuenciacin de los Trabajos en las diferentes mquinas (Vignier A.,Billaut,J.C.,&Proust,C.1995).Ambosproblemasestnntimamenterelacionados. Cuando se trata con Taller de Flujo con HSDST adems del problema de Secuenciacin y Asignacin hay que considerar de forma simultnea la aparicin de tiempos adicionales (Tiempos de Cambio de Partida) variables en funcin de las decisiones de Asignacin y Secuenciarealizadas.Esdecirhayqueconsiderarni!(permutacionesdelnmerodetrabajos consideradosenelrecursosi)combinacionesadicionales.

3.5.5 EnfoqueDistribuidodelaProgramacindelTallerdeFlujo.
Un posible enfoque para afrontar el problema de Programacin de la Produccin en los TalleresdeFlujooFlujoHbridoesladeconsiderarloscomounacomposicindeetapascon diferente grado de vinculacin. Segn el problema que se afronte, y en funcin de las caractersticasdelmismo,elprogramadorpuedeencontrarseanteuncasodeunaltogradode dependenciainteretapasodegrandesacople. Enbasealasaportacionesdelosdiferentesautoresconsultadosypresentadosenelapartado 3.4.7, es posible considerar adecuadas las tcnicas de resolucin de problemas de Programacin de la Produccin Distribuidas para el caso que se aborda en esta tesis. La ProgramacindelaProduccinenlaIndustriaCermica,yenespecialenlaempresaquese analiza, presentan la caracterstica de asemejarse a un Taller de Flujo que en ocasiones puedepresentarunaltogradodedesacople. Aunque en el apartado 3.4.7 se han referenciado algunas de las comunicaciones ms interesantessobreProgramacindelaProduccinDistribuidaenelmbitoindustrial,resulta complicadoencontrartrabajosqueabordendichoproblemaaplicadoalosTalleresdeFlujoo FlujoHbrido.Noobstante,(Jeong,I. J.etal.2002;Nishi,T.,Konishi,M.,&Hasebe,S.2004) proporcionandostrabajossobreProgramacindelaProduccinDistribuidaenelmbitodel TallerdeFlujo,querespaldanesteenfoque. En (Nishi, T. et al. 2004) se propone un mtodo de Programacin de la Produccin descentralizado para un Taller de Flujo con restriccin de recursos usando descomposicin Lagrangianayunsistemadecoordinacin.Enestetrabajoladescomposicinensubproblemas se realiza mediante un algoritmo de recocido simulado combinado con Programacin dinmica. Mediante la descomposicin del problema en mquinas el coste del cambio de partidaesincorporadoalafuncindecostedeformasencilla.Elmtodoescontrastadocon
138

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

los resultados obtenidos mediante recocido simulado aplicado al taller completo mostrando sermscompetitivoqueelmtodotradicional. Los autores de (Jeong, I. J. et al. 2002) presentan una metodologa de Programacin de la ProduccindistribuidaparaelproblemadeunTallerdeFlujocondosmquinas.Seasumeque los decisores y la informacin se encuentran distribuidos en varios subsistemas productivos quecompartendosmquinasparasatisfacerlademanda.LosproblemasdeProgramacinde la Produccin son resueltos mediante una tcnica de relajacin Lagrangiana modificada para trabajar en entornos con informacin compartida muy restringida. El principal objetivo del algoritmo es encontrar un estado de compromiso donde las restricciones locales y globales seansatisfechas,yseminimicelasumaponderadatotaldetiemposdefinalizacin. Ambosautores,aunquedesdeperspectivasdiferentes,asumenungradodedescentralizacin de la Informacin y de las Decisiones (Johnson, S. M. 1954) en un Taller de Flujo. Esta prcticapuedeextendersealTallerdeFlujoHbridocaractersticoenlaIndustriaCermica.En la produccin de baldosas cermicas la Programacin Productiva de cada etapa, constituida por un conjunto de mquinas con diversas caractersticas, puede alcanzar un alto grado de complejidad de forma que, en un gran nmero de ocasiones, la informacin y las decisiones sontomadasendichonivel. En esta tesis se valor la posibilidad de plantear un enfoque de Taller de Flujo Hbrido con TomadeDecisionesDistribuidas.Noobstante,despusdeunperiododereflexinsedescart yaquepresentabadificultadesimportantescuandosetratabaconTalleresdeFlujoHbrido.La mayor dificultad observada fue la coordinacin de la decisiones tomadas por las diversas etapas.Entodocaso,secreequedichoenfoquepuedeserimplementableparaalgunoscasos particulares, y que combinados con el uso de Sistemas Multiagente pueden dar resultados interesantes.

3.6

ProcedimientosparaabordarunProblemadeOptimizacin

3.6.1 LaTeoradelaComplejidad
Lateoradelacomplejidadsebasaenelestudiodeladificultadintrnsecaderesolucindelos problemas de optimizacin y los problemas de decisin (Garey, M. R. & Johnson, D. S. 1979;Lenstra,J.K.,Rinnooykan,A.H.,&Brucker,P.1977).

139

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Enlateoradelacomplejidadlapalabraproblemaseasociaaunadescripcingenricadeun problema, mientras que el trmino instancia, ejemplo o ejemplar se aplica a un problemadondesehanespecificadotodoslosdatosexactamente. Unproblemadeoptimizacinesaquelquelasolucinaunainstanciadelmismoimplicaun valorptimodeunafuncinobjetivo.Laresolucindeunproblemadedecisinslopuede tomardosvalores(sono).Cualquierproblemadeoptimizacinsereduceaunproblemade decisin. Segn esta teora la eficiencia de un algoritmo se mide por el mximo (caso ms desfavorable)nmerodepasosdeordenadornecesariosparaobtenerunasolucinptima enfuncindeltamaodelainstanciaconsiderada. Aspues,sepuedeclasificarcualquierproblemaendosclases: LaclasePcontienetodoslosproblemasparalosqueexisteunalgoritmoderesolucin, talqueelnmerodepasosdeclculoquerequieresepuedeexpresarmedianteuna funcinpolinomialenrelacinaltamaodelproblema. La clase NP contiene todos los problemas para los que una solucin determinada puedeserverificadasiesfactibleono(problemadedecisin),medianteunalgoritmo en el que el nmero de pasos de clculo se puede expresar mediante una funcin polinomial,porloquelaclaseNPincluyealaclaseP(P NP).

NPCompleto

NPDuro

NP

Figura38.Representacindelostiposdeproblemaenbaseasudificultad(elaboracinpropia).

UnproblemasedenominaNPduro,sicualquierproblemadelaclaseNPsepuedetransformar endichoproblema.UnproblemaesNPCompletosiesdeclaseNPduroytambinpertenece alconjuntoNP.ComosepuedeverenlaFigura38notodoslosproblemasNPsonHPduros.

140

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Debido a que los problemas NPCompletos incluyen problemas clsicos difciles (Circuito Hamiltoniano,ProblemadelViajante,programacinEntera,)paralosque,apesardemuchos intentos, nadie ha sido capaz de encontrar algoritmos de resolucin polinomiales, se asume que el subconjunto de problemas NPCompletos son los ms difciles de resolver, y muy probablementetodosestosproblemasseanresolublesslomedianteelusodealgoritmosde clculocuyonmerodepasosseexpresemedianteunafuncinexponencialdelosparmetros delejemplo. As pues, la Teora de la Complejidad sugiere que para los problemas NPCompletos, no es probable que exista un algoritmo que de una solucin ptima en tiempo razonable, por lo que es mejor intentar obtener una solucin razonablemente buena mediante algn procedimientoheurstico. En este caso, puede haber ms de un algoritmo disponible para resolver un determinado problema. Por ello es conveniente realizar una evaluacin comparativa de los distintos algoritmos existentes para resolver un mismo problema, con el fin de elegir el mtodo ms apropiadopararesolverdichoproblema.Alahoradecomparardistintosalgoritmossedeben tenerencuentadosimportantescriterios: Eficacia: Si el valor ptimo es conocido, entonces la eficacia puede ser expresada numricamente como un simple ratio o como una diferencia relativa. Para los problemascomplejoselvalorptimopuedenosertil,debidoalelevadotiempode clculoparaobteneresevalorptimo.Enestecasopuedequeseanecesariorealizar unanlisisdeloslmitesounanlisisdelpeordeloscasos. Eficiencia: La eficiencia se refiere a la necesidad de aprovechar los recursos para obtenerunasolucin.Comolamayoradeproblemasdesecuenciacinsonproblemas deoptimizacincombinatoriosdifciles,laeficienciadelalgoritmoesimportantepara que ste puedaserutilizadoen laprctica.Lasmedidasqueamenudoseusanpara reflejarestecriterioincluyenlacomplejidaddelalgoritmoyeltiemporunning.Por ejemplo, para algoritmos simples, la complejidad puede ser representada mediante expresiones matemticas y despus ser comparadas. Para algoritmos ms complejos serequiereexperimentacincomputacional.

Amboscriteriospuedenconsiderarseconrespectoaltamaoyalaestructuradelproblema. Sedebetenercuidadoenlageneracindelosproblemasprueba,particularmenteenloque respectaaltamaodelproblema.Porsupuesto,eltrabajocomparativodeberahacersesobre elmismogrupodeproblemasprueba.Laindependenciaylaobjetividadsondosatributosmuy valiososenestetipodeestudios.

141

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Enelcasodelosalgoritmosqueseaplicanenlneaparaproblemasdinmicos,esusualutilizar como medida de la eficacia del anlisis del peor caso, donde el valor del parmetro de rendimiento del algoritmo en lnea es comparado con el del algoritmo esttico o fuera de lnea.Estaaproximacinparaelcasodelosalgoritmosenlneafuerealizadainicialmentepor (Sleator, D. D. & Tarjan, R. E. 1985), quienes lo usaron para un problema de anlisis de actualizacindelistas.Eltrminoanlisiscompetitivofueutilizadopor(Karlin,A.R.,Manasse, M.S.,Rudolph,L.,&Sleator,D.D.1988).Dadounconjuntodetrabajos,siendocosteA()el coste incurrido por el algoritmo A sobre . Siendo coste() el mejor coste para el algoritmo estticosobre.SedicequeunalgoritmoAescompetitivosi coste A ( ) coste( ) para todoslostrabajosdelconjunto.ElratiocompetitivodeAeselnfimoconjuntodevaloresde paraloscualesAescompetitivo.Elobjetivoesencontrarelalgoritmoenlneaconratiode competitividadmspequeo.

3.6.2 TiposdeProcedimientodeResolucindelProblemadeProgramacin delaProduccin

Un problema de optimizacin trata de alcanzar lamejor decisin para maximizar (ganancias, velocidad, eficiencia, etc.) o minimizar (costos, tiempo, riesgo, error, etc.) un criterio determinado, teniendo en cuenta las restricciones que impiden que cualquier decisin sea posible.Existenmltiplesformasdeabordardichosproblemas.Enesteapartadoseofreceuna clasificacindelasmismas(verTabla34):

Exactos

Analticos NoAnalticos

Mtodos Resolucin

Aproximados

ReglasDespacho Heursticas

Metaheursticos
Tabla34.ClasificacindelosmtodosderesolucindelosProblemasdeProgramacindelaProduccin (elaboracinPropia).

142

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Segn la clasificacin propuesta de la Tabla 34 la primera gran divisin se realiza entre mtodosexactos,esdecirquesoncapacesdealcanzaralmenosunadelasmejoressoluciones posibles para un criterio dado, y los mtodos aproximados, es decir, que no garantizan la obtencindeunasolucinptima. Existendiferentesmtodosquepermitenalcanzarunasolucinptima.Esdifcilofreceruna clasificacindelosmtodosexactos.Sinembargo,unaposibleagrupacinseraatendiendoa siestossonanalticosono.Losprocedimientosanalticosofrecenunanlisisdelasvariables enelqueseestableceunarelacindeasociacinocausalidad.Entrelosmtodosanalticosse encuentra,porejemplo,elmtodosimplexparamodelosdeProgramacinLineal,elmtodo de Planos de Corte, o incluso el de Programacin Dinmica. Existen mtodos no analticos entre los que destacan los basados en la enumeracin de soluciones como es el caso del algoritmodeRamificacinyPoda(BranchandBound). Dentro de los mtodos aproximados se ha realizado una diferenciacin en base a la arquitecturadelmtodoens.Deestamanerasedistingueentreprocedimientosbasadosen ReglasdeDespacho,HeursticosyMetaheursticos. Las Reglas de Despacho no constituyen un mtodo en s mismo, ya que slo sirve para estableceruncriteriodeseleccinoprioridad.Estasreglaspuedenserutilizadasdentrodeun procedimientomscomplejo(HeursticooMetaheurstico).Existeninnumerablesreglas(FIFO, LIFO,SOT,etc.).EnelproblemaconcretodeProgramacindelaProduccinpuedenjugarun papelimportante,yaqueenlamayoradelosalgoritmosseproponeunprocedimientoparala seleccindeuntrabajo,queposteriormentesersecuenciado.Enestepuntolaseleccinde untrabajo,yotravecesenlaseleccindeunrecurso(mquina,etc.)esdondetienencabida lasReglasdeDespacho. LosmtodosHeursticossonprocedimientoscompletos,esdecir,queproporcionansoluciones factibles, aunque no necesariamente ptimas. Este tipo de algoritmos buscan alcanzar una solucin de alta calidad en el menor tiempo posible, y se suele aplicar a problemas de alta complejidad. Su estrategia consiste en no considerar de forma deliberada algn aspecto del problema,yaspoderalcanzarunasolucinanalizandounespaciodesolucionesmsreducido del realmente existente. Por lo tanto, trata de algoritmos, normalmente diseados para resolveruntipodeproblemamuyconcreto,yqueporlotantonotienenaplicacingenrica, ya que pueden proporcionar soluciones malas o infactibles en determinadas instancias. Al principio, esta forma de resolver problemas, no fue bien vista en los crculos acadmicos, debido fundamentalmente a su escaso rigor matemtico. Sin embargo, gracias a su inters prcticoparasolucionarproblemasrealessefueronabriendopocoapocolaspuertasdelos mtodosHeursticos.
143

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Los procedimientos Metaheursticos son algoritmos de alto nivel que se utilizan para cohesionarunconjuntodeaccionesmezcladeotrosprocedimientos,comoHeursticos,Reglas de Despacho, mtodos exactos aplicados a partes del problema, etc. Estos mtodos tiene el objetivo de resolver un tipo especifico de problemas, y en este aspecto son de menos particularizadoquelosprocedimientosHeursticos.LasMetaheursticasproporcionaunaserie depasosqueelusuariodebeseguir,perotambinproporcionaunaseriedeparmetrospara ajustar la aplicacin de los mismos, as como mbitos donde el usuario puede insertar sus propuestas,normalmenteHeursticas.Existenmltiplespropuestas,muchasdeellasbasadaso inspiradasenelcomportamientodelanaturaleza, otrasentcnicasdeInteligenciaArtificial. Algunosejemplosson: LaBsquedaTab(TabuSearch). ElRecocidoSimulado(SimulatedAnnealing). LosAlgoritmosGenticos(GeneticAlgorithms). LosAlgoritmosMemticos,tambinconocidoscomoAlgoritmosevolutivos(Memetic Algorithms). LaOptimizacinAleatoria(RandomOptimization). LaOptimizacinbasadaenColoniasdeHormigas(AntcolonyOptimization). LosAlgoritmosVoraces(GreedyAlgorithms). LaAscensindeColinas(HillClimbing). LaInteligenciadeEnjambre(SwarmIntelligence). LaBsquedadeArmona(Harmonysearch).

Entre los algoritmos Metaheursticos se resaltan el de Recocido Simulado, Bsqueda Tab y GenticoporlosresultadosobtenidosenelproblemadeProgramacindelaProduccin. LosalgoritmosdeRecocidoSimulado(SimulatedAnnealingSA)sebasanenunaanalogacon elprocesodeenfriamientolentodelosmetales,modeladopor(Metropolis,N.,Rosenbluth,A. W., Rosenbluth, M. N., Teller, A. H., & Teller, E. 1953). A partir de este procedimiento (Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. 1983), resuelven un problema de optimizacin combinatoriaqueapareceeneldiseodecircuitosimpresos.

144

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

LaBsquedaTab(TabuSearchTS)consiste,ensuformamselemental,enunalgoritmode bsqueda por entornos con una lista donde se almacenan las posiciones visitadas ms recientemente.Sedotaalalgoritmodeunaestructuraenformadelistacircular(listatab)de tamao L, donde se almacenan las posiciones visitadas ms recientemente, prohibiendo que puedanserrevisitadasmientrasseencuentranenella,amenosquesecumplauncriteriode aspiracin (usualmente es que se mejore el valor previo de la funcin objetivo). Con esta estrategia, se intenta desarrollar una exploracin lo ms exhaustiva posible del espacio de soluciones(Glover,F.1990). UnAlgoritmoGentico(GeneticAlgoritmGA)esunprocedimientobasadoenlaanalogacon la evolucin de los seres vivos. La premisa que subyace a este tipo de enfoques es, que se pueden encontrar soluciones aproximadas a problemas de gran complejidad computacional mediante un procedimiento de evolucin simulada matemticamente en un ordenador (Holland,J.H.1975). ParticularizandoelestudioalProblemarelacionadoconelTallerdeFlujoHbrido,enlaTabla 35sepuedeverlataxonomademtodosderesolucinheursticapropuestapor(Quadt,D.& Kuhn,H.2007)paradichotaller.Quadtdividelosmtodosderesolucinenptimosoexactos y Heursticos. A su vez divide los mtodos heursticos en Holsticos y Por Descomposicin. El autor considera que los mtodos Holsticos son aquellos que afrontan el problema en su conjunto,sindivisionesoparticionesdelmismo.LosmtodosPorDescomposicindividenel problema en subproblemas. Segn el autor cuando se aborda la Programacin de la ProduccindescomponiendoelProblemaestepuedeseguirunenfoquequeseaorientadoal Trabajo,alaEtapa,oalProblema.SeconsideraqueunadescomposicinOrientadaalTrabajo seleccionaencadainstanteunTrabajoqueessecuenciadoencadaetapahastacompletarsus operaciones. Un problema que considera la descomposicin orientada a la Etapa plantea en cada ocasin el Problema de Programacin de la Produccin en una etapa, es decir el ProblemadeMquinasenParalelo,queluegocoordinaparaobtenerunasolucincoherente ensuconjunto.Enlaorientacinporetapaslosautorescomentantresmtodosbasadosen listas.LaorientacinbasadaenelProblemaconsideraenprimerlugarelaspectorelacionado con el clculo del tamao de lote, posteriormente la carga del taller y finalmente la secuenciacin. La orientacin al problema divide el procedimiento de resolucin en fases, y cadaunadeellasabordaunaspecto. Adicionalmente, algunos autores consideran otros criterios de clasificacin. Un criterio bastante extendido, en los mtodos aproximados, es el de agrupar los algoritmos en constructivosodemejora.Seentiendequeunalgoritmoesconstructivosinosedisponede unasolucindesdeelinstanteinicialsinoqueestasevaprogresivamenteconfigurando,yen cada iteracin se aade uno o varios elementos a la solucin final. Por el contrario los
145

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica algoritmos de mejora son aquellos en los que se dispone desde el principio de una solucin peroencadaiteracinderefinaysemejorahastaalcanzarelfinaldelprocedimiento.

Holsticos

Mtodos heursticos Por Descomposicin

OrientadosaTrabajo

OrientadosaEtapa

OrientadosalProblema

Tabla35.ClasificacindelosmtodosderesolucindelosProblemasdeProgramacindelaProduccinenun TallerdeFlujoHbrido(Quadt,D.etal.2007).

LacapacidaddeagruparoclasificarlosmtodosderesolucindelProblemadeProgramacin delaProduccin,yenespacialelquesedesarrollaenelTallerdeFlujoHbridoesfundamental alahoradeanalizarlasaportacionesdelosdiferentesautores.Esteconocimientopermiteun mejorentendimientoyevaluacindelaafinidaddelassolucionespropuestasporlosautores enrelacinconelproblemaquesedeseaabordarenestetrabajo.

3.7

Mtodos de Resolucin de Programacin de la Produccin para elTallerdeFlujoHbrido:LosModelosyAlgoritmos

Esconocidoqueengenerallosproblemasdesecuenciacinpresentanunaaltacomplejidady queesdifcilencontrarmtodosyalgoritmosquepermitanencontrarsolucionesptimasen tiemposrazonables.DentrodelaproblemticarelacionadaconelTallerdeFlujoentodassus variantes el caso ms sencillo es el del Taller de Flujo Estndar. Un breve anlisis de su complejidadpermitirvalorarmejorelgradodedificultadalqueseenfrentaelprogramador enloscasosdelTallerdeFlujoSDSTyHSDST. Segn(Conway,R.W.etal.1967)elTallerdeFlujosecaracterizapor:

146

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Paracualquiercriteriodeoptimizacinbasadoenunamedidadeeficaciaregular,slo esnecesarioconsiderarsecuenciasdondelaentradadelostrabajosenlasmquinas1 y 2 es idntica. Luego en general slo es necesario considerar (n!)m-1 secuencias (siendonelnmerodetrabajosymelnmeroderecursosomquinas).
En el caso concreto de minimizacin del makespan (Cmax), slo es necesario

considerarsecuenciasdondelaentradadelostrabajosenlasmquinasm 1 ym es idntica. En este caso podemos tener la misma secuencia en las mquinas 1 y 2 (la minimizacindelmakespantambinesunamedidadeeficaciaregular)ylamisma secuenciaenlasmquinasm 1 ym,porloquesloesnecesarioconsiderar(n!)m-2 posiblesordenaciones.

Delascaractersticasanterioresseobtienenimplicacionesencuantoalosproblemasparael TallerdeFlujo.Paraelprobleman/2/F/Media,siendoMedidacualquiermedidadeeficacia regular, las secuencias de permutaciniv dominan a las secuencias generales, esto es, examinandoslolassecuenciasdepermutacintenemoslaseguridaddepoderencontrarla solucin ptima. De esta manera, el problema n/2/F/Medida slo requiere examinar n! posiblessoluciones. Enelcasodelosproblemasn/2/F/Cmaxyn/3/F/Cmax lasituacinessimilar,conexaminarn! secuenciasessuficiente.Ahorabien,enelcasogeneralconm mquinas,m>3,lassecuencias depermutacinyanodominanalassecuenciasgeneralesysehacenecesarioevaluar(n!)m2 secuencias. Pese a que a la no predominancia de las secuencias de permutacin en el caso generallaliteraturatrataenunporcentajemuyelevadolosdenominadosTalleresdeFlujode Permutacin.En(RinnooyKan,A.H.G.1976)sedemostrqueelproblemadelTallerdeFlujo dePermutacinesNPCompleto. AlgunasrevisionesliterariasquepermitenrealizarunaanlisisdelProblemadelTallerdeFlujo en su enfoque ms tradicional y til en esta tesis, la minimizacin del Cmax, se pueden encontrarenlasaportacionesde(Framinan,J.M.,Gupta,J.N.D.,&Leisten,R.2004),(Ruiz,R. &Maroto,C.2005a)y(Hejazi,S.R.&Saghafian,S.2005).(Framinan,J.M.etal.2004)enlas

Una Secuencia de Permutacin es aquella secuencia en la que todos los trabajos siguen el mismo orden de entrada en los recursos, es decir, el orden de proceso de los trabajos en el recurso 1 es el mismoqueenelrecurso2,yashastaelltimorecurso.

iv

147

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica cualesserealizaunarevisindelProblemademinimizacindelCmaxenunTallerdeFlujode Permutacin,tantodeprocedimientoexactoscomoaproximados.En(Ruiz,R.etal.2005a)se realiza una revisin exhaustiva de las tcnicas aproximadas, en concreto metaheursticas, aplicadas al Problema del Taller de Flujo de Permutacin con el criterio de minimizacin del Cmax o Makespan. Los autores evalan los resultados de veinticinco mtodos usando el conjunto de datos estndar de Taillard. En (Hejazi, S. R. et al. 2005) tambin se realiza una revisinenprofundidaddeunconjuntomsampliodereferencia,yaqueconsiderantodaslas tcnicas, exactas y aproximadas, para el problema de minimizacin del Cmax en el Taller de Flujo,sinrestringiralcasodepermutacin. En los tres siguientes apartados se realizar una revisin de las aportaciones ms relevantes referidasalTallerdeFlujoconSDST,elTallerdeFlujoHbrido,yelTallerdeFlujoHbridocon SDST.

3.7.1 El Caso del Taller de Flujo con Tiempos de Cambio de Partida DependientesdelaSecuencia.
El taller de Flujo con SDST se puede considerar intuitivamente como un caso mucho ms complejoydifcilderesolverqueelTallerdeFlujoestndar.Dehecho(Gupta,J.N.D.1986), demostr que el taller SDST es NPCompleto incluso en el caso de una sola mquina. Adicionalmente, Los autores de (Gupta, J. N. D. & Darrow, W. P. 1986) demostraron, en el casode2mquinas,ycuandosloexistenTiemposdeCambiodePartidaenunamquina(sea la primera o la segunda), que el SDST flowshop tambin es NPCompleto. Tambin en este mismotrabajolosautoresdemostraronquelassecuenciasdepermutacinyanodominanen ningn caso a las secuencias generales cuando el criterio de optimizacin es el Cmax. Todo esto indica que el taller SDST es mucho ms complejo que el taller estndar y si adems tenemos en cuenta que muchas de las propiedades que se han investigado para el taller estndar no se cumplen para el taller SDST, tendremos un nuevo problema, que aunque relacionadoconeltallerestndar,resultanotablementemsdifcil. Porloqueserefierealanotacin,utilizandolanomenclaturade(Conway,R.W.etal.1967) esdifcilidentificarporcompletoelproblemadelTallerdeFlujoconSDST.Unaposibilidad,que se basa parcialmente en la propuesta de los mencionados autores, es n/m/F, setup SD/Medida, donde F indica que se trata de un Taller de Flujo, setupSD que existen TiemposdeCambioDependientesdelaSecuencia.Enelcaso,enelqueelproblematratase Costes de Cambio Dependientes de la Secuencia se puede sustituir setupSD por setupC SD.

148

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

LadificultadenelenfoquedelTallerdeFlujoSDSTnoslosecimentaenaportacionestericas sino que existen algunas aportaciones que bajo un prisma prctico, basado en simulaciones, corroboran esta status. En (Wilbrecht, J. K. & Prescott, W. B. 1969) compararon un total de sietereglasdeprioridadenunproblemaminimizacindelCmaxenuntallergeneralconSDST, los resultados indicaron una clara ventaja de las reglas que consideraban explcitamente los TiemposdeCambiodePartida.Porsuparte(Kim,S.C.&Bobrowski,P.M.1994)evaluaron cuatroreglasdeprioridadtambinparaelmismoproblema,llegandoalamismaconclusin. Comoconsecuenciadeloindicadoanteriormentesepuedesubrayarqueesnecesariotomar en consideracin de forma explcita los Tiempos de Cambio de Partida en aras de obtener resultadoseficaces. A continuacin se repasan algunas de las aportaciones ms interesantes que se han encontradoenlaliteratura.Esinteresanteiniciaresterepasodestacandobrevementealgunas revisiones literarias interesantes en el mbito de los Problemas de Programacin de la ProduccinconTiemposoCostesdeCambiodePartida.Eneltrabajode(Yang,W.H.&Liao, C.J.1999)seproporcionaunavisinactualdelproblemaesttico.En(Zhu,X.Y.&Wilhelm, W. E. 2006) se incorpora al anlisis la influencia de los tamaos de lote. Sin embargo, son (Allahverdi,A.,Ng,C.T.,Cheng,T.C.E.,&Kovalyov,M.Y.2008)quienescomocontinuacin deltrabajode(Cheng,T.C.E.,Gupta,J.N.D.,&Wang,G.Q.2000)proporcionanlarevisin literariaqueconstituyeelanlisismsactualizadoyreconocidoquesehalocalizado.Eneste trabajo se establece una taxonoma para el problema de la Programacin de la Produccin cuando existen Tiempos o Costes de cambio de Partida en los talleres ms conocidos, y se realizaunexhaustivoanlisis.Losautoresde(Allahverdi,A.&Soroush,H.M.2008)realizan una buena presentacin del problema relacionado con los Tiempos o Coste de Cambio de PartidaaunquenoseajustaexclusivamenteaunTallerdeFlujo. Aunquelamayoradelasaportacionesaplicanprocedimientosheursticosalgunos,aplicadosa casos sencillos, aplican tcnicas optimizadoras. Se dispone de un resumen en la Tabla 37 y Tabla38. Basado en Programacin Dinmica (PD) (Corwin, B. D. & Esogbue, A. O. 1974) plantean un algoritmo optimizador para el caso de Taller de Flujo y minimizacin del Cmax en el que los TiemposdeAjustesonSeparablesyDependientesdelaSecuenciaenunadelasmquinas.Sin embargoelprocedimientosoloesaplicableaproblemasconquincetrabajoscomomximo. En(Uskup, E.&Smith,S.B.1975)sedesarrollunalgoritmo optimizadordeRamificaciny Poda (Branch and BoundB&B) para el mismo problema de dos mquinas pero con la existenciadefechasdefinalizacin.Elcriteriodeoptimizacinconsideradoeslaminimizacin
149

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica de los costes de Cambio de Partida donde stos son directamente proporcionales a los Tiempos de Cambio. El algoritmo consigue resolver problemas de hasta 30 trabajos, pero nicamenteenelcasodedosmquinas.LaaplicacindelosmtodosdeB&Baproblemascon SDSTnosehalimitadosolamentealTallerdeFlujo.

Referencias (Corwin,B.D.etal.1974) (Uskup,E.etal.1975)

MedidaEficiencia Cmax CostesdeTiempode cambiodePartida CosteOportunidad

Tcnica ProgramacinDinmica RamificacinYPoda

(Gupta, J. N. D. 1975) (Gupta, J. N. D. 1979) (Gupta,J.N.D.etal.1986) (Srikar,B.N.&Ghosh,S.1986 (Szwarc,W.&Gupta,J.N.D.1987) (Stafford, E. F. & Tseng, F. T. 1990), (Tseng, F. T. & Stafford, E. F. 2001), (Stafford,E.F.&Tseng,F.T.2002) (Hwang,H.C.&Sun,J.U.1997) (RiosMercado, R. Z. & Bard, J. F. 1998a),(RiosMercado,R.Z.&Bard,J. F.1998b) (Sonmez,A.I.&Baykasoglu,A.1998) (Allahverdi,A.&Aldowaisan,T.2001)

BsquedaLexicogrfica

Cmax Cmax Cmax Cmax

EnfoqueTSP MLPusandoagregacindetrabajos AlgoritmobasadoenJohnson ProgramacinLinealEnteraMixta

Cmax Cmax

ProgramacinDInmica RamificacinyPoda

wjTj Suma Tiempos Finalizacin Cmax Continuidaddel Proceso Cmax

ProgramacinDinmica de CriterioOptimizador

(Sun,J.U.&Hwang,H.C.2001) (Tang, L. X., Luh, P. B., Liu, J. Y., & Fang,L.2002) (RiosMercado,R.Z.&Bard,J.F.2003)

ProgramacinDInmica Programacin Dinmica basada en RelajacinLagrangiana ProgramacinLinealEnteraMixta

Tabla36.ResumencontribucionesalproblemadelTallerdeFlujoconSDSTconsolucionesptimas(elaboracin propia).

150

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Referencias (Gupta,J.N.D.etal.1986) (Gupta,J.N.D.1986) (Szwarc,W.etal.1987) (Simons,J.V.1992) (Das,S.R.,Gupta,J.N.D.,&Khumawala,B. M. 1995) (Das, S. R., Gupta, J. N. D., & Khumawala,B.M.2004) (Kim,Y.D.,Lim,H.G.,&Park,M.W.1996) (Parthasarathy,S.&Rajendran,C.1997) MedidaEficiencia Cmax Cmax Cmax Cmax Cmax Tcnica AlgoritmobasadoenJohnson EnfoqueTSP Heurstica Heurstica Basadoenndicesdeahorro

Cmax Retrasomximo ponderado fj. Cmax Cmax Cmax Cmax SumaTiemposde Finalizacin Cmax. Cmax Continuidaddel Proceso wjTj.+Fj. Cmax.

NEH+SA SA

(Rajendran,C.&Ziegler,H.1997) (RiosMercado,R.Z.etal.1998b) (Hwang,H.C.&Sun,J.U.1998) (RiosMercado,R.Z.&Bard,J.F.1999) (Norman,B.A.1999) (Allahverdi,A.etal.2001)

Heurstica NEHyGRASP AlgoritmoGentico HeursticaTSP BsquedaTab Heurstica

(Sun,J.U.etal.2001) (Andres,C.,Vicens,E.,&LarioF.C.2001) (Tang,L.X.etal.2002)

AlgoritmoGentico RecocidoSimulado HeursticabasadaenRelajacin Lagrangiana AlgoritmoVoraz Heurstica

(Rajendran,C.&Ziegler,H.2003) (MadduxIII,H.S.&Gupta,J.N.D.2003)

Tabla37.ResumencontribucionesalproblemadelTallerdeFlujoconSDSTconSolucionesAproximadas (elaboracinpropia).

151

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Referencias (Ruiz,R.,Maroto,C.,&Alcaraz,J.2005b) (Andres, C., Toms, J. V., GarcaSabater, J. P.,&Miralles,C.2005) (Tseng,F.T.,Gupta,J.N.D.,&Stafford,E.F. 2006) (Yip,Y.,Cheng,C.Y.,&Low,C.2006) (Ruiz,R.&Stutzle,T.2008b) MedidaEficiencia Cmax. Cmax+n1Ti. Tcnica AlgoritmoGentico Algoritmo Multiobjetivo Heurstica Gentico

Cmax.

Cmax Cmax. wjTj

BsquedaTabapartirdeNEH Vorz+Bsquedalocal

Tabla38.ResumencontribucionesalproblemadelTallerdeFlujoconSDSTconSolucionesAproximadas (continuacindeTabla37)(elaboracinpropia).

En (Gupta, J. N. D. 1975) se present un algoritmo de optimizacin mediante Bsqueda Lexicogrfica,queactualizen(Gupta,J.N.D.1979).Elmtodopresentadoesmuygeneraly permiteincorporarnumerosasrestriccionesycondicionesenelproblema,entreellaslosSDST. Elcriterioquesebuscaoptimizaren estetrabajoesunacomplejafuncin delcoste total de oportunidad,delacualsepuedederivarelCmax. En (Gupta, J. N. D. et al. 1986) plantean una representacin del problema mediante dos subproblemas de Viajante de Comercio (Traveling Sales ProblemTSP). Definiendo cotas inferioresyasegurandoelptimodeunasecuenciadepermutacinsisumakespanesigualal mayor de los recorridos de los dos subproblemas de Viajante de Comercio. Sin embargo, debido a la dificultad en obtener una solucin exacta al TSP para ejemplos grandes se proponencuatroheursticas,lasdosprimerasbasadasenelalgoritmode(Johnson,S.M.1954) y la tercera y cuarta a partir de un postprocesamiento mediante intercambios desde las solucionesobtenidasporlasdosanteriores.Losresultadosexperimentalesconfirmanquelas dosltimassonmejoressiendolaterceralaquemejorcomportamientogeneralpresentan. En(Gupta,J.N.D.1986)seproponencuatroteoremaspararesolverelproblemacuandono se permiten almacenamientos entre mquinas. Entre ellos, se demuestra que, en general cualquierproblemadesecuenciacinenTallerdeFlujoconSDSTesNPduroy,queenelcaso denopermitiralmacenamientosintermediossoloesnecesarioconsiderarsecuenciasbasadas enpermutacionesdelostrabajos.Enestecaso,unasolucinptimaalproblemaconsisteen una permutacin de los trabajos. El autor propone una manera heurstica de obtener una permutacinmedianteunalgoritmobasadoenelProblemadelViajantedeComerciosinmas
152

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

quedefinirunadistanciaentrelostrabajosbasadaenlosTiemposdeProcesoyajustedelos mismos. Los resultados computacionales muestran que el algoritmo encuentra soluciones ptimasenunaaltaproporcindecasos,extendiendoelestudioalcasodealmacenamiento infinitoentrelasmquinas. En(Srikar,B.N.&Ghosh,S.1986)apartirdelmodelooptimizadorbasadoenProgramacin Lineal Mixta (Mix Linear ProgrammingMLP) para Taller de Flujo de Permutacin, con el objetivo de minimizar el Cmax, se propone un mtodo de agregacin de los trabajos como formademejorarlarapidezdeclculo,aunquenorealizanexperimentosenesteltimocaso. En (Szwarc, W. et al. 1987) proporcionan un algoritmo ptimo para el caso m = 2 y una extensin heurstica para el caso general con m mquinas. En ambos casos para el taller de FlujoconSDSTconlaintencindeminimizarelCmax. En(Stafford,E.F.etal.1990)realizaroncorreccionesalmodelodeSrikaryGhoshde1986y propusieron tambin modelos para el problema Taller de Flujo de Permutacin con SDSTF y objetivominimizarelCmax,entreotros.Enestecaso,eltamaomximodeproblemaquese pudo resolver fue de 7 trabajos y 5 mquinas, necesitando ms de seis horas de tiempo de CPU en un ordenador tipo PC/AT de la poca. Once aos despus (Tseng, F. T. et al. 2001) propusierondosmodelosMILPparaminimizarelCmaxenelTallerdeFlujoSDSTyelTallerde FlujodePermutacinSDST.Entodocasolosautorespudieronresolverproblemasdehasta9 trabajosy9mquinasenaproximadamentecincominutosdetiempodeCPUenunordenador tipo PC/AT con un procesador de 800 MHz. Posteriormente, en (Stafford, E. F. et al. 2002) presentaron otros dos modelos optimizadores similares, con algunas mejoras sobre los anteriores, sin conseguir resolver problemas de un tamao superior. Y ms recientemente, (Tseng, F. T. et al. 2006) desarrollaron un algoritmo para resolver de forma aproximada el problema de minimizacin del Cmax en un Taller de Flujo de Permutacin con SDST. El algoritmopropuestosebasaenunsistemadepenalizacinsobrelassecuenciasobtenidasyse comparaconunaheursticabasadaenlosndicesdeAhorro. Enlapropuestade(Simons,J.V.1992)sepresentunaheursticageneral.Enconcretocuatro mtodos,dosdeellossoncodificacionesdelosmtodosMINITyMICOTde(Gupta,J.N.D. 1972), con adaptaciones para tener en cuenta la existencia de SDST. La tercera y cuarta heursticas parten del trabajo de (Stinson, J. P. & Smith, A. W. 1982). La tercera heurstica, llamada TOTAL, utiliza una matriz de costes que la forman la suma de todos los Tiempos de ProcesoydeCambiodePartidaparalostrabajos.Enlacuartaheurstica,llamadaSETUP,la matriz de costes slo contiene la suma de los Tiempos de Cambio de Partida. Tras la evaluacin,lasheursticasTOTALySETUPdominaronholgadamentealasadaptacionesdelos mtodosMINITyMICOT.
153

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Losautoresde(Das,S.R.etal.1995)desarrollaronunaheursticabasadaenunosndicesde Ahorro.Estosndicesseleccionanuntrabajonosecuenciadoparaasignarloaunaposicinde unasecuenciaparcialmenteconstruida.ElndicedeAhorroconsideratresconceptos:ahorro en el Tiempo de Cambio de Partida en la secuencia, ahorro en la duracin de la secuencia a partir de los Tiempos de Proceso y ahorro en los Tiempos de Finalizacin de los trabajos. La eficaciadeestaheursticasecomprobresolviendoungrupode240problemasparalosque seconocalasolucinptimaysecalculladesviacindelaheursticaconrespectoaestos ptimos. En estos casos la heurstica nunca se desvi ms del 6%. (Das, S. R. et al. 2004)se realizaunaversinactualizada. En (Kim, Y. D. et al. 1996) se present un extenso estudio sobre un problema real de produccindetarjetasconcircuitosimpresos(PCB).Elsistemaproductivoespeculiar,aunque seasimilaenparteaunTallerdeFlujoconSDST,aunquetieneotrosaspectosmsconcretos. Los autores proponen varias heursticas, para resolver el problema, entre las que estn una adaptacindelaheursticaNEH,algoritmostipoRecocidoSimulado(SimulatedAnnealingSA), BsquedaTab(BT)ydeBsquedaLocalDescendente.Deentretodos,losalgoritmostipoSA parecendominaralosdems. En(Parthasarathy,S.etal.1997)seplanteaunmtodometaheursticobasadoenelRecocido Simuladoquetieneenconsideracinlasrestriccionestemporalesdelostrabajos.Elobjetivoes laminimizacindelretrasomximoponderadoteniendoencuentalasfechasdeentregalmite delostrabajos.Lageneracindeunasolucinvecinaserealizamediantelareinsercindeun Trabajo.Losresultadosdeunproblemarealdeunafbricacon95trabajosserepresentancon untiempodeclculode11.100segundosenunordenadorHP9000. ElproblemadelTallerdeFlujoconSDSTconelobjetivodeminimizarelTiempodeFlujoTotal Ponderado fue tratado por (Rajendran, C. et al. 1997) donde se propuso una heurstica. Los autorespresentaronunesquemaparamejorarlacalidaddelaheursticapropuesta. En(Hwang,H.C.etal.1997)setrataelproblemadeunaempresadefabricacindecamiones donde todos los trabajos necesitan realizar dos operaciones. Los tiempos de proceso de la primeramquinadominanalosdelasegunda.Asmismo,elTiempodeCambioePartidade los trabajos en la primera mquina depende de los dos prximos trabajos. Los autores convirtieron el problema en un n/2/F, setup, Prempt/Cmax, y propusieron un modelo de ProgramacinDinmicapararesolverlo.En(Hwang,H.C.etal.1998)seconsideranelanterior problemaabordndoloconunAlgoritmoGentico. Los autores de (RiosMercado, R. Z. et al. 1998a) desarrollaron un algoritmo exacto de tipo B&BparalaminimizacindelCmax.Estealgoritmonopermitiresolverproblemasconmsde
154

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

8trabajosy6mquinasenmenosdeunahoradetiempodeCPUenunaestacindetrabajo tipo Sun. Posteriormente, en (RiosMercado, R. Z. et al. 1998b) los autores propusieron un nuevoalgoritmodeB&Bconelquemejoraronligeramenteelmtodoanterioryconsiguieron resolverdeformaheursticaproblemasdehasta10trabajosconunadiferenciarespectodel ptimo del 1%. Tambin se propuso un mtodo heurstico y otro metaheurstico. El mtodo heursitico, llamado NEHTRMB, se basa en la adaptacin del mtodo de insercin NEH de (Nawaz,M.,Enscore,E.E.,&Ham,I.1983)paralaconsideracindelosTiemposdeCambiode Partida, y las mejoras de Taillard. La propuesta metaheurstica se basa en el mtodo GRASP (GReedy Adaptive Search Procedure). Los dos mtodos aproximados, resultaron mejores, y especialmente el mtodo GRASP. (RiosMercado, R. Z. et al. 1999) trato el problema de minimizacindelCmaxenelTallerdeFlujoconSDST.Losautorespropusieronunaheurstica que transformaba una instancia del problema en una instancia del TSP, introduciendo una funcin de coste que penalizaba los Setups grandes y las malas secuencias de un programa dado. Tambin recientemente, (RiosMercado, R. Z. et al. 2003)abordan la representacin polidricadedosproblemasdeMILPsobreelTallerdeFlujoconSDST,elproblemadelviajante decomercioyelproblemabasadoenlacontribucinde(Srikar,B.N.etal.1986). En (Sonmez, A. I. et al. 1998) se desarroll un modelo de Programacin Dinmica para el problema de n/m/F, setup/wjTj, que se aplica a una factora de fabricacin de plsticos. El resultadoesunaventajaenlareduccindetiemposdecomputacincuandoeltamaodelos trabajosaumentamuchofrenteaunaligeramejoracuandoaumentaelnmerodemquinas. Para un taller SDST donde existe una capacidad de almacenamiento limitada entre las mquinas (Norman, B. A. 1999) propuso varios mtodos para un problema particular, con intencin de reducir el Cmax. En este caso el autor utiliz mtodos metaheurstico de tipo BsquedaTabparaelproblema. En (Sun, J. U. et al. 2001) se afrontel problema n/2/F, setup/Cmax, donde los Tiempos de CambiodePartidasedabansoloenlasegundamquinaystosdependandelosktrabajos inmediatamenteanteriores(k>1).SeofrecieronsolucionesmedianteProgramacinDinmicay AlgoritmosGenticos. Losautoresde(Allahverdi,A.etal.2001)resolvieronuntipoespecficodeTallerdeFlujoSDST dondelostrabajosnopuedenesperarentrelasmquinasydondeelcriteriodeoptimizacin consideradoeslasumadelostiemposdefinalizacindelostrabajos.Losautoresdiscutenuna seriedemtodosqueproporcionanlasolucinptimaenelcasoenquem =2ycuandose cumplen una serie de condiciones especiales. Tambin proponen cinco heursticas diferentes para el problema de m mquinas. En este caso los Tiempos de Cambio de Partida que se consideransondeltipoaditivo.
155

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Eneltrabajode(Andres,C.etal.2001)sepresentaunalgoritmodeRecocidoSimuladopara minimizar el Cmax. En (Andres, C. et al. 2005) trataron el problema n/m/F, setup/Cmax+ n 1Ti.SepropusounAlgoritmoGenticoMultiobjetivo. En(MadduxIII,H.S.etal.2003)enfocanelprobleman/2/F,Setup/Cmaxconalmacenescon capacidad nula entre mquinas, y con trabajos con una segunda alternativa opcional. Presentaronunaheursticapararesolverelproblemaydemostraronlaexistenciadeunlmite inferior. Losautoresde(Tang,L.X.etal.2002)analizaronelprocesodefundicinenlaindustriadel acero.EstetipodeindustriatalycomoloplanteanlosautoressepuedeconsiderarunTaller de Flujo donde existen los Tiempos de Ajuste entre colada y colada son importantes. Los atoresplanteanunmodelodematemticosobreelcualaplicanunarelajacinLagrangiana.A partirdelmodeladoproponenunasolucinoptimizadoramedianteProgramacinDinmicay unaheurstica. En(Rajendran,C.etal.2003)seestudielprobleman/m/F,setup/conunacombinacinde los objetivos (Rajendran, C. et al. 1997) y (Sonmez, A. I. et al. 1998), es decir el Tiempo de FlujoyRetrasoTotalPonderado.Losautoresproponenheursticasylascomparaconalgunas yaexistentesylareglarandom,yunalgoritmoVorazdebsquedalocal. En el trabajo de (Ruiz, R. et al. 2005b) se propusieron dos Algoritmos Genticos (AG) para n/m/F, setup/Cmax y mostraron que las heursticas propuestas mejoraban las de (Rios Mercado,R.Z.etal.1999)yotrosautores.En(Ruiz,R.etal.2008b)sepresentaunalgoritmo iterativo Voraz (Greedy) con bsqueda local que superar a sus propuestas de (Ruiz, R. et al. 2005b).Tambinen(Ruiz,R.etal.2008b)proponendossimplesbsquedaslocalesbasadas enunalgoritmoiterativoVoraz.Paraelprobleman/m/F,setupd/wjTj.Losautoressuperana losprocedimientosde(Rajendran,C.etal.2003)yalgunasheursticasanteriores. En(Yip,Y.etal.2006)seproponeunalgoritmometaheursticobasadoenBsquedaTabque partedeunasolucininicialobtenidaconlaheursticaNEH.Conelloabordanelproblemadel TallerdeFlujocontiempodeestablecimientoyajusteseparables. ElTallerdeFlujoconTiemposdeCambiodePartidaDependientesdelaSecuenciaseaproxima bastante al tipo de taller que se abordar en esta tesis y por lo tanto algunos de los procedimientoaplicadospuedensertilesenlafaseaplicacin.Esdeespecialinters,eneste apartado,elanlisisquelosdiferentesautoresrealizandelaspectoconcretodelainfluencia delosTiemposdeCambiodePartida,oensucasodeAjuste,sobrelaeficaciadelosmtodos propuestos. Habra que destacar el uso mayoritario de procedimientos aproximados para
156

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

problema de tamao mediogrande y la confirmacin de que las propuesta que tiene en cuentadeformaespecficalosTiemposdeCambioson,engeneral,mseficacesqueaquellas quenolotienen.Asmismo,nosepuededecirqueexisteunmtodopredominante.

3.7.1 ElCasodelTallerdeFlujoHbrido.
Este tipo de taller se puede identificar con la siguiente codificacin: n/m/F, k parallel/Medida. Donde los diversos campos han sido ya comentados excepto donde se indicakparallelquesignificaqueeltallereshbridooflexibleconkmquinasporetapa. ElproblemadeProgramacindelaProduccinenuntallerdeflujohbridoesespecialmente complejo. En (Gupta, J. N. D. 1988) se analiza el caso de un taller de flujo con dos etapas aunquesloexistenmquinasmltiplesenlaprimera,siendoelprimeroenacuareltrmino tallerdeflujohbrido.DemuestraqueestetipodeproblemassonNPcompletos. Existenciertostrabajosqueanalizanlosavancesrealizadosenelmbitodelostalleresdeflujo hbrido,tambinconocidoscomotallerdeflujoflexibleomultiprocesador.En(Riane,F.1998) seanalizadeformaexclusivaestetipodetalleresrepasandolosprocedimientospropuestosy susaplicaciones.Tambin(VignierA.etal.1995)analizaelproblemadeProgramacindela ProduccinenunTallerdeFlujoHbrido.Yensutrabajomsreciente(Vignier,A.,Billaut,J. C., & Proust, C. 1999) analizan los problemas de flujo hbrido. Su trabajo se divide en dos partes. La primera parte se dedica a analizar los talles de flujo hbrido con dos etapas. En la segunda parte se analiza el caso general con k etapas. Los autores analizan el conjunto de problemas que aun no han sido resueltos. En el trabajo de (Kis, T. & Pesch, E. 2005) se proporcionaunarevisinsobrelosdiferentesmtodosexactosquesehandesarrolladoparael casodeltallerdeflujohbridoenrelacinconlasmedidasdeeficienciaCmaxomakespan y tiempo medio de flujo. El trabajo se centra en las tcnicas de ramificacin y Poda y PropagacindeRestricciones.En(Quadt,D.etal.2007)seaportaunainteresanteclasificacin delostiposdesolucinquesehaaplicadoalcasoqueseestanalizando. Aunquelamayoradelasaportacionesaplicanprocedimientosheursticosalgunos,aplicadosa casos sencillos, aplican tcnicas optimizadoras. Se dispone de un resumen en la Tabla 39, Tabla310yTabla311. UnodelosprimerosartculosquetratanlosTalleresdeFlujohbridossedebea(Shen,V.Y.& Chen,Y.E.1972)loscualesproponenunaestrategiaheursticadeProgramacinparaeltaller dedosetapas,conelobjetivodeminimizarCmaxbasadaenunaextensindelalgoritmode (Johnson,S.M.1954).
157

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica En(Salvador,M.S.1973)sepresentaunprocedimientodeseparacinyevaluacinbasadoen ProgramacinDinmica,paralaoptimizacindelmakespanenunTallerdeFlujoHbridodek etapasyunnmerodiferentedemquinasporetapa.

Referencias (Salvador,M.S.1973) (Gupta,J.N.D.&Tunc,E.A.1991 (Brah,S.A.&Hunsucker,J.L.1991) (Rajendran,C.&Chaudhuri,D.1992 (Lee, C. Y., Cheng, T. C. E., & Lin, B. M. T. 1993) (VignierA.,Billaut,J.C.,&Proust,C.1996a)

MedidaEficiencia Cmax Cmax Cmax Cmax Cmax

Tcnica ProgramacinDInmica RamificacinyPoda RamificacinyPoda RamificacinyPoda RamificacinyPoda

Tmax

Procedimiento RamificacinyPoda

basado

(Riane,F.etal.1998)

Cmax

Ramificacin y Poda ProgramacinDinmica

Tabla39.ResumencontribucionesalproblemadelTallerdeFlujoHbridoconSolucionesExactas(elaboracin propia).

En el trabajo de (Paul, R. J. 1979) se plantea una simulacin de reglas heursticas de un problemadelTallerdeFlujoHbridodedosetapasapartirdeuncasorealdeunaempresade fabricacindeenvases.LaconclusindelestudioesquelareglaSPTeslaquemejorfunciona entretodaslasestudiadas. Dentrodeunaempresarealdefabricacindecableado,(Narasimhan,S.L.&Panwalkar,S.S. 1984) proponen la heurstica CMD (Desviacin acumulada mnima) para un Taller de Flujo Hbridodedosetapasconelobjetivodeminimizarlasumadelostiemposmuertosyeltrabajo encursoenlaltimaetapa.LareglaCMDessuperioraotrasheursticassencillascomoSPTy LPT.

158

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Referencias (Shen,V.Y.etal.1972) (Paul,R.J.1979) (Narasimhan,S.L.&Panwalkar,S.S.1984) MedidaEficiencia Cmax Cmax SumaTiempos Muertos+WIPen ltimaetapa Cmax Cmax+wi Tcnica HeursticabasadaenJohnson SimulacinReglas ReglaCMD

(Gupta,J.N.D.1988) (Wittrock,R.J.1988)

Heursticabasadaenndices Heurstica basada en Balance decargasdelcuellodebotella Heurstica de descomposicin basadaenJohnson Heurstica HeursticodelistaFAMyLBM SimulacinReglas SimulacinReglas Heursticatresfases

(Sriskandarajah,C.&Sethi,S.P.1989)

Cmax

(Gupta,J.N.D.&Tunc,E.A.1991), (Lee,C.Y.&Vairaktarakis,G.L.1994) (Hunsucker,J.L.&Shah,J.R.1994) (Brah,S.A.1996 (Vignier A., Billaut, J. C., Proust, C., & Tkindt,V.1996b) (Guinet,A.G.P.&Solomon,M.M.1996)

Cmax Cmax TrabajosRetrasados Tmax Lmax

Tmax

Heurstica de dos fases basada enMLP. VariasHeursticas

(Guinet,A.,Solomon,M.M.,Kedia,P.K.,& Dussauchoy,A.1996 (Haouari,M.&M'Hallah,R.1997)

Cmax

Cmax

Dos heursticas de dos fases basadas en Recocido Simulado yBsquedaTab. Heurstica basada Ramificacin y Poda AlgoritmoGentico en con

(Portmann,M.C.,Vignier,A.,Dardilhac,D., &Dezalay,D.1998)

Cmax

Tabla310.ResumencontribucionesalproblemadelTallerdeFlujoHbridoconSolucionesAproximadas (elaboracinpropia).

159

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ParaelcasodeminimizacindelCmax(Gupta,J.N.D.1988)analizauntallerdeflujocondos etapasaunquesloexistenmquinasmltiplesenlaprimera.Demuestraquelaresolucinde este tipo de problema implica minimizar el tiempo total de inactividad en la ltima etapa, como en el Taller de Flujo simple de dos etapas. Plantea una heurstica de lista basada en ndicesconelobjetivoquelamquinaasignadaaltrabajoenlaprimeraetapaquedelibrelo ms tarde posible (regla basada en el tiempo de proceso ms largo). Este procedimiento es extendidoalcasodemquinasmltiplesenlasegundaetapayunaenlaprimeraen(Gupta,J. N.D.etal.1991),probndosequeofreceresultadosptimosenelcasoenelqueelnmero demquinasenlasegundaetapaseamayorqueeldetrabajos.Encasocontrario,seplantean dos heursticas y un algoritmo de exacto de Ramificacin y Poda para abordar problemas de tamaopequeo. En(Wittrock,R.J.1988)seanalizaunproblemadeTallerdeFlujoHbridodondelostrabajos puedennopasarportodaslasetapas.Seplanteaundobleobjetivo,enprimerlugarminimizar elCmaxyensegundolugarminimizareltiempodeesperaencolas.Eltiemponecesariopara realizaruntrabajodependedelrecursoutilizadoydeltrabajo.Seproponenunasheursticas enlaqueprimeroseasignanlasmquinasencadaetapatratandodeminimizarencadaetapa lacargadelamquinacuellodebotella,despussesecuencianlostrabajosencadamquina y, por ltimo, se calcula la fecha de inicio de cada trabajo para equilibrar la carga de las mquinas. Para el problema de minimizacin del Cmax en un Taller con mquinas mltiples (Sriskandarajah, C. et al. 1989) tratan de resolver en la primera etapa y una mquina en la segundapara,posteriormente,abordarelproblemaconelmismonmerodemquinasenlas dos etapas. Utilizan una variante del algoritmo de (Johnson, S. M. 1954) aplicada a la descomposicin del problema en Msubproblemas de taller de flujo. Los mismos autores sealan que en el caso sin espera entre etapas se puede utilizar un algoritmo de resolucin basadoenelProblemadelViajantedeComercio.Ademssealanque,enelcasodeexistencia detiemposdemontajey/odesmontaje,sistosnodependendelasecuenciasepuedeusarel resultadode(Sule,D.R.&Huang,K.Y.1983). Losautoresde(Brah,S.A.etal.1991)proponenunprocedimientoexactodeRamificaciny PodaparaminimizarelCmaxparaelTallerdeFlujoHbridogeneral.Enelrboldebsqueda cadanodorepresentaauntrabajoydependedelaformaseestartomandounadecisinde secuenciacinoasignacin.Definendostiposdecotasmnimas.Unabasadaenlostrabajosy otra basada en las mquinas. El clculo de estas cotas se obtiene generalizando los razonamientoshabitualesdetallerdeflujoalcasodelosproblemasdeTallerdeFlujoHbrido. Los autores comparan el rendimiento del procedimiento con una serie de programas generados mediante un sencillo procedimiento de creacin de programas sin retraso, obteniendo mejores resultados, sin embargo se observa como el tiempo de clculo crece
160

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

cuandoseresuelvenproblemasdeungrannmerodeetapas(12horasenunIBMXTparaun problemade5etapas).

Referencias (Nowicki,E.&Smutnicki,C.1998)

MedidaEficiencia Cmax

Tcnica HeursticabasadaenBsqueda Tab SimulacinReglas

(Brah,S.A.&Loo,L.L.1999) (Gupta,J.N.D.&Tunc,E.A.1998) (Soewandi,H.&Elmaghraby,S.E.2001) (Soewandi,H.&Elmaghraby,S.E.2003) (Wardono,B.&Fathi,Y.2004) (Serifoglu,F.S.&Ulusoy,G.2004) (Allahverdi,A.&AlAnzi,F.S.2006) (Jin,Z.H.,Yang,Z.,&Ito,T.2006)

CmaxyFmedio

NTrabajosRetrasados HeursticabasadoenMoore Cmax Cmax Cmax Cmax Cmaxmedio Cmax Heurstica Heurstica BsquedaTab AlgoritmoGentico Heursticatresfases Heurstica en dos fases basada enRecocidoSimulado ColoniaHormigas AlgoritmoGentico

(Ying,K.C.&Lin,S.W.2006) (Gao,J.,Gen,M.,&Sun,L.Y.2006)

Cmax Cmax,Cargamximay CargaTotaldelas Mquinas wi*Ci+wi*Ti

(TavakkoliMoghaddam, R., RahimiVahed, A.,&Mirzaei,A.H.2007) (Yang,T.,Kuo,Y.,&Cho,C.2007)

AlgoritmoInmuneHMOIA

Tmax

AlgoritmoGentico

Tabla311.ResumencontribucionesalproblemadelTallerdeFlujoHbridoconSolucionesAproximadas (continuacindeTabla310).

En(Rajendran,C.&Chaudhuri,D.1992)setratandosproblemas,unodemquinasparalelasy otroparaelTallerdeFlujoHbridodedosetapas.Paraambos,seproponeunprocedimiento exactodeRamificacinyPodasimilaraldeen(Brah,S.A.etal.1991).Ladiferenciaestribaen que,enestecaso,losautoressolamenteconsideranlassecuenciasdepermutacin,aunque impliquenlaintroduccindetiemposdeinactividadenlasmquinas.Elalgoritmopropuesto

161

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica superaconcrecesaunaheursticadelistabasadaenlaregladetiempodeprocesomscorto, utilizadaconfinesdecomparacin. En el trabajo de (Lee, C. Y. et al. 1993) se estudia un problema de Taller de Flujo con tres etapasconintencindeminimizarelCmaxysedemuestraquesetratadeunproblemaNP Completo. Los autores proponen un procedimiento exacto mediante Ramificacin y Poda y tres heursticas de las cuales calculan los lmites. En (Lee, C. Y. et al. 1994) se analiza el problema de minimizacin el Cmax en el Taller de Flujo Hbrido de dos etapas con igual nmero de mquinas por etapa, resolvindolo mediante un algoritmo heurstico de lista que asigna los trabajos en la primera etapa mediante un procedimiento denominado FAM (First AvailableMachine)ylostrabajosalasegundaetapasonasignadosmedianteelprocedimiento denominadoLBM(LastBusyMachine).Losautoresextiendenestasideasalcasodeunnmero deetapask>2ydemuestranqueestaheursticatieneunacotadeerrortanbuenacomolade otrasheursticasconocidas.Losautoresdesarrollancincocotas,paradiferentescasos,parala heursticacomentadaquedemuestraquenoestlejosdelptimo. UnproblemaparticulardeTallerdeFlujoHbridoseabordaen(Hunsucker,J.L.etal.1994). Enestecasoconsideranqueelnmerodetrabajosqueenunmomentodadohayeneltaller estlimitadoporunaconstante.Medianteunmodelodesimulacinestudianelefectodeseis reglasdedespachoclsicassobreelnmerodetrabajosretrasados.Losresultadosconcluyen que el nmero mximo de trabajos en el sistema influye en el funcionamiento del mismo, siendolareglaSPT(ShortProcessingTime),laquemejorresultadotiendeadar.Elnmerode mquinas y etapas no es significativo. Experimentos similares utilizando como criterio el retrasomedio,ofrecenunbuenresultadoaplicandolareglaFIFO. En (Brah, S. A. 1996) se realiza un anlisis de simulacin de reglas heursticas basadas en la fechadeentregaenuntallerdeflujohbrido.Enconcretoanalizaelimpactoquetienensobre la tardanza media diez reglas heursticas tomadas de la literatura. Concluye que la tardanza mediadecrececuandoaumentaelnmerodeetapasdeltallerenelcasodeungrannmero de trabajos a secuenciar, aumentando la tardanza con el nmero de trabajos para una configuracin fija del taller. Tambin se observa que el impacto de la regla es menor que el debido a las caractersticas del taller. Sin embargo se concluye que las reglas que funcionan mejorsonlasbasadasenunacombinacindeholguraportrabajorestanteytiempodetrabajo mscorto,menorfechadeentregay menorfechadeentrega modificada.(Brah,S.A.etal. 1999) analiza el rendimiento de diversas heursticas en un Taller de Flujo Hbrido. Analizan cincodelasreglasdedespachoquemejorsehancomportadoenestetipodetalleresparael Cmax y el tiempo medio de flujo. El estudio tiene en cuenta factores como el nmero de mquinasmltiplesencadaetapa,elnmerodetrabajosyelnmerodeetapas.Losautores concluyenenquelaestructura/configuracindelproblemaexplicamuchosdelosresultados
162

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

obtenidosperoquelasreglasutilizastieneninfluenciayquelaheursticade(Nawaz,M.etal. 1983)eslaquemejorresultadoproporciona. A partir de un modelo mediante Programacin Lineal Mixta del problema de Taller de Flujo Hbrido general con fechas de entrega y cuyo objetivo es minimizar la tardanza mxima (Guinet,A.G.P.etal.1996)proponenunprocedimientoheursticoendosfases.Enlaprimera seordenanlostrabajosmediantevariasheursticastalescomolareglaCDS(Campbell,H.G., Dudek, R. A., & Smith, M. L. 1970), la heurstica NEH (Nawaz, M. et al. 1983), la de (Townsend, W. 1977) y una heurstica de lista que utiliza la mejor regla entre la SPT, EDD y MST(entodasellasseutilizaeltiempodeprocesoencadaetapadivididoporelnmerode mquinasdelaetapa).Enlasegundafase,elprocedimientoasignalostrabajosalamquina que minimiza su fecha de finalizacin en la ltima mquina o la fecha de finalizacin en la siguienteetapa.EnelestudioseconcluyequelaheursticaNEHessuperioralasrestantesen lamayoradelosproblemasanalizados. En(VignierA.etal.1996b)seproponeunmodeladoanalticoydosheursticaspararesolverel problemadeTallerdeFlujoHbridoconunamquinaenlasegundaetapa.Enlaprimera,se secuencian los trabajos en la segunda etapa segn su fecha de entrega, condicionando las fechas de entrega en la primera etapa y minimizando el retraso mximo (Lmax). La segunda heurstica se compone de tres fases, y se basa tambin en la regla de fecha de entrega ms temprana para generar una secuencia que definir unas holguras entre las dos etapas del taller.Estasholgurassontenidasencuentaparasecuenciarlostrabajosenlaprimeraetapa. (VignierA.etal.1996a)estudianelproblemadeTallerdeFlujoHbridogeneralconfechasde llegada y fechas de entrega, con el objetivo de minimizar el retraso mximo. Cada mquina tiene un calendario de funcionamiento y se plantea un algoritmo exacto basado en el procedimientode(Brah,S.A.etal.1991). En(Guinet,A.,Solomon,M.M.,Kedia,P.K.,&Dussauchoy,A.1996)seplanteaotromodelo deProgramacinLinealMixtaparaelproblemademinimizacindelCmaxcondosetapas.Se proponenvariasheursticasparasuresolucin. Losautoresde(Haouari,M.etal.1997)analizanelTallerdeFlujoHbridodedosetapasconel objetivodeminimizarelmakespan.Desarrollandosmtodosaproximadosendosfases.Enla primera se genera una solucin mediante un algoritmo de lista basado en la regla de Mayor Trabajo Pendiente. Este programa es mejorado mediante tcnicas basadas en Recocido SimuladoyBsquedaTab.Enambaslassolucionessecodificanmediantelalistausadaenla primerafase.Detalmaneraqueseasumequelostrabajossevanasignandosegnsequedan libreslasmquinas.Losmovimientossebasanenintercambiodetrabajosadyacentesonoen lalista.Serealizanunestudioexperimentalcomparadoconlaheursticapropuestapor(Lee,C.
163

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Y.etal.1994).Demostrandoquelapropuestaarrojaresultadosmejorescuantomayoresel tamaodelejemplodelproblema. En (Portmann, M. C. et al. 1998) se analiza y proponen una mejora del procedimiento Ramificacin y Poda (B&B) de (Brah, S. A. et al. 1991). A partir de una definicin de cotas mejoradas,losautoresplanteanunametaheursticamedianteunAlgoritmoGenticoincluido en el procedimiento de B&B para mejorar en ciertas etapas los valores de la cota superior. Para ello en las etapas del proceso de B&B que ya han sido ejecutadas hasta el nodo se consideranfijas,usandoelAlgoritmoGenticoparamejorarlasetapasposteriores.Elcdigo de una solucin consta de dos partes. En la primera, se representa la asignacin de cada trabajoaunadelasmquinasdecadaetapamedianteunaseriedecadenas.Ensegundolugar seusaunamatrizbinariaMxMporcadaetapadondesiM(i,j)=1implicaqueiprecedeajen una mquina, M(i,j)= 1 en caso contrario y M(i,j)=0 si se ejecutan en mquinas diferentes. Debido a este procedimiento de codificacin, es necesario reparar la solucin obtenida despus de aplicar los operadores de cruce y mutacin. Los autores concluyen que el algoritmoqueincluyelamodificacindelacotasuperiordelprocedimientoB&Besnetamente superior a la versin que no lo incluye. Por lo que es un buen enfoque a tener en cuenta cuandolascotasenlosalgoritmosdeestetiponosonmuybuenas.Estealgoritmotieneen cuenta las decisiones ya tomadas a lo largo de la arborescencia para construir una serie de poblacionesconstituidasporsolucionescompletas. En(Nowicki,E.etal.1998)seplanteaunprocedimientometaheursticomedianteBsqueda Tab para resolver el Taller de Flujo Hbrido minimizando la fecha de finalizacin del ltimo trabajo. Para ello, y basndose en una representacin del problema mediante grafos y los trabajos que pertenecen al camino crtico del mismo en cada etapa (bloques), definen una serie de movimientos tiles que definen un entorno reducido al problema. Los movimientos tabprohbenlavueltadeltrabajorecinmovidoalcentrodelqueprocede.Paraejecutarun movimiento,segeneraunalistadecandidatosnoprohibidosoprohibidosperoquemejoranel valordelmakespan.Apartirdeellosseeligeelmejormovimiento.Sinosepuedegenerarla listadecandidatosserelajalarestriccintabmsantiguahastaqueesposiblegenerarla.El inicio del algoritmo es heurstico, utilizando una serie de once heursticas. Los autores proponen dos mejoras a su algoritmo; una implementacin avanzada de la lista tab y un procedimiento rpido de clculo del makespan a partir de la solucin previa. El algoritmo implementado mejora todas las heursticas analizadas, puesto que encuentra soluciones mejoresenmenortiempodeclculo. En el trabajo de (Riane, F. et al. 1998) se plantea un estudio para la minimizacin del makespanenunTallerdeFlujoHbridodetresetapasapartirdeuncasodeunaindustriade fabricacindetableros,conunamquinaenlasetapasunoytresydosmquinasenlasetapas intermedias en las que la asignacin de los trabajos se realiza con antelacin. Proponen dos
164

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

algoritmos para su resolucin. El primero se basa en aplicar Programacin Dinmica a una secuencia de los trabajos obtenidos, mediante la regla CDS, y subdivide el problema en dos subproblemasenfuncindequelostrabajosseasignenalaprimeraosegundamquinadela segundaetapa.ElsegundoenfoquesebasaenunalgoritmodeRamificacinyPoda.Paraello, definen cotas superiores del makespan. Este ltimo procedimiento se revela mejor que el primero. En (Gupta, J. N. D. et al. 1998) se analiza un taller de flujo hbrido de dos etapas, donde la primera consta de una nica mquina y cuyo objetivo es minimizar el nmero de trabajos retrasados.Planteandosprocedimientosheursticosbasadosenelplanteamientode(Moore, J. E. 1975). Mediante un diseo de experimentos concluyen que el funcionamiento de las heursticas depende de parmetros propios del proceso, tales como las fechas de entrega y tiemposdeprocesodelostrabajos,ascomoelnmerodemquinasenlasegundaetapa. Autorescomo(Soewandi,H.etal.2001)seplanteanelretodeminimizarelCmaxenunTaller de Flujo con tres etapas y mquinas idnticas en paralelo. Se propone una heurstica y se calculan las cotas de la misma para calcular su distancia al ptimo. En (Soewandi, H. et al. 2003)seproponeunanuevaheursticaperoestavezparauntallercondosetapasymquinas uniformes. Eneltrabajode(Wardono,B.etal.2004)seplanteaunasolucinbasadaenBsquedaTab para el problema del taller de Flujo Hbrido con limitacin de capacidad entre etapas. El algoritmo propuesto complementa la bsqueda con una heurstica que se utiliza para permutar trabajos y alimentar al procedimiento de bsqueda. EL objetivo es minimizar el makespan.Losautoresrealizanunestudioemprico. BajounamplioanlisisdelproblemadelTallerdeFlujoHbridoenelcontextodelaindustria textilconelobjetivodeminimizarelCmax(Serifoglu,F.S.etal.2004)proponenunAlgoritmo Gentico y lo comparan con diferentes heursticas en un banco de pruebas de ms de cuatrocientas instancias resultando eficiente tanto para problemas pequeos como de gran tamao. (Allahverdi,A.etal.2006)aplicalastcnicasconocidasdesecuenciacinyProgramacindela Produccin a un sistema de computacin distribuido. El objetivo es reducir el timpo de respuestamedio(Cmaxmedio).LosautorescaracterizanestesistemacomounTallerdeFlujo Hbrido y proponen una nueva heurstica que se ejecuta en tres fases. Los resultados comparativosindicanquelapropuestaesbastantemejorqueotrasconocidastantoeneficacia comoenconsumodetiempodeclculo.
165

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica En(Jin,Z.H.etal.2006)seafrontaalareduccindelmakespanenunTallerdeFlujoHbrido con mquinas idnticas en cada etapa. Los autores proponen una metaheurstica que en primer lugar secuencia los trabajos y despus los asigna a las mquinas contemplando parcialmenteeltallerenestasegundaparte.ElalgoritmosebasaenunRecocidoSimuladocon bsquedaenprofundidadvariable.Losresultadosexperimentalesconfirmangraneficacia. Losautoresde(Ying,K.C.etal.2006)abordanelproblemademinimizacindelCmaxenun TallerdeFlujoHbridoyanalizanlaimportanciaquetieneesteplanteamientoennumerosas industrias. Los autores proponen una metaheurstica bioinspirada como es la Colonia de Hormigas. Comparan los resultados obtenidos con Algoritmos Genticos y Bsquedas Tab obteniendobuenosresultados. Despus de un anlisis del problema del Taller de Flujo Hbrido con Tiempos de no Disponibilidad de las mquinas desconocidos a priori (Gao, J. et al. 2006) plantean un Algoritmo Gentico que con una innovadora representacin del fenotipo sobre la que se aplicanunabsquedalocalydosformasdeseleccindelvecindario.Seanalizanlosresultados para la minimizacin de Cmax, la carga mxima de una mquina, y la carga total de una mquina. Eneltrabajode(TavakkoliMoghaddam,R.etal.2007)serealizaunapropuestadeAlgoritmo InmunebioinspiradoparaafrontarelproblemadelTallerdeFlujoHbridomultiobjetivo.Los autores se plantean la minimizacin de la suma de la fecha de finalizacin ponderada y del retrasoponderadodecadatrabajo.Paraevaluarlasolucindecomparaconotraspropuesta conenfoqueevolutivo. En(Yang,T.etal.2007)seanalizaelproblemadeunaempresafabricantedecondensadores elctricos y la caracterizan como un Taller de Flujo Hbrido. Se trata de un taller con caractersticasespeciales,yaquetienemsdediezetapas,unpardeellassonprocesadasen lotesylaetapafinalrequieredisponibilidaddeunconjuntodelotespararealizarunmontaje. Su objetivo es minimizar el retaso mximo. Los autores plantean un Algoritmo Gentico que demuestraserbastantesensiblealasrestriccionesplanteadas. El Taller de Flujo Hbrido considera parcialmente el problema de Programacin de la Produccinqueseabordarenestatesisyporlotantoalgunasdelosprocedimientoaplicados puedensertilesenlafaseaplicacin.Esdeespecialinters,enesteapartado,elanlisisque losdiferentesautoresrealizandelaspectoconcretodelainfluencialasmquinasmltiplesen cada etapa sobre la eficacia de los mtodos propuestos. Habra que destacar el uso mayoritario de procedimientos aproximados para problema de tamao mediogrande. As
166

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

mismo,seempiezaaintuirunpredominiodedosenfoquesheursticoscomosonlasHeursticas AdHocylosAlgoritmosGenticos.

3.7.2 ElCasodelTallerdeFlujoHbridoconTiemposdeCambiodePartida DependientesdelaSecuencia.

El problema que se analiza en este apartado es el de mayor complejidad de los vistos en relacinconelTallerdeFlujo.Sinembargo,esdedemayorintersencuantoasuaplicacinal caso que se analizar en esta tesis. Este tipo de taller se puede identificar con la siguiente codificacin:n/m/F,kparallel,setupSD/Medida. Dentro de los problemas del Taller de Flujo este puede ser uno de los menos tratados histricamente, y que sin embargo ms inters han generado en los ltimos aos. A continuacin se analizan las referencias ms importantes que se han encontrado, y que se correspondenconlosltimosaos.Hayquedestacarquelaspropuestaspresentadasporlos diferentes autores estn siempre basadas en mtodos heursticos o aproximados. Se puede verelresumenenlaTabla312yTabla313. En el trabajo de (Kochlar, S. & Morris, R. J. T. 1987) se denomina a este tipo de configuracionescomolneasdeFlujoFlexiblesyplanteanheursticasconsiderandotiemposde ajuste, almacenes finitos, bloqueo y tiempos de reparacin en las mquinas. Las heursticas planteadastratandeminimizarlosefectosdelostiemposdeajusteyelbloqueo. En (Kochlar, S. et al. 1987) se aborda un caso real en una empresa de fabricacin de papel modelandocomounproblemadedosetapasconmltiplesmquinasporetapaytiemposde cambio y proceso dependientes de la secuencia siendo la funcin objetivo la suma de los costes de asignacin y los costes de cambio y teniendo en cuenta una restriccin de equilibrado de las lneas. La resolucin se basa en una reduccin del problema a dos subproblemasdeasignacinysecuenciacinenmquinasparalelasjustificadaporlaexistencia deunalmacnentreetapasdegrancapacidad.ElprocedimientoProgramahaciaatrsdesde laltimaetapaenunaprimerafase,asignandolostrabajosalasmquinasdecadaetapaen funcin de las disponibilidades y de las fechas de entrega, y posteriormente secuencian los trabajosenunasegundafasedesdelaprimeraetapaenadelanteconelobjetivodeminimizar lostiemposdecambioentrelostrabajosencadamquina.Losautoresproponenademsun modelo de PLM para el problema completo en cada etapa descomponindolo en sendos modelosPLMparalossubproblemasdeasignacinysecuenciacin.

167

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica En(Gupta,J.N.D.&Tunc,E.A.1994)seestudiaelproblemadeTallerdeFlujoHbridodedos etapas, donde la primera etapa solo est constituida por una mquina. Entre cada trabajo aparecentiemposdemontajeydesmontajenodependientesdelasecuenciayelobjetivoes minimizarel makespan.Definendoscotasmnimasdeduracin y,apartirdeellas,plantean cuatroheursticasbasadasenlosresultadosde[SuleyHuang,1983]y[SzwarcyGupta,1987]. Lasheursticasresuelvenprimerounproblemadesecuenciacinentallerdeflujosimpleya partir de esta secuencia asignan a las mquinas de la segunda etapa siguiendo un planteamientodelanzamiento.

Referencias (Kochlar,S.etal.1987)

MedidaEficiencia TiemposAjuste

Tcnica Heurstica usando tiempos de ajuste/Preparacin

(Kochlar,S.etal.1987)

SumaCosteAsignacin Heursticadosetapas yAjuste Cmax Cmax,Fmax,Fmedio Heursticas Heurstica

(Gupta,J.N.D.etal.1994) (Aghezzaf,E.A.,Artiba,A.,&Elmaghraby,S. E. 1995a) y (Aghezzaf, E. A., Artiba, A., Moursli,O.,&Tahon,C.1995b) (Li,S.L.1997) (Andres, C., Abad, R., Ros, L., & Vicens, E. 1998) (Liu,C.Y.&Chang,S.C.2000)

TiemposAjuste Cmax

VariasHeursticas Heurstica

TiemposyCostesde Setup

HeursticabasadaenRelajacin Lagrangiana

Tabla312.ResumencontribucionesalproblemadelTallerdeFlujoHbridoconSDSTconSoluciones Aproximadas(elaboracinpropia).

En (Aghezzaf, E. A. et al. 1995a) y (Aghezzaf, E. A. et al. 1995b) plantean un algoritmo heurstico a dos fases para resolver el problema de Taller de Flujo Hbrido con Tiempos de Cambio Dependientes de la Secuencia que aparece en una empresa textil mediante su descomposicin en varios subproblemas de mquinas paralelas. Se estudia para el caso de minimizacin del Cmax, Fmax y Flujo medio. En una primera fase los autores resuelven un problemadeasignacinysecuenciacin,suponiendofijadaslostamaosdeloslotes.Enuna segunda fase se consideran fijados los Tiempos de Proceso unitario y las cantidades a producir,conloquesedebedeterminareltamaodelossublotesaproducirenunhorizonte discreto.
168

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Referencias (Kurz,M.E.&Askin,R.G.2003) MedidaEficiencia Cmax Tcnica Heursticas: Insercin, basadas en Johnsosn, y heursticas Voraces 4 Heursitcas + Algoritmos GenticosClavesaleatorias Heurstica no permutacin a permutacin AlgoritmoInmune

(Kurz,M.E.&Askin,R.G.2004)

Cmax

(Pugazhendhi, S., Thiagarajan, S., Rajendran,C.,&Anantharaman,N.2004) (Zandieh,M.,Ghomi,S.M.T.F.,&Husseini, S.M.M.2006) (Logendran,R.,deSzoeke,P.,&Barnard,F. 2006) (GomezGasquet, P., Andres, C., & Garca Sabater, J. P. 2004;Stania, L., Gomez Gasquet,P.,&Andres,C.2006) (Ruiz,R.&Maroto,C.2006) (Ruiz,R.etal.2008b) (Jungwattanakit, J., Reodecha, M., Chaovalitwongse,P.,&Werner,F.2008)

wifj

Cmax

Cmax

Bsqueda Tab + Heursitica Inicial ReglasDespacho

Tj

Cmax Cmax Cmax+NTrabajos Retrasados

AlgoritmoGentico AlgoritmoGentico Heursticas. ShiftJobs Genticos Mejorada con y Algoritmos

(Ruiz, R., Serifoglu, F. S., & Urlings, T. 2008a)

Cmax

ModeloMIPyHeursticas

Tabla313.ResumencontribucionesalproblemadelTallerdeFlujoHbridoconSDSTconSoluciones Aproximadas(continuacindeTabla312(elaboracinpropia)).

Elautorde(Li,S.L.1997)analizaelproblemadeTallerdeFlujoHbridoconunanicamquina enlaprimeraetapaytiemposdesetupmayoresymenores,independientesdelasecuencia.El autorplanteadosheursticas,haciadelanteyhaciaatrs(forwardybackward)quetiendena reducirlostiemposdeajuste.Lasfamiliassonsecuenciadasutilizandouncriteriobasadoenlos tiemposdesetupmayoresylasumadelostiemposdesetupmenoresenlafamilia.Mientras quelostrabajosdentrodecadafamiliasonsecuenciadosenprogresindecrecientedelasuma de los tiempos de ajuste menor y los de proceso. Los factores considerados dentro de los experimentossonelnmerodemquinasenlaetapa2,elnmerodefamilias,elnmerode lotes por familia, el tamao de los lotes, los tiempos de ajuste mayores y menores en la
169

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica primera y segunda etapas. La conclusin de los autores es que la heurstica basada en la secuenciacinhaciaatrs(delaltimaetapaalaprimera)esmseficientequelabasadaenla secuenciacinhaciadelante.Adems,experimentalmenteanalizansendasvariantesbasadas en la posibilidad de fragmentar los lotes comprobndose que esta opcin mejora los resultados.Otroresultadoserefierealestudiodediferentesreglasparasecuenciarenlanica mquina de la primera etapa, en concreto se analizan seis, todas ellas utilizando en su definicin los tiempos de ajuste mayores y menores, revelndose como la mejor de ellas la basadaenelmenortiempodeprocesomsajustemedio. En(Andres,C.etal.1998)seafrontelproblemaparauntallerdeFlujodedosetapasconun Algoritmo Gentico. Se codifican los trabajos en la primera etapa plantendose la secuenciacinenlasegundamediantelaasignacindelosdiversostrabajosalamquinaque primeroquedalibre. En(Liu,C.Y.etal.2000)seabordaelproblemadelTallerdeFlujoHbridoconTiemposyCoste DependientesdelaSecuenciayfechasdellegadadiferentes(n/m/F,kparallel,setup,ri/)con el objetivo de minimizar los Tiempos y Costes de Setup. Se plantea un modelo de ProgramacinEnteraseparableyseaplicsobreellatcnicaderelajacinLagrangianaconlo queseobtuvounaheurstica. Elprobleman/m/F,kparallel,setup/Cmaxfueanalizadopor(Kurz,M.E.etal.2003)cuando algunos trabajos tenan la posibilidad de realizar menos de m operaciones. Propusieron y estudiarontrestiposdeheursticasllamadasheursticasdeInsercin,basadasenJohnsosn,y heursticas Voraces. Identificando las condiciones bajos las cuales la propuesta funcionaba correctamente. Para el problema n/m/F, kparallel, setup/Cmax, (Kurz, M. E. et al. 2004) compararon cuatro heursticas, identificando lmites inferiores y comparando las misma con dichoslmites,algunabasadaenAlgoritmosGenticosconClavesaleatorias. En(Pugazhendhi,S.etal.2004)seafrontelprobleman/m/F,kparallel/wifj,dondealgunos trabajos no realizaban m operaciones. Los autores propusieron un procedimiento heurstico para alcanzar una secuencia de no permutacin a partir de una secuencia de permutacin dada,demostrandosuutilidad. Enlapropuestade(Zandieh,M.etal.2006)sedesarrollunAlgoritmoInmuneydemuestran que este algoritmo supera al Algoritmo Gentico con claves aleatorias de (Kurz, M. E. et al. 2004). ConeldesarrollodetresalgoritmosbasadosenBsquedaTablosautoresde(Logendran,R. etal.2006)realizaronunamplioestudioestadsticorelacionadoconelCmaxylostiemposde
170

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

computacin. En todos los casos se consideraron diversos procedimientos para fijar una solucinidealquefacilitaseeliniciodelabsqueda. En(GomezGasquet,P.etal.2004;Stania,L.etal.2006)seevaluarondiversasreglasreglasde despachoparaelprobleman/3/F,kparallel,setup/.Enelprimercasoparadiezreglasyenel segundo caso trece reglas con el objetivo de minimizar el retraso promedio. En el segundo trabajo se concluyo que las reglas que contemplaban explcitamente la consideracin de los Setuperanmseficacesqueelresto. El problema n/m/F, kparallel, setup/Cmax tambin fue analizado por (Ruiz, R. et al. 2006), peroenestecasoenunentornodeIndustriaCermicaymscomplejo.Lasmquinasdecada etapaerannorelacionadasyenalgunoscasosciertostrabajosnoeranejecutablesenciertas mquinas.LosautorespropusieronunAlgoritmoGenticoenelquesediscuteampliamentele procesodecalibradoascomolosresultadosobtenidos.En(Ruiz,R.etal.2008b)sepresenta unmodelomatemticoyalgunasheursticasparaelprobleman/m/F,kparallel,setup/Cmax. Dondeseconsideranvariosparmetrosprximosalarealidadcomoeselcasodetrabajono elegiblesenciertamquinas,mquinasnorelacionadas,posiblesCambiosdePartidaquese pueden realizar de forma anticipada o no anticipada, etc. Los autores obtienen soluciones prximasalptimo,inclusoeninstanciasdegrantamao.En(Ruiz,R.etal.2008a)serealiza unaaproximacinalmodeladoprcticodeproblemasrealesdeminimizacindelCmaxenel mbito del Taller de Flujo Hbrido desarrollando modelos de Programacin Entera Mixta y heursticas. Los autores tienen en cuenta el problema aadido de los Tiempos de cambio de PartidaDependientesdelaSecuencia.Serealizaunaevaluacindelaspropuestas. A partir del problema del Taller de Flujo Hbrido en una industria textil con mquina no relacionadas y Tiempos de Cambio de Partida (Jungwattanakit, J. et al. 2008) plantean minimizar dos objetivos simultneamente, el Cmax y el nmero de trabajos retrasados. Se planteaunmodelodeProgramacinEnteraMixta.DadoqueelproblemaesNPCompletolos autores desarrollan una serie de heursticas. Inicialmente se plantean una serie de reglas de despacho en combinacin con heursticas constructivas. Posteriormente se mejoran proponiendounmtododemovimientodetrabajosyotrosbasadoenunAlgoritmoGentico. Lapropuestasetesteacomparndolaconotrasconcincuentatrabajosy20etapas. La Programacin de la Produccin en un Taller de Flujo Hbrido con Tiempos de Cambio de PartidaDependientesdelaSecuenciaesunaspectoqueensmismosedeseaabordarenesta tesis, y por lo tanto algunas de los procedimiento recopilados pueden ser tiles en la fase aplicacin.

171

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Enesteapartadohasidorelevanteanalizarcomolosautoreshancombinadodoscondiciones queincrementanbastanteladificultadderesolucin,comosonladisponibilidaddemquinas alternativas en cada etapa y la inclusin de los Tiempos de Cambio Dependientes de la Secuencia.Enestetipodeproblemaslosmtodosexactoscasinoexisten,inclusoesdifcilver su aplicacin a problemas sencillos. Es por lo tanto, dentro de los tipos de problema estudiados, donde ms mtodos aproximados se han desarrollado. Aunque no puede verse con claridad un predominio de ningn mtodo aproximado, los procedimientos metaheursticostienenunaimportantepresenciacuantomscomplejoeselproblema,incluso por encima de las heursticas AdHoc. Tambin sera destacable la presencia en los ltimos aosdenumerososAlgoritmosbioinspiradosqueproporcionaresultadosmuycompetitivos.

3.8

Conclusiones

En este captulo se ha realizado un amplio recorrido sobre las referencias literarias ms significativas de cada uno de los aspectos que han sido destacados. Se ha partido de una revisindelprocesodeProgramacindelaProduccinenelapartado2.Enelapartado3se hansubrayadoaspectosrelativosalateorageneraldelaProgramacindelaProduccin.Enel apartado 4, se han presentado caractersticas generales del problema que se plantea en relacin a la Incertidumbre y el problema de la Reprogramacin. En el apartado 5, se ha realizadounaintroduccinalTallerdeFlujoconsusdiferentesvariantes,enelquesedefine sus principales caractersticas. En el apartado 6, se han analizado las caractersticas de los procedimientosderesolucindelosproblemascombinatoriosenrelacinalaProgramacin delaProduccin.Enelapartado7,sehanpresentadolosmtodosyalgoritmosderesolucin delTallerdeFlujoconTiemposdeCambiodePartidaDependientesdelaSecuencia,delTaller deFlujoHbrido,ydelTallerdeFlujoHbridoconTiemposdeCambiodePartidaDependientes delaSecuencia. EstarevisinbibliogrficahapermitidoobservarcomoenlaProgramacin/Secuenciacindela Produccin existe una preocupacin por los problemas con Incertidumbre, pero con una escasapresenciaenlaliteraturaencontraposicinalosproblemasdeterministas.Asmismo, la literatura referencia ya desde (Graham, R. L. 1969) problemas con enfoques cambiantes, perosuaplicacinharesultadosermuyescasafrentealoscasosestticos.Porotrolado,se haobservadocomomuchasdelasreferenciasrelevantesenelmbitodelaReprogramacin conIncertidumbreprocedendeunaaplicacinenelmbitodelainformtica.Enelcampo delaProgramacindelaProduccinseidentificadounprogresivointersporlosproblemas deReprogramacinafectadosporalgntipodeIncertidumbre.

172

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Alfinalizarestecaptulosepuededecirque existe unapropuestaque pareceinteresante en relacinalaestrategiapararealizarlaProgramacindelaProduccin:ElenfoquePredictivo Reactivo. Esta aproximacin permitira iniciar cada periodo productivo con un Programa establecidoenuncontextodeterminista(apriori)yenfuncindeloscambiosproducidospor laincertidumbreconsustancialconelentornoaplicarrevisionesdelProgramaparaajustarloa larealidad.LaPropuestaPredictivoReactivaseajustabastante bienalaformadetrabajar actualmenteimplantadaenmuchasdelasempresasproductorasdebaldosascermicas,lo quepermitiraabordarelproblemadelaincertidumbresinproponercambiosradicales.

En cuanto a los mtodos y algoritmos revisados para problemas similares al identificado, la mayora de ellos emplean modelos matemticos para la definicin del problema, pero son pocas las referencias que utilizan tcnicas optimizadoras, decantndose la mayora por algoritmos heursticos o metaheursticos. Entre las tcnicas no optimizadoras existen dos tendencias, que a medida que el problema se orienta ms a entornos dinmicos o semi dinmicos se acentan, ests son: Las heursticas adhoc o las metaheursticas con cierto mimetismo con la naturaleza o bioinspiradas. Esta tendencia potencia la necesidad de examinar nuevas referencias en relacin con la denominada Teora de la Agencia, que introduce un paradigma nuevo a partir de concepto de Inteligencia Artificial, y que en cierta medida estn orientados en la misma lnea que los algoritmos bioinspirados. Este ser el objetodelprximocaptulo.

3.9

Bibliografa

AbdelWahab, H. M. & Kameda, T. 1978. Scheduling to minimize maximum acumalative cost subjecttoseriesparallelprecedenceconstraints.OperationsResearch,26:141159. Abumaizar, R. J. & Svestka, J. A. 1997. Rescheduling job shops under random disruptions. InternationalJournalofProductionResearch,35(7):20652082. Adam,N.R.&Surkis,J.1980.Priorityupdateintervalsandanomaliesindynamicratiojobshop schedulingrules.ManagementScience,26:11271137. Aggarwal, S. C. & McCart, B. A. 1974. The development and evluation of a cost based compositeschedulingrule.NavalResearchLogistics,21:155169. Aghezzaf, E. A., Artiba, A., and Elmaghraby, S. E. Hybrid FlowShop: an LP based heuristic for planninglevelproblems.ETFAProceedings,551559.1995a. Aghezzaf, E. A., Artiba, A., Moursli, O., and Tahon, C. Hybrid Flowshops problems, a decomposition based heuristic approach. International Conference on Industrial Ingeneering andProdcutionManagemanent(IEPM95).FUCAM/IFIP/INRIAProceeding,4356.1995b.
173

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Akturk,M.S.&Gorgulu,E.1999.Matchupschedulingunderamachinebreakdown.European JournalofOperationalResearch,112(1):8197. Allahverdi, A. & AlAnzi, F. S. 2006. Scheduling multistage parallelprocessor services to minimizeaverageresponsetime.JournaloftheOperationalResearchSociety,57(1):101110. Allahverdi,A.&Aldowaisan,T.2001.Minimizingtotalcompletiontimeinanowaitflowshop with sequencedependent additive changeover times. Journal of the Operational Research Society,52(4):449462. Allahverdi, A., Ng, C. T., Cheng, T. C. E., & Kovalyov, M. Y. 2008. A survey of scheduling problems with setup times or costs. European Journal of Operational Research, 187(3): 985 1032. Allahverdi, A. & Soroush, H. M. 2008. The significance of reducing setup times/setup costs. EuropeanJournalofOperationalResearch,187(3):978984. Alvarez, E. & Diaz, F. 2004. An application of a realtime scheduling system for turbulent manufacturing environments. Robotics and ComputerIntegrated Manufacturing, 20(6): 485 494. Andrs,C.2001.ProgramacindelaProduccinenTalleresdeFlujoHbridosconTiemposde Cambio de Partida dependientes de la secuencia. Modelos, Mtodos y Algoritmos de Resolucin.AplicacinaEmpresasdelSectorCermico.UniversidadPolitcnicadeValencia. Andres,C.,Abad,R.,Ros,L.,andVicens,E.AGeneticAlgorithmforProductionSchedulingina two stage Hybrid flowshop with sequence dependent setup times. 16th European Conference onOperationResearch.1998.Belgium. Andres, C., Toms, J. V., GarcaSabater, J. P., and Miralles, C. A multiobjective genetic algorithmtosolvetheschedulingprobleminflowshopswithsequencedependentsetuptimes. Proceedings of the International Conference on Industrial Engineering and Systems Management,630635.2005.Marrakech,Morocco. Andres,C.,Vicens,E.,andLarioF.C.Algoritmoderecocidosimuladoparalasecuenciacinen talleresdeflujohbridoscontiemposdecambiodepartidadependientesdelasecuencia.XXVI Congresonacionaldeestadsticaeinvestigacinoperativa.2001.beda(Jaen). Anglani, A., Grieco, A., Guerriero, E., & Musmanno, R. 2005. Robust scheduling of parallel. machines with sequencedependent setup costs. European Journal of Operational Research, 161(3):704720. Apics.Diccionario.1994.AmericanProductionandInventoryControlSociety. Artigues, C. 1997. Ordennancement en temps reel dateliers avec temps de preparation des ressources.LAAS.UniversitPaulSabatierdeToulousse. Aytug,H.,Bhattacharyya,S.,Koehler,G.J.,&Snowdon,J.L.1994.Areviewofmachinelearing inscheduling.IEEETransactionsonEngineeringManagement,41(2):165171.
174

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Aytug, H., Lawley, M. A., Mckay, K., Mohan, S., & Uzsoy, R. 2005. Executing production schedulesinthefaceofuncertainties:Areviewandsomefuturedirections.EuropeanJournalof OperationalResearch,161(1):86110. Baker,K.R.1974.IntroductiontoSequencingandScheduling.NewYork:JohnWileyandSons. Baptiste, P. & Favrel, J. 1993. Taking into account the rescheduling problem during the schedulingphase.ProductionPlanning&Control,4:349360. Barber, F. 2003. Presentacion de la Monografa: Problemas de Satisfaccin de Restricciones. RevistaIberoamericanaDeInteligenciaArticial,3(20):79. Barroso, A. M., Leite, J. C. B., & Loques, O. G. 2002. Treating uncertainty in distributed scheduling.JournalofSystemsandSoftware,63(2):129136. Bartk, R. Theory and practice of constraint propagation. Figwer, J. 3rd Workshop on Constraint Programming in Decision and Control. Constraint Programming in Decision and Control.2001.Poland. Bean, J. C., Birge, J. R., Mittenthal, J., & Noon, C. E. 1991. Machup scheduling with multiple resourcereleasedatesanddisruption.OperationsResearch,39:470483. Bellman, R. & Zadeh, L. A. 1970. Decisionmaking in a fuzzy environment. Management Science,17,nr.4:141164. Bemelman,R.,Tharumarajah,A.,Welgama,P.,&Wells,A.1999.Applicationofabehaviour based scheduling approach for distributed scheduling of an assembly shop. Production Planning&Control,10(3):266275. Bhaskaran, K. & Pinedo, M. 1991. Dispatching. In G. Salvendy (Ed.), Handbook of Industrial Engineering:NewYork:Wiley. Black, G. W., McKay, K. N., & Messimer, S. L. 2004. Predictive, stochastic and dynamic extensionstoaversiondynamicsscheduling.JournalofScheduling,7(4):277292. Blazewicz,J.,Ecker,K.H.,Pesch,E.,Schmidt,G.,&Weglarz,J.1996.Schedulingcomputerand manufacturingprocesses.Springer. Bollapragada, R. and Sadeh, N. M. Costbased approaches to stochastic job shop scheduling problems.1996.ResearchReport,RoboticsInstitute,CarnegieMellonUniversity. Bollapragada, R. & Sadeh, N. M. 2004. An empirical study of policies to integrate reactive scheduling and control in justintime job shop environments. International Journal of ProductionResearch,42(4):693718. Brah,S.A.1996.Acomparativeanalysisofduedatebasedjobsequencingrulesinaflowshop withmultipleprocessors.ProductionPlanning&Control,7(4):362373.

175

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Brah, S. A. & Hunsucker, J. L. 1991. Branch and Bound Algorithm for the FlowShop with MultipleProcessors.EuropeanJournalofOperationalResearch,51(1):8899. Brah,S.A.&Loo,L.L.1999.Heuristicsforschedulinginaflowshopwithmultipleprocessors. EuropeanJournalofOperationalResearch,113(1):113122. Brandimarte,P.,Rigodanza,M.,&Roero,L.1997.Conceptualmodelingofanobjectoriented scheduling architecture based on the shifting bottleneck procedure. International Journal of ProductionResearch,35(7):20652082. Brucker,P.2006.SchedulingAlgorithms.Berlin:SpringerVelag. Burbidge, J. L. 1992. Change to group technology: process organization is obsolete. InternationalJournaofOperationsResearch,30:12091219. Burbidge,J.L.1963.Productionflowanalysis.ProductionEngineer,42:742. Campbell,H.G.,Dudek,R.A.,&Smith,M.L.1970.HeuristicAlgorithmforNJob,MMachine SequencingProblem.ManagementScienceSeriesBApplication,16(10):B630B637. Carvalho,D.,Protti,F.,DeGregorio,M.,&Franca,F.M.G.2005.Anoveldistributedscheduling algorithmforresourcesharingundernearheavyload.PrinciplesofDistributedSystems,3544: 431442. Chan, F. T. S., Chung, S. H., & Chan, P. L. Y. 2005. An adaptive genetic algorithm with dominatedgenesfordistributedschedulingproblems.ExpertSystemsWithApplications,29(2): 364371. Chen, C. & Yih, Y. 1996. Identifying attributes for knowledge base development in dynamic schedulingenvironments.InternationalJournalofProductionResearch,34(6):17391755. Chen, J. & Chen, F. F. 2003. Adaptive scheduling in random flexible manufacturing systems subject to machine breakdowns. International Journal of Production Research, 41(9): 1927 1951. Cheng,T.C.E.,Gupta,J.N.D.,&Wang,G.Q.2000.Areviewofflowshopschedulingresearch withsetuptimes.ProductionandOperationsManagement,9(3):262282. Chrtienne, P., Coffman, J. E., Lensrta, J. K., & Liu, Z. 1995. Scheduling theory and its applications.Chichester:Wiley. Chun, H. W. & Wong, R. Y. M. 2003. N* an agentbased negotiation algorithm for dynamic schedulingandrescheduling.AdvancedEngineeringInformatics,17(1):122. Church, L. K. & Uzsoy, R. 1992. Analysis of Periodic and EventDriven Rescheduling Policies in DynamicShops.InternationalJournalofComputerIntegratedManufacturing,5(3):153163. Cicirello, V. A. & Smith, S. F. 2004. Wasplike agents for distributed factory coordination. AutonomousAgentsandMultiAgentSystems,8(3):237266.
176

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Companys,R.&Corominas,A.1996.Direccindeoperaciones.Organizacindelaproduccin II.:Barcelona. Conway, R. W., Maxwell, W. L., & Miller, L. W. 1967. Theory of Scheduling. AddisonWesley PublishingCompany. Corwin,B.D.&Esogbue,A.O.1974.2MachineFlowShopSchedulingProblemswithSequence Dependent Setup Times DynamicProgramming Approach. Naval Research Logistics, 21(3): 515524. Cowling, P. & Johansson, M. 2002. Using real time information for effective dynamic scheduling.EuropeanJournalofOperationalResearch,139(2):230244. Daniels, R. L. & Carrillo, J. E. 1997. BetaRobust scheduling for single machine systems with uncertainprocessingtimes.IIETransactionsonSchedulingandLogistics,29:977985. Daniels, R. L. & Kouvelis, P. 1995. Robust Scheduling to Hedge Against Processing Time UncertaintyinSingleStageProduction.ManagementScience,41(2):363376. Das,S.R.,Gupta,J.N.D.,&Khumawala,B.M.1995.ASavingsIndexHeuristicAlgorithmfor Flowshop Scheduling with SequenceDependent SetUp Times. Journal of the Operational ResearchSociety,46(11):13651373. Das,S. R., Gupta, J.N.D.,&Khumawala,B. M.2004.A savingsindexheuristicalgorithmfor flowshopschedulingwithsequencedependentsetuptimes(vol46,pg1365,1995).Journalof theOperationalResearchSociety,55(12):1369. Deen, S. M. 1993. Cooperation Issues in Holonic Manufacturing Systems. Information InfrastructureSystemsforManufacturing,14:401412. Dempster, M. A., Lensrta, J. K., and Rinnooy, K. Deterministic and stochastic scheduling. ProceedingsoftheNATOAdvancedStudyandReseachInstituteonTheoreticalApproachesto SchedulingProblems,617.1982.Durham(UK). Dewan, P. & Joshi, S. 2002. Auctionbased distributed scheduling in a dynamic job shop environment.InternationalJournalofProductionResearch,40(5):11731191. Dooley,K.J.&Mahmoodi,F.1992.Identificationofrobustschedulingheuristics:applicationof Taguchimethodsinsimulationstudies.ComputersandIndustrialEngineering,22:359368. Dorn,J.,Kerr,R.,&Thalhammer,G.1994.ReactiveSchedulinginAFuzzyTemporalFramework. KnowledgeBasedReactiveScheduling,15:3955. Duenas, A. & Petrovic, D. 2008. An approach to predictivereactive scheduling of parallel machinessubjecttodisruptions.AnnalsofOperationsResearch,159(1):6582. Duffie, N. A. & Prabhu, V. V. 1994. RealTime Distributed Scheduling of Heterarchical ManufacturingSystems.JournalofManufacturingSystems,13(2):94107.
177

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Dutta,A.1990.ReactingtoSchedulingExceptionsinFmsEnvironments.IieTransactions,22(4): 300314. Efstathiou, J. Formalizing the repair of schedule through the knowledge acquisitions. 9th EuropeanKnowledgeAcquisitionEKAW.AdvancesinKnowledgeAcquisition,306320.1996. Fang, J. & Xi, Y. G. 1997. A rolling horizon job shop rescheduling strategy in the dynamic environment.InternationalJournalofAdvancedManufacturingTechnology,13(3):227232. Fox, M. S. & Smith, S. F. 1984. ISIS Knowledge based system for factory scheduling. Expert Systems,1:300314. Framinan,J.M.,Gupta,J.N.D.,&Leisten,R.2004.Areviewandclassificationofheuristicsfor permutation flowshop scheduling with makespan objective. Journal of the Operational ResearchSociety,55(12):12431255. Galbraith,J.1973.Designingcomplexorganizations.Massachussets:AddisonWesleyPub.Co. Gao,J.,Gen,M.,&Sun,L.Y.2006.Schedulingjobsandmaintenancesinflexiblejobshopwitha hybridgeneticalgorithm.JournalofIntelligentManufacturing,17(4):493507. Garey,M.R.&Johnson,D.S.1979.ComputersandIntractability:AguidetotheTheoryofNP Completeness.SanFrancisco:W.H.FreemanandCompany. Gargeya, V. B. & Deane, R. H. 1999. Scheduling in the dynamic job shop under auxiliary resourceconstraints:asimulationstudy.InternationalJournalofProductionResearch,37(12): 28172834. Gargouri, E. & Hammadi, S. 2003. A distributed scheduling for agrofood manufacturing problems.IeeeTransactionsonSystemsManandCyberneticsPartCApplicationsandReviews, 33(2):176185. Garner, B. J. & Ridley, G. J. 1994. Application of NeuralNetwork Process Models in Reactive Scheduling.KnowledgeBasedReactiveScheduling,15:1927. Garvey, A. J. & Lesser, V. R. 1993. Designtotime realtime scheduling. IEEETransactions on Systems,ManandCybernetics,23(6):491. Ghosh,S.2001.Understandingcomplex,realworldsystemsthroughasynchronous,distributed decisionmakingalgorithms.JournalofSystemsandSoftware,58(2):153167. Glover,F.1990.TabuSearchATutorial.Interfaces,20(4):7494. GomezGasquet,P.,Andres,C.,andGarcaSabater,J.P.Dynamichybridflowshopscheduling withduedatesandsequencedependentsetuptimes.ProductionPlanningandScheduling2004 (PMS'04).Proceedings,254259.2004.Nancy(France). Graham, R. L. 1969. Bounds on Multiprocessing Timing Anomalies. Siam Journal on Applied Mathematics,17(2):416&.
178

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Graves,C.S.1981.Reviewofproductionscheduling.OperationsResearch,29:646675. Guinet, A., Solomon, M. M., Kedia, P. K., & Dussauchoy, A. 1996. A computational study of heuristicsfortwostageflexibleflowshops.InternationalJournalofProductionResearch,34(5): 13991415. Guinet, A. G. P. & Solomon, M. M. 1996. Scheduling hybrid flowshops to minimize maximum tardiness or maximum completion time. International Journal of Production Research, 34(6): 16431654. Guo, B. & Nonaka, Y. 1999. Rescheduling and optimization of schedules considering machine failures.InternationalJournalofProductionEconomics,601:503513. Gupta, J. N. D. 1975. A Search Algorithm for the Generalized Flowshop Scheduling Problem. Computers&OperationsResearch,2:8390. Gupta, J. N. D. 1979. Improved Lexicographic Search Algorithm for the Flowshop Scheduling Problem.Computers&OperationsResearch,6(2):117120. Gupta, J. N. D. 1972. Heuristic Algorithms forMultistage Flowshop Scheduling Problem. AIIE Transactions,4(1):1118. Gupta,J.N.D.1988.2Stage,HybridFlowshopSchedulingProblem.JournaloftheOperational ResearchSociety,39(4):359364. Gupta,J.N.D.1986.FlowshopScheduleswithSequenceDependentSetupTimes.Journalofthe OperationsResearchSocietyofJapan,29(3):206219. Gupta, J. N. D. & Darrow, W. P. 1986. The 2Machine Sequence Dependent Flowshop SchedulingProblem.EuropeanJournalofOperationalResearch,24(3):439446. Gupta,J.N.D.&Tunc,E.A.1994.SchedulingA2StageHybridFlowshopwithSeparableSetup andRemovalTimes.EuropeanJournalofOperationalResearch,77(3):415428. Gupta, J. N. D. & Tunc, E. A. 1991. Schedules for A 2Stage Hybrid Flowshop with Parallel Machinesatthe2NdStage.InternationalJournalofProductionResearch,29(7):14891502. Gupta, J. N. D. & Tunc, E. A. 1998. Minimizing tardy jobs in a twostage hybrid flowshop. InternationalJournalofProductionResearch,36(9):23972417. Hadavi, K., Hsu, W. L., Chen, T., & Lee, C. N. 1992. An Architecture for RealTime Distributed Scheduling.AiMagazine,13(3):4656. Hall,N.G.&Potts,C.N.2004.Reschedulingforneworders.OperationsResearch,52(3):440 453. Hall,N.G.&Sriskandarajah,C.1996.Asurveyofmachineschedulingproblemswithblocking andnowaitinprocess.OperationsResearch,44(3):510525.
179

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Haouari, M. & M'Hallah, R. 1997. Heuristic algorithms for the twostage hybrid flowshop problem.OperationsResearchLetters,21(1):4353. Hashiba, S. & Chang, T. C. 1991. PCB assembly setup reduction using Group Technology. Computers&IndustrialEngineering,21:453457. Hasle,G.&Smith,S.F.1994.Directinganopportunisticscheduler:anempiricalinvestigationof reactivescenario.Artificialintelligenceinreactivescheduling:111.UK:ChapmanandHall. Hauptman, B. & Jovan, V. 2004. An approach to process production reactive scheduling. Isa Transactions,43(2):305318. Hax,A.C.&Meal,H.C.1975.Hierarchicalintegrationofproductionplanningandscheduling. InM.A.Geisler(Ed.),StudiesintheManagementSciences:NorthHolland,Amsterdam. He, Y., Smith, M., and Dudek, R. Effects of inaccuracy of processing time estimation on effectivenessofdispatchrules.3rdIndustrialEngineeringResearchConference.308313.1994. Hejazi, S. R. & Saghafian, S. 2005. Flowshopscheduling problems with makespan criterion: a review.InternationalJournalofProductionResearch,43(14):28952929. Henning, G. P. & Cerda, J. 1995. An expert system for predictive and reactive scheduling of multiproductbatchplants.LatinAm.App.Res.,25:187198. Herrmann, J. W. A genetic algorithm for minimax optimization problems. Proceeding of the 1999CongressonEvolutionaryComputation,10991103.1999.Washington,D.C. Herrmann, J. W., ChungYee, L., & Snowdon, J. 1993. A classification of static scheduling problems.ComplexityinNumericalOptimization:Pardalos(eds.). Ho, C. 1989. Evaluating the impact of operating environments on MRP systems nervousness. InternationalJournalofProductionResearch,27:11151135. Hoffmann, T. R. & Scudder, G. D. 1983. Priority scheduling with cost considerations. InternationalJournalofProductionResearch,26:881889. Holland,J.H.1975.AdaptationinNaturalandArtificialSystems.UniversityofMichigan,Ann Arbol. Hunsucker, J. L. & Shah, J. R. 1994. Comparative Performance Analysis of Priority Rules in A ConstrainedFlowShopwithMultipleProcessorsEnvironment.EuropeanJournalofOperational Research,72(1):102114. Hwang,H.C.&Sun,J.U.1997.Productionsequencingproblemwithreentrantworkflowsand sequencedependentsetuptimes.Computers&IndustrialEngineering,33:773776. Hwang,H.C.&Sun,J.U.1998.Productionsequencingproblemwithreentrantworkflowsand sequencedependentsetuptimes.InternationalJournalofProductionResearch,36:24352450.
180

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Jain,A.KandElmaraghy,H.A.Productionscheduling/reschedulinginflexiblemanufacturing. 35,281309.1997.InternationalJournalofProductionResearch. Jang,W.S.&Klein,C.M.2002.Minimizingtheexpectednumberoftardyjobswhenprocessing timesarenormallydistributed.OperationsResearchLetters,30(2):100106. Jayamohan, M. S. & Rajendran, C. 2000. New dispatching rules for shop scheduling: a step forward.InternationalJournalofProductionResearch,38(3):563586. Jensen, M. T. 2001. Improving robustness and flexibility of tardiness and total flowtime job shopsusingrobustnessmeasures.AppliedSoftComputing,1(1):3552. Jensen,M.T.2003.Generatingrobustandflexiblejobshopschedulesusinggeneticalgorithms. IeeeTransactionsonEvolutionaryComputation,7(3):275288. Jeong, I. J. & Leon, V. J. 2002. A distributed scheduling methodology for a twomachine flowshopusingcooperativeinteractionviamultiplecouplingagents.JournalofManufacturing Systems,21(2):126139. Jeong, I. J. & Leon, V. J. 2005. A singlemachine distributed scheduling methodology using cooperativeinteractionviacouplingagents.IieTransactions,37(2):137152. Jeong,K.C.&Kim,Y.D.1998.Arealtimeschedulingmechanismforaflexiblemanufacturing system using simulation and dispatching rules. International Journal of Production Research, 36:26092626. Jian, H. Z., Nee, A. Y. C., Fuh, J. Y. H., & Zhang, Y. F. 2003. A modified genetic algorithm for distributedschedulingproblems.JournalofIntelligentManufacturing,14(34):351362. Jin,Z.H.,Yang,Z.,&Ito,T.2006.Metaheuristicalgorithmsforthemultistagehybridflowshop schedulingproblem.InternationalJournalofProductionEconomics,100(2):322334. Johnson, S. M. 1954. Optimal twoand three stage production schedules with setup times included.NavalResearchQuarterly,1:6168. Jones,C.H.1973.Aneconomicevaluationofjobshopdispatchingrules.ManagementScience, 20:293307. Jungwattanakit, J., Reodecha, M., Chaovalitwongse, P., & Werner, F. 2008. Algorithms for flexible flow shop problems with unrelated parallel machines, setup times, and dual criteria. InternationalJournalofAdvancedManufacturingTechnology,37(34):354370. Kamoun, H. & Sriskandarajah, C. 1993. The Complexity of Scheduling Jobs in Repetitive ManufacturingSystems.EuropeanJournalofOperationalResearch,70(3):350364. Karlin,A.R.,Manasse,M.S.,Rudolph,L.,&Sleator,D.D.1988.CompetitiveSnoopyCaching. Algorithmica,3(1):79119.

181

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Kim, K. H., Bae, J. W., Song, J. Y., & Lee, H. Y. 1996. A distributed scheduling and shop floor controlmethod.Computers&IndustrialEngineering,31(34):583586. Kim, M. H. and Kim, Y. D. Simulationbased realtime scheduling in a flexible manufacturing system.13,8593.1994.J.Manufact.Syst. Kim, S. C. & Bobrowski, P. M. 1994. Impact of SequenceDependent Setup Time on JobShop SchedulingPerformance.InternationalJournalofProductionResearch,32(7):15031520. Kim,Y.D.,Lim,H.G.,&Park,M.W.1996.Searchheuristicsforaflowshopschedulingproblem inaprintedcircuitboardassemblyprocess.EuropeanJournalofOperationalResearch,91(1): 124143. Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. 1983. Optimization by Simulated Annealing. Science,220(4598):671680. Kis, T. & Pesch, E. 2005. A review of exact solution methods for the nonpreemptive multiprocessorflowshopproblem.EuropeanJournalofOperationalResearch,164(3):592608. Kochlar,S.&Morris,R.J.T.1987.Heuristicmethodsforflexibleflowlinescheduling.Journalof ManufacturingSystems,6:299314. Kolmogoroff,A.1950.Foundationsofprobability.NewYork:ChelseaPubCo;2ndedition(June 1,1960). Koopman,B.O.1940.Theaxiomsandalgebraofintuitiveprobability.AnnalsofMathematics, 41:269292. Kouvelis,P.&Yu,G.1997.Robustdiscreteoptimizationanditsapplications.KluwerAcademic Publishers. Kumar,R.,Tiwari,M.K.,&Allada,V.2004.Modellingandreschedulingofareentrantwafer fabrication line involving machine unreliability. International Journal of Production Research, 42(21):44314455. Kurz,M.E.&Askin,R.G.2003.Comparingschedulingrulesforflexibleflowlines.International JournalofProductionEconomics,85(3):371388. Kurz,M.E.&Askin,R.G.2004.Schedulingflexibleflowlineswithsequencedependentsetup times.EuropeanJournalofOperationalResearch,159(1):6682. Kutanoglu, E. & Wu, S. D. 2004. Improving scheduling robustness via preprocessing and dynamicadaptation.IieTransactions,36(11):11071124. Lario F.C. 1986. Modelos en Planificacin de la Produccin. Servicio de Publicaciones de la UniversidadPolitcnicadeValencia. Lawrence, S. R. 1991. Scheduling a single machine to maximise net present values. InternationalJournalofProductionResearch,29:11411160.
182

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Lawrence, S. R. & Sewell, E. C. 1997. Heuristic, optimal, static and dynamic schedules when processingtimeareuncertain.JournalofOperationsManagement,15:7182. Lee, C. Y., Cheng, T. C. E., & Lin, B. M. T. 1993. Minimizing the Makespan in the 3Machine AssemblyTypeFlowshopSchedulingProblem.ManagementScience,39(5):616625. Lee, C. Y. & Vairaktarakis, G. L. 1994.Minimizing Makespan in Hybrid Flowshops. Operations ResearchLetters,16(3):149158. Lee, T. E. & Posner, M. E. 1997. Performance measures and schedules in periodic job shops. OperationsResearch,45(1):7291. Lejmi,T.&Sabuncuoglu,I.2002.Effectofload,processingtimeandduedatevariationonthe effectivenessofschedulingrules.InternationalJournalofProductionResearch,40(4):945974. Lenstra, J. K., Rinnooykan, A. H., & Brucker, P. 1977. Complexity of machine scheduling problems.AnnalsofDiscreteMathematics,1:343362. Leon, V. J., Wu, S. D., and Storer, R. H. Robustness measures and robust scheduling for job shops.1990.DepartmentofIndustrialEngineering,LehighUniversity. Leon,V.J.,Wu,S.D.,&Storer,R.H.1994.RobustnessMeasuresandRobustSchedulingforJob Shops.IieTransactions,26(5):3243. Li,R.K.,Shyu,Y.T.,&Adiga,S.1993.AHeuristicReschedulingAlgorithmforComputerBased Production Scheduling Systems. International Journal of Production Research, 31(8): 1815 1826. Li,S.L.1997.Ahybridtwostageflowshopwithpartfamily,batchproduction,majorandminor setups.EuropeanJournalofOperationalResearch,102(1):142156. Liu, C. Y. & Chang, S. C. 2000. Scheduling flexible flow shops with sequencedependent setup effects.IeeeTransactionsonRoboticsandAutomation,16(4):408419. Lodree,E.,Jang,W.S.,&Klein,C.M.2004.Anewruleforminimizingthenumberoftardyjobs indynamicflowshops.EuropeanJournalofOperationalResearch,159(1):258263. Logendran, R., deSzoeke, P., & Barnard, F. 2006. Sequencedependent group scheduling problemsinflexibleflowshops.InternationalJournalofProductionEconomics,102(1):6686. Lu,S.H.&Kumar,P.R.1991.DistributedSchedulingBasedonDueDatesandBufferPriorities. IeeeTransactionsonAutomaticControl,36(12):14061416. Maccarthy, B. L. & Liu, J. Y. 1993. Addressing the Gap in Scheduling Research A Review of Optimization and Heuristic Methods in Production Scheduling. International Journal of ProductionResearch,31(1):5979.

183

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica MadduxIII,H.S.andGupta,J.N.D.Schedulingintermediateandfinishedproductsinatwo stageflowshopwithsequencedependentsetuptimes.AnnualMeetingoftheDecisionSciences Institute,15791585.2003. Markowitz,D.M.&Wein,L.M.2001.Heavytrafficanalysisofdynamiccyclicpolicies:Aunified treatmentofthesinglemachineschedulingproblem.OperationsResearch,49(2):246270. Martin,B.&Sanz,A.1997.RedesneuronalesySistemasborrosos.RAMA. Mason, S. J., Jin, S., & Wessels, C. M. 2004. Rescheduling strategies for minimizing total weightedtardinessincomplexjobshops.InternationalJournalofProductionResearch,42(3): 613628. Matsuo, H. 1990. Cyclic Sequencing Problems in the 2Machine Permutation FlowShop Complexity,WorstCase,andAverageCaseAnalysis.NavalResearchLogistics,37(5):679694. Mckay,K.,Mortn,T.E.,Ramnath,P.,&Wang,J.2000.Aversiondynamicsschedulingwhenthe systemchanges.JournalofScheduling,3(2):7188. McKay,K.N.,Buzacott,J.A.,&Safayeni,F.R.1989.TheScheduler'sknowledgeofuncertainty: The missing link. Knowledge based production management systems: Amsterdam: Elsevier SciencePublishersB.V. Mehta, S. V. & Uzsoy, R. 1999. Predictable scheduling of a single machine subject to breakdowns.InternationalJournalofComputerIntegratedManufacturing,12(1):1538. Mehta,S.V.&Uzsoy,R.M.1998.Predictableschedulingofajobshopsubjecttobreakdowns. IeeeTransactionsonRoboticsandAutomation,14(3):365378. Mendez,C.A.&Cerda,J.2004.AnMILPframeworkforbatchreactiveschedulingwithlimited discreteresources.Computers&ChemicalEngineering,28(67):10591068. Metropolis,N.,Rosenbluth,A.W.,Rosenbluth,M.N.,Teller,A.H.,&Teller,E.1953.Equationof StateCalculationsbyFastComputingMachines.JournalofChemicalPhysics,21(6):10871092. Min, H. S. & Yih, Y. 2003. Development of a realtime multiobjective scheduler for a semiconductorfabricationsystem.InternationalJournalofProductionResearch,41(10):2345 2364. Miyashita, K. 1998. CAMPS: a constraintbased architecture for multiagent planning and scheduling.JournalofIntelligentManufacturing,9(2):147154. Miyashita, K. 1995. CaseBased Knowledge Acquisition for Schedule Optimization. Artificial IntelligenceinEngineering,9(4):277287. MontoyaTorres,J.R.2003.Competitiveanalysisofabetteronlinealgorithmtominimizetotal completiontimeonasinglemachine.JournalofGlobalOptimization,27(1):97103.

184

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Moore, J. E. 1975. An algorithm for a single machine scheduling problem with sequence dependent setup times and scheduling windows. Management Science, AIIE Transactions, 7: 3543. Muhlemann, A. P., Lockett, A. G., & Farn, C. K. 1982. Job Shop Scheduling Heuristics and FrequencyofScheduling.InternationalJournalofProductionResearch,20(2):227241. Mula,J.2004.Modelosparalaplanificacindelaproduccinbajoincertidumbre.Aplicacinen unaempresadelsectordelautomvil.DepartamentodeOrganizacindeEmpresas,Economa FinacierayContabilidad.UniversidadPolitcnicadeValencia. Nakamura,M.,Nakada,N.,Kinjo,H.,&Onaga,K.2001.Anautonomousdistributedscheduling scheme for parallel machine problems. Ieice Transactions on Fundamentals of Electronics CommunicationsandComputerSciences,E84A(3):763770. Narasimhan,S.L.,McLeavey,D.W.,&Billington,P.J.1995.Productionplanningandinventory control.USA:PrenticeHallInternationalInc. Narasimhan, S. L. & Panwalkar, S. S. 1984. Scheduling in A 2Stage Manufacturing Process. InternationalJournalofProductionResearch,22(4):555564. Nawaz, M., Enscore, E. E., & Ham, I. 1983. A Heuristic Algorithm for the MMachine, NJob Flowshop Sequencing Problem. OmegaInternational Journal of Management Science, 11(1): 9195. Nishi, T., Konishi, M., & Hasebe, S. 2004. A decentralized scheduling method for flowshop problemswithresourceconstraints.ElectricalEngineeringinJapan,149(1):4451. Norman, B. A. 1999. Scheduling flowshops with finite buffers and sequence dependent setup times.Computers&IndustrialEngineering,36(1):163177. Nowicki, E. & Smutnicki, C. 1998. The flow shop with parallel machines: A tabu search approach.EuropeanJournalofOperationalResearch,106(23):226253. O'Donovan,R.,Uzsoy,R.,&McKay,K.N.1999.Predictableschedulingofasinglemachinewith breakdowns and sensitive jobs. International Journal of Production Research, 37(18): 4217 4233. Olumolade,M.O.&Norrie,D.H.1996.Reactiveschedulingsystemforcellularmanufacturing withfailurepronemachines.InternationalJournalofComputerIntegrationManufacture. Ouelhadj, D. 2003. A multiagent system for the integrated dynamic scheduling of steel production.NottinghamUniversity,SchoolofComputerScienceandInformationTechnology. Ovacik, I. M. & Uzsoy, R. 1994. Rolling horizon algorithms for a single machine dynamic scheduling problems with sequencedependent setup times. International Journal of ProductionResearch,32:12431263.

185

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Ovacik, I. M. & Uzsoy, R. 1995. Rolling horizon procedures for dynamic parallel machine schedulingproblemswithsequencedependentsetuptimes.InternationalJournalofProduction Research,33:31733192. Parthasarathy, S. & Rajendran, C. 1997. A simulated annealing heuristic for scheduling to minimizemeanweightedtardinessinaflowshopwithsequencedependentsetuptimesofjobs Acasestudy.ProductionPlanning&Control,8(5):475483. Paul, R. J. 1979. Production Scheduling Problem in the GlassContainer Industry. Operations Research,27(2):290302. Petrovic,D.&Duenas,A.2006.Afuzzylogicbasedproductionscheduling/reschedulinginthe presenceofuncertaindisruptions.FuzzySetsandSystems,157(16):22732285. Pinedo, M. 1995. Cliffs:PrenticeHall. Pinedo, M. 2002. Cliffs:PrenticeHall. Scheduling. Theory, Algorithms and Systems. Englewood

Scheduling.

Theory,

Algorithms

and

Systems.

Englewood

Pinedo, M. & Chao, X. 1999. Operations scheduling with applications in manufacturing and services.Boston:IrwinMcGrauHill. Pinedo,M.&Singer,M.1999.Ashiftingbottleneckheuristicforminimizingthetotalweighted tardinessinajobshop.NavalResearchLogistics,46:117. Piramuthu,S.,Park,S.C.,Raman,N.,andShaw,M.J.Integrationofsimulationmodellingand inductivelearninginanadaptivedecisionsupportsystem.Boczelc,A.andWhihston,A.Model ManagementSystems.1991.IEEESocietyPress. Portmann,M.C.,Vignier,A.,Dardilhac,D.,&Dezalay,D.1998.Branchandboundcrossedwith GAtosolvehybridflowshops.EuropeanJournalofOperationalResearch,107(2):389400. Potts,C.N.&Vanwassenhove,L.N.1992.IntegratingSchedulingwithBatchingandLotSizing A Review of Algorithms and Complexity. Journal of the Operational Research Society, 43(5): 395406. Pugazhendhi, S., Thiagarajan, S., Rajendran, C., & Anantharaman, N. 2004. Generating non permutation schedules in flowlinebased manufacturing sytems with sequencedependent setup times of jobs: a heuristic approach. International Journal of Advanced Manufacturing Technology,23(12):6478. Qi,J.G.,Burns,G.R.,&Harrison,D.K.2000.Theapplicationofparallelmultipopulationgenetic algorithmstodynamicjobshopscheduling.InternationalJournalofAdvancedManufacturing Technology,16:609615. Quadt,D.&Kuhn,H.2007.Ataxonomyofflexibleflowlineschedulingprocedures.European JournalofOperationalResearch,178(3):686698.
186

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Raheja, A. S. & Subramaniam, V. 2002. Reactive recovery of job shop schedules A review. InternationalJournalofAdvancedManufacturingTechnology,19:756763. Rajendran, C. & Chaudhuri, D. 1992. Scheduling in NormalJob, MetaStage Flowshop with Parallel Processors to Minimize Makespan. International Journal of Production Economics, 27(2):137143. Rajendran, C. & Ziegler, H. 1997. A heuristic for scheduling to minimize the sum of weighted flowtime of jobs in a flowshop with sequencedependent setup times of jobs. Computers & IndustrialEngineering,33(12):281284. Rajendran, C. & Ziegler, H. 2003. Scheduling to minimize the sum of weighted flowtime and weighted tardiness of jobs in a flowshop with sequencedependent setup times. European JournalofOperationalResearch,149(3):513522. Raman,N.,Rachamadugu,R.V.,&Talbot,F.B.1989.RealTimeSchedulingofAnAutomated ManufacturingCenter.EuropeanJournalofOperationalResearch,40(2):222242. Riane, F. 1998. Scheduling Hybrid Flowshops: Algorithms and Applications. Facults UniversitariesCatholiquesdeMons. Riane,F.,Artiba,A.,&Elmaghraby,S.E.1998.Ahybridthreestageflowshopproblem:efficient heursticstominimizemakespan.EuropeanJournalofOperationalResearch,(109):321329. Riggs,J.L.1987.Productionsystems:planning,analysis,andcontrol.USA:WavelandPressInc. Rinnooy Kan, A. H. G. 1976. Machine Scheduling Problems: Classification, Complexity and Compuations.TheHague. RiosMercado,R.Z.&Bard,J.F.2003.Theflowshopschedulingpolyhedronwithsetuptimes. JournalofCombinatorialOptimization,7(3):291318. RiosMercado,R.Z.&Bard,J.F.1998b.Heuristicsfortheflowlineproblemwithsetupcosts. EuropeanJournalofOperationalResearch,110(1):7698. RiosMercado, R. Z. & Bard, J. F. 1998a. Computational experience with a branchandcut algorithmforflowshopschedulingwithsetups.Computers&OperationsResearch,25(5):351 366. RiosMercado, R. Z. & Bard, J. F. 1999. An enhanced TSPbased heuristic for makespan minimizationinaflowshopwithsetuptimes.JournalofHeuristics,5(1):5370. Rohlder,T.R.&Scudder,G.D.1993.Comparingperformancemeasuresindynamicjobshops: economicsvs.time.InternationalJournalofProductionEconomics,32:160183. Rossi, A. & Dini, G. 2000. Dynamic scheduling of FMS using a realtime genetic algorithm. InternationalJournalofProductionResearch,38(1):120.

187

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Roundy,R.1992.CyclicSchedulesforJobShopswithIdenticalJobs.MathematicsofOperations Research,17(4):842865. Rovithakis,G.A.,Perrakis,S.E.,&Christodoulou,M.A.2001.Applicationofaneuralnetwork scheduler on a real manufacturing system. Ieee Transactions on Control Systems Technology, 9(2):261270. Ruiz,R.&Maroto,C.2005a.Acomprehensivereviewandevaluationofpermutationflowshop heuristics.EuropeanJournalofOperationalResearch,165(2):479494. Ruiz,R.&Maroto,C.2006.Ageneticalgorithmforhybridflowshopswithsequencedependent setup times and machine eligibility. European Journal of Operational Research, 169(3): 781 800. Ruiz, R., Maroto, C., & Alcaraz, J. 2005b. Solving the flowshop scheduling problem with sequence dependent setup times using advanced metaheuristics Discrete optimization. EuropeanJournalofOperationalResearch,165(1):3454. Ruiz, R., Serifoglu, F. S., & Urlings, T. 2008a. Modeling realistic hybrid flexible flowshop schedulingproblems.Computers&OperationsResearch,35(4):11511175. Ruiz, R. & Stutzle, T. 2008b. An Iterated Greedy heuristic for the sequence dependent setup times flowshop problem with makespan and weighted tardiness objectives. European Journal ofOperationalResearch,187(3):11431159. Sabuncuoglu, I. & Bayiz, M. 2000. Analysis of reactive scheduling problems in a job shop environment.EuropeanJournalofOperationalResearch,126(3):567586. Sabuncuoglu, I. & Comlekci, A. 2002. Operationbased flowtime estimation in a dynamic job shop.Omega,30(6):423442. Sabuncuoglu, I. & Karabuk, S. 1999. Rescheduling frequency in an FMS with uncertain processingtimesandunreliablemachines.JournalofManufacturingSystems,18(4):268283. Sabuncuoglu, I. & Kizilisik, O. B. 2003. Reactive scheduling in a dynamic and stochastic FMS environment.InternationalJournalofProductionResearch,41(17):42114231. Sadeh,N.M.,Otsuka,S.,andSchnelbach,R.Redictiveandreactiveschedulingwithmicroboss schedulingandcontrolsystem.1993.CentreforIntegratedManufacturingDecisionSystems, CarnegieMelonUniversity. Salvador,M.S.Asolutiontoaspecialclassofflowshopschedulingproblem.Symposiumonthe TheoryofSchedulinganditsApplications,8391.1973.Berlin(Germany),SpringerVelag. Schneeweiss,C.2003.DistributedDecisionMaking.Springer. Scudder,G.D.&Smith,D.1989.Applicationofthenetpresentvaluecriteriuninramdomand flowshopscheduling.DecisionScience,20(602):622.
188

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Serifoglu, F. S. & Ulusoy, G. 2004. Multiprocessor task scheduling in multistage hybrid flow shops:ageneticalgorithmapproach.JournaloftheOperationalResearchSociety,55(5):504 512. Sha,L.&Goodenough,J.B.1990.Realtimeschedulingtheoryandada.IEEEComputer,5362. Shafaei,R.&Brunn,P.2000.Workshopschedulingusingpractical(inaccurate)dataPart3:A framework to integrate job releasing, routing and scheduling functions to create a robust predictiveschedule.InternationalJournalofProductionResearch,38(1):8599. Shafaei,R.&Brunn,P.1999b.Workshopschedulingusingpractical(inaccurate)dataPart2:An investigation of the robustness of scheduling rules in a dynamic and stochastic environment. InternationalJournalofProductionResearch,37(18):41054117. Shafaei, R. & Brunn, P. 1999a. Workshop scheduling using practical (inaccurate) data Part 1: The performance of heuristic scheduling rules in a dynamic job shop environment using a rolling time horizon approach. International Journal of Production Research, 37(18): 3913 3925. Shen,V.Y.andChen,Y.E.Aschedulingstrategyfortheflowshopprobleminasystemwithtwo classesofprocessors.ConferenceonInformationandSystemsScience.Proceedings,645649. 1972. Shen,W.andNorrie,D.H.AgentBasedManufacturingEnterpriseInfrastructureforDistributed IntegratedIntelligentManufacturingSystems.ProceedingsofPAAM'98.1999.London,UK. Simons,J.V.1992.HeuristicsinFlowShopSchedulingwithSequenceDependentSetupTimes. OmegaInternationalJournalofManagementScience,20(2):215225. Singer,M.2000.Forecastingpoliciesforschedulingastochasticduedatejobshop.Computer andOperationsResearch,28:193207. Siwamogsatham, T. & Saygin, C. 2004. Auctionbased distributed scheduling and control schemeforflexiblemanufacturingsystems.InternationalJournalofProductionResearch,42(3): 547572. Slany, W. 1996. Scheduling as a fuzzy multiple criteria optimization problem. Fuzzy Sets and Systems,78(2):197222. Sleator, D. D. & Tarjan, R. E. 1985. Amortized Efficiency of List Update and Paging Rules. CommunicationsoftheAcm,28(2):202208. Smith, S. F. A constraintbased framework for reactive management of factory schedules. International Conference on Expert Systems and Leading Edge in Production Planning and COntrol.1987.HiltonHead,SouthCarolina. Smith, S. F. A methodology and architecture for reactive scheduling. 1992. The Robotic Institute,CarnegieMellonUniversity.
189

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Smith,S.F.,Keng,N.,andKempf,K.Exploitinglocalflexibilityduringexecutionofprecomputed schedules. 1990. The Robotic Institute, Carnegie Mellon University and Knowledge based Laboratory,IntelCorporation. Soewandi, H. & Elmaghraby, S. E. 2001. Sequencing threestage flexible flowshops with identicalmachinestominimizemakespan.IieTransactions,33(11):985993. Soewandi, H. & Elmaghraby, S. E. 2003. Sequencing on twostage hybrid flowshops with uniformmachinestominimizemakespan.IieTransactions,35(5):467477. Sonmez, A. I. & Baykasoglu, A. 1998. A new dynamic programming formulation of (n x m) flowshop sequencing problems with due dates. International Journal of Production Research, 36(8):22692283. Srikar,B.N.&Ghosh,S.1986.AMilpModelfortheNJob,MStageFlowshopwithSequence DependentSetUpTimes.InternationalJournalofProductionResearch,24(6):14591474. Sriskandarajah,C.&Sethi,S.P.1989.SchedulingAlgorithmsforFlexibleFlowshopsWorstand AverageCasePerformance.EuropeanJournalofOperationalResearch,43(2):143160. Stafford,E.F.&Tseng,F.T.1990.OntheSrikarGhoshMilpModelfortheNxmSdstFlowshop Problem.InternationalJournalofProductionResearch,28(10):18171830. Stafford,E.F.&Tseng,F.T.2002.Twomodelsforafamilyofflowshopsequencingproblems. EuropeanJournalofOperationalResearch,142(2):282293. Stania, L., GomezGasquet, P., and Andres, C. Estudio Experimental sobre el Comportamiento de Reglas de Despacho en un Taller de Mquinas Paralelas no Relacionadas con Llegada Dinmica de Trabajos y Setup Dependiente de la Secuencia. XXIX Congreso Nacional de EstadsticaeInvestigacinOperativa.ActasdelCongreso,475476.1552006.Tenerife. Stankovic, J. A., Spuri, M., Marco, D. N., & Buttazzo, G. C. 1995. Implications of classical schedulingresultsforrealtimesystems.IEEEComputer,1625. Stinson, J. P. & Smith, A. W. 1982. A Heuristic Programming Procedure for Sequencing the StaticFlowshop.InternationalJournalofProductionResearch,20(6):753764. Stoop,P.P.M.&Weirs,V.C.S.1996.Thecomplexityofschedulinginpractice.International JournalofOperationsandProductionManagement,16(10):3753. Subramaniam, V., Raheja, A. S., & Reddy, K. R. B. 2005a. Reactive repair tool for job shop schedules.InternationalJournalofProductionResearch,43(1):123. Subramaniam, V., Raheja, A. S., & Reddy, K. R. B. 2005b. Reactive repair tool for job shop schedules.InternationalJournalofProductionResearch,43(1):123. Sule, D. R. & Huang, K. Y. 1983. Sequency on 2 and 3 Machines with Setup, Processing and RemovalTimesSeparated.InternationalJournalofProductionResearch,21(5):723732.
190

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Sun, D. & Lin, L. 1994. A Dynamic JobShop Scheduling Framework A Backward Approach. InternationalJournalofProductionResearch,32(4):967985. Sun,J.&Xue,D.2001.Adynamicreactiveschedulingmechanismforrespondingtochangesof productionordersandmanufacturingresources.ComputersinIndustry,46(2):189207. Sun,J.U.&Hwang,H.C.2001.SchedulingprobleminatwomachineflowlinewiththeNstep priorjobdependentsetuptimes.JournalofSystemsScience,32:375385. Suresh, V. & Chaudhuri, D. 1993. Dynamic Scheduling A Survey of Research. International JournalofProductionEconomics,32(1):5363. Sycara, K. P. & Miyashita, K. 1994. Adaptive Schedule Repair. KnowledgeBased Reactive Scheduling,15:107124. Sycara, K. P., Roth, S. F., Sadeh, N., & Fox, M. S. 1991. ResourceAllocation in Distributed FactoryScheduling.IeeeExpertIntelligentSystems&TheirApplications,6(1):2940. Szelke, E. & Kerr, R. M. 1994. KnowledgeBased Reactive Scheduling. Production Planning & Control,5(2):124145. Szelke,E.&Markus,G.1997.AlearningreactiveschedulerusingCBR/L.ComputersinIndustry, 33(1):3146. Szwarc, W. & Gupta, J. N. D. 1987. A Flowshop Problem with SequenceDependent Additive SetupTimes.NavalResearchLogistics,34(5):619627. Tabe, T. & Salvendy, G. 1988. Toward a hybrid intelligent system for scheduling and rescheduling of FMS. International Journal of Computer Integration Manufacture, 1(3): 154 164. Tang, L. X., Luh, P. B., Liu, J. Y., & Fang, L. 2002. Steelmaking process scheduling using Lagrangianrelaxation.InternationalJournalofProductionResearch,40(1):5570. Tang, L. X. & Wang, X. P. 2008. A predictive reactive scheduling method for colorcoating production in steel industry. International Journal of Advanced Manufacturing Technology, 35(78):633645. Tang, Z. B. & Shi, L. Y. 1992. Note on Distributed Scheduling Based on Due Dates and Buffer Priorities.IeeeTransactionsonAutomaticControl,37(10):1661. TavakkoliMoghaddam, R., RahimiVahed, A., & Mirzaei, A. H. 2007. A hybrid multiobjective immune algorithm for a flow shop scheduling problem with biobjectives: Weighted mean completiontimeandweightedmeantardiness.InformationSciences,177(22):50725090. Tharumarajah, A. & Bemelman, R. 1997. Approaches and issues in scheduling a distributed shopfloorenvironment.ComputersinIndustry,34(1):95109.

191

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Townsend, W. 1977. Sequencing N Jobs on M Machines to Minimize Maximum Tardiness A BranchAndBoundSolution.ManagementScience,23(9):10161019. Tseng,F.T.,Gupta,J.N.D.,&Stafford,E.F.2006.Apenaltybasedheuristicalgorithmforthe permutation flowshop scheduling problem with sequencedependent setup times. Journal of theOperationalResearchSociety,57(5):541551. Tseng,F.T.&Stafford,E.F.2001.TwoMILPmodelsfortheNxMSDSTflowshopsequencing problem.InternationalJournalofProductionResearch,39(8):17771809. Uskup,E.&Smith,S.B.1975.BranchAndBoundAlgorithmfor2StageProductionSequencing Problems.OperationsResearch,23(1):118136. Vicens,E.1988.SistemaIntegradodeGestindeProduccinenunaEmpresadeFabricacinde Muebles.PlanificacinJerrquicaydeRequerimientosdeMateriales. Vicens,E.,Poler,R.,Ortiz,A.,Albarracin,J.M.,Garca,J.P.,Andrs,C.,&Alemany,M. M.E. 1999. Apuntes de Gestin Industrial en Sistemas de produccin Inventario. Editorial de la UniversidadPolitcnicadeValencia. Vieira, G. E., Herrmann, J. W., & Lin, E. 2003. Rescheduling manufacturing systems: A frameworkofstrategies,policies,andmethods.JournalofScheduling,6(1):3962. Vieira,G.E.,Herrmann,J.W.,&Lin,E.2000b.Analyticalmodelstopredicttheperformanceof asinglemachinesystemunderperiodicandeventdrivenreschedulingstrategies.International JournalofProductionResearch,38(8):18991915. Vieira, G. E., Herrmann, J. W., & Lin, E. 2000a. Predicting the performance of rescheduling strategiesforparallelmachinesystems.JournalofManufacturingSystems,19(4):256266. Vignier A., Billaut, J. C., and Proust, C. Les Problemes dordennacement de type flow shop hybride. Etat de lart. Journes dEtude: affectacion et ordennancement, CNRS / GdR Automatique,GT3,747,Tours.1995. VignierA.,Billaut,J.C.,andProust,C.Solvingkstagehybridflowshopschedulingproblems". Multiconference of Computational Engieneering in Systems Applications (CESA96) , 250258. 1996a.Lille(France). VignierA.,Billaut,J.C.,Proust,C.,andTkindt,V.Resolutionofsometwostagehybridflowshop scheduling problems. EEE / Systems, Man and Cybernetics (SMC96). 29342941. 1996b. Beijing(China). Vignier,A.,Billaut,J.C.,&Proust,C.1999.Hybridflowshopschedulingproblems:Stateofthe art.RairoRechercheOperationnelleOperationsResearch,33(2):117183. Wardono, B. & Fathi, Y. 2004. A tabu search algorithm for the multistage parallel machine problemwithlimitedbuffercapacities.EuropeanJournalofOperationalResearch,155(2):380 401.
192

Estado del Arte de los Modelos, Algoritmos y Mtodos de Resolucin en la Captulo3 ProgramacindelaProduccin

Wilbrecht, J. K. & Prescott, W. B. 1969. Influence of Setup Time on Job Shop Performance. ManagementScienceSeriesBApplication,16(4):B274B280. Wilson,H.G.&Mardis,B.J.1983.Modifyingjobsequencerulesforworkinprocessinventory reduction.IieTransactions,15:320323. Wittrock, R. J. 1988. An Adaptable Scheduling Algorithm for Flexible Flow Lines. Operations Research,36(3):445453. Wu,D.S.,Storer,R.H.,andChang,P.C.Areschedulingprocedureformanufacturingsystems under random disruptions. Joint USA/Germany Conference on New Direction of Operations ResearchinManufacturing.ProceedingsofJointUSA/GermanyConferenceonNewDirectionof OperationsResearchinManufacturing.292306.1991. Wu,D.S.&Wysk,R.A.1989.Anapplicationofdiscreteeventsimulationtoonlinecontroland schedulingofflexiblemanufacturing.InternationalJournalofProductionResearch,27(9). Wu,S.D.,Byeon,E.S.,&Storer,R.H.1999.Agraphtheoreticdecompositionofthejobshop schedulingproblemtoachieveschedulingrobustness.OperationsResearch,47(1):113124. Wu,S.D.,Storer,R.H.,&Chang,P.C.1993.Onemachinereschedulingheuristicwithefficience andstabilityascriteria.ComputerandOperationsResearch,20:114. Yamamoto, M. & Nof, S. Y. 1985. Scheduling Rescheduling in the Manufacturing Operating SystemEnvironment.InternationalJournalofProductionResearch,23(4):705722. Yang, T., Kuo, Y., & Cho, C. 2007. A genetic algorithms simulation approach for the multi attribute combinatorial dispatching decision problem. European Journal of Operational Research,176(3):18591873. Yang, W. H. & Liao, C. J. 1999. Survey of scheduling research involving setup times. InternationalJournalofSystemsScience,30(2):143155. Yellig, E. J. & Mackulak, G. T. 1997. Robust deterministic scheduling in stochastic envoronments: the method of capacity hedge points. International Journal of Production Research,35:369379. Ying,K.C.&Lin,S.W.2006.Multiprocessortaskschedulinginmultistagehybridflowshops:an antcolonysystemapproach.InternationalJournalofProductionResearch,44(16):31613177. Yip, Y., Cheng, C. Y., & Low, C. 2006. Sequencing of an M machine flow shop with setup, processing and removal times separated. International Journal of Advanced Manufacturing Technology,30(34):286296. Yoshida, T. & Hitomi, K. 1979. Optimal 2Stage Production Scheduling with Setup Times Separated.AiieTransactions,11(3):261263.

193

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Zandieh,M.,Ghomi,S.M.T.F.,&Husseini,S.M.M.2006.Animmunealgorithmapproachto hybridflowshopsschedulingwithsequencedependentsetuptimes.AppliedMathematicsand Computation,180(1):111127. Zhu,X.Y.&Wilhelm,W.E.2006.Schedulingandlotsizingwithsequencedependentsetup:A literaturereview.IieTransactions,38(11):9871007. Zimmermann,H.J.1996.Thefuzzysettheoryanditsapplications.Springer;3edition(April30, 1996).

194

Captulo
EstadodelArtedelosSistemas MultiagenteysuAplicacinalos SistemasdeFabricacinysu ProgramacindelaProduccin

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin

Tabladecontenido
4. Captulo4.....................................................................................................................201 4.1 Introduccin.................................................................................................................201 4.2 TeoradeAgentesySistemasMultiagente..................................................................203 4.2.1 4.2.2 Introduccin......................................................................................................203 Agentes.Conceptosbsicos..............................................................................206 Agentes,SistemasMultiagenteySistemasBasadosenAgentes..............207 ClasificacindelosAgentes......................................................................212

4.2.2.1 4.2.2.2 4.2.3

ArquitecturadeAgentes...................................................................................214

4.3 LosSistemasMultiagente:LaOrganizacin.................................................................217 4.3.1 LaOrganizacin.................................................................................................220 LaColaboracin.........................................................................................224 LaCoordinacin.........................................................................................227

4.3.1.1 4.3.1.2 4.3.2

LaNegociacin..................................................................................................228

4.4 LosSistemasMultiagente:ElIntercambiodeConocimiento......................................230 4.4.1 4.4.2 LaComunicacin...............................................................................................230 Ontologas.........................................................................................................232

4.5 Anlisis,DiseoeImplementacindelosSistemasMultiagente................................234 4.5.1 4.5.2 4.5.3 OrganizacionesparalaEstandarizacindelosSistemasbasadosenAgentes.235 MetodologasyHerramientasparaelDiseodeSistemasMultiagente..........238 PlataformasparalaImplementacindeSistemasMultiagentes......................239

4.6 VentajasdelUsodeSistemasMultiagente..................................................................242 4.7 SistemasInteligentesdeFabricacinbasadosenAgentes..........................................243

197

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 4.7.1 4.7.2 4.7.3 Planificacin,ProgramacinyControldelaProduccin..................................244 IntegracindelaPlanificacinylaProgramacindelaProduccin.................245 SistemasHolnicos............................................................................................249

4.8 AplicacionesdelosSistemasMultiagentealaProgramacindelaProduccin.........251 4.8.1 4.8.2 4.8.3 4.8.4 4.8.5 SolucionesbasadasenTeoradeAgentes........................................................253 IntegracindelaProgramacindelaProduccinenelSPCO..........................259 HabilidadesSocialesenlaAplicacindelosSMA.............................................261 AprendizajeenlaAplicacindelosSMA..........................................................263 InfluenciadelosSMAenlasSoluciones ...........................................................264 .

4.9 Conclusiones................................................................................................................265 4.10 Bibliografa................................................................................................................267

198

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin

ndicedefiguras
Figura41.Agenteenrelacinconsuentorno(elaboracinpropia).......................................207 Figura42.ClasificacindelosAgentessegn(Nwana,H.S.1995).........................................212 Figura43.reasqueInfluyenenlosAgentessegn(Altmann,J.etal.2000).......................213 Figura44.ArquitecturadeunAgenteBDI(elaboracinpropia).............................................214 Figura45.ArquitecturadeunAgenteReactivo(elaboracinpropia).....................................215 Figura46.Representacindeunaarquitecturahbrida(Muller,J.P.1997)...........................217 Figura47.OrganizacindelaSociedad,(Corchado,J.M.etal.2002)....................................224 Figura48.EstructuradelprotocoloContratNetentrediferentesnivelesde(Cardon,A.etal. 2000).................................................................................................................................255

199

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ndicedetablas

Tabla41.Tiposdeinteraccionesentreagentes(Corchado,J.M.etal.2002).........................218 Tabla 42. Clasificacin de los procedimientos para la Colaboracin entre Agentes de una Organizacin(elaboracinpropia)...................................................................................225 Tabla43.RevisindePlataformas/HerramientasdeDesarrollodeAgentesbasadasenJAVA basadaen(Vrba,P.2003).................................................................................................241 Tabla44.Resumenbasadoen(Shen,W.M.,Wang,L.H.,&Hao,Q.2006)sobreproyectosde investigacin que trabajan en la integracin de los procesos de Planificacin y ProgramacinaplicandoteoradeAgentes.....................................................................248 Tabla45.TablacomparativaHolonesvsAgentesde(GiretBoggino,A.S.2005)...................250 Tabla 46. Resumen de Proyecto orientados a la Programacin de la Produccin utilizando SistemasMultiagentesbasadoen(Shen,W.M.etal.2006)...........................................252

4.

200

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin

Captulo4

4.1

Introduccin

El estudio de los comportamientos inteligentes colectivos consecuencia de la interaccin de diversos elementos llamados Agentes es el objetivo fundamental de la Inteligencia Artificial Distribuida (AID)(Avouris, N. M. & Gasser, L. 1992). La IAD ha experimentado una evolucin apreciableensucortavida,quepodemosclasificarsegn(IglesiasFernndez,C.A.1998)en tresetapascronolgicamentediferenciadas: La IAD Clsica,(Moulin, B. & Chiabdraa, B. 1996), (Huhns, M. N. & Gasser, L. 1989),empiezaaestudiarlaconductacolectivaencontraposicindelaInteligencia Artificialqueestudialaindividual. LaIADAutnoma,(Castelfranchini,C.&Conte,R.1996),secentraenlosAgentes individualesdentrodeunmundosocial. La IAD Comercial, (Hedberg, S. 1996), (Nwana, H. S. 1995) se centra en la aplicacin de las IAD clsica y autnoma al desarrollo de Agentes, normalmente denominado Agentes Software, con caractersticas muy diferenciadas que estn siendoexplotadosdeformacomercial.

La aparicin de los Agentes Software supuso la irrupcin de un nuevo paradigma en el desarrollo del software que no solo influy en las fases de conceptualizacin, diseo e implementacindelmismo,sinotambinenlaaplicabilidaddelassolucionespropuestas. La Teora de Agentes y Sistemas Multiagente (SMA) ha permitido dar un mayor realismo al tratamiento de ciertos problemas, incorporando a los modelos ciertas caractersticas que normalmente no se tienen en cuenta, o se hace de forma parcial, por la dificultad que incorporanalprocesoderesolucindelmismo.Cuandoelproblemaquesedeseasolucionar incluye caractersticas como: Gran Tamao, Alto Grado de Incertidumbre, Dinamismo, o Singularidad enladistribucindesuselementos,esunaexcelenteopcin laaplicacin de Agentes para obtener grandes ventajas en el proceso de resolucin. En este sentido, el problema de la Programacin de la Produccin es un problema susceptible de ser abordado mediante Agentes, ya que suelen considerarse gran parte de los factores mencionados anteriormente. Entre todas las caractersticas indicadas en el prrafo anterior, quizs sean dos las que predominen sobre el resto: Singular Distribucin y Dinamismo del problema. Los problemas
201

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica DistribuidoshansidolabasedelaIAD.Estapropiedadhapermitidoabordartantoproblemas Distribuidos por su propia naturaleza como; redes de ordenadores, distribucin elctrica, redesdesemforos,etc.,comotambinsubdividirproblemascentralizados como;deteccin de errores ((Jennings, N. R., Corera, J. M., & Laresgoiti, I. 1995)), aplicaciones industriales ((Parunak,H.V.1993)),procesamientodelenguajenatural((Sabah,G.1990)),etc.,enmdulos y submdulos de forma que un individuo o un pequeo grupo de la sociedad afronta ese submdulo,perodeunaformacoordinadaconelrestodeindividuos. Por otro lado, la teora de Sistemas Multiagente permite ofrecer soluciones dinmicas, a problemasdinmicos.Estosedebeaquelamayorpartedelossolucionesestnsoportadas enherramientassoftware,ydesdeelpuntodevistadelatecnologasoftwarelosAgentesse caracterizancomounentornoabiertoquefavoreceeltratamientovariableeneltiempodelos problemas. Segn (Hewitt, C. 1986) este concepto implica que la estructura del sistema es capazdemodificarsedinmicamenteporsmisma.Estopuedesuponerqueloselementosque laformanenuninstantedadonosonconocidosconanterioridadopuedencambiaralolargo deltiempo.Normalmenteenunsistemaabiertoloselementossuelenserheterogneosensu composicin.DeestaformasepuededecirquelaingenieradelsoftwarebasadaenAgentes estrelacionadaconlossistemascomplejosdistribuidosensistemas/entornosabiertos.Esta tecnologanoslopuedeserutilizadaparamodelarunarealidadexistentesinotambinpara modelar y disear una nueva propuesta que suponga el desarrollo de un nuevo sistema complejo. LastcnicasdeInteligenciaArtificialseutilizanenlaFabricacinInteligentedesdehacemsde dosdcadas.Sinembargo,lasrecientestcnicasdesarrolladasenlosSistemasMultiagenteen el nuevo dominio de la Inteligencia Artificial Distribuida han proporcionado nuevas e interesantes posibilidades. Durante los ltimos aos los investigadores han aplicado las tcnicas basadas en la Teora de Agentes a los Sistemas Productivos; Planificacin, ProgramacinyControl,GestindeMateriales,GestindelaCadenadeSuministro,Logstica, etc. La Programacin de la Produccin ha sido ampliamente estudiada en la literatura mediante varios mtodos; Heursticas, Propagacin de Restricciones, Recocido Simulado, Bsqueda Tab, Algoritmos Genticos, Redes Neuronales, etc. La tecnologa de Agentes se ha convertido en una nueva y reciente formar de abordar los problemas relacionados con la TomadeDecisionesenelentornodelosProcesosProductivos. En este captulo se dedica un primer bloque de apartados a tratar los aspectos relacionados conlaTeoradelosAgentesSoftware(Agencia).Enelprimerodelosapartadosdeestebloque se,correspondienteconelapartado4.2serealizaunrecorridoporlosconceptosbsicosyel
202

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin anlisisdelAgentecomounidadydeformaindividual.Enelsegundo,correspondienteconel apartado4.3,seanalizarnlosaspectoscolectivosrelativosalaorganizacindeloqueseha denominadoSistemasMultiagentes.Enelapartado4.4seconsideranlascuestionesrelativas al intercambio de conocimiento, es decir el lenguaje y el significado de los mensajes. En el apartado 4.5 se proporciona una visin general sobre el conjunto de elementos que intervienenycondicionaneldesarrollodeunsistemabasadoenAgentes.Enelapartado4.6se destacanlasventajasdelusodelosSistemasMultiagenteenlabsquedadesolucionesparael clculodeProgramasProductivos.Unsegundobloqueestformadoporelapartado4.7y4.8. EnelseanalizalaaplicacindelosSistemasbasadosenAgentesalaGestindelaProduccin en todos sus aspectos, y a la Programacin de la Produccin en concreto. El apartado 4.7 presenta la aplicacin que se ha realizado hasta la fecha en lo que se ha denominado Fabricacin Inteligente. El apartado 4.8 se realiza un profundo anlisis bibliogrfico sobre la aplicacindeSistemasMultiagentealageneracindeProgramasProductivos.Finalmenteen elapartado4.9serealizaunareflexinamododeconclusindeloscontenidospresentados enelcaptulo.

4.2

TeoradeAgentesySistemasMultiagente

4.2.1 Introduccin
Aunque la IAD es la referencia bsica que se sigue en este captulo, ya que su produccin cientficaeslamscercanaalenfoquequesedesearealizar,sedebetenerencuentaqueenel estudio de la teora relacionada con los Agentes y de los Sistemas de Agentes hay mltiples disciplinasquerealizanaportacionescomplementandoelmismodesdediversosenfoques.En muchos casos la influencia se ha producido y se produce en un sentido bidireccional. Para (Luck, M., McBurney, P., Shehory, O., Willmott, S., & Agentlink Community 2005) algunas de lasdisciplinascercanasson: Economa: La aplicacin de la tecnologa a los problemas de asignacin recursos distribuidos. Algunos ejemplos incluye la Teora de Juegos, que estudia las propiedades de las interacciones econmicas formalizadas entre participes, y mecanismosdelateoradeldiseo,queconsideraelproblemadeldiseoptimo de los mecanismos de asignacin de recursos. Las subastas son los mecanismos ms comnmente estudiados en economa, y la combinacin de la Teora Econmica, la Investigacin Operativa y la Informtica ha producido una nueva disciplina:Eldiseodesubastasbasadoenordenador. Lgica: Al igual que la Informtica, los ltimos aos son florecientes para las aplicacionesdelaLgicaFormalalatecnologadeAgentes,especialmentelaLgica

203

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ModalyTemporal.LaLgicadelconocimientoydelascreencias(LgicaEpistmica) ha sido usada para representar los estados internos de los Agentes de una forma computacional. La Lgica Dentica ha sido usada para representar obligaciones y normasenlosSistemasdeAgentes.LaLgicadelosProcesosylaDinmicahasido usadapararazonarsobrelainteraccinentrelosAgentes. Filosofa: Un buen nmero de reas de la Filosofa han tenido influencia en la Teora y Diseo de Agentes. La Filosofa de las creencias y las intenciones, por ejemplo, lideran directamente el modelo BDI de agente software racional usado para representar los estados internos de los Agentes autnomos. La Teora del Habla, una rama de la Filosofa del lenguaje, ha sido usada para proporcionar semntica al lenguaje comunicacin FIPA (Foundation for Intelligenct Physical Agents)deAgentes(FIPA2008).Delamismaforma,laTeoradelaArgumentacin, que data de la poca aristotlica, se usa ahora para por los diseadores de los protocolos de interaccin entre Agentes para el diseo de lenguajes capaces de soportar argumentacin y razonamiento no deductivo. Los temas de veracidad y obligacionesenlosSistemasMultiagentesehanbasadoenlaTeoraFilosoficadela delegacinylasnormas. Biologa: La metamorfosis Biolgica ha sido muy influyente en la computacin en las ltimas tres dcadas, por ejemplo, en el desarrollo de la computacin EvolucionistaylasRedesNeuronales.LosmodelosdelosSistemasMultiagentehan encontrado aplicacin para la simulacin de Sistemas Biolgicos, tales como las poblacionesdepecesenelmardelNorte. Ciencias Sociales: Aunque quizs tenga relaciones menos desarrolladas que las econmicas,hayvariospuntosderelacinentrelasCienciasSocialesylatecnologa delosSistemasMultiagente.DadoquelosSistemasMultiagenteestnenmarcados dentrodelainteraccin,entidadesautnomas,elDiseoOrganizacionalylaTeora Polticasonmuyimportantesensudiseoyevaluacin.Debidoalaimportanciade laprediccindelasrelacionesdeunAgenteconelresto,laSociologaylasTeoras LegalesydelasNormasdeComportamientodegrupossonrelevantes,juntoconlas Teoras Psicolgicas de la veracidad y la persuasin. Tambin la Teora del Marketing puede tener influencia debido a la relacin de los Agentes con otros AgentesyconlosHumanos.

LaevolucindefinitivadelaTeoradeAgentesySistemasdeAgentesseprodujodelamanode la IAD. Como ya se ha indicado segn evolucin cronolgica establecida por (Iglesias Fernndez,C.A.1998),enlaIADseestablecentresetapas:Clsica,AutnomayComercial.

204

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin EnlaEtapaClsica,laIADesunsubcampodelaInteligenciaArtificial,ver(O'Hare,G.M.P.& Jennings, N. R. 1996). En esta etapa se consolidan los trabajos relacionados con las tcnicas necesarias para la coordinacin y distribucin del conocimiento. Durante este periodo los trminosnodoyAgenteseencuentranhabitualmenteparareferirseaentidadessimilares.As mismosepuedendistinguirdostiposdereasdeinvestigacinrelevantes,(Bond,A.H.1988): Resolucin(cooperativa)deProblemasDistribuidos,enelqueseestudiacomoun conjunto de nodos o mdulos cooperan para dividir el conocimiento de un problemayeldesarrollodelasolucin. Sistemas Multiagente (Multiagent Systems), que estudia la coordinacin de la conductainteligenteentreunconjuntodeAgentesInteligentesAutnomos.

Ladiferenciafundamentalentreambasreasestribaenquemientrasenlaprimeraexisteun planinicial,ynormalmentecentralizado,enlosSMAelsistemaesmsflexibleylosAgentes puedendecidirencadamomentolasinteraccionesmsadecuadas. Durante esta Etapa Clsica se estudiaron los problemas bsicos, que consolidaron la IAD y dieron pie a la Etapa Autnoma en la que toma mayor protagonismo la Teora de Agentes. Algunosdeestosproblemas,expuestospor(IglesiasFernndez,C.A.1998)fueron: Cmoformular,describir,descomponeryasignarysintetizarlosresultadosentre ungrupodeAgentesInteligentes? CmocapacitaralosAgentesparaquesecomuniqueneinteracten? Cmo asegurar que los Agentes actan coherentemente al tomar decisiones o realizar acciones, como ajustar los efectos globales de las decisiones locales y prevenirdecisionesnodeseadas? CmocapacitaralosAgentespararepresentaryrazonarsobreacciones,planesy conocimientosdeotrosAgentesparacoordinarse? Cmo reconocer y reconciliar puntos de vista e intenciones conflictivas entre un conjuntodeAgentesparacoordinarsusacciones? Cmo utilizar tcnicas ingenieriles y desarrollar sistemas con IAD. Como disear plataformasSMAymetodologasdedesarrollo?

205

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica EnlaEtapaAutnomadelaIAD,tomanrelevancialosaspectosrelacionadosconlosAgentes, dejando de lado las cuestiones generales, comentadas anteriormente, de la IAD clsica y centrndose en cuestiones relativas a los individuos Agente. Los aspectos fundamentales abordadosenestaetapafueron,(Wooldrige,M.&Jennings,N.R.1995): LaTeoradeAgente:QuetrataderesponderalapreguntadequesunAgente,y utilizarformalismosmatemticospararepresentaryrazonarsobrelaspropiedades delosAgentes. Arquitecturas de Agentes: Que trata las arquitecturas hardware y software que permitenreflejarlaspropiedadesestablecidasporlostericos. LenguajesdeAgentes:Quesonlenguajessoftwareparaprogramaryexperimentar conAgentes.

Durante la Etapa Autnoma la IAD estudi los Agentes y los Sistemas Multiagente, en cuyo periodo,estembitoseempezaconsideraruncampoporsmismo. Una vez consolidados los aspectos tratados en la Etapa Autnoma, varias casas comercializadoras de software empezaron a adquirir, o bien a desarrollarlas s mismas, prototiposbasadosenAgentes,yafuesenaplicacionesoplataformas.Esteeselcomienzodela denominada Etapa Comercializadora. Durante esta etapa los Agentes suavizan ciertas propiedades y se especializan considerablemente. Algunos de los Agentes ms conocidos, segn(Nwana,H.S.1995)son:AgentesInterfaz,AgentesMviles,AgentesInternet. En la actualidad la Teora de los Agentes software tiene entidad propia siendo varios los congresosrelevantesenlosquesetratandichascuestionesdeformaexclusiva.Entreestosse pueden destacar ATAL (Agent Theories, Architectures and Languages), AAMAS (Autonomous Agent and MultiAgent Systems), HoloMAS (Holonic and MultiAgent Systems for Manufacturing). Existen mltiples congresos en los cuales se incluyen puntos de encuentro paralosaspectosrelacionadosconlaTeoradelosAgenteSoftware.

4.2.2 Agentes.Conceptosbsicos
En este apartado se van a introducir los elementos conceptuales bsicos que permitirn diferenciar entre un Agente, un Sistema basado en Agentes y un Sistema Multiagente. Cada uno de estos conceptos supone un nivel de abstraccin e implementacin diferente de una solucin.Esimportantepoderdiferenciarentrelosdiferentesenfoques,yaqueenocasiones
206

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin seutilizanconintencionescontrapuestas,yenotrasdeformaconjuntaycomplementaria,lo quehacedifcilsuidentificacin. Es este apartado tambin se presentarn algunas clasificaciones alternativas de los Agentes quepermitirncompletarelcocimientoquesetienesobreellos.

4.2.2.1 Agentes,SistemasMultiagenteySistemasBasadosenAgentes DemanerainformalseentiendequeunAgenteesunaentidadconcapacidaddecomputacin queenundeterminadoentornoescapazdeactuardeformaautnoma,yconciertogradode libertad, para alcanzar sus objetivos. El Agente es consciente de su entorno, es capaz de percibirloscambiosenelmismo,ydeactuarsobresteenconsecuencia. Segn la definicin de (Wooldrige, M. et al. 1995) podemos decir que un Agente es todo SistemaInformticoquecumplelassiguientescondiciones: Autonoma:Tienelacapacidaddeactuardeformadirectasinintervencinhumana odeotrosAgentes. Sociabilidad: La capacidad de relacionarse con otros Agentes utilizando para ello algntipodelenguaje. Reactividad:ElAgentetienevnculosconsuentornoquesemanifiestanenforma deestmulosydereaccinantelosmismos. Iniciativa:UnAgentenoslodebereaccionaranteloscambiosqueseproducenen suentorno,sinoquedebetenerlacapacidaddetomarlainiciativa.

Percepciones

Entorno

Agente
Acciones

Figura41.Agenteenrelacinconsuentorno(elaboracinpropia).

207

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Las condiciones anteriores pueden ser satisfechas por mltiples sistemas software que sin embargo carecen de la inteligencia necesaria para denominarse Agentes. Por este motivo (Corchado, J. M. & Molina, J. M. 2002) proponen una serie de condiciones adicionales que eliminenlaambigedadqueanpermaneceenladefinicinde(Wooldrige,M.etal.1995). Movilidad: Habilidad de un Agente de trasladarse en una red de comunicacin informtica. Veracidad: Propiedad por la que un Agente no comunica informacin falsa intencionadamente. Benevolencia: Un Agente no tiene objetivos contradictorios y siempre intenta realizarlatareaqueselesolicita. Racionalidad: Un Agente tiene unos objetivos especficos y siempre intenta llevarlosacabo.

Segn (Russell, S. & Norvig, P. 2002) la racionalidad nos lleva a vincular varios conceptos: AutonomayAprendizajemsPercepcin.ElAgenteracionaldeberealizartodaslasacciones quefavorezcanlaobtencindesumximorendimiento,tomandocomobaselaspercepciones recibidasyelconocimientoobtenido.Esteconocimientoimplicaparaelautorunaprendizajea travs del ciclo de vida del Agente y un conocimiento inicial. Para (Russell, S. et al. 2002) la racionalidaddeunAgentedependede: Delamedidaconlaqueseevalaelgradodexitoalcanzado. De la secuencia de percepciones, es decir de todo aquello que el Agente ha percibidodelentorno. DelconocimientoqueelAgenteposeedelmedio. DelasaccionesqueelAgentepuedellevaracabo.

En (Shoham, Y. 1993) se define un Agente como una entidad cuyo estado est formado por componentes mentales tpicos de humanos como creencias, capacidades, elecciones y compromisos.EstosestadosdeterminanlasaccionesquellevanacabolosAgentesyqueestn afectadosporlosmensajesquereciben. Una evolucin en el uso de los Agentes es el planteamiento e implementacin de Sistemas BasadosenAgentes.DeformaintuitivasepuededecirqueunSistemaBasadoenAgenteses
208

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin aquel que utiliza los Agentes como elementos de abstraccin para representar su modelo, pudiendoestarconfiguradoporunoovariosAgentes.Porelcontrario,unSistemaMultiagente est concebido desde el primer instante como un conjunto de elementos que interaccionan entresparaalcanzarunobjetivodeformacooperativa.Enestesegundocasohayquerealizar un mayor esfuerzo en la construccin de todos aquellos aspectos relacionados con la interrelacin. El estudio de Sistemas Multiagente se centra en los sistemas en los cuales varios Agentes Interactan unos con otros. Los Agentes son considerados Entidades Autnomas. Su InteraccinpuedeserCooperativa,comolashormigasdeunacoloniaoInteresadacomolos agentescomercialesdeunmercado.LosinvestigadoresdeSMAdesarrollanideasbasadasen diversoscamposfueradelaInteligenciaArtificialcomolaEconoma,laFilosofa,losSistemas ComplejosolaBiologa. Segn (Lesser, V. R. 1995), un Sistema Multiagente es un sistema computacional en el cual varios Agentes SemiAutnomos Interactan o trabajan juntos para realizar un conjunto de tareas o satisfacer un conjunto de objetivos. Dichos sistemas pueden implicar Agentes Homogneos o Heterogneos teniendo objetivos comunes o distintos. Para que los Agentes alcancen soluciones ptimas y compatibles a sus subproblemas, interdependientes con el mnimousoderecursosrequierentenerunavisindelproblemasuficientementeactualizada, completayconsistente.Obtenerdichainformacinfrecuentementenoesprcticodebidoa: Anchodebandadecomunicacinlimitadoycostecomputacionaldeltratamiento delainformacin. La heterogeneidad de los Agentes hace difcil el intercambio de informacin, y la competitividad de ciertos Agentes hace que puedan desear no compartir alguna informacin. El carcter dinmico del entorno debido a los cambios en los problemas, los Agentesylosrecursos,ascomoalaimposibilidad depredecirlasaccionesdelos Agentes.

Segn(Sycara,K.P.1998)unsistemamultiagentesecaracterizaporque(1)cadaAgentetiene informacin incompleta o no tiene capacidad para resolver el problema completo, tiene un punto de vista limitado, (2) no hay un sistema global de control, (3) los datos son descentralizados, (4) y la computacin es asncrona. Por eso segn la misma autora los SistemasMultiagentestienenlahabilidadde:

209

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ResolverproblemasmuygrandesparaunsoloAgentedebidoaquepudierafallar porlimitacinderecursos,porcuellosdebotellaofallosenmomentoscrticos. Permitenlainterconexindemltiplessistemasconsuherencia.Parapermanecer al da con las necesidades de negocio los sistemas deben de ser actualizados peridicamente. Proveer solucin a problemas que pueden ser planteados como una sociedad de componentesAgentesAutnomosInteractuando. Proporcionar soluciones que usan eficientemente informacin procedente de fuentesDistribuidas. ProporcionarsolucionesensituacionesdondelaexperienciaestDistribuida. Paramejorarelrendimientoen: o Eficienciacomputacional,porqueseaprovechalaconcurrencia. o Fiabilidad,porqueseformandinmicamenteAgentesconlamismahabilidado existeunaapropiadacoordinacininterAgentes. o Extensibilidad, porque el nmero y capacidades de los Agentes puede ser alterada. o Robustez,porqueelsistemaestpreparadoparasoportarlasincertidumbres medianteelintercambioadecuadodeinformacinentreAgentes. o Mantenimiento, porque el sistema est formado por componentesAgentes quereflejanmodularidadyporlotantounmantenimientomssencillo. o Flexibilidad,porqueAgentescondiversascapacidadespuedenorganizarsede formaadaptativapararesolverelproblemaactual. o Reusabilidad, porque la funcionalidad de los diferentes Agentes puede ser reutilizada por otros agentes o equipos de Agentes para resolver diferentes problemas.

Segn (Corchado, J. M. et al. 2002) los SMA se caracterizan por una serie de propiedades: DescripcindeCompetencias,ModelosdeAgentes,Comunicacin,ComportamientoyPuntos deInterraccin. La Descripcin de Competencias se encarga de la definicin del problema en trminos de tareas, subtareas y sus relaciones. As se determina como resolver el problema, como distribuirloentrelosdiferentesAgentesylasInteraccionesentrestos.(Corchado,J.M.etal.
210

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin 2002)hacenreferenciaaunadescomposicindelosproblemasendospasos.Unprimerpaso se realizar durante la definicin del problema, a nivel de aplicacin, y un segundo paso durante la fase de resolucin del problema para asignar la actividad de los Agentes. Este segundo paso puede establecer asignaciones deterministas o dinmicas dando lugar a OrganizacionesAdaptativasoNoAdpatativas. LosModelosdeAgentesconocidossonlarepresentacinquecadaAgenterealizadelosotros Agentes que existen en su entorno. Se trata de una representacin local de la informacin relativa a dichos Agentes. Dicha informacin se organiza habitualmente como conocimiento estructuradoenmodelosdeAgentesconocidos.EstemodelodeAgentesconocidoscontiene informacinquepuedeayudararazonarsobreotrosAgentesysatisfacerlasnecesidadesde comunicacinconotrosAgentes.Asmismo,permitepredeciroesperarelcomportamientode otros Agentes, Planear y Coordinar actividaes locales de acuerdo con una meta global, y permitir la estructra de la arquitectura de un Agente, mejorando la posibilidad de agrupar Agentes. Los autores inciden en lo deseable de la autoconfiguracin dinmica de un sistema distribuido.Estacondicinpermitealsistemaadaptarlasnuevasconfiguracionesdelgrupo,o nuevosentornos,sinintervencindeldesarrollador,simplementeactualizandolosmodelosde Agentesconocidos. La Comunicacin se necesita para la definicin del problema, su descomposicin y distribucin, entre los agentes. El intercambio de informacin o acto de comunicacin se realiza por medio de un protocolo o lenguaje que puede tener diferentes niveles de complejidad. El Comportamiento coherente de los agentes desde un punto de vista global es el objetivo prioritario de la formacin del sistema. Dicha coherencia se puede definir como una propiedad del sistema medida por la eficiencia, calidad, claridad de una solucin global y el niveldefallosnocrticosdelsistemasegn(Bond,A.H.1988).Elcomportamientodelsistema seveinfluidofundamentalmenteporeltipodeorganizacindelosAgentes,queestablecelos distintos tipos de interracin. Los tipos de organizacin pueden ser Centralizados, DescentralizadosoMixtos.Dichasorganizacionesserevisarnconprofundidadenunapartado posterior. Los Puntos de Interaccin de un Agente son importantes porque establecen las ubicaciones iniciales para las actividades cooperativas entre los Agentes. Son los puntos en los que el AgenteestableceunarelacinmedianteunenvoopeticindeinformacinconotrosAgentes desuentorno.

211

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica EnesteapartadosehanpresentadoalgunasideasclaveparapoderdistinguirentreAgentes, Sistemas basados en Agentes y Sistemas Multiagente. A continuacin se ofrecen algunas alternativasparapoderclasificarlostiposdeAgenteenfuncindecriteriosalternativos.

4.2.2.2 ClasificacindelosAgentes Segn(Altmann,J.,Essmayr,W.,Grabner,M.,Gruber,F.,Klug,L.,Stockner,W.etal.2000)hay varioscriteriosparaclasificarunagente: Movilidad. CapacidadesdeInteraccin,y AtributosIdeales.

ElcriteriodemovilidaddividealosAgentesendosgrupos:LosAgentescapacesdemigrarde un entorno a otro, y los que no son capaces de trasladarse. Dichos grupos de denominan respectivamenteAgentesmvilesyAgentesestacionarios.

Aprendizaje

Agentes Interfase

Agentes Aprendices Agentes Colaborativos Inteligentes

Autonoma

Agentes Colaborativos

Cooperacin

Figura42.ClasificacindelosAgentessegn(Nwana,H.S.1995).

El criterio basado en las capacidades de interaccin tambin divide a los Agentes en dos grandes grupos: Los Agentes deliberativos o BDI con un modelo de razonamiento interno quelespermiteplanificaryestablecercontactoconotrosAgentes,ylosAgentesreactivos,
212

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin quesloreaccionaanteeventosdelentornoynodisponendeunmodelodecomportamiento interno. El criterio basado en los atributos ideales necesita la definicin de un conjunto mnimo de propiedades,lascualesdebendeexistirentodoslosAgentes.(Nwana,H.S.1995)proporciona un conjunto de atributos, explcitamente reducido, que est compuesto por: Autonoma, AprendizajeyCooperacin. EnlaFigura42semuestralaclasificacinde(Nwana,H.S.1995)intentaAsignarcadaagente con un atributo dominante. Con lo que se obtienen cuatro tipos de Agente: Interfase, Colaborativos,ColaborativosyconcapacidaddeAprendizajeeInteligentes. Otraclasificacininteresantepropuestapor(Altmann,J.etal.2000)esaquellaenlaquelos Agentessoncategorizadosenbasealreadeconocimientoquelesinfluencia.

TeoraDecisin Redes Comunicacin Movilidad Comunicacin Autonoma

Caractersticas
caracter

Capacidad Aprendizaje Proactividad Reactividad

Inteligencia Artificial

Cooperacin InteligenciaArtificial Distribuida

Psicologa

Figura43.reasqueInfluyenenlosAgentessegn(Altmann,J.etal.2000).

EnestecasoseidentificanunconjuntodeatributosquecaraterizanalosAgentes:Reactividad, Proactividad,Aprendizaje,Autonoma, Movilidad,Comunicacin,Carcter. Estosatributos no son sino caractersticas de los Agentes, algunas de las cuales ya fueron definidas anteriormente. En base a la ausencia o presencia de dichas caractersticas se puede realizar unaclasificacindelosAgentes.

Conlasclasificacionesofrecidassedanporfinalizadoelapartadosobreconceptosbsicosde la Teora de Agentes. Antes de concluir la revisin de los conceptos relativos a los Agentes como entidades individuales se proceder a realizar un anlisis sobre las arquitecturas fundamentalesquesehanutilizadohastaelmomentoparaconstruirunAgente.
213

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

4.2.3 ArquitecturadeAgentes
EnunSistemaMultiagenteelrazonamientoindividualdelosAgentesdebedetenerencuenta losefectosnolocalesdesusaccioneslocales.Esteaspectohasidoampliamenteestudiadoen el rea de la Inteligencia Artificial. En (Muller, J. P. 1998) se realiza una revisin de las diferentes arquitecturas que pueden ser utilizadas en el diseo de un Agente. Se pueden distinguirbsicamentetrestiposdeArquitecturas:DeliberativaoBDI,ReactivaeHbrida. En (Wooldrige, M. et al. 1995) plantearon la formalizacin de una lgica axiomtica para el comportamientoracionaldelosAgentes.Enlostrabajosde(Shoham,Y.1993),(Rao,A.S.& Georgeff,M.P.1994)y(Wooldrige,M.etal.1995)setratalaformalizacindeunmodelopara elcomportamientodelosAgentesentrminosdeCreencias,DeseosyobjetivosoIntenciones. Este tipo de sistemas conocidos como BDI (Belief, Desire, Intention) configuran un tipo de Arquitectura conocida como Deliberativa. En la Figura 44 se muestra de forma grfica una presentacindelaarquitecturaBDI.

Entorno

Agente BDI Creencias

Percepciones

Interprete

Actuadores

Deseos

Intenciones

Figura44.ArquitecturadeunAgenteBDI(elaboracinpropia).

Los Agentes Deliberativos mantienen una representacin del mundo mediante un modelo simblicoqueconstituyensuscreencias.Asmismotieneunconjuntodeobjetivosquedeben alcanzarquesondenominadosdeseos.Parapoderalcanzarsusdeseos,unAgentepartedesu estadodeconocimientoactualdelmundo,esdecirdesuscreencias,yejecutaunoovariosde sus planes posibles (intenciones). En cada momento, el Agente, en funcin de sus percepcionesactualizasuscreenciasymodificasusintencionesencursoparaadaptarsemejor
214

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin alasnuevassituaciones.Esteprocesorazonadopuedeteneruncostetemporalaltoquehace queenocasionesnoseaadecuadoparaalgunasactividades,sobretodoenlasquetrabajanen tiemporeal. OtraaproximacineslaArquitecturaReactiva.EstaproponeeldesarrollodeAgentesreactivos en contraposicin al comportamiento racional de los Agentes BDI. Los Agentes reactivos no tienen una representacin de su entorno y actan en forma de respuesta a estmulos. stos responden al estado presente del entorno y no tienen en cuenta la historia ni los planes de futuro. La mayor fuerza de los Agentes Reactivos se basa en la idea de que interacciones simplesentreAgentespuedenoriginarcomportamientoscomplejos.Lasimplificacindelas respuestas supone un incremento importante de velocidad en las mismas y sencillez en la implementacin de la solucin. Este tipo de sistemas se sustenta en varias concepciones diferentes. Laprimeraaproximacin tienesuorigenenlascrticasde (Brooks,R.A.1991)alosAgentes DeliberativosysusasercionesdequeprimerolaInteligenciaesfrutodelainteraccinentreun Agente y su entorno, y segundo de que el comportamiento Inteligente emerge de la interaccindevarioscomportamientossimplesorganizadosennivelesatravsdeunarelacin maestroesclavo.

AGENTE Reactivo

Sensores

Capa n Capa 2 Capa 1

Efectores

Entorno

Figura45.ArquitecturadeunAgenteReactivo(elaboracinpropia).

Lasegundaaproximacinsebasaenlaideadelasociedaddelamentede(Minsky,M.1986)a partirdelacualseconsideraelcomportamientodeunAgentecomoelresultadoentidadesen competencia para obtener el control sobre las acciones del Agente. Esta idea ha sido desarrollada en diferentes formas por (Maes, P. 1991), (Travers, M. 1988), (Drogoul, A. &
215

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Ferber,J.1992),(Ferber,J.1996).EnestecasounAgentesebasaenunconjuntodetareasen conflictodondeslounapuedeseractivadasimultneamente. En su implementacin los Agentes reactivos suelen caracterizarse por estar constituidos por capasdeformaquelaspercepcionessonfiltradasyencadacapasloseatiendenlasqueson de inters para la misma. Se trata de simplificar el mecanismo de actuacin sin dejar de considerardiversostiposdeeventosquepuedenresultardeinters(verFigura45). Encualquiercaso,losAgentespuramentereactivossuelensufrendostiposdelimitaciones: La primera debida a que al ser puramente reactivos los Agentes toman las decisiones basados en informacin local. Los Agentes no tienen en cuenta la informacin nolocalolosefectosdesusdecisionesenelcomportamientoglobal. Loquepodrallevaralsistemaaunasituacininestable. La segunda consiste en que no existe una relacin entendible entre el comportamientolocalyelglobal.Estohacemuycomplicadoelprocesodediseo, quesueleestarbasadoenelmtododepruebayerror.

LosmayoresxitosdelosAgentesReactivosseencuentranrelacionadosconsuvinculacina accionesfsicascomoactuadores,porejemploenrobots.En(Bonasso,R.P.,Firby,J.,Gat,E., Kortenkamp, D., Miller, D. P., & Slack M.G. 1997) se presenta un buen ejemplo del planteamientoydesarrollodeunarquitecturareactiva. UnaterceraalternativaalasdosarquitecturasanterioreseslaArquitecturaHbridaenlacual se potencian ciertas ventajas y/o se reducen ciertos inconvenientes para obtener una propuestaalternativaqueseadaptamejoralproblemaencuestin.Normalmenteestetipode arquitecturasseestructuranenunsistemadecapasenlascualeslasmsbajasocercanasa lospuntosdecontactoconelentornosondotadasdecaractersticasReactivas,mientrasque lascapassuperioressecaracterizanporuncomportamientomsracionaloBDI.Entreambas capas pueden existir varios niveles intermedios responsables de aplicar diversos grados de Racionalidad segn corresponda en los diferentes estmulos/respuestas que el Agente deba ejecutar. De esta forma se diversifica el comportamiento del Agente en funcin de las necesidadesdecadamomentoaplicandoReactividadoalgngradodeRacionalidad,mientras nosepierdealargoplazoelobjetivoglobal. EnlaFigura46semuestraunaArquitecturaHbridadetriplecapa,dondecadacapatienesu base de conocimiento. Existen otros tipos de enfoque hbrido pero en todo caso se trata siempredebuscarelequilibrioentrereaccinyrazonamientoquemejorseajustealproblema quedeseamosresolver.
216

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin

cooperacin
Conocimiento social

planificacin

Conocimiento de planes

comportamiento

Modelo del mundo

Interfase con el mundo

percepciones

Actuaciones

Figura46.Representacindeunaarquitecturahbrida(Muller,J.P.1997).

Conlarevisindelastresarquitecturastipoquelosinvestigadoreshanreconocidodeforma reiterada en los ltimos aos se da por concluido el bloque dedicado a la revisin de los Agentescomoentidadesindividuales.Comoconclusinsedeberesaltarqueenelmbitodela ProgramacindelaProduccinelautordeestetrabajoconsidera,atenordelovisto,quela Arquitectura BDI puede ser la opcin ms adecuada. Si en algn momento se considerase la opcindeincorporarelementosfsicosdecontrol,comosensores,etc.,comoconsecuenciade unaintegracinentreProgramacinyControldelaProduccinquizslaArquitecturaHbrida sealamsadecuada.Estaintegracinnoseconsideradentrodelmarcodeestatesis.

Acontinuacinserealizarunarevisindelosconceptosclaveylasaportacionesquesehan realizadoenrelacinconlosSistemasMultiagente,esdecirseconsideraranlosaspectos,no individualesdelosAgentes,sinoaquellosquehacenquesepuedahablardeunSistema.

4.3

LosSistemasMultiagente:LaOrganizacin

Los Agentes se agrupan en sociedades para formar sistemas y conjuntos complejos con capacidad para realizar tareas concretas sobre las cuales tienen habilidades. El estudio de estas sociedades implica el anlisis de diferentes caractersticas significativas (Comunicacin, Negociacin,Coordinacin,etc.),queenmuchoscasosconducenaunSistemaOrganizado.

217

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica EnesteapartadoseanalizanlosconceptosdeInteraccinyCooperacin,siguiendoelmodelo de(Corchado,J.M.etal.2002).Estospermitenestablecerdeformaprogresivalasbasesdelo queseentiendeporOrganizacin,queseranalizadaposteriormenteconmsdetalle.Dentro del Nivel Organizativo se desarrollaran los conceptos de Colaboracin, Coordinacin y NegociacinenunSistemaMultiagenteDeliberativo. El primer paso en el anlisis de las relaciones entre Agentes debe ser el estudio de sus Interacciones. En (Ferber, J. 1999) se considera que una situacin en la que se producen interacciones es aquella en la que existe una unin de comportamientos, resultado de un agrupamientodeAgentes,loscualestienenqueactuaratendiendoa:(1)susobjetivos,(2)los recursosdisponiblesparalosAgentesy,(3)lashabilidadesindividualesdecadaAgente.

TipoInteraccin Independencia Colaboracinsimple Obstruccin Colaboracincoordinada Competicinindividualabsoluta Competicincolectivaabsoluta Conflictosindividualessobrerecursos Conflictoscolectivossobrerecursos

Objetivos Compatibles Compatibles Compatibles Compatibles Incompatibles Incompatibles Incompatibles Incompatibles

Recursos Suficientes Suficientes Insuficientes Insuficientes Suficientes Suficientes Insuficientes Insuficientes

Habilidades Suficientes Insuficientes Suficientes Insuficientes Suficientes Insuficientes Suficientes Insuficientes

Tabla41.Tiposdeinteraccionesentreagentes(Corchado,J.M.etal.2002).

Aunque atendiendo exclusivamente a los objetivos propuestos existen tres grandes tipos de Interaccin: Cooperacin, Indiferencia y Enfrentamiento. En general, segn las tres caractersticasdefinidasen(Ferber,J.1999),esdecir,Objetivos,HabilidadesyRecursos,yen (Corchado, J. M. et al. 2002) se establece una clasificacin de los tipos de interaccin que puedenexistir,verTabla41. Como se puede apreciar por el simple hecho de existir un contacto entre un conjunto de Agentesyaexisteinteraccin,anenloscasosmsextremos:IndiferenciaoEnfrentamiento.
218

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Adems todo conjunto de Agentes, con el fin de satisfacer las necesidades derivadas de las interacciones, dispondr de un Nivel Organizativo. Dicho Nivel Organizativo podr tener un grado de influencia en el ciclo de vida del Agente que variar segn las necesidades de las interacciones a las que deba hacer frente. En este sentido hay que considerar que la organizacindeterminarquetipodeinteraccionessepuedenestablecer,yviceversa. UnodelostresgrandesgruposdeinteraccionessonlasquesedenominanCooperativas.Este grupoesdeespecialintersenelestudiodelosSistemasMultiagentes,yaquerequierendel desarrollodeunconjuntodehabilidadesmscomplejasqueelrestodegrupos. SepuededarunasituacindeCooperacinsisecumplenciertascondicionesquevaransegn diversos autores. Segn (Conte, R., Miceli, M., & Castelfranchini, C. 1990) los Agentes Cooperancuandocoordinansusaccionesporquehanidentificadounobjetivocomn.Otros autoresasocianestacaractersticaalaobservacinexterna,como(Durfee,E.H.,Lesser,V.R., & Corkill, D. D. 1989) que considera que un conjunto de Agentes cooperan cuando un observadorexternopuededescribircomocooperativaslasaccionesrealizadasporlosAgentes. En este mismo sentido (Ferber, J. 1999) estableci diversos ndices para decidir si existe una situacin de cooperacin, que bsicamente establecan (1) la existencia de un Agente especial/adicionalalasociedad,(2)laexistenciadeAgentesespecializadosenresolveroevitar conflictos. Segn(Ferber,J.1999)laaccincooperativasepuededeberalamejoradelincrementodela capacidaddesupervivencia,lamejoradelasprestacionesdelsistemaoparareducirelnmero deconflictos.EsteautorproponeunaseriedemtodosquepermitealosAgentescooperar. Estastcnicaspuedenserutilizadasdeformaconjunta,ycondiferentepeso,enelprocesode cooperacinsegnelproblemaqueafrontelaorganizacin.Dichosmtodosson: Agrupamientoymultiplicacin:LosAgentesseagrupanenunanicaentidadque afronta la solucin del problema de forma conjunta. Cada Agente est especializado,pudiendoexistirmltiplesrplicas. Comunicacin:EnvodeinformacinentrelosdiferentesAgentesconelobjetode manteneractualizadoelconocimientodelentorno. Especializacin: Existencia de un conjunto de Agentes con habilidades muy especficas.EltipodeAgentesdiferentesesmuchomsamplioqueenotrotipode sistemas, ya que para obtener un objetivo es necesaria la participacin de gran nmerodeAgentes.

219

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Colaboracin por la Comparticin de Tareas y Recursos: Este tipo de tcnicas repartenlas tareasque hayquerealizarentrelos diferentesAgentesascomolos recursosdisponiblesparaconseguirsufn. CoordinacindeAcciones:Estatcnicapermitegestionarlasaccionesquedeben realizar los Agentes para conseguir el objetivo. La coordinacin puede ser centralizada (Jerrquica, Igualitaria), o distribuida (Modelo de Agentes Conocidos, ContractNetProtocol). Resolucin de Conflictos mediante Arbitrio y Negociacin: El arbitrio hace referencia a un conjunto de reglas que deben cumplir todos los Agentes, con la posibilidaddelaexistenciadeunAgenterbitro.LaNegociacinpermiteestablecer unacuerdoentreAgentesenconflicto.

EngeneralelcampodelaInteligenciaArtificialDistribuidahainvertidoungranesfuerzoenel estudiodelaCooperacin.

4.3.1 LaOrganizacin
ElconceptodeOrganizacinenunSistemaMultiagenteestntimamenterelacionadoconel papelquecadaAgentedesempeadentrodelSistemadesdeelpuntodevistadesurelacin conelgrupo,elcomportamientoqueseesperadel,yladistribucindepoderoautoridad dentrodelgrupo. La Inteligencia Artificial Distribuida nos proporciona varias definiciones de lo que se debe de entender por Organizacin en un Sistema Multiagente. As (Gasser, L. 1986) ve a una Organizacin como un conjunto particular de cuestiones zanjadas y no zanjadas sobre las creencias y las acciones a travs de las cuales los Agentes ven a otros Agentes, desde este mismo punto de vista (Bond, A. H. 1988) definen una Organizacin como un conjunto de Agentesconacuerdosmutuosyglobalesycreenciasmutuas.Segn(Sycara,K.P.1998)una OrganizacinconsisteenungrupodeAgentes,unconjuntodeactividadesrealizadasporlos Agentes,unconjuntodeconexionesentrelosAgentes,yunconjuntodeobjetivosocriterios de evaluacin. Se suele asociar el concepto de Organizacin con la estructura del propio sistema, con los patrones de informacin que se manejan, con el control de las relaciones entre los Agentes y con la distribucin de las habilidades para solucionar el problema. En (Corkill,D.D.&Lesser,V.R.1983)seconfirmaquelaestructuraproporcionaalosAgentesuna visinglobaldecomoafrontarlasolucindelosproblemaselsistema.

220

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin La definicin de la Organizacin se complica an ms cuando se tiene en cuenta el aspecto dinmicodelosAgentes.Enestecasosueleaparecerlafuncinderegistrodelosdiferentes Agentesydesushabilidades.EstafuncinpuedeestaracargodeunoovariosAgentesquese encargan de gestionar la informacin dinmicamente sobre el estado del sistema en cada momento.Estatareapuedellegarasersumamentecompleja,enlossistemascompuestospor unaltonmerodeAgentes,ypuedellegararequerirunconjuntodehabilidadesorientadasa lapropiagestindelsistema.Losautoresde(Decker,K.,Sycara,K.P.,&Wiliamson,M.1997) identificarondiferentestiposdeAgentesquepuedenparticiparenestatarea. AlgunostiposdeOrganizacindescritosenlaliteratura,(Sycara,K.P.1998)son: Jerrquica: Las decisiones y el control se realiza de forma centralizado en cada nivel. Los Agentesdelnivelsuperiorejercenelcontrolsobrelosrecursosylasdecisiones,estableciendo unacomunicacinverticaldesdeelnivelsuperioralnivelinferiorsubordinado. ComunidaddeExpertos:Estaorganizacinesplana,ycadaparticipanteesespecialistaenun rea.CadaAgenteinteractapormediodereglasycomportamiento((Lewis,M.&Sycara,K.P. 1993),(Lander,S.,Lesser,V.R.,&Connell,M.E.1991)).LosAgentesse coordinan mediante ajustesmutuosdesussolucionesparaalcanzarunacoherenciaglobal. Mercado:ElcontrolestdistribuidoentrelosAgentesalosquecompeteunatareaorecursoa travsdemecanismoscomolasubastaoelcontrato.LosAgentesinteractanatravsdeuna variable, el precio, que es usada para evaluar los servicios ((Mllen, T. & Wellman, P. 1996), (Davis,R.&Smiths,R.G.1983),(Sandholm,T.1993)).LacoordinacindelosAgentesserealiza medianteelajustedelprecio. ComunidadCientfica:Esunejemplodecomounacomunidadpluralpuedeoperar((Kornfeld, W. A. & Hewitt, C. E. 1981)). Las soluciones a los problemas se construyen localmente, y despussecomunicanaotrosmiembrosylaspuedenprobaryrefinar. Asmismo,(Shen,W.&Norrie,D.H.1999),ensuanlisissobrelaaplicacindeAgentesenla industria, propone una clasificacin de la organizacin de los Agentes en tres categoras: Jerrquica,FederativayAutnoma. Hace ya algunos aos que las Empresas Industriales estn compuestas normalmente de unidades semiautnomas, frecuentemente distribuidas, cada una con un grado de control sobre los recursos locales o con informacin diferente sobre las necesidades. No es extrao encontrarsolucionesjerrquicas.Estassolucionessonnormalmentecriticadasporsucarcter
221

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica centralizado. Algunos ejemplos de este tipo de Organizacin se encuentran en los proyectos HolonicManufacturingSystemHMS,queensuprimerafaseesdescritoen(vanLeeuwen,E.H. & Norrie, D. H. 1997) y en su segunda fase se describe en (Gruver, W. A., Kotak, D. B., van Leeuwen, E. H., & Norrie, D. 2003), o bien en Architecture for Distributed Dynamic ManufacturingSystemsADDYMSdescritoen(Butler,J.&Ohtsubo,H.1992),oenlaestructura deControlyPlanificacindelaProduccinde(Fischer,K.1994). La propuesta federada puede contener, normalmente de forma alternativa, tres tipos de individuos:Facilitadores(Facilitators),Intermediarios(Brokers)yMediadores(Mediators).Las estructurasfederadassoncapacesdecoordinarlaactividadMultiagenteproporcionandouna reduccin de la sobrecarga, asegurando la estabilidad, y proporcionando escalabilidad, (Genesereth,M.R.&Ketchpel,S.P.1994). En la propuesta basada en Facilitadores los Agentes relacionados entre s se agrupan y la comunicacin entre ellos se realiza a travs de los Facilitadores. Los Facilitadores son los responsables de proporcionar un enlace entre Agentes locales y remotos proporcionando servicioscomoeldelenrutadodemensajesaldestinoadecuado,oeltrasladandolosmensajes de entrada a sus propios Agentes. Los proyectos como CIIMPLEX (Consortium for Integrated Intelligent Manufacturing Planning and Execution) descrito por (Peng, Y., Finin, T., Labrou, Y., Chu, B., Long, J., Tolone, W. J. et al. 1998), PACT (Palo Alto Consortium Testbed) publicado en (Cutkosky,M.R.,Englemore,R.S.,Fikes,R.E.,Genesereth,M.R.,Gruber,F.,Mark,W.S.etal. 1997),oSHADE(SHAredDependencyEngineering)resumidoen(McGuire,J.G.,Kuokka,D. R.,Weber,J.C.,Tenenbaum,J.M.,&Gruber,F.1993)utilizanestapropuesta. Los Intermediarios son similares a los Facilitadores pero con algunas funciones adicionales como las de monitorizacin y notificacin. La principal diferencia entre un Facilitador y un Intermediario es que el primero es responsable slo de un determinado grupo de Agentes mientras que el Intermediario puede ser usado por cualquier Agente del sistema. Algunos proyectos que utilizan este tipo de Agente son AIMS (Agile Infrastructure for Manufacturing Systems) presentado por (Park, H., Tenenbaum, J. M., & Dove, R. 1993) y el ya nombrado CIIMPLEXde(Peng,Y.etal.1998). La propuesta basada en Mediadores es un tercer tipo de organizacin federada donde el mediadorasumeunpapeladicional,lacoordinacindelsistema.Estacoordinacinpromueve lacooperacinentreAgentes,yaprendizajedelcomportamientodelosmismos.En(Gaines,B. R., Norrie, D. H., & Lapsley, A. Z. 1995) se proporciona una detallada descripcin de esta propuesta.Aplicacionesdeestetipodeorganizacinsepuedenencontraren(Maturana,F.P.

222

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin &Norrie,D.H.1996),(Shen,W.,Xue,D.,&Norrie,D.H.1998)oen(Ouelhadj,D.,Hanachi,C., &Bouzouia,B.1996). PorltimolapropuestabasadaenAgentesAutnomossebasaenquelosAgentescumplenlas siguientescaractersticas:(1)nosoncontrolados,nigestionadosporotrosAgentesohumanos, (2) pueden comunicarse o interactuar con otros Agentes del sistema y tambin con otros Agentes externos, (3) tienen conocimiento sobre otros Agentes y entornos, (4) tienen sus propios objetivos y sus motivaciones asociadas. Los sistemas de Agentes Autnomos proporcionanunbuenconjuntoparaeldesarrollodeSistemasdeInteligenciaDistribuidaque cuenta con herramientas de ingeniera encapsuladas como Agentes, y son capaces de proporcionar servicios especiales. Este tipo de propuesta proporciona un buen entorno de desarrollo de sistemas multirobot. Algunos ejemplos de este tipo de proyectos son DIDE (DistributedIntelligentDesignEnvironment)descritopor(Shen,W.M.&Barthes,J.P.A.1996) y AARIA (Autonomous Agent for Rock Island Arsenal) cuyos resultados fueron publicados en (Parunak,H.V.,Baker,A.D.,&Clark,S.J.2001). En la Figura 47 se muestra un esquema de los distintos problemas y mecanismos que se encuentran relacionados con los conceptos de Interaccin, Cooperacin y Organizacin. En dicha figura se indica como los Agentes implementan tcnicas de Distribucin de Tareas, tcnicasdeCoordinacindeAccionesymecanismosdeComunicacinyNegociacin.

223

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Sobrevivir Objetivos Favorece

Mejorar prestaciones y realizacin Agrupamiento y multplicacin

Especializacin

Produce

Produce

Problemas de acceso y acciones Soluciona Tcnicas de coordinacin de acciones

Evitar y reducir comflictos

Problemas de distribucin de tareas

Soluciona arbitrio, negociacin y jerarquizacin Sirce para Tcnicas de distribucin/reparto de tareas

Comunicacin

Implementa

Arquitectura interna de los agentes

Organizacin de la Sociedad

Figura47.OrganizacindelaSociedad,(Corchado,J.M.etal.2002).

A continuacin de comentan los aspectos relacionados con la Colaboracin, Coordinacin y NegociacinfundamentalesenunaOrganizacindeAgentes.

4.3.1.1 LaColaboracin Lacolaboracinjuntoalacoordinacinsondosdelascaractersticasfundamentalesparaque puedaexistircooperacinenunSistemaMultiagente.Segn(Ferber,J.1999),lacolaboracin entre los Agentes se entiende como la funcin de distribuir el trabajo entre los diversos AgentesqueconstituyenelSistemaMultiagente.Precisamente,estahabilidadsocialesunade lasquediferenciaaunSistemaMultiagentedeunSistemaCompuestoporAgentes. Laasignacindetareasesunproblemaestudiadoenmuchasotrasreasdeconocimiento.Sin embargo, es importante tener en cuenta una caracterstica de los Agentes que implica la existencia de un escenario diferente: el compromiso. Cuando un Agente acuerda con otro realizarunatarea,esteacuerdopasaaseruncompromisoyunobjetivodedichoAgente.
224

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Sepuedenclasificarlosprocedimientosdecolaboracindelasiguientemanera:

Asignacin Centralizada Procedimiento paraColaborar

EstructuraJerrquica

EstructuraPlana

Modelo de Agentes Conocidos

Distribucin tareas

directa

de

Asignacin Distribuida

Distribucinpordelegacin

Mercado

Tabla42.ClasificacindelosprocedimientosparalaColaboracinentreAgentesdeunaOrganizacin (elaboracinpropia).

Todos los tipos de colaboracin existente deben afrontar el problema de la asignacin de responsabilidadesyrecursosalosAgentespararealizarelprocesodesolucindelproblema. Este problema, conocido como asignacin de tareas, encuentra grandes beneficios en la reduccindelasinterdependencias.Lasinterdependenciasestnestrechamentevinculadasal incremento de los conflictos, cuya resolucin tiene un coste asociado, y al aumento en las comunicacionesentrelosAgentes,loquesuponeunretardoenlaejecucin. Desde muy temprano la Inteligencia Artificial Distribuida se ocup del problema de la asignacindetareas.Lasprimeraspropuestasconfiaronaldiseadortodalaresponsabilidad ensteproceso.Sinembargo,conlaaparicindelossistemasflexibles,incompatiblesconesta propuesta, se obtuvieron los resultados en los cuales los propios Agentes asuman de una u otraformaestaresponsabilidad.UnadelasmejorespropuestasfueelContractNetProtocol (CNP)realizadapor(Smith,R.G.1979).Ensuversinmssencilladelprotocolosebasaenla existenciadeunAgenteSubastador(auctioneer)yunconjuntodeAgentesPostores(bidders). Elprotocoloconstadelossiguientespasos:

225

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica El subastador necesita realizar una determinada tarea, y enva una peticin para que le enven propuestas (ofertas).En la peticin se incluye una descripcin de la tareaarealizar. Los Agentes postores que reciben la propuesta, si creen poder realizar la tarea solicitadaenvanunaofertaalsubastador. Cuando el subastador cierra el periodo de recepcin de las ofertas, stas son evaluadas. El subastador enva un mensaje al postor de la oferta ganadora comunicndolequesehaconvertidoensucontratista. El protocolo finaliza cuando el postor que recibe el mensaje de ganador contesta aceptandolapropuestaorechazndola.Silarechazaelprocesoseiniciadenuevo.

En este protocolo un Agente puede desempear cualquiera de los papeles de cliente (subastador) o proveedor (postor), incluso al mismo tiempo. En general el sistema puede soportaralmismotiempovariosprocesosdeCNPporloquepuedenexistirvariosclientesal mismo tiempo, incluso un Agente puede ser cliente en un proceso y proveedor en otro. Al existir varios protocolos en marcha se puede producir una interferencia. El mismo autor, (Smith, R. G. 1980), propuso una modificacin para incluir en el protocolo una medida de calidadyunafechadecaducidaddelcontrato. Hayquedestacarelaltogradodeincertidumbreenelproceso.Lafaltadeinformacinafecta alaspecto temporalyaquenilos clientes,nilosproveedoressaben cuandolespuedellegar unaoferta/propuestamejorenelprocesodecontratacin.Laincertidumbretambinafectaal aspectodelascompetencias,yaquenilosclientessabennadasobreotraspropuestas,nilos proveedoressobrelasofertasdeotrosAgentes.Enreferenciaalaincertidumbretemporalen (Zlotkin,G.&Rosenschein,J.S.1994)seutilizanconceptosdeMercado,funcionesdeUtilidad, Teora de Juegos, etc. para abordar este asunto. En (Sandholm, T. & Lesser, V. R. 1995) se realizunaextensinenelCNPintroduciendopenalizacionesporincumplimientodelacuerdo, y en (Sycara, K. P. 1997) se mezcl la teora financiera con CNP para mejorar el proceso de contratacin enentornosinciertos. En (Ferber,J.1999)sepropusieronvariasmodificaciones delCNPlaprimeraconsisteenguiarelprotocolodesdelosAgentesproveedores,yaquealser estos quienes realmente tienen las capacidades, pueden reducir los pasos haciendo la contratacinmsdirecta,ylasegundamodificacinutilizaCNPencombinacinconelmodelo deAgentesconocidos,detalformaqueelprimeroseusaenlastareascomplejasyelsegundo alassencillas.En(Parunak,H.V.1987)seimplementelCNPaplicndoloaunproblemade controldeplanta.

226

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Otro aspecto interesante a tener en cuenta en el CNP es la poltica de subcontrataciones. Cuandounproveedorconsigueuncontratonadaimpidequeesterealiceunasubcontratacin parcial o total del contrato recin obtenido. Esta cadena de subcontrataciones puede darse hastaelinfinito.Porotrolado,nopodersubcontratarnadapuedeimpedirquesecumplanel contrato en un plazo razonable. En definitiva, este aspecto debe ser definido antes de procederconelCNP.

4.3.1.2 LaCoordinacin Lacoordinacinjuntoalacolaboracinsondosdelascaractersticasfundamentalesparaque puedaexistircooperacinenunsistemamultiagente. Lacoordinacinesunaactividadparalagestindelasinterdependenciasentrelasacciones.La coordinacinentreungrupodeAgentessebasaenconsiderartodaslastareasarealizar,ysu coordinacinparanoejecutaraccionesnodeseables,porejemplo: Comunicacinderesultadosredundantes. DistribucininapropiadadelastareasentrelosAgentes.

Esta coordinacin est relacionada con la planificacin de acciones para la resolucin de tareas,yaqueestosplanespermiten: ConoceraaltonivelypredecirelcomportamientodeotrosAgentesdelsistema. Intercambiar resultados intermedios que lleven al progreso en la solucin de la tareaglobal. Evitaraccionesredundantes,siellasnosondeseables.

Enfuncindelmbitoenelqueserealiceladistribucindetareassepuedehablarde: Coordinacin Global: Cuando el SMA determina y planifica globalmente las accionesdelosdiferentesAgentes.

227

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica CoordinacinIndividual:CuandoelSMAledacompletaautonomaalosAgentes, es decir, cada Agente decide qu hacer y resuelve localmente los conflictos que detecteconotrosAgentes.

En funcin del objetivo que se persiga en el diseo del proceso de coordinacin se puede hablarde: Coordinacin orientada a los problemas: Los Agentes deben coordinar los planes de realizacin de acciones para prevenir interbloqueos, repeticin de acciones y creacindeinconsistencias. Coordinacin orientada a la cooperacin: Los Agentes no se coordinan en el mbitodeplanes,sinoenelmbitodeacciones.EstosignificaquelosAgentesse coordinanenelmomentodeejecutaracciones.

Lacoordinacinesporlotantounaformarefinadadecolaboracinquepermiteevitarciertos aspectos no deseados en la ejecucin de los planes para obtener los objetivos comunes de formaeficaz.En(Durfee,E.H.etal.1989)y(Ferber,J.1999)sepuedeampliarelconocimiento sobre diversos aspectos de la colaboracin ya que los autores presentan una caracterizacin detalladadeestaformadeactuar.

4.3.2 LaNegociacin
Para que los mecanismos de cooperacin y coordinacin sean exitosos en un sistema de Agentesqueactaninterdependientemente,debeexistirunmecanismoadicional,pormedio del cual, los integrantes de un sistema se puedan poner de acuerdo cuando cada Agente defiendesuspropiosintereses.stedebellevaralosmiembrosdelasociedadaunasituacin que exista un beneficio comn teniendo en cuenta el punto de vista de cada uno. Este mecanismosedenominanegociacin. LanegociacinseentiendecomounmedioparaquelosAgentespuedanalcanzarsusobjetivos enunentornodecompetencia.Esunaformadeinteractuardentrodeungrupoconelfinde alcanzar un acuerdo. Este proceso slo tiene sentido cuando los Agentes dentro de su autonomapuedenplantearseunconjuntodeopcionesposibles,esdecir,sonflexiblesensu formadeactuar.Enestecaso,unosAgentespuedenintentarconvenceraotrosAgentesde que acten de una determinada manera. El proceso de negociacin se puede plantear de diferentesformassinqueelloquieradecirqueunaseamejorqueotra,tododependedela

228

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin situacinparalaqueseplantee.Segnserecogeen(LpezCarmona,M.A.2006)unproceso denegociacinsepuedebasaren: Teora de Juegos (Binmore, K. & Vulkan, N. 1999;Dash, R. K., Parkes, D. C., & Jennings,N.R.2003). ProcedimientosHeursticos. Argumentacin(Jennings,N.R.,Faratin,P.,Lomuscio,A.R.,Parsons,S.,&Sierra,C. 2001;Jennings,N.R.,Parsons,S.,Noriega,P.,&Sierra,C.1998). RelacionesBilateralesbasadasenRestriccionesDifusas.

Entrelasdiferentesalternativasparaenfocarelprocesonegociador,quizslamsextendiday msajustadaalanaturalezadelosSistemasMultiagentesealaquesebasaenArgumentos.Se puedeentenderqueunArgumentoesunametainformacinquepretendehacermsatractiva una propuesta en un proceso de negociacin. La naturaleza y tipos de argumentos pueden variar enormemente sin embargo los ms habituales son: amenazas, recompensas, o apelaciones. Los argumentos permiten a los Agentes refinar sus procesos de tomas de decisin, y en este sentido potencian su autonoma. Los protocolos y los lenguajes de comunicacinsonespecialmenteimportantesenlasnegociacionesbasadasenArgumentos. Engeneral,sontreslosgrandesaspectosquesegnlosexpertosdebenseranalizadosenun procesodenegociacin: LosProtocolosdeNegociacin,entendidoscomounconjuntodereglasquedirigen elproceso. Los Objetivos de la Negociacin, entendidos como el conjunto de aspectos sobre loscualessedebealcanzarunacuerdo. Los Modelos de Razonamiento, sobre los cuales los Agentes van a tomar las diferentesdecisionesqueformanpartedelproceso.

LosProtocolosdeNegociacindebencubriraspectoscomolosestadosenlosqueesposible queunAgenteseencuentrealolargodelproceso,losparticipantesquepuedenformarparte delanegociacinysurol,loseventosquepuedenconsiderarseylasaccionesquesonvlidas dentro del proceso. Los protocolos de negociacin estn sumamente vinculados a la comunicacin.Elxitodeunprotocolosebasaenquetodoslosparticipantesseanconscientes

229

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica del proceso y de los contenidos que se dan a conocer, en este sentido cabe recordar la importanciadeloslenguajesylasontologas,quesonlabasefundamentaldelacomunicacin. LosObjetivosdelaNegociacindebenconsiderarsiestossonnicosomltiples,ycualesson losmrgenesexistentesparaalcanzarunacuerdosobrelosmismos.Enestepuntohansidode utilidad los enfoques tipo mercado con subastas que permiten fijar un precio sobre los servicios/productosquesedemanda/ofrecen.Entodocaso,unaspectofundamentalescomo evaluar el cumplimiento de los objetivos. Esta evaluacin podra ser individual o global. El protocolo de negociacin debe estar diseado de acuerdo a las especificaciones de los ObjetivosdelaNegociacin.UnejemploeselprotocoloContratNetde(Smith,R.G.1979) aplicableaunobjetivonico. Los Modelos de Razonamiento estn sumamente condicionados por el protocolo de negociacin, el tipo de objetivos planteado y las acciones que se pueden realizar. En este apartadojueganunpapelimportantelosargumentosenlosprocesosbasadosenlosmismos. Con este apartado se cierra la revisin del comportamiento de los Agentes dentro de una comunidad.Quedaporanalizarotroaspectoquecondicionanelcomportamientocomoesla comunicacinqueseanalizarenelapartadosiguiente.

4.4

LosSistemasMultiagente:ElIntercambiodeConocimiento

Lacomunicacineselmecanismoqueposibilitaelintercambiodeconocimientodeformams directa entre los miembros de una comunidad. En este apartado se presentan aspectos relacionadosconelactocomunicativo,loslenguajesylasontologas.

4.4.1 LaComunicacin
La comunicacin es el soporte de la coordinacin, la cooperacin y por lo tanto de la negociacinentreAgentesdeunmismosistema.En(Russell,S.etal.2002)seestableceque eslacomunicacinentreAgenteslaactividadquepermitesincronizaracciones,enviaryrecibir conocimientoyresolverconflictos. Sepuedenidentificarvariosformatosdecomunicacin,(Werner.E.1989),(Corchado,J.M.et al.2002):
230

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin No comunicacin. Los Agentes interactan sin comunicarse, infiriendo las intenciones de los otros Agentes. Este modelo consigue buenos resultados sino existeinterrelacinentrelosAgente,yporlotanto,nohayconflictos,(Schelling,T. C.1969). Comunicacinprimitiva.Lacomunicacinserestringeaunnmerodesealesfijas consignificadospreestablecidos,(Hoare,C.A.R.1978). Arquitecturadepizarra.LosAgentesescribensobreunapizarracomnatodos, los mensajes que necesitan comunicarse. Procede la de la inteligencia artificial, dondeseutilizaparacompartirmemoriayconocimiento,(HayesRoth,B.1985). Intercambio de planes e informacin. Dos Agentes se intercambian los planes de formaquealsabercomoactuarelotropuedeestablecerestrategias.Ensistemas con un nmero elevado de Agentes puede no ser eficaz por su alto coste computacional. Intercambiodemensajes.LosAgentesvanactuandoenrespuestaalosmensajes procesados,(Agha,G.&Hewitt,C.1987). Comunicacin de alto nivel. Existe un dialogo o conversacin que permite la generacin e interpretacin de declaraciones, con el objeto de comunicar la informacin que el emisor conoce formada por creencias, compromisos e intenciones, para que el receptor alcance el mismo estado mental que el emisor, (Grosz,B.&Sidner,C.1990).

Como cualquier otro software los sistemas basados en el conocimiento se enfrentan a un entornoenelcualexistendiferentesplataformashardware,diferentesmediosylenguajesde comunicacin,diferentesprotocolos,etc.Sinembargo,estossistemasnecesitanrespetarunos fuertes requerimientos relativos a su interoperabilidad. Los Agentes de un Sistema Multiagente realizan continuos actos de intercambio de conocimiento tanto para su propia autorregulacin como para alcanzar sus propios objetivos. Para esta comunicacin de conocimiento se necesitan convenciones a tres niveles, (Gruber, T. R. 1993): Lenguaje de RepresentacindelConocimiento,ProtocolosdeComunicacinyEspecificacindelContenido deConocimientoCompartido. Elnivelcubiertoporloslenguajesderepresentacindelconocimientoseencargadeexpresar elcontenidodeunmensajeentrminosentendiblesporlosindividuosqueformanpartedela comunicacin. Diversos investigadores han realizado propuestas de lenguajes estndares: (Fulton,J.A.1992),(Genesereth,M.R.&Fikes,R.1992)o(Morik,K.,Causse,K.,&Boswell,R. 1991).SedestacandoslenguajesdecomunicacinentreAgentes:
231

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica KQML (Knowledge Query and Manipulation Language), (Finin, T. 1994) es un lenguajequepuedeserusadoparainteractuarconunomssistemasinteligentes quecompartenconocimientoparasolucionarunproblemadeformacooperativa. http://www.cs.umbc.edu/kqml/. KIF (Knowledge Interchange Format) es un lenguaje para el intercambio de conocimientoentresistemasdistintos.http://www.cs.umbc.edu/kse/kif/.

Segn (Gruber,T.R.1993)lacomunicacinvamsalldeloslenguajes.Aseneste nivelse incluiraaloslenguajesdecomunicacindealtonivelytambinalosprotocolos.Loslenguajes dealtonivelharanposiblequelasintaxisylasemnticadelacomunicacinfuesencorrectas, mientras que los protocolos de interaccin permiten ordenar la comunicacin dando lugar a una conversacin. En este mbito se pueden destacar los esfuerzos de (Finin, T. 1994), y en generallaorganizacinFIPA. En el nivel asociado a la especificacin del contenido se establecen acuerdos sobre las asuncionesquesecompartenylosmodelosdecadadominio.Estenivelafectaalvocabulario utilizado en la comunicacin y se define mediante las llamadas ontologas. Algunas aportaciones importantes se pueden encontrar en (Genesereth, M. R. & Nilsson, N. J. 1987), (Newell,A.1982)o(Gruber,T.R.1991).Esteaspectosedesarrollamsdetenidamenteenel apartadosiguiente.

4.4.2 Ontologas
Una ontologa es una especificacin explicita de una conceptualizacin, segn (Gruber, T. R. 1993).EnsuaplicacinalosSistemasMultiagenteunaontologaesunadescripcin,comola especificacinformaldeunprograma,deconceptosyrelacionesquepuedenexistirparaun AgenteounacomunidaddeAgentes.Estadefinicinesconsistenteconelusomsgeneralde lasontologascomounconjuntodedefinicionesdeconceptos. Ontologascomounmecanismodeespecificacin Uncuerpodeconocimientoformalmenterepresentadoestbasadoenunaconceptualizacin: losobjetos,losconceptos,yotrasentidadesquesonasumidoscomociertosenalgnreade inters y de relaciones que se mantienen entre ellos, (Genesereth, M. R. et al. 1987). Una conceptualizacinesunresumen,unavistasimplificadadelmundo,quesedesearepresentar paraundeterminadopropsito.

232

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin El trmino ontologa es un prstamo de la filosofa, donde representa una contabilidad sistemtica de Existencias. Para la Inteligencia Artificial lo que existe es lo que se puede representar. Cuando el conocimiento de un determinado dominio es representado en un formalismo declarativo, el conjunto de objetos que pueden ser representados se llaman universodeldiscurso.Esteconjuntodeobjetosysusrelaciones,sereflejanenelvocabulario representacional con el cual un programa basado en el conocimiento representa el conocimiento.EnelcontextodelaInteligenciaArtificialsepuededescribirlaontologadeun programa mediante la definicin de un conjunto de trminos representacionales. En tal ontologa,lasdefinicionesasocianlosnombresdelasentidadeseneluniversodeldiscursocon eltextodescriptivolegibleporelhombre;loquelosnombressignifican,losaxiomasformales querestringenlainterpretacin,ylaformacinadecuadadeestostrminos. SeusanontologascomunesparadescribiracuerdosontolgicosparaunconjuntodeAgentes deformaquesepuedancomunicarsobreundominiodeundiscursosinnecesidaddeoperar sobre la globalidad de la teora compartida. Se dice que un Agente est de acuerdo a una ontologasisusaccionesobservablessonconsistentesconlasdefinicionesenlaontologa.La ideadelosacuerdosontolgicossebasaenlaperspectivadelniveldeconocimiento,(Newell, A. 1982). El nivel de conocimiento es el nivel de descripcin del conocimiento de un Agente queesindependientedelnivelsimblicorepresentacinusadainternamenteporelAgente.El conocimientoesatribuidoalosAgentesmediantelaobservacindesusacciones;unAgente conocealgosiactacomosituvieselainformacinyestuvieseactuandoracionalmentepara conseguirsusobjetivos.LasaccionesdelosAgentessepuedenhacerpatentesatravsdeuna su conversacin, donde los clientes interactan con un Agente haciendo aserciones lgicas (comunicados)einterrogaciones,(Levesque,H.J.1984). Las ontologas definen el vocabulario con el cual preguntan y realizan aserciones entre los individuosquecompartenlaontologa.Losacuerdosontolgicossonpactadosparacompartir vocabulario de forma coherente y consistente. Los Agentes que comparten vocabulario no necesitan compartir un conocimiento base. Los Agentes pueden conocer cosas que otros no conocen. OntologasyConocimiento Como se ha visto una ontologa permite especificar representaciones formales del conocimiento. En el mbito de los Sistemas Multiagente, y en general el dominio de las organizacionesydelosindividuos,losdatosquelodefinen,yquefluyenatravsdelsistema se pueden considerar en trminos de conocimiento. Este conocimiento afecta tanto a las accionesencaminadasaobtenerlosfinesmarcados,comoalconjuntodeaccionesreguladoras basadasennormasdegestininternadelsistemaconobjetodegarantizarelfuncionamiento operativo del sistema. La correcta representacin del conocimiento permitir disponer de la
233

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica basenecesariapararazonardeformaeficienteenlasdiversastareasdelsistema.En(Steve,G., Gangemi,A.,&Pisanelli,D.M.1997)sedistinguentrestiposfundamentalesdeontologas: Ontologasdeundominio,enlasqueserepresentaelconocimientoespecializado pertinente de un dominio o subdominio, como la medicina, las aplicaciones militares,lacardiologao,ennuestrocasoparticular,laoncologa. Ontologas genricas, en las que se representan conceptos generales y fundacionalesdelconocimientocomolasestructurasparte/todo,lacuantificacin, losprocesosolostiposdeobjetos. Ontologas representacionales, en las que se especifican las conceptualizaciones que subyacen a los formalismos de representacin del conocimiento, por lo que tambinsedenominanmetaontologas(metalevelotoplevelontologies).

A estos tres tipos en (Guarino, N. 1998) se aaden las ontologas que han sido creadas para unaactividadotareaespecficadenominadastaskontologies,ylasontologascreadaspara unaaplicacinespecfica. Elobjetivodeesteapartadohasidoponerdemanifiestolaposibilidaddecontemplarelusode ontologascomounaformadepuestaencomndeunaapartedelconocimientoqueposeen losAgentes.Sinembargo,existenotrosconceptosrelacionadosconelusodeontologasque resulta interesantes tener en cuenta pero que no entran dentro del objetivo de este trabajo como son: Las tcnicas de Aprendizaje que permiten ir reconociendo los elementos conceptualesdeformadinmica;Elmapeadoentreontologasquepermiterelacionatrminos de entornos diferentes; Las tcnicas de evaluacin de ontologas que permiten validar el diseodeunaontologaparaunpropsitodado. El uso de ontologas es fundamental en entornos altamente distribuidos donde los participantes(Agentes)procedendeentornosdiversos,ymuchasvecesactaneneldeforma espordica. Su diseo e implementacin se ha extendido mucho en los ltimos aos porque ademsdesuutilidaddirectapermiterealizarunejerciciodemodeladoconceptualdelmundo quesedesearepresentar.

4.5

Anlisis,DiseoeImplementacindelosSistemasMultiagente

Ensuafnpordesentraarlacomplejidadcrecientedelaconstruccindesistemassoftware debida, principalmente, al continuo avance tecnolgico, el progreso de la Ingeniera del

234

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Software ha caminado parejo al desarrollo de mecanismos de abstraccin cada vez ms potentes, y de ms alto nivel. La abstraccin modular, tipos abstractos de datos y, ms recientemente,objetosycomponentessonclarosejemplosdeestetipodeabstracciones. Los Agentes software, son un tipo de sistemas software por el que han apostado muchos investigadoresydesarrolladores.Sinembargo,nosedebeperderdevista,quelosAgentesno son ms que un mecanismo ms de abstraccin para un tipo de software muy concreto. Y comotalsoftwaresudesarrollopuedeserauspiciadoportcnicasdeIngenieradelSoftware (IS),comocualquierotrosistemainformtico. EnesteapartadoseindagarenlastcnicasnecesariasparaobtenerunSistemaMultiagente ajustado a las necesidades de cada caso. En primer lugar se presentan las organizaciones de mayor prestigio e influencia que marcan los estndares del software basado en Agentes. En segundolugarseanalizarnlasdiversasmetodologasquesoportanlageneracindeSistemas Multiagentes y que en mayor o menor medida cubren las fases de anlisis, desarrollo e implementacin. Dentro de este punto se presentaran las herramientas que soportan las diferentes metodologas en caso de existir. En tercer lugar y ltimo lugar, se presentarn y caracterizarn las plataformas software para el desarrollo y ejecucin de Agentes y Sistemas Multiagente.

4.5.1 Organizaciones para la Estandarizacin de los Sistemas basados en Agentes

Lasorganizacionesquesepresentanenestepuntoestnmuyvinculadasalasplataformasde Agentes en las cuales se implementa definitivamente las normas propuestas por stas. Las plataformasproporcionanunentornoparalaejecucindeAgentessoftware,paralagestin de dicha ejecucin, para la gestin de los recursos, y a su vez garantizan la proteccin y la seguridaddelosAgentes,ydelapropiaplataforma. Estos sistemas se han desarrollado dando lugar a diferentes arquitecturas, e implementaciones. Para evitar la falta de interoperabilidad, fundamental en un sistema distribuido,sehancreadodiversasasociacionesyorganismos.Algunosdeellosson: FIPA(FundationforIntelligentPhysicalAgents)

FIPAwww.fipa.orgesunaorganizacinsinnimodelucroenfocadaadefinirestndares paralainteroperacindesoftwaresheterogneosdeAgentes.FundadaenGnovaenagosto
235

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica de1996.Mediantevariasespecificacioneshaidoestableciendounaarquitecturadereferencia paraeldesarrollodeaplicacionesbasadasenAgentesySistemasMultiagente. FIPA presenta especificaciones agrupadas en 5 categoras: Aplicaciones, Arquitecturas Abstractas, Comunicacin entre Agentes, Gestin de Agentes, Transporte de Mensajes de Agentes. Diversas empresas han desarrollado sus plataformas de acuerdo con las normas de FIPA. Al menos cuatro de dichas implementaciones son de acceso libre: Nortel Network's FIPAOS, FujitsuLaboratoriesofAmerica'sAprilAgentPlatform,CSELT(Italy)'sJavaAgentDevelopment Framework(JADE),yComtec(Japan)'sComtecAgentPlatform.

OMG(ObjectManagementGroup)

OMG www.og.org fue fundada en 1989 por once compaas entre las que se pueden destacar3Com,HP,Canon,Sun,UnisysyAmericanAirlines.Enlaactualidadagrupaamsde 800miembros.SuestndarmsconocidoesCORBA.ElgrupoOMGfueestablecidoparacrear un mercado de software basado en componentes mediante la introduccin de objetos software estandarizados. Ello incluye el establecimiento de guas y especificaciones para proporcionarunmarcocomnparaeldesarrollodeaplicaciones. En 1995 OMG empez a trabajar en un estndar llamado Mobile Agent Facility (MAF) para mejorarlainteroperabilidadentreplataformasdeAgentes. MASIF(MobileAgentSystemInteroperabilityFacility)

MASIF,(Milojicic, C., Breugst, M., Busse, I., Campbell, J., Covaci, S., Friedman, B. et al. 1998), busca la estandarizacin de las plataformas que combinan el uso de Agentes mviles y del paradigma cliente/servidor. Este proceso de estandarizacin ha producido lo que se conoce comofundamentosdeMASIF.MASIFproporcionaunaarquitecturadereferenciaparaAgentes mviles. MASIFdesarrolloparaelgrupoOMGunapropuestaparaladirectivaRFP3relacionadaconla estandarizacin de Agentes mviles. En concreto, surge como consecuencia de la unin al grupodetrabajosobreMAFdeOMGdeIBM,GeneralMagic,TheOpenGroup,GMDFOKUS, etc.Laespecificacinpropuestafueaceptadaen1998.

236

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin MASIF cubre las siguientes funcionalidades: Gestin de Agentes, Seguimiento de Agentes, Transporte de Agentes (migracin), Denominacin de Agentes, y Sintaxis de Localizacin y Tipado de Agentes. MASIF usa CORBA para gestionar la seguridad de los agentes. MASIF no trataaspectosdecomunicacinentreAgentes. La primera versin que se implement con esta especificacin fue IKV's Grasshopper Agent System en 1998. A su vez IBM y FOKUS se comprometieron al desarrollo de sus propias plataformasdeacuerdoaMASIF.SOMA(SecurityOpenMobileAgents)delaUniversidad de BolognaenItaliaesotradelasplataformasdesarrolladaensintonaconMASIF. KSE(KnowledgeSharingEffort)

Knowledge Sharing Effort http://wwwksl.stanford.edu/knowledgesharing/papers/kse overview.html es un consorcio, esponsorizado por ARPA (Advanced Research Projects Agency), para el desarrollo de acuerdos que faciliten compartir y reutilizar el conocimiento. Segn(Neches,R.,Fikes,R.,Finin,T.,Gruber,T.,Patil,R.,Senator,T.etal.1991)elobjetivodel consorcioesdefinir,desarrollaryprobarlainfraestructura,yelsoportetecnolgicoquefacilita alosparticipantesconstruirunmsgrandeyfuncionalmentemsampliosistemaquerealice trabajo por s mismo. El consorcio proporciona especificaciones e implementaciones de dominiopblico,informes,comunicacionesyartculostcnicos,ylibrerassoftwarereusables dedominiopblico(demostraciones). KSE est organizado en grupos de trabajo orientados a cuatro reas. Estos grupos son: Interlingua, Knowledge Representation System Specification, External Interfaces, y Shared, Reusable Knowledge Bases. El grupo de External Interfaces se encarga de los aspectos relacionadosconlasinteraccionesenejecucinentrelossistemasbasadosenelconocimiento y otros sistemas, con especial inters en los lenguajes de comunicacin. Algunos de los lenguajes ms destacados son, los ya comentados, KQML y KIF, muy extendidos en la comunicacinentreAgentes. Adems KSE ha proporcionado tecnologa para construir Ontologas compartidas http://www.cs.umbc.edu/kse/ontology/,ytecnologaparaconstruirprotocoloscompartidos. Como se puede observar las organizaciones comentadas anteriormente han ido proporcionando una serie de marcos de trabajo en diversos mbitos que ha potenciado el desarrollodelosSistemasbasadosenAgentes.

237

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

4.5.2 MetodologasyHerramientasparaelDiseodeSistemasMultiagente
LaaplicacindelaingenieradelsoftwarealparadigmadeAgentes,conocidacomoIngeniera delSoftwareOrientadaaAgentes(AOSEAgentOrientedSoftwareEngineering)hagenerado en los ltimos aos numerosos trabajos. Algunos de esos trabajos han sido analizados en (Iglesias,C.,Garijo,M.,&Gonzlez,J.1999)yen(Wooldrige,M.&Ciancarini,P.2001).Hastael momento, los trabajos existentes se han centrado en intentar buscar mtodos de desarrollo paramodelarsistemasrealescomplejosyconcaractersticasclaramentedistribuidas. El desarrollo de Sistemas Multiagente constituye hoy en da uno de los problemas ms interesantes del rea, ya que es un hecho que cada vez son ms necesarias metodologas, mtodos, tcnicas y herramientas que faciliten el desarrollo de aplicaciones basadas en el paradigmadeaplicacionesMultiagente.Lamayoradeestostrabajossebasanenunavisinde un sistema como una organizacin computacional, consistente en diferentes roles interactuando. Cuando hablamos de sistemas complejos, el poder identificar los diferentes subsistemasqueformanpartedelsistemaglobal,ylasposiblesinteraccionesydependencias entreellos,escrucialalahoradepoderabordarsuconstruccin. Entrelasaproximacionesexistentesquesehanconsideradomsinteresantesestn: La metodologa para agentes BDI, esta aproximacin, (Kinny, D. & Georgeff, M. 1996),tratadeexplorarcomolastcnicasdemodeladoOO(OrientadoaObjetos) sepuedeextenderparaaplicarseasistemasdeAgentesbasadosenlaarquitectura BDI. DESIRE,(Brazier,F.,DuninKeplicz,B.,Jennings,N.,&Treur,J.1997),constituyeun entorno lo suficientemente expresivo para permitir a los diseadores de Sistemas Multiagentecentrarseeneldiseoconceptualylaespecificacindesusistema. GAIA, (Wooldridge, M., Jennings, N. R., & Kinny, D. 1998), intenta permitir a un analistairdeformasistemticadesdeunconjuntoderequerimientosaundiseo quesealosuficientementedetalladoparapoderserimplementadodirectamente. MASCommonKADS, (IglesiasFernndez, C. A. 1998), la metodologa est basada en CommonKADS, (Schreiber, A., Akkermans, J., & Anjewierden, A. 2000), aportandounaseriedemodelosparadesarrollarlasfasesdeanlisisydediseode SistemasMultiagente.Laprincipalcaractersticadesarrolladaeslaincorporacinde tcnicas orientadas a objetos a CommonKADS, la cual es tomada como eje fundamentalalolargodetodoelproceso.

238

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin MASSIVE, (Lind, J. 1999), este mtodo de desarrollo de Sistemas Multiagentes (MultiAgent SystemS Iterative View Engeneering) desarrollado en DFKI. Est constituido por un conjunto de vistas diferentes del sistema a construir donde el desarrolloquesesigueconsisteenunavisiniterativadelmismo. MaSE (Multiagent System Engineering), (Wood, M. F. 2000), a partir de las especificacionesdeunsistemaymedianteguasaseguiratravsdeunciclodevida pretendeobtenerunsistemabasadoenAgentesimplementado. AUML,(Odell,J.,Parunak,H.,&Bauer,B.2000),estetrabajosecentraenintentar emplearherramientasdedesarrolloyaexistentesyqueestnteniendoxitopara aplicaciones industriales reales, como puede ser el caso UML, tratando de orientarlashaciaelcampodelosAgentes. TROPOS, (Castro, J., Kolp, M., & Mylopoulos, J. 2002), presenta una metodologa de desarrollo de software basado en agentes mediante extensiones de UML y empleandounentornodemodeladopropuestopor(Yu,E.1996). MESSAGE, (EURESCOM 2000) y (EURESCOM 2001), metodologa orientada a Agentes que trata de proveer un lenguaje, un mtodo y unas guas de aplicacin, centrndosefundamentalmenteenlasfasesdeanlisisydiseo.Hastaelmomento slosehanespecificadolosdiferentesmodelosqueconstituyenlafasedeanlisis. INGENIAS, (Gomez, J. 2002), metodologa basada en MESSAGE, la cual presenta fundamentalmente como aspecto ms interesante la existencia de herramientas que permiten un desarrollo a alto nivel de entidades transformables automticamenteencomponentessoftware.

Aunquenosondelintersdeestetrabajoesimportantedestacarqueenlosltimosaosse ha producido un auge importante de las metodologas orientadas a los sistemas de tiempo real.

4.5.3 PlataformasparalaImplementacindeSistemasMultiagentes
Las herramientas usadas para el desarrollo de Agentes se caracterizan por proporcionar al usuario un conjunto de libreras para la especificacin de nuevos Agentes identificados por atributos y comportamientos personalizados. Estas herramientas, conocidas como Plataformas de Agentes, ponen a disposicin del usuario un entorno para la ejecucin de aplicaciones basadas en Agentes. Muchas de estas Plataformas facilitan al usuario
239

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica mecanismosdecomunicacinentreAgentes,mecanismosdegestindeAgentes,seguridaden elsistema,etc. SehanutilizadodiversoslenguajesdeprogramacinparaeldesarrollodelasPlataformasde Agentes (C++, JAVA, etc.). No obstante, el desarrollo de Plataformas el lenguaje JAVA est predominando.Laportabilidaddelsoftwareylaindependenciadelhardwaredelossistemas desarrolladosenJAVAsondosrazonesfundamentalesparaapoyarestepredominio. En(Vrba,P.2003)serealizauninteresanteestudiocomparativodelasprincipalesPlataformas deAgentesdesarrolladasenJAVA.Elestudioanalizalacompatibilidaddecadaplataformacon lanormativadelaFIPA,ascomocuestionesdeseguridad,disponibilidaddecdigoabiertoy usodelaversinJ2MEdeJAVAparalaejecucindelaplataforma. LacompatibilidaddelasPlataformasconlanormativaFIPAserealizamedianteelestudiode trescaractersticasclavescomoson:lassolucionesparalaComunicacinentreAgentesdentro delaPlataforma(Protocolos,Lenguajes,Servicios,etc.),GestindelaOrganizacindeAgentes (AMSyDF)eInteroperabilidadentrePlataformasatravsdelpasodemensajes(MTP). Elestudiodelusodecdigoabiertoestrelacionadoconlaposibilidaddedisponerdelcdigo de forma pblica con autorizacin para poder modificarlo introduciendo pequeas adaptaciones.Enaspectosrelacionadosconelcontroldeplantaesinteresantelamodificacin delcdigoparaelaccesodelosPLCsdeatravsdelapropiaplataformadeAgentes. ElusodelaversinJ2ME(JAVA2MicroEdition)estvinculadoalareduccindelconsumode memoria, y por lo tanto a la posibilidad de incorporar al Sistema Multiagente a Agentes con recursoslimitadoscomoPDAs,etc. La Seguridad se estudia desde el punto de vista de la Comunicacin, detectando si la Plataformadisponedeserviciosdeautentificacin,autorizacin,permisos,etc.

240

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin RevisindePlataformas/HerramientasdeDesarrollodeAgentesbasadasenJAVA

CompatibilidadFIPA
Comunicacin entreagentes Gestin de agentes Mensajes Inter. plataformas

Plataforma

Desarrollador

Cdigo abierto

J2ME

Seguridad

JADE

CSELT http://jade.cselt.it Emorphia http://fipaos.sourceforge.net BritishTelecom www.labs.bt.com/projects/agents\zeus AgentOrientedSoftware http://www.agentsoftware.com IKV++TechnologiesAG http://grasshopper.de Trylian http://www.trylian.com Fujitsu,HP,IBM,SUN, http://javaagent.org IntellioneTechnologies http://www.agentbuilder.com MadKitTeam http://www.madkit.org

FIPAOS ZEUS JACK GRASSHOPPER 2 ADK JAS AgentBuilder MadKit

Comtec Agent CommunicationTechnologies Platform http://ais.comtec.co.jp\ap BeeAgent Toshiba http://www2 toshiba.co.jp/beeagent/index.htm IBMJapan http://trl.ibm.com/agents

Aglets

Tabla43.RevisindePlataformas/HerramientasdeDesarrollodeAgentesbasadasenJAVAbasadaen(Vrba,P. 2003).

EnlaTabla43seresumeelcumplimiento( ),elnocumplimiento( ),oladuda(?)delas variablesestudiadasenlasdiferentesplataformasdeagentesbasadaenJAVA. Existen otras plataformas basadas y no basadas en JAVA. En la red de excelencia europea Agentlink (www.agentlink.org) se dispone de una pequea descripcin de alrededor de una cincuentenadePlataformas.
241

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

4.6

VentajasdelUsodeSistemasMultiagente

A partir del anlisis de que un Sistema Multiagente, y en general tambin de un Sistema basadoenAgentes,sepuedenidentificaralgunasventajassignificativasaplicablesalProceso deProgramacindelaProduccin.AlgunasdelasventajasdelSistemaMultiagenteson: Permite de forma natural la convivencia de diferentes roles (gestiones). Las diversas etapas del proceso de Planificacin/Programacin de la Produccin en la industria del pavimento/revestimiento cermico, tiene caractersticas lgicas y tcnicasdiferentes,implicandounconjuntodeactividadesdiferentes.LosProcesos tienendiferentesrestriccionesypodranutilizardiferentesmodelosymtodospara la resolucin de sus problemas. Los sistemas distribuidos y autnomos, aunque coordinados, parecen ms apropiados que los sistemas centralizados y complejos quenoreflejanlasparticularidadesdecadambitodeactuacin. Permitenalcanzarvaloresadecuados,yensucasoptimos,dediversasmedidas de forma simultnea y adaptndose al entorno cambiante. La propuesta de un SMAsuponelaexistenciadeunconjuntodeAgentesheterogneosqueseintegran obteniendoexcelentesvaloresdeprogramasconobjetivosdiferentesrelacionados con proceso diferentes. Dichos Agentes son capaces de percibir los cambios en el entorno y se adaptan produciendo cambios en su comunidad para alcanzar los objetivos establecidos. Su autonoma les permite realizar tareas encaminadas a alcanzar objetivos locales. La cooperacin entre los Agentes posibilita la coordinacindelsistemaparaalcanzarlosobjetivosglobales,permitiendoasuvez laflexibilidadnecesariaparaadaptarsealoscambios. Son Sistemas idneos para entornos con Incertidumbre. Un sistema de Planificacin/Programacin autnomo y distribuido basado en SMA se caracteriza por mejorar la reactividad ante eventos y esta potencialmente capacitado para resolverproblemasdeProgramacindelaProduccinconIncertidumbre. Representandeformanaturallaevolucintemporaldelosacontecimientos.Los Agentesoperandeformaasncronapudiendorepresentarfcilmentesituacionesde actividades en paralelo y sin coordinacin aparente ante un evento como son las situacionesdemercadoanteunaoferta,olaejecucindeoperacionesenmquinas ocentrosdetrabajosdiferentes. FacilitanelDiseoylaImplementacindeunaSolucin.LosSMAproporcionanlas bases para la creacin de una arquitectura que posibilita la reduccin de complejidad,laflexibilidad,laescalabilidadylatoleranciaafallos.

242

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Por la forma de plantear la bsqueda de soluciones los Sistemas basados en AgentespermitenextendersuaplicacinalmbitodelaCadenadeSuministro.De esta forma la Programacin de la Produccin podra ser considerada de forma naturaldentrodeestembito. Son Sistemas Robustos. Un SMA mantiene su funcionalidad a pesar de fallos individualespuntuales.Esfiable. SonSistemasEscalables.UnSMAesinherentementemodularypermiteunarpida respuestaantenuevasnecesidadesdelsistema.UnSMAesabiertopermitiendola integracin de dinmica de nuevos Agentes, eliminacin de los existentes o actualizacindelosmismoscondiferentesfuncionalidadesoroles. Usan computaciones paralelas a travs de un gran nmero de procesadores, los cuales pueden proveer Sistemas de secuenciacin/Programacin con gran eficiencia. ConexinfsicaalosdispositivosquerepresentanpararealizarunaProgramacin delaProduccindinmicaentiemporeal,graciasalosAgentesrecurso.

Estas son algunas de las razones que permiten enfocar tantos los trabajos de resolucin cuantitativa del problema de Programacin de la Produccin, como de Gestin de dicho proceso.LasactividadesdeGestindelProcesodeProgramacindelaProduccinsuponenla integracinconelProcesodePlanificacinyconelProcesodeControldelaProduccin.Este proceso es por su propia naturaleza complejo y su correcta evolucin depende del grado de colaboracinydeacuerdoentrelaspartes.Enambosaspecto,resolucindeproblemasconun enfoquedeCuantitativoyGestin,losSistemasMultiagentepuedeserunaherramientaque aportegranvalor.

4.7

SistemasInteligentesdeFabricacinbasadosenAgentes

Segn(Shen,W.etal.1999),lasempresasfabrilesdelsigloXXIseencontraranenunentorno donde los mercados sern frecuentemente cambiantes, donde habr nuevas tecnologas emergiendocontinuamente,concompetidoresactuandodeformaglobalizada.Porloquelas estrategiasdelossistemasproductivosdeberancambiarparasoportarlacompetenciaglobal, lainnovacineintroduccindenuevosproductos,ylosmercadossumamentereactivos.Estos sistemas de fabricacin necesitaran satisfacer, segn los autores, los siguientes requerimientos: Integracin empresarial, organizacin distribuida, entornos heterogneos, interoperabilidad, estructuras dinmicas y abierta,cooperacin, integracin de los humanos
243

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica con el software y el hardware, agilidad, escalabilidad, tolerancia a fallos. Algunos de estos nuevosrequerimientos,hoyendaevidentes,sonposiblessoportarlostecnolgicamentecon lossistemasbasadosenAgentes. Las tcnicas de Inteligencia Artificial (AI) se estn usando en la Fabricacin Inteligente hace ms de veinte aos. No obstante, los desarrollos en los Sistemas Multiagente en el nuevo dominiodeInteligenciaArtificialDistribuida(DAI)hanaportadoposibilidadesinteresantes.Por eso, en los ltimos diez aos, los investigadores han aplicado la tecnologa de Agentes a la Integracin de la fabricacin en las Empresas y la Cadena de Suministro, Planificacin, Secuenciacin, Control de ejecucin, Gestin de Inventarios y desarrollo de nuevos tipos de sistemasdefabricacincomolossistemasholnicosdefabricacin. En los sistemas de fabricacin inteligente, los Agentes pueden ser usados para representar tanto recursos de fabricacin como trabajadores, celdas, mquinas, herramientas, instalaciones fijas, AGVs, como productos, componentes, operaciones para facilitar la planificacindelosrecursosdefabricacin,secuenciacinycontroldeejecucin. Acontinuacinserealizaunpequeorecorridoporlosaspectosrelacionadosconlaaplicacin delaTeoradeAgentesalSistemadePlanificacinyControldeOperaciones,alaIntegracin entrelaPlanificacinylaProgramacindelaProduccinyalentendimientodelapropuesta deSistemasdeFabricacinHolnicos.

4.7.1 Planificacin,ProgramacinyControldelaProduccin
En el Sistema de Planificacin y Control de Operaciones existen tres actividades clave como son:LaPlanificacin,laProgramacinyelControldelaProduccin. PorsuscaractersticaslosSistemasbasadosenAgenteshansidoutilizadosparaabordartodas ellas. En unas ocasiones de forma individual, y en otras ocasiones de forma conjunta. La PlanificacinyelControldePlantahansidolosprocesosmsextensamentetratados.Sedebe tenerencuentaqueambosentranenelentornodelatomadedecisionesdistribuidas,aunque conenfoquesdiferentes. La Planificacin de la Produccin debe tener en cuenta un conjunto de requerimientos y decisionesdistribuidasqueresidenenlosfabricantes,proveedores,yclientes.Enlosltimas dcadasladistribucindelasdecisionessehapotenciadoenormementeconlaincorporacin de los conceptos de Empresa Virtual, y Empresa Extendida, que junto con los enfoques de
244

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Cadena/Red de suministro han desembocado el los planteamientos de Planificacin Colaborativa. LaProgramacindelaProduccinesunproblemacomplejo,particularmentecuandosedaen un entorno abierto y dinmico, que suelen ser todos los entornos reales. Una planta productiva, es un entorno incierto en casi todos los enfoques que se realicen. Se puede requerir al sistema para que proporcione tareas adicionales que no haban sido previstas, y algunas veces est permitido omitir ciertas tareas. Los recursos disponibles para ejecutar las tareas estn sujetos a cambios. Algunos recursos pueden convertirse en no disponibles, y pueden introducirse recursos adicionales. El tiempo de comienzo y el tiempo de proceso de unaoperacinsueleestarsujetotambinavariaciones.Unaoperacinpuedeconsumirmso menos tiempo del previsto, y las tareas pueden activarse ms pronto o mstarde. Debido a sus aspectos altamente combinatorios, su naturaleza dinmica y su inters prctico para los sistemasdefabricacin,elproblemadeProgramacindelaProduccinhasidoampliamente estudiado en la literatura mediante diversas tcnicas: Optimizadoras, Heursticas, Metaheursticas,etc.Recientemente,tambinlaTecnologadeAgenteshasidoutilizadaenla resolucindeesteproblema. El control de planta tiene como objetivo el seguimiento de los programas propuestos y la aplicacindemedidasparalacorreccindeposiblesdesviaciones.Elproblemadecontrolse puede considerar en dos niveles: El primero es el que considerar a los recursos de forma individual, y lo supervisa en funcin de las expectativas de entidades superiores. El segundo nivelconsideralacoordinacindelconjuntoderecursosindividuales.LatecnologadeAgentes sesueleaplicarenelniveldecoordinacinaunqueexistenejemplosdesuaplicacinanivel individual (Brennan, R., Balasubramanian, S., & Norrie, D. H. 1997) y (Wang, L., Balasubramanian, S., & Norrie, D. H. 1998). Una de las primeras propuestas que aborda de manera conjunta la Programacin de la Produccin y el Control de Planta es (Shaw, M. J. P. 1987)queintrodujoelusodemecanismosdesubastas.Losautoresde(Parunak,H.V.1987) fueronotrosdelospionerosenlautilizacindesistemasbasadosenAgentesenestembito enelproyectoYAMS. AcontinuacinseprofundizaenlosaspectosdeintegracinentrelasreasdePlanificaciny ProgramacindelaProduccin.

4.7.2 IntegracindelaPlanificacinylaProgramacindelaProduccin
Aproximaciones tradicionales a la Planificacin y la Programacin de la Produccin no consideran las restricciones de dichos dominios simultneamente. A pesar de ser parciales
245

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica estas aproximaciones han estado en boga debido a la no disponibilidad de una estructura unificada.LasaproximacionesbasadasenAgentesproporcionanunaposibleformadeintegrar actividadesdePlanificacinyProgramacindelaProduccinpormediodelacoordinacina niveldeempresa.En(Muscettola,N.2008)seabordanlosproblemasdeintegracindeambas reasdesdeunenfoquedeSistemasdeFabricacinInteligentes.Existendiversosejemploscon estetipodeenfoqueenlaliteratura.Sinembargosedeseacomentaraquellosqueilustranlas doslneasmssignificativas.ElprimeroeselquesecorrespondeconelproyectoMetaMorph yenelseresaltaelesfuerzoqueseestrealizandoenlaintegracindedichosprocesospero en el mbito de la Cadena de Suministro. El segundo es el proyecto descrito por (Gu, P., Balasubramanian, S., & Norrie, D. H. 1997) en el que se propone una integracin de ambos procesos resaltando la idea de integracin empresarial. Si bien ambos enfoques no son en absoluto incompatibles cada uno muestra un tipo de esfuerzo diferente con unas caractersticasdistintas. ElproyectoMetaMorph(Shen,W.etal.1998)esunejemplodeintegracindePlanificaciny la Programacin de la Produccin en el mbito de la Cadena de Suministro. Utiliza una arquitecturamediadorcentralhbridabasadaenAgenteparaintegrarsocios,suministradores y clientes dinmicamente con la empresa principal a travs de sus respectivos mediadores dentrodeunareddecadenasdesuministrovainterneteintranets.LosAgentespuedenser utilizados para representar recursos (mquinas, herramientas, etc.) y piezas de fabricacin, para encapsular los sistemas software existentes, para actuar como coordinadores de sistema/subsistema(mediadores),ejecutarunaomsfuncionesdelacadenadesuministro. EngenerallautilizacindelateoradeAgentesalacadenadeSuministro,normalmentecon unaaproximacindeIntegracinEmpresarial,haproporcionadolossiguientesbeneficios: Se produce un mejor ajuste entre los requerimientos del mercado y la forma de actuardelaempresa. Se realiza un esfuerzo de mejora global que involucra a todos los actores de la CadenadeSuministro:fabricantes,proveedores,clientes. Se realiza una mejor asignacin/utilizacin de los recursos de la cadena de Suministro. Se consigue una mejor gestin de los materiales e inventarios de la Cadena de Suministroalrealizarunenfoquedinmico. Aumentaelvalordelainformacinporloqueelflujodelamismasemejora.

246

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Sin embargo, los problemas de seguridad resultado de una arquitectura abierta de sistemas basadosenAgentes, en concreto cuandoseutiliza Internetytecnologadeagentesmviles, son evidentes, aunque estos problemas no son especficos de los Sistemas Multiagente y puedequeseanmitigadosconfuturasinvestigaciones. Apartirdelaideadeintegracinempresariallosautoresde(Gu,P.etal.1997)proponenun mecanismo de aliniamiento de los procesos de Diseo, Planificacin y Programacin de la Produccin. Se propone un Sistemas Multiagente donde las rutas y secuencias en las operacionesselogranmedianteredescontractualesdeofertas.LatareadePlanificacindela Produccin que incluye est distribuida entre Agentes mquina individuales. No existe un Planificadorcentralizado.Laasignacindetrabajosyseleccindelosmismossellevaacaboa travsdeprocesosjerrquicosdeofertasentreAgentesmquinayelgestordeltaller,entre Agentes mquina de distintos niveles y entre Agentes mquina y Agentes herramienta. Se configur un modelo de costes para facilitar la toma de decisiones en el proceso de negociacin. Otro aspecto que suele incorporar la utilizacin de sistemas basados en Agentes es su proximidad a los entornos dinmicos. Los sistemas tradicionales alternan la Programacin y Ejecucin. Por ejemplo, una compaa genera cada semana un Programa Productivo en relacinconsusoperacionesdefabricacindelsiguienteperiodo.Sinembargo,elmundoreal tiendeacambiardeformaqueinvalidalosProgramasanticipados.Lossistemasnaturalesno planifican anticipadamente, sino que ajustan sus operaciones en una escala de tiempo comparableaaquellaenquesuentornocambia.LossistemasbasadosenAgentespropician un acercamiento a este tipo de filosofas, si bien las condiciones de cada caso pueden no permitirsuaplicacinradical,almenossuponelaintroduccinauncambiodeperspectiva. Un ejemplo ilustrativo de la integracin entre la Planificacin y la Programacin de la Produccinenunentornodinmicosonlaspropuestasde(McDonell,P.,Smith,S.,Joshi,S.,& Kumara, S. R. T. 1999) y (Lim, M. K. & Zhang, D. Z. 2004). En (McDonell, P. et al. 1999) la integracindelaPlanificacin/Programacindelasoperacionesentiemporealyelcontroldel taller se consiguen mediante procesos de pujas progresivas realizadas en paralelo entre un Agente gestor y mltiples Agentes recurso. En este acercamiento, el plan de procesos de produccin completo puede ser construido, incluyendo los planes de herramientas, instalacionesytransporte.Setieneencuentaelprocesodecontroldeltaller. En (Lim, M. K. et al. 2004) se afronta el reto de integrar el proceso de Planificacin y ProgramacindelaProduccinparapodersermsreactivosenelcasodevariacionesenlos cambios sbitos en la demanda y los tipos de productos que se ofrecen en mercados muy dinmicos. Se propone un Sistema Multiagente formado por dos niveles de Agentes: Los InformadoresylosEjecutores.LosAgentesInformadoresseutilizanparaproveerdedatosal
247

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica resto de Agentes. Los Agentes ejecutores disponen de un Agente Gestor que se encarga de coordinarlasaccionesdelrestodeAgentes(secuenciador,grupodemquinas,programador, optimizadoryunnmerovariabledeAgentesrecursoytrabajo).Paralanegociacinentrelas partesseutilizaelprotocoloContratNet.LaplataformaseimplementaenJAVA. DebidoalanaturalezaautnomaycooperativadelosAgentes,lasfuncionesdeProgramacin yplanificacindelaProduccinpuedenserintegradas,yencualquieradeloscasosexistendos alternativaclarasdeafrontarlo,bienconunnivelelevadodeAgentesfuncionalestrabajando porseparados,obienconunnivelbajodeAgentesrecursoconuncoordinador. Proyecto
CAMPS

Referencia
(Miyashita,K.1998)

PrincipalesCaractersticas
Secentraenelproblemadedescomposiciny coordinacindetareas.Seproponeunprototipo quegestionarestriccionesintraeinteragentes.Se incluyeunametodologadereparacindelPlan y/oProgramaobtenidodeformadistribuida.Se utilizancoalicionesdeAgentespararesolverel problema. Enfatizanelprocesodecreacindeequiposde agentesutilizandomtodosbasadosenel conocimiento.Losagentesutilizanunmodelode conocimientodenominadotribase(3bA) ProponeypotencialautilizacindelSistemas HolnicosdeFabricacinenlaIndustriapara abordaraspectodePlanificacin,Programaciny Control. Desarrollaunaplataformaquepermitaafrontar dinmicamentelosajustesdelosPlanesy ProgramasProductivosenfuncindelas variacionesdelademanda. Proponeunaseriedemtodosdenegociacin paralaconfiguracindelarutadelostrabajosen untaller.Laarquitecturadelsistemamantiene informacindelaPlanificacinydelaEjecucinde lostrabajos.

ProPlanT

(Pechoucek,M.,Marik,V.,& Stepankova,O.2000)

HMS

(Gou,L.,Hasegawa,T.,Luh, P.,Tamura,S.,&Oblack,J. 1994) Toshiba

SinNombre identificado

(Lim,M.K.etal.2004) UniversityofExeter,UK

SinNombre identificado

(Usher,J.M.2003) UniversityofMississippi,USA

Tabla44.Resumenbasadoen(Shen,W.M.,Wang,L.H.,&Hao,Q.2006)sobreproyectosdeinvestigacinque trabajanenlaintegracindelosprocesosdePlanificacinyProgramacinaplicandoteoradeAgentes.

248

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Otros proyectos de investigacin interesantes que han planteando algn tipo de integracin entrelaPlanificacinylaProgramacindelaProduccinseencuentranresumidosenlaTabla 44.

SehamostradocomolaideadeintegrarlosprocesosdePlanificacinydeProgramacindela Produccininiciosuandadurahaceyaalgunosaos.Yhapuestodemanifiestolautilidadde laspropuestasrealizadas.Noobstante,enmuchasocasionesdehapodidoconstatarlafaltade soluciones, metodologas o propuestas genricas que permitieran un uso extensivo de las arquitecturasMultiagenteamltiplestiposdeproblemas.

4.7.3 SistemasHolnicos
La Fabricacin Holnica es un paradigma desarrollado en el marco del programa Intelligent ManufacturingSystems(IMSSistemasdeFabricacinInteligente).LaFabricacinHolnicase basa en conceptos de los sistemas holnicos, desarrollados por Arthur Koestler. El trabajo realizado en el programa IMS ha trasladado estos conceptos al mundo de la fabricacin, considerando al sistema de fabricacin como un compuesto de mdulos autnomos con controldistribuido.

Segn (GiretBoggino, A. S. 2005) los holones se pueden definir como paradigma con las siguientescaractersticasbsicas:Autonoma,CooperacinyReorganizacin.Ademsdeestas caractersticas,quelaspodemosllamarpropiedadesdecomportamiento,losholonestienen caractersticasestructurales.Unadeellaseslarecursividad,lacualpermitealosholones estar formados internamente por entidades autosimilares (holones), que a su vez pueden estarformadasporholones,yassucesivamente(hastaquesellegaaunnivelatmicoenel cualnuevassubdivisionessonimposiblesodepocautilidadparaeldominiodeaplicacin).

Los holones pueden estar compuestos por holones los cuales 1) pueden ser holarquas, 2) puedenparticiparenvariasholarquassimultneamente,y3)puedenentrar,salir,ocambiar es decir, holones que forman holarquas dinmicas. Otra propiedad estructural importante, comohasidodefinidaporelconsorcio(HMS1994),esquelosholonesusualmenteposeenuna partedeprocesamientodeinformacinconunaparteopcionaldeprocesamientofsico. EnlaTabla45sepuedenapreciarlascaractersticasquediferencianHolonesyAgentes.
249

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Propiedad

Autonoma Reactividad Proactividad HabilidadSocial Si Si Si Si.LaInterfazHumanaes especficadecadaholn. Si.Losholonesnuncarechazan demaneradeliberadala cooperacinconotroholn. Si.Holarquas.

Holn
Si Si Si

Agente

Si.LaInterfazHumanase implementageneralmentepor unoovariosagentes especializados. Si.Elagentepuedecompetir ycooperar. Si.Jerarquas,organizacin horizontal,heterarquas,etc. Si Si SI Si

Cooperacin

Reorganizacin

Racionalidad Aprendizaje Benevolencia Movilidad

Si Si Si Losholonesraramente necesitarndemovilidad paralaejecucindesustareas. Si

Recursin

Noexisteunadefinicinformal deagenterecursivo,aunque existentrabajosenelreaSMA queutilizaestructuras complejasdeagentes. Noexisteunaseparacin explicita.

Procesamiento de InformacinyFsico

la Si.Laseparacinesexplcita, aunquelapartede ProcesamientoFsicoes opcional.

Actitudesmentales

Si.Losholonesnonecesitan Si razonaracercadesuspropias actitudesmentalesoaquellasde otrasunidadesdecontrol.

Tabla45.TablacomparativaHolonesvsAgentesde(GiretBoggino,A.S.2005)

250

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin El holn entendido como entidad perteneciente a un Sistema Holnico de Fabricacin debe respectar unas normas en su uso y definicin, que en relacin con la Programacin de la Produccinsonbsicamente: A cada holn se le asocia un mdulo de toma de decisin local y capacidad de computacin. Seutilizaunaestrategiadeinteraccincooperativalacualrigelamaneraenlaque los holones intercambian informacin, y determinan soluciones aceptadas por todos. Unmecanismooprotocolodeintercambioquegestionaelintercambiodelostipos demensajesnecesariosparaejecutarunaestrategiacooperativa. Unmedioqueaseguraquelosrequisitosglobalesdelafbricasonabordados. Ungradodecoordinacincentral.

Desde el punto de vista del autor de este trabajo, estas normas convierten a los sistemas holnicos en elementos demasiado rgidos como para poder plantear propuestas que se relacionanmsconlomentalqueconlofsico,comoeselcasodelosPlanesyProgramasde Produccin.SehaentendidoqueunapropuestainnovadoraenelmbitodelaProgramacin de la Produccin debe contar con la mayor flexibilidad posible, y debe seguir la lnea de propuestascomoladelosalgoritmosbioinspirados,queenalgunosmbitosestnofreciendo buenosresultados.

Enesteapartadosehaqueridopresentarelconceptodeholnydistinguirtrminosque en ocasioneshansidoconfundidos,comolosoneldeHolnyelAgente.Laconclusinesqueson paradigmasdiferentesaunquesimilares.Quizssumayordiferencianoestribeenladefinicin delconceptoholnoAgentesinoenlaformadeaplicarlo.

4.8

AplicacionesdelosSistemasMultiagentealaProgramacindela Produccin

LaaplicacindelosSistemasMultiagentealcampodelaFabricacinhaidoprogresivamente abarcandodiversosaspectosdedicharea.LaProgramacindelaProduccinnohasidoajena al uso de esta herramienta y a las nuevas perspectivas que desde sta se han podido ir generando. Quizs la produccin cientfica y sus aplicaciones han alcanzado un nivel significativo en la ltima dcada. Los autores han ido incorporando entre sus campos de
251

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica investigacinaspectosdesumaimportanciacomolanegociacin,aprendizaje,etc.superando elenfoqueclsicocentradonicamenteaspectosfinalistas. Los primeros resultados se han derivado del trabajo realizado en diversos proyectos de investigacin. Mucho de ellos han servido para unificar criterios y aunar esfuerzo sobre aspectosnoresueltos.AlgunosdeestossehanresumidoenlaTabla46.

Proyecto
ABACUS

Referencia
UCB,UMIST (McEleney, B., O'Hare, G.M.P.,&Sampson,J. 1998) (Butler,J.etal.1992)

PrincipalesCaractersticas
Utilizaagentesfuncionales;aproximacinBDI paradiseodeagentes.

ADDYMS

ACM

CAMPS

CORTES

Losagentesrepresentanrecursosfsicos; schedulingderecursoslocaldinmico. SandiaLab. Utilizaagentesfsicos:agentesmquinay agentespieza. (Goldsmith, S. Y. & Interrante,L.D.1998) (Miyashita,K.1998) Metodologabasadaenreparaciones juntoconmecanismosbasadosenrestricciones. CMU Tcnicasmicrooportunistaspara (Sadeh,N.&Fox,M.S. resolucindeproblemasdescheduling. 1989) U.ofStrathclyde (Burke, P.& Prosser, P. 1994) Purdue (Lin,G.Y.J.&Solberg, J.J.1992) (Fordyce,K.&Sullivan, G.G.1994) DaimlerBenzAG, KULeuven (Brckner,S.,Wyns,J., Peeters,P.,& Kollingbaum,M.1998) Arquitecturajerrquicaconagentesque Representanrecursos,gruposderecursos,yun procesodeschedulingcompleto. Agentesrecursorepresentanrecursosfsico; modelodecontroltipomercado. Utilizaagentesfuncionales;protocolode votacinparalacomunicacin Comportamientoemergenteencontrolde fabricacin;manejoproactivode perturbaciones;agentesactivablesencaliente.

DAS

IFCF

LMS MASCADA

Tabla46.ResumendeProyectoorientadosalaProgramacindelaProduccinutilizandoSistemasMultiagentes basadoen(Shen,W.M.etal.2006).

Una vez los diversos proyectos han ido consolidando lneas de trabajo se han realizado aportaciones muy interesantes en diversas revistas y congresos de las reas de Inteligencia Artificial, Investigacin Operativa y Gestin de la Produccin. A continuacin se realiza una
252

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin revisin de las referencias ms recientes en las que, desde distintos puntos de vista, se proponenlaaplicacindeAgentes,SistemasbasadosenAgentesoMultiagentesparaabordar laProgramacindelaProduccin.Enconcretoseincideenlossiguientesaspectos: Soluciones basadas en Teora de Agentes para la obtencin de Programas Productivosendiferentestiposdetalleres. Soluciones que intentan tener una visin amplia del sistema productivo, y que incluyen los aspectos de Programacin de la Produccin como parte de la propuesta. Adaptacin y mejora de las habilidades sociales de los Agentes utilizados para obtenerunasolucindeformacolaborativa. Adaptacin y mejora del proceso de aprendizaje en los Agentes o Sistemas MultiagenteutilizadosenlaobtencindeunPrograma,normalmenteenentornos colaborativos. Anlisis del impacto de las arquitecturas Multiagente en la calidad de las soluciones.

El conjunto de temas propuestos aportan una visin tanto de cmo debe plantearse el proceso/algoritmoderesolucincomoelconjuntodetcnicas,yhabilidades,queunsistema basado en Agentes o Multiagente necesita implementar para poder ser aplicado en casos reales.

4.8.1 SolucionesbasadasenTeoradeAgentes
La teora de Agentes aplicada a la Programacin de la Produccin ha proporcionado en su corta vida mltiples aplicaciones. Con los trabajos realizados por (Cardon, A., Galinho, T., & Vacher,J.P.2000),(Ng,C.T.,Cheng,T.C.E.,&Yuan,J.J.2006),(Csaji,B.C.&Monostori,L. 2005),(Babayan,A.&He,D.2004),(Aydin,M.E.&Fogarty,T.C.2004),(Yu,X.F.&Ram,B. 2006),(Wong,T.N.,Leung,C.W.,Mak,K.L.,&Fung,R.Y.K.2006)y(Babayan,A.etal.2004) sepretenderealizarunanlisistradicional,esdecirbasadoenelalgoritmo/procedimientode resolucin, en este caso del Sistema Multiagente empleado en diversos tipos de talleres. En dichas referencias lo relevante es como se obtiene la solucin para obtener un Programa Productivo,yaseaconunenfoquePredictivooReactivo.Sinembargo,enlostrabajosde(Sun, J.&Xue,D.2001)y(Cowling,P.I.,Ouelhadj,D.,&Petrovic,S.2004)sequiereincidirencomo

253

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica sepuedeplantearysolventarlareprogramacindelaproduccindebidaaalgunanecesidad deadaptacindelProgramaProductivoencurso. ParaunproblemadeProgramacindelaProduccinenuntallerdegeneralconntrabajosym mquinas con el objetivo de minimizar adelantos y retrasos sobre una fecha propuesta (Cardon,A.etal.2000)proponenlaaplicacindeunSistemaMultiagenteenelqueseembebe unAlgoritmoGentico.Losautoreshacenagrupacionesdeentidadesenbasealaproximidad de ciertos elementos sobre un determinado punto del diagrama Gantt. En dichos grupos los Agentes representan elementos como mquinas o trabajos, y tambin entidades de gestin como distribuidores de trabajos, o gestores. Con esta parcelacin aparecen Agentes que se sitanendiferentesniveles.SepuedehablardemetaAgentesqueutilizanmetainformaciny quesumbitodeactuacineselgrupo(grupodemquinas,grupodetrabajos,etc.),ascomo demicroAgentesquerepresentanentidadesindividuales.Laideaperseguidaporlosautores es que los metaAgentes sean los responsables de canalizar la colaboracin de su grupo con otros grupos. Cada agente tiene un universo conocido formado por trabajos, mquinas, un Agente Distribuidor de Trabajos (ADT) y el Programa obtenido. Dentro del Universo, las mquinas o los trabajos son Agentes reactivos que slo pueden dar conformidad a ciertas operaciones,peronoproponenacciones. Como ncleo fundamental dentro del proceso de colaboracin est la negociacin entre grupos y entidades. Los autores proponen el uso de ContratNet como protocolo de negociacin. Se propone a un Agente, el ADT, que realizar el reparto de tareas entre otros Agentes.CuandoelADTrealizaunapropuestadeasignacindeuntrabajoaunamquinalo haceatravsdeunAgentequerepresentaalamquinaenelprocesonegociador,elAgente negociador(AN).EntreelADTyelANseiniciaunprocesonegociadorutilizandoContratNet. ElADTrealizalapropuestaavariasmquinas,loquegeneracompetenciaentreellas. Como se puede ver en la Figura 48 entre el Agente AN y los Agentes que representan a las mquinas puede existir una compleja trama de Agentes. Los autores proponen el uso de un Agente intermedio que recibe la propuesta de asignar a un conjunto de trabajos, y que medianteelusodeunaAgenteforward,queconoceladisposicindeldiagramaGantthaciael futuro,ymedianteunAgenteBackward,queconocelaevolucinyarealizadadelostrabajos en el tiempo, son capaces de calcular las nuevas asignaciones intentando minimizar un objetivo basado en un valor econmico. Los Agentes Forward y Backward se relacionan con Agentesquerepresentanalconjuntodemquinas. SobreelSistemaMultiagentepropuestolosautoresintroducenelconceptodecaracterizacin delosAgentescomosifuerenseresvivos.Medianteunacombinacinde10bitssedefinenlas reglas que cada Agente puede usar ante ciertas situaciones. Dichas reglas se ubican en una
254

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin base de datos. El cambio de un bit implica la modificacin del carcter del Agente y de su comportamiento(msagresivo,mssociable,etc.). ElcomportamientodeunAgenteinfluye en su evolucin en el Sistema. Mediante un Algoritmo Gentico (Cardon, A. et al. 2000) identificanlafuncindeseleccin,mutacin,cruceyajuste(fitness).Dadoqueelobjetivoes minimizar adelantos y retrasos simultneamente la funcin de ajuste se plantea como multiobjetivo. El conjunto de macro y microAgentes comentado anteriormente evoluciona mediante procedimientos de cruce y mutacin durante el proceso de bsqueda de una solucin. Los Agentes van ajustando su forma de actuar, modificando sus 10 bit mediante el AlgoritmoGentico,hastaqueseconsideraquehanalcanzadounasolucinadecuada.

Conjunto de trabajos

AN de trabajos para Programar

1,n Trabajos

Agente Intermedio

Agente Forward

Agente Backward

Lmites de Universo Conocido

Grupo de Agentes Mquina M

Grupo de Agentes Mquina M M3

M1

M2

M3

M1

Clculo en paralelo en el nivel de las mquinas

Figura48.EstructuradelprotocoloContratNetentrediferentesnivelesde(Cardon,A.etal.2000).

En el caso de una mquina, (Ng, C. T. et al. 2006) propone una resolucin basada en un Agente.Enconcretoimplementandosenfoquesdiferentes.EnuncasodesarrollanunAgente conelobjetivodealcanzarunProgramaProductivoqueminimiceelCmax.Enesteprimercaso demuestranqueladificultaddelproblemaesNPHardyutilizanunsistemapseudopolinomial para solventarlo. En el segundo caso, el objetivo es minimizar el retraso, impidiendo que excedadeuntiempodado,mostrandoquesetratatambindedificultadNPHard. Se ha encontrado una aplicacin a un taller de mquinas paralelas no relacionadas en un entornoestocstico.En(Csaji,B.C.etal.2005)seproponeparadichoproblemaelusodeun Sistema MultiagentedondecadaAgenteimplementa,basndoseenprogramacindinmica, un procedimiento para el clculo parcial de la solucin. El sistema propuesto se regula
255

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica medianteunprocesodetomadedecisionesqueutilizalateoradecadenasdemarkovpara alcanzarunasolucinprximaalptimo. Eneltrabajode(Babayan,A.etal.2004)sepresentaunproblemadetallerdeflujoestticode tres etapas y n trabajos. La solucin al problema est basada en un algoritmo dotado de un sistemadeAgentes.EstosAgentesseseparanentresgrupos:secuenciables,secuenciados,y nosecuenciables.Seestablecendosfasesenelproceso,quedenominajuegoexternoyjuego interno.Enambasseutilizalateoradejuegos.EneljuegoexternoseseleccionanlosAgentes secuenciables (listos en la cola de entrada) para pasar al juego interno donde realmente se establecenlassecuenciasslodelosAgentes/trabajosquehanentrado.Enamboscasoscada Agentecalculaelvalordeunavariablequemidesuaportacinaljuego,yelgestordecidecon que propuesta se queda. Tanto el juego interno como externo utilizan como valor de referencia lo que denominan Shapley Value que mide la aportacin de un trabajo a un conjunto existente en funcin del tamao de la coalicin que se forma y del Cmax que se obtiene. Los autores realizan un anlisis experimental para treinta y cincuenta trabajos, combinandosytresmquinasporetapa,yestablecentrestiposdetiemposdeproceso(todas lasetapaselmismotiempo,lasetapasdosytrescontiemposuperioralauno,lasetapasunoy trescontiemposuperioralados).Losresultadosobtenidossecomparanconelalgoritmode (Soewandi,H.&Elmaghraby,S.E.2001),quedividieroneltallerdeflujodetresetapasendos subproblemas (un taller de flujo con dos etapas y un problema simple de secuenciacin con mquinas en paralelo). Tanto para los resultados propios como para los de Soewandi se establece un ratio entre el valor obtenido y el mejor valor encontrado. Se mejoran los resultadosparaalgunascombinacionesperonoparatodas. En (Kutanoglu, E. & Wu, S. D. 1999) se propone un procedimiento basado en Sistema MultiagentemedianteelcualsesolucionaunmodelomatemticorelajadomedianteLagrange utilizandocomomecanismounsistemadesubastas.Elautoraplicalapropuestaauntallerde flujoestticoconrecursosdistribuidosconelobjetivodeminimizarelretraso. Yaenelcasodeuntallergeneralesttico(Aydin,M.E.etal.2004)establecenunconjuntode Agentes (ATeam) que representan, cada uno, a un tipo de procedimiento diferente, y que compartenunazonadememoriacomnatravsdelacualpuedenintercambiarpropuestas unosconotros.Lasolucinalproblemaseobtienemediantelacomputacinenparaleloyde forma asncrona de los diferentes algoritmos. Al compartir memoria, e intercambiar soluciones, el resultado del mejor Agente/algoritmo no es igual al resultado que el mismo Agentehubieseobtenidodeformaindividual.Seutilizaunalgoritmodenominadocompose, enelcualunAgenteinicializalapoblacinygeneraunasolucininicialparaeltallergeneral mediante la asignacin a cada mquina una cola de trabajos, que procesar mediante heursticas(fifo,lifoospt).Existenotrosalgoritmosqueestnbasadosen:RecocidoSimulado, BsquedaTab,AlgoritmosdeEscaladayAlgoritmosGenticos.Enalgncasoseutilizavarias
256

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin veces el mismo tipo de algoritmo modificado. Existe tambin un Agente destructor que mantiene la poblacin en los niveles deseados. Los autores finalmente realizan un experimentobasadoenunjuegodedatos.Seusaenconcretoeljuegodiezpordiez,condiez trabajosydiezmquinasenuntallergeneral.SecomparanlosresultadosobtenidosporelA Teamporlosresultadosdelosdiferentesalgoritmosejecutadosdeformaindividual. En el mismo marco del taller general, pero con un enfoque dinmico, (Yu, X. F. et al. 2006) propone un plataforma denominada RTMDS, que se basa en la asignacin de un Agente a cada mquina. Estos Agentes se coordinan entre ellos para ver que mquina realiza cada trabajodelacola.Ademsdisponendetodalainformacindelsistema.Paralarealizacinde la secuencia se utilizan dos reglas: La regla de seleccin de mquinas (MSR) y la regla de secuenciacin de colas (QSR): La MSR se consigue a travs de la coordinacin de todos los Agentesmquina.CuandounaAgentepercibequehayuntrabajoenespera,siesamquina puederealizareltrabajo,elAgentedecidesiseofreceonoarealizareltrabajodependiendo desutiempomnimodeejecucin.Cuandoseofrecemsdeuntrabajo,seutilizaunmtodo computacionalparaasignarlamquina.Esteprocesoestinspiradoenelcomportamientode los insectos. Por otra parte la QSR es implementada por cada Agentemquina. Cuando una mquina acaba un trabajo y tiene otros en cola, el Agentemquina selecciona el siguiente utilizandounareglaespecficadesecuenciacindecolas,propuestaporlosautores.En(Wong, T.N.etal.2006)serealizaunapropuestaparaeltallergeneraldinmicoyflexible. Los autores de (Wong, T. N. et al. 2006) proponen un primer sistema llamado MAN (Multi agentNegotiation)quesebasaenlanegociacinentredostiposdeAgentes;PA(partagents) y MA (machine agents), que son utilizados para representar a trabajos y mquinas respectivamenteyposeentodainformacindesurepresentado.Lanegociacinentreestosse basaenunsistemadeofertasquelosMAsenvanalosPAscuandohayuntrabajoencola,el PA acepta la mejor oferta segn el Critical Ratio. En el segundo modelo, HAN (Hybridbased AgentNegotiation)seaadelafiguradeunAgentesupervisor(SA).ElobjetivodeesteSAes estableceruncontroljerrquicodelaestructuraSMAparagestionarlasnegociacionesentre los PAs y los MAs. Este Agente dispone de toda la informacin de los dems Agentes y dependiendodesuhabilidad,sepuedenconsiderardiferentesobjetivosfijadospreviamente, como pueden ser minimizar el makespan, la tardanza (tardiness) de los trabajos o la carga asignableacadamquina.EsteAgentesolamenteintervienecuandohayconflictosentrelas decisioneslocalesyelobjetivodelsistema. Para un taller general dinmico y con incertidumbre, (Csaji, B. C., Kadar, B., & Monostori, L. 2003)presentanunmtodoparacalcularunProgramaProductivomedianteundoblenivelde adaptacin. Aplican un Sistema Multiagente con arquitectura heterrquica basado en (Valckenaers, P. & Van Brussel, H. 2003). Su trabajo mejora el proceso de aprendizaje
257

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica mediante una mezcla de redes neuronales y aprendizaje reforzado, llamado Programacin Neurodinmica. Un mbito interesante en la literatura es el hace referencia a la utilizacin de los sistemas basadosenAgentesparalaReprogramacindelaProduccin,esdecirparalamodificacinde unProgramaProductivoparaadaptarloaunanuevacircunstancia.En(Sun,J.etal.2001)se proponeelusodelatcnicaMachupencolaboracinconunsistemabasadoenAgentespara modificar parcialmente un programa en curso. El objetivo es minimizar los cambios en el Programaalmismotiempoquesemantienelacalidaddelprograma.Sondosloseventosque seconsideranporlaintervencindelusuario,lacancelacinylainsercinurgentederdenes. La estrategia reactiva es doble. Por un lado se intenta mover los trabajos hacia adelante teniendoencuentasufechamstardadeentrega,yporotroladoseintentamoverloshacia atrs teniendo en cuenta la fecha ms temprana de entrega. Si no es factible incluir en el programa una orden urgente entonces se cancela alguna de las programadas. Por otro lado, lasautoresconsideranlaexistenciadeeventosrelativosalsistema,comoeselcasoderotura de mquinas o indisposicin de trabajadores. En este segundo caso se combina la tcnica MatchupconelSistemadeAgentes. El Sistema de Agentes se enmarca dentro de una propuesta de integracin del Sistema Productivoydeldiseodelproducto.LaProgramacindelaProduccinserealizaatravsde un Agente mediador. Cuando el Agente mediador recibe una peticin de un Agente trabajo para ser secuenciado inicia un protocolo ContratNet con los Agentes recurso (mquina, trabajador, etc.), seleccionando la mejor oferta y asignndole dicho trabajo al recurso correspondiente. Mediante la aplicacin de los conceptos de Programacin de la produccin predictiva y reactiva (Cowling, P. I. et al. 2004) propone una serie de heursticas que permiten la adaptacin de un programa en curso en funcin de diversos eventos en el caso de una empresadeproduccindeacero.Losautoresproponerealizarlacoordinacinentrelaetapa de creacin de barras de acero y la de rollos de acero mediante un sistema formado por Agentes.EnlaetaparesponsabledelaproduccinderollosdeaceroexisteunAgente(HSM) queseencargadelacreacindeunprogramapredictivomedianteunalgoritmodeBsqueda Tab. Y un programa reactivo mediante un conjunto de ocho heursticas. En la etapa responsabledelaproduccindebarrasdeaceroexistendostiposdeAgente,elgestordelas barras (SY) y los responsable del colado de acero (CC1..CCn). El Agente SY utiliza dos heursticas para la obtencin del programa predictivo. Los programas predictivos de ambas etapastienenobjetivosdiferentes.

258

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin ElSistemaMultiagenteutilizaunprotocoloContratNet,cuyoiniciadoreselAgenteHSM,para negociarladisponibilidaddebarrasdeacerosegnlasnecesidadesdelprocesodeproduccin derollosdeaceroysujetoalasrestriccionesdelprocesodeproduccindebarrasdeacero. Los autores realizan un estudio experimental del sistema propuesto alcanzado resultados exitososencuantoalaeficaciadelmismo.

Se ha podido observar como los diversos autores han realizado propuestas indicando procedimientos que tienen como base la aplicacin de sistemas basados en Agentes para resolver problemas de Programacin de la Produccin en los talleres ms representativos (monomquina,mquinasparalelas,,tallerdeflujo,ytallergeneral).Casitodaslassoluciones tienenencomnlautilizacindeunprotocolodenegociacinContratNet,quenoenvanoes uno de los ms utilizados en general. El anlisis de las diferentes referencias ha permitido disponer de diversos enfoques en cuanto a la construccin de arquitecturas de Agentes, y comopuedenlosAgentestomardiversosroles.

Tres aspectos se pueden destacar como claves en la construccin de soluciones basada en Agentes.UnaspectoeslaeleccindeltipodearquitecturayasignacinderolesalosAgentes. Otroaspectoeseldiseodelprocesonegociador,esdecirelprotocoloysusignificado.Noes soloimportanteseleccionarunprotocolo(ContratNet,etc.)sinoelidentificarelcontenidode losmensajes,suinterpretacindentrodelprocesoyelconjuntodeaccionesqueseasociana cadauno.Yfinalmenteesfundamentaleldiseodelosestadosenlosquepuedentrabajarlos Agentes y la evolucin de los mismos. Todos estos aspectos, y algunos otros de menor relevancia,sontenidosencuentaenlasdiversasmetodologasexistentesparadeldesarrollo deSistemasMultiagente.

4.8.2 IntegracindelaProgramacindelaProduccinenelSPCO.
La Programacin de la Produccin no solo debe ser estudiada de forma independiente y aisladadelrestodelSistemadePlanificacinyControldeOperaciones(SPCO),yenocasiones tambin del Diseo del Sistema Productivo. Esta visin integradora permite obtener conclusionesrelevantessobreelcomportamientodelosAgentesenentornoscolaborativos,y sobre todo como actuar ante eventos procedentes de subsistema de gestin con los que es fundamentalcoordinarse. Enunentornodinmico,yconelobjetivodeencontrarelmejorProgramaProductivoposible (Xue, D., Sun, J., & Norrie, D. H. 2001), (Keskinocak, P., Wu, F., Goodwin, R., Murthy, S., Akkiraju,R.,Kumaran,S.etal.2002),(Dang,T.T.&Frankovic,B.2002),(Wang,Y.H.,Yin,C. W., & Zhang, Y. 2003) y (Furusho, T., Nishi, T., & Konishi, M. 2008) presentan diferentes
259

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica arquitecturas con propsitos diferentes pero que no identifican un taller concreto, sino una plantagenrica. En (Xue, D. et al. 2001) se introduce un enfoque de Sistema de Fabricacin Inteligente para identificar el Programa Productivo ptimo que permita para satisfacer las restricciones del productoydeltaller.Cundoserecibeunaorden,secreaunAgenteordenpararepresentar losrequisitosdeclienteyesteAgenteseasociaconeldiseodelproducto,queesmodelado combinando las caractersticas del caso. El sistema de Programacin inteligente es activado subsiguientemente para identificar el programa ptimo que satisfaga las limitaciones de diseodelproducto,ylosrequisitosindustrialesquesonidentificadosenlascaractersticas,y en limitaciones industriales que son descritas como recursos disponibles. Se utilizan dos estrategiasdeoptimizacin:(1)tenerdisponibleelproductoloantesposible,(2)comenzarel productotantardecomoposiblereducirelespacioparaalmacenarelproductoproducido.En este enfoque, las limitaciones de producto son modeladas utilizando un esquema de caractersticasbasadoenlarepresentacindelproducto.Cundolalimitacintemporaldela orden de cliente no puede ser satisfecha, el cliente es informado para cambiar las caractersticasdelproductoordenado. En (Keskinocak, P. et al. 2002) describe un sistema de apoyo a la toma de decisiones para Programar la Produccin de papel. Segn los autores este es el primer sistema que proporciona una solucin integrada de Programacin de la Produccin de papel, y considera lasinteraccionesentreetapasdiferentesdelprocesodefabricacinydistribucin.Utilizando un enfoque de optimizacin multicriterio, se generan mltiples programas para diferentes empresas,amenudocompitiendoporlosmismosobjetivos.Elamplioconjuntodealgoritmos utilizadosporelsistemaesembebidoenunsistemadeAgentesllamadoEquipoAsncrono(el ATEAM). Enunentornodetiemporeal,losautoresde(Dang,T.T.etal.2002)asumenlaexistenciaden Agentesindependientesquerepresentananproductos,dondecadaAgentetieneunconjunto de operaciones para realizar. Existen un conjunto de mquinas que pueden realizar dichas operaciones. CadaProgramaProductivotieneun conjuntode parmetroscomosonlafecha deentregaprevista,elcostedeundeterminadoPrograma,yeltiempodeflujo.Seestablece unprocesodenegociacinentrelosAgentesdelsistema. En el caso de un sistema de fabricacin gil donde los procesos que se realizan se pueden descomponer en mltiples actividades (Wang, Y. H. et al. 2003) propone la creacin de un Sistema Multiagente que represente los roles de los diferentes actores que permita una distribucinfuncional.ProponentrestiposdeAgenteparaelentornodeProgramacindela

260

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Produccinquepermitadescomponerelproblemayutilizaunsistemadetomadedecisiones basadoenreglas. En (Furusho, T. et al. 2008) se propone un sistema distribuido para la Programacin de la Produccin, el enrutado de sistemas AGVs, y la planificacin de materiales. Existen tres Agentesquerepresentanacadaunadelastrespartesdelproblema.CadaAgenteintercambia informacin y recalcula una solucin hasta que se alcanza una propuesta factible. Se demuestralautilidaddeestapropuestafrentealastradicionales.

Enelmarcodeestatesislavisinintegradoraesfundamental,yaquecomoseexpondrenel prximocaptulo,deberemostenerencuentaaspectosrelacionadosconlaPlanificacindela Produccin quevana influirenlastareasdeProgramacindelaProduccin.Ademsde los aspectosgeneralesrelacionadosconeldiseoeimplementacindelosSistemasMultiagente enesteapartadosedebedestacarcomolosdiversosautoreshanplanteadolacoordinacinde acciones.Estetratamientoesfundamentaleneldesarrollodelapropuestaqueserealizaren captulosposteriores.

4.8.3 HabilidadesSocialesenlaAplicacindelosSMA
LaProgramacindelaProduccinesunproblemaquecuandohasidoabordadomediantela aplicacin de Sistemas Multiagente o basado en Agentes ha solido tener dificultades en los aspectosrelacionadosconlaimplementacindelashabilidadessocialesdestos.Comoyase analizconanterioridadcomoenunentornodecolaboracinaspectoscomolacoordinacin y/olanegociacinadquierenunaimportanciasustancial.Enestesentidoalgunosatoreshan realizado propuestas que buscan mejorar la relacin entre Agentes cuando el objetivo es obtenerunProgramaProductivo.En(Liu,J.S.&Sycara,K.P.1997)sepresentaunasolucin paralacoordinacindeAgentesenunprocesoiterativoyasncronodeclculodeunPrograma Productivo en un taller General. En esta propuesta los Agentes representan recursos y trabajos. La propuesta intenta regular de forma equilibrada la cantidad en el flujo de comunicacinentreAgentes,yaqueunflujobajoimplicasolucionesdebajacalidadyunflujo alto implica bajo rendimiento del sistema. Los autores de (Kutanoglu, E. & Wu, S. D. 2006) tambin centra sus esfuerzos en la coordinacin pero en este caso los Agentes representan programadores de centros de trabajo diferentes y el objetivo es obtener un programa conjuntodeformacolaborativa.Porlotanto,enlaresolucindelproblemadecoordinacinel autor tiene bien presente los propios requerimientos del problema y propone el uso de internetcomomediodecomunicacin.

261

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Enunentornodinmico(Vancza,J.&Markus,A.2000),(Lv,C.X.,Sheng,Z.Q.,Li,S.F.,Yin,C. W.,&Zhu,Y.L.2006),(Sousa,P.&Ramos,C.1999)y(Shin,M.&Jung,M.2005)profundizan en los aspectos relacionados con las tcnicas de negociacin. Su objetivo es ser capaces de alcanzarunacuerdoquepermitalaasignacinysecuenciacindetrabajosdeformargil.En (Vancza, J. et al. 2000) se utiliza un modelo de mercado basado decisiones en torno al valor econmico de las mismas. (Lv, C. X. et al. 2006) propone un algoritmo adaptativo que contempla aspectos la Programacin de la Produccin predictiva y reactiva para un taller general.(Sousa,P.etal.1999)seocupaenprofundidadsobreloquedenominarenegociacin, esdecir,dealcanzaracuerdosencasosespecialesenlosquenoesposibleacordarunaforma deactuarutilizandoreglasgenerales.Abordatambincasosdeindecisin.Losautorestienen presenteentodomomentoquesumayorrestriccinenlatomadedecisioneseslalimitacin detiempo. En el trabajo de (Shin, M. et al. 2005) se propone un protocolo de negociacin denominado MANPro(Mobileagentbasednegotiationprocess).EnMANPro,lasnegociacionesserealizan dentrodeunaestructuradondelosTagents(taskagent)ylosRagents(resourceagent)son autnomos(tienenobjetivospropios)paraoperarenelsistemacooperandounosconotros. Los Nagents (negotiation agent), asumen el papel de centro de la negociacin y de generadores de ofertas. El sistema de negociacin mediante ofertas se representa intercambiandoofertasentreuniniciadorydiversospostores.Elmejorpostoresseleccionado poreliniciador.Elsistemafuncionadelasiguientemanera:ElNagentgeneraunaofertaque esevaluadaporlosRagentsylosTagents,silaofertanosatisfaceaambaspartes,serevisala oferta.ElNagentbuscaunanuevarestriccinparaeltrabajoolamquina,silaencuentra,la tiene en cuenta para realizar una nueva oferta, si no, cierra el proceso. El proceso se repite hastaquelaofertaesaceptada. En este apartado se pude destacar la aportacin de (Zhong, W. C., Liu, J., & Jiao, L. C. 2005) para la programacin de un taller general en el cual se aplican conceptos sumamente interesantes sobre colaboracin y coordinacin basados en entornos locales. Este trabajo es consecuenciadeotraaportacinprevia,(Zhong,W.C.,Liu,J.,Xue,M.Z.,&Jiao,L.C.2004),en lacualsedescribecondetalleenncleodelprocesoquenoesotroqueunalgoritmogentico basadoenSMA. La consideracin de las habilidades sociales en un desarrollo Multiagente es fundamental. EstasdefinirnlaformadecolaborarentrelosdiferentesAgentesqueformanelsistema,ypor lotantocondicionarnlaarquitecturadelmismo.Porestemotivo,eranecesarioanalizarcomo algunas de las propuestas ms relevantes afrontar este aspecto. La conclusin que se ha obtenidoesqueexistenaproximacionesmuydiversasynosehandefinidoplantillas,nimarcos que se hayan demostrado tiles para abordar problemas tipo. Cada autor ha identificado el problema que desea resolver y ha adaptado soluciones similares existen convirtindolas en
262

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin soluciones adhoc. Una lnea de investigacin interesante puede ser el anlisis de formas de colaboracin(coordinacin,negociacin,comunicacin,etc.)adecuadasparadiversostiposde problemas de Programacin de la Produccin de forma que se potencien facilidades que permitansuperarlasdificultadesquecaractericenacadaunodeellos.

4.8.4 AprendizajeenlaAplicacindelosSMA
Un aspecto que debe ser tratado en profundidad en ciertas propuestas que utilizan ArquitecturasMultiagenteeseldelaprendizaje.Conesteconceptonosreferimosacomolos Agentespuedenmejorarsushabilidadesmedianteunprocesobasadoenelrazonamientoyen la interactuacin con el entorno. Se debe tener que en cuenta en muchas propuestas los Agentes disponen de un conocimiento inicial muy limitado, y que es precisamente el aprendizaje la habilidad que permite a estas entidades evolucionar y mejorar su forma de solucionarlosproblemas.En(Wang,Y.C.&Usher,J.M.2004)y(Wang,Y.C.&Usher,J.M. 2005)seanalizacomolosAgentessonpenalizadosorecompensadosporsuentornocadavez que realizan una accin. En concreto plantea un Agente mquina que en funcin de las circunstancia aplica una regla de despacho entre tres posible utilizando un algoritmo de aprendizaje QLearning teniendo como objetivo minimizar el retraso medio en un proceso ProgramacindelaProduccin.Losautoresrealizanunestudioexperimental.EN(Wang,Y.C. &Usher,J.M.2007)seproponeelmismotipodeenfoqueperoparaabordarelproblemaen untallergeneralyconmltiplesAgentes.EnunentornoMultiagente(Gabel,T.&Riedmiller, M.2006)proponenlautilizacinconjuntodelaprendizajereforzadojuntoconelrazonamiento basadoencasoscomoformadeadquirirexperienciaenunentornodeAgentescolaborativos. Otros autores han desarrollado simuladores que permiten contrastar procedimientos de aprendizaje. Con esta filosofa (Aydin, M. E. & Oztemel, E. 2000) simularon un taller general con nueve maquinas y cinco trabajos con diferentes rutas. Dentro de este sistema de simulacin (SS) acta un Agente que consta de un percepcin module que recibe toda la informacin del sistema actualizada, un cognition module que est compuesto por un conjuntodenormasdecomportamientoytomadedecisiones,yunactionmodulequeesel encargadodegenerarmensajesyenviarlosalSS.EsteAgenteeselencargadodeseleccionar una heurstica (SPT, COVER T o Critical Ratio) para procesar los trabajos utilizando la informacin disponible. Adems el Agente es entrenado continuamente por un mtodo llamadoQIII,queesunsistemadeaprendizajeparaelAgente(basadoenpruebayerror). LaconsideracindelascapacidadesdeaprendizajeeneldesarrollodeSistemasMultiagente noessiemprerelevante.Notodaslaspropuestassebasanenestapropiedad.Sisehapodido constatarconelanlisisdelasreferenciascomentadasqueestacaractersticaproporcionaun elevadovaloraadidoalossistemasqueasloplantean.Ademssehapuestodemanifiesto
263

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica que los procesos de aprendizaje han sido estudiados en profundidad en otras reas de la ciencia y que estn bastante consolidados, o al menos existe un conjunto de propuestas bastantereiteradasentrelosdiferentesautores.

4.8.5 InfluenciadelosSMAenlasSoluciones
Un aspecto poco tratado en la literatura es el estudio comparativo de las diferentes arquitecturas basadas en Sistemas Multiagente con las que se afronta la resolucin de los diversos problemas de Programacin de la Produccin. En (Cavalieri, S., Garetti, M., Macchi, M.,&Taisch,M.2000)serealizaunanlisisdedichasarquitecturasrealizandounaagrupacin delasmismasendosclases:Lasbasadasenelfuncionamientodelmercado(ofertademanda), y las basadas en una regulacin mediante un supervisor. Los autores comentan las caractersticasdeambostiposdeenfoqueyrealizanunestudioexperimentalparacomprarlas prestacionesdeambasendiferentessituaciones.Elestudioseplanteenuntallergeneralcon trestiposdesituaciones;a)SistemaEstable:sistemacargadodeacuerdoaunplanprevisto, todos los trabajos disponibles al inicio, el periodo considerado es la semana productiva prevista;b)SistemaconPerturbaciones:idnticascondicionesqueelcasoaperoaadiendo trabajosurgentesconfechasdeentreganoprevistas;c)SistemaconFallos:Semodificanlos eventosdelcasobporfallosenmquinas.Elresultadoindicaquelossistemasbasadosen mercado son ms robustos y se adaptan mejor a los cambios, y que en situaciones de estabilidadlossistemasbasadosenmediadoresobtienenmejoresresultados. En(Pendharkar,P.C.2007)seidentificanlosproblemasbsicosdenegocioqueinfluyenenel diseo de sistemas inteligentes cooperativos, y muestran de forma prctica el diseo y la aplicacin de un Sistema Multagente para la Programacin de la Produccin. Los experimentossugiereneldominio,enrelacinconsueficacia,delosSistemasdeMultiagente dondelosAgentescoordinansusacciones. Los autores de (Greer, K., Stewart, J. R., & McCollum, B. 2008) comparan una plataforma de Programacin de la Produccin genrica y centralizada (PEGS) desarrollada por losautores a partir de una propuesta anterior de la misma plataforma desarrollada con un enfoque distribuidobasadoenAgentes.Enlosexperimentosrealizadoscondiversostestpublicadosse muestra como el sistema distribuido se ejecuta ms rpidamente (hasta diez veces menos tiempo) y ofrece soluciones tan buenas como las publicadas y mejores que en el sistema centralizado. Con el fin de poder actuar en un entorno real (Maheswaran, R. T., Tambe, M., Bowring, E., Pearce, J. P., & Varakantham, P. 2004) proponen un marco de trabajo denominado DiMES
264

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin (Distributed MultiEvent Scheduling) que permite aplicar la tcnica de optimizacin de restriccionesdistribuidashabitualenSistemasMultiagente,yqueenotroscasosesdifcilde aplicarporlacomplejidaddelarealidad.Suaplicacinencasosrealesesposibledebidoala mejoradelsistemadecomunicacionesyalaprecomputacindecasoslmite.

Este apartado ha permitido tener visibilidad sobre como influye la eleccin de una u otra arquitectura en la calidad de las soluciones obtenidas en funcin del tipo de problema y su evolucin. Estas consideraciones sern tenidas en cuenta en el diseo y desarrollo de la propuestaqueserealizarenestatesis.

4.9

Conclusiones

Los Sistemas Multiagente han demostrado ser tiles para resolver el Problema de la Programacin de la Produccin, tanto desde un punto de vista cuantitativo del problema, como por lo que se refiere a la coordinacin con otras reas del Sistema de Planificacin y Control de Operaciones. Al contrario de lo que ocurre con la aplicacin de otras tcnicas el nmero de referencias que se ha podido encontrar no ha sido muy amplio, aunque si significativo.Estodaunaideadeltrabajoqueanquedaporhacerenestembito. SehapodidocontrastarmedianteelestudiodelosconceptosbsicosdelateoradeAgentes, su constitucin en sociedades organizadas, y su forma de intercambiar conocimiento, correspondientesalosapartado4.2,4.3y4.4respectivamente,comolaherramientaquese ha considerado en este captulo no es sencilla de aplicar. Se han puesto de manifiesto un conjunto de dificultades inherentes a la propia herramienta, lo que implica que los usuarios debenalcanzarunniveldedestrezaelevadoparasuaplicacin.Unareflexinquesederivade lo analizado es que la aplicacin de los Sistemas Multiagente no garantiza alcanzar buenas soluciones,essimplementeunentornodetrabajoquepuedesermuyfavorableenalgunos problemas.Deestareflexinseextraendosconclusionesrelevantes:(1)Esnecesarioanalizar silascondicionesquesedanenundeterminadoproblemadeProgramacindelaProduccin son favorables para la aplicacin de Sistemas Multiagente, y (2) es necesario combinar esta herramienta con otras teoras que conduzcan al sistema a un estado que permitan alcanzar unasolucinbuenauptima. LosProblemasdeProgramacin delaProduccin estn,enmuchasocasiones,enfocadosde una forma esttica y centralizada, lo que segn lo visto no parece una orientacin muy adecuadaparalaaplicacinde SistemasMultiagente. Noobstante,an coneste enfoquees posible aplicar la teora de Agentes como mtodo de abstraccin generando un modelo basado en Agentes, aunque no sea implementado posteriormente. Sin embargo, cuando el
265

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica problemaincluyeconsideracionescomolaTomadeDecisionesdistribuida,eldinamismodel entorno, y por lo tanto la evolucin del sistema, la teora de Agentes proporciona una herramientaexcelenteparaabordarelproblemaatravsdelosSistemasMultiagente.Ser enesteltimoentornodondeseplantearanlaspropuestasdeestetrabajo. Como se expondr en captulos posteriores esta herramienta se aplicar por partida doble para abordar dos problemas bien diferenciados aunque interconectados. Uno de los problemas que se afrontar ser el establecimiento de una estrecha colaboracin entre el mbito de la Planificacin y de la Programacin de la Produccin. Este problema incluye las caractersticasdedistribucinenlatomadedecisiones,ycomoseexplicarensumomento, consideraciones dinmicas del problema. La aplicacin de los Sistemas Multiagentes a este tipodecolaboracinhasidoanalizadaenlosapartados4.7y4.8,dondesehaconstatadoque desdesusinicioslosexpertosconsideraronquelaInteligenciaArtificialDistribuidaaportabaun valor aadido significativo, ya que permita abordar problemas realista difcilmente tratables conlasherramientasexistenteshastaesemomento. Por otro lado, y como ya he ha indicado anteriormente, los usuarios de este tipo de herramientas no deben centrar sus esfuerzos nicamente en la propia herramienta, sino en dotaralamismadelaracionalidadquelelleveaalcanzarsolucionesfactiblesyeficaces.Enel apartado 4.8 se han revisado las aportaciones ms relevantes en el desarrollo de Sistemas MultiagenteparaelproblemadelaProgramacindelaProduccin.Enconcretoenelapartado 4.8.1sehacomentadocomolosautoreshancombinadolosSistemasMultiagenteobasado enAgentescontcnicasprocedentesdelainvestigacinoperativaquehanguiadoalsistema hasta alcanzar su objetivo global. Muchos de los enfoques se han basado en teoras de mercadoqueconsideranquesepuedenalcanzarvaloresptimosentareascomolaasignacin o la secuenciacin, mediante un proceso negociador que converge a un valor determinado. Otrassoluciones,muypocas,hanutilizadocomohiloconductordelprocesoderesolucindel problemalosyaconocidosAlgoritmosMetaheursticos. Se quiere destacar la mnima existencia de propuestas que combinen los Algoritmo Bio Inspirados y los Sistemas Multiagente. En el capitulo anterior se analiz la aplicacin de los AlgoritmoBioInspiradosalosproblemasdeProgramacinelaProduccin,ysedetectque estos alcanzaban muy buenas soluciones. En este captulo se han presentado los Sistemas Multiagente como Herramientas con las que se pueden obtener excelentes resultados. Los Sistemas Multiagente, por sus caractersticas, pueden representar el rol de seres vivos (hormigas, genes, etc.) en los que se sustentan las propuestas BioInspiradas. Es posible que los diversos autores hayan encontrado problemas en adaptar algunas de las caractersticas socialesalasimulacindelcomportamientodelosseresvivos.

266

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Debidoalaausenciadetrabajosdeinvestigacinenestetipodeenfoquescombinados(SMAy BioInspirados)sepuedeconcluiraconsejandoprofundizarenelproblemadeProgramacin de Produccin, con metodologas Metaheursticas bioinspiradas basada en Sistemas Multiagente, lo que abre una lnea de trabajo en un campo muy poco estudiado. Ser precisamenteenestalneaenlaqueseplantearyresolverelsegundodelosproblemasque sepretendeabordarenestetrabajo.

Una vez se ha explorados modelos, mtodos y algoritmos aplicados a la Programacin de la Produccin,ascomolasposibilidadesqueelparadigmadelosSistemasMultiagenteofrecen en dicho mbito, y habiendo confirmado la existencia de un campo de investigacin en relacinconelcasoidentificadoesnecesarioestablecerdelaformamsconcretaposibleel problemaqueseproponeabordar.Esteelesobjetivodelsiguientecaptulo

4.10 Bibliografa
Agha,G.&Hewitt,C.1987.Objectorientedconcurrentprogramming.Cambridge,MA,(USA): MITPress. Altmann, J., Essmayr, W., Grabner, M., Gruber, F., Klug, L., Stockner, W., and Winiwater, W. Agent Technology: State of the Art. Deliverable SCCHTR0049, Project EvalAgents. 2000. Hagenberg,Austria. Avouris,N.M.&Gasser,L.1992.DistributedArtificialIntelligence:TheoryandPraxis.Kluwer. Aydin, M. E. & Fogarty, T. C. 2004. Teams of autonomous agents for jobshop scheduling problems:Anexperimentalstudy.JournalofIntelligentManufacturing,15(4):455462. Aydin, M. E. & Oztemel, E. 2000. Dynamic jobshop scheduling using reinforcement learning agents.RoboticsandAutonomousSystems,33(23):169178. Babayan, A. & He, D. 2004. Solving the njob 3stage flexible flowshop scheduling problem usinganagentbasedapproach.InternationalJournalofProductionResearch,42(4):777799. Binmore,K.&Vulkan,N.1999.ApplyingtoAutomatedNegociation.NETNOMICS,1(1):19. Bonasso,R.P.,Firby,J.,Gat,E.,Kortenkamp,D.,Miller,D.P.,&SlackM.G.1997.Experiences with an Architecture for Intelligent, Reactive Agents. Journal of Experimental & Theoretical ArtificialIntelligence,9(23):237256. Bond,A.H.1988.ReadingsinDistributedArtificialIntelligence.MorganKaufmann. Brazier,F.,DuninKeplicz,B,Jennings,N.,andTreur,J.Desire:Modellingmultiagentsystemsin acompositionalformalframework.1997.
267

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Brennan,R.,Balasubramanian,S.,andNorrie,D.H.DynamicControlArchitectureforAdvanced Manufacturing Systems. Proceedings of International Conference on Intelligent Systems for AdvancedManufacturing,213223.1997.Pittsburgh,PA. Brooks, R. A. 1991. Intelligence Without Representation. Artificial Intelligence, 47(13): 139 159. Brckner, S., Wyns, J., Peeters, P., and Kollingbaum, M. Designing Agents for the Manufacturing Process Control. AAAI Press. Proceedings of Artificial Intelligence and ManufacturingResearchPlanningWorkshopStateoftheArt&StateofthePractice,4046. 1998.Alburquerque,NuevoMxico. Burke,P.&Prosser,P.1994.TheDistributedAsynchronousScheduler.InM.Zweben&M.Fox (Eds.),IntelligentScheduling:309340.SanFrancisco,CA(USA):MorganKauffman. Butler, J. & Ohtsubo, H. 1992. ADDYMS: Architecture for Distributed Dynamic Manufacturing Scheduling.Menlo,Park,California(USA):AAAIPress/TheMITPress. Cardon, A., Galinho, T., & Vacher, J. P. 2000. Genetic algorithms using multiobjectives in a multiagentsystem.RoboticsandAutonomousSystems,33(23):179190. Castelfranchini, C. & Conte, R. 1996. Distributed Artificial Intelligence and Social Science: CriticalIssue.FoundationsofDistributedArtificialIntelligence:JohnWiley&Sons. Castro,J.,Kolp,M.,&Mylopoulos,J.2002.Towardsrequirementsdriveninformationsystems engineering:TheTroposproject.InformationSystems. Cavalieri,S.,Garetti,M.,Macchi,M.,&Taisch,M.2000.Anexperimentalbenchmarkingoftwo multiagentarchitecturesforproductionschedulingandcontrol.ComputersinIndustry,43(2): 139152. Conte, R., Miceli, M., and Castelfranchini, C. Limits and levels of cooperation: disentangling varioustypesofprosocialinteraction.ProceedingsModellinganAutonomousAgentinaMulti AgentWorld,152166.1990. Corchado, J. M. & Molina, J. M. 2002. Introduccin a la Teora de Agentes y Sistemas Multiagente.Salamanca:CtedraPublicaciones. Corkill,D.D.andLesser,V.R.TheUseofMetalevelControlforCoordinationinaDistributed ProblemsolvingNetwork.ProceedingsoftheEighthInternationalJointConferenceonArtificial Intelligence(IJCAI83),767770.1983. Cowling,P.I.,Ouelhadj,D.,&Petrovic,S.2004.Dynamicschedulingofsteelcastingandmilling usingmultiagents.ProductionPlanning&Control,15(2):178188. Csaji, B. C., Kadar, B., & Monostori, L. 2003. Improving multiagent based scheduling by neurodynamicprogramming.HolonicandMultiAgentSystemsforManufacturing,2744:110 123.
268

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Csaji, B. C. & Monostori, L. 2005. Stochastic reactive production scheduling by multiagent based asynchronous approximate dynamic programming. MultiAgent Systems and ApplicationsIv,Proceedings,3690:388397. Cutkosky, M. R., Englemore, R. S., Fikes, R. E., Genesereth, M. R., Gruber, F., Mark, W. S., Tenenbaum, J. M., & Weber, J. C. 1997. PACT: An Experiment in Integrating Concurrent Engineering Systems. In M. N. Huhns & M. P. Singh (Eds.), Readings in Agents: 4655. San Francisco,CA(USA):MorganKaufmann. Dang,T.T.&Frankovic,B.2002.Agentbasedschedulinginproductionsystems.International JournalofProductionResearch,40(15):36693679. Dash,R.K.,Parkes,D.C.,&Jennings,N.R.2003.ComputationalMechanismDesign:ACallto Arms.IEEEIntelligentSystems,18(6):4047. Davis, R. & Smiths, R. G. 1983. Negotiation as a Metaphor for Distributed Problem Solving. ArtificialIntelligence,20(1):63100. Decker, K., Sycara, K. P., and Wiliamson, M. Middle Agents for Internet. Proceedingsof the fifteenthInternationalJointConferenceonArtificalIntelligence(IJCAI97),578583.1997. Drogoul,A.andFerber, J. FromTom ThumbtotheDockers:Someexperimentswithforaging robots. Second International Conference on Simulation of Adaptive Behavior. Proceedings of the Second International Conference on Simulation of Adaptive Behavior , 451459. 1992. Honolulu,HI,MITPress/BradfordBooks. Durfee,E.H.,Lesser,V.R.,&Corkill,D.D.1989.CooperativeDistributedProblemSolving.InA. Barr,P.R.Cohen,&E.A.Feigebaum(Eds.),TheHandhookofAI:AddisonWesley. EURESCOM. MESSAGE: Methodology for engineering systems of software agents. Initial methodology.TechnicalReportP907D1.2000. EURESCOM. MESSAGE: Methodology for engineering systems of software agents (Final). TechnicalReportP907TI1.2001. Ferber,J.1996.ReactiveDistributedArtificialIntelligence.Foundationsofdistributedartificial intelligence:287314.NewYork:JohnWiley&Sons,Inc. Ferber, J. 1999. MultiAgent System: An Introduction to Distributed Artificial Intelligence. AddisonWesleyLongman. Finin,T.1994.KQML:AnInformationandKnowledgeExchangeProtocol.InK.Fuchi&T.Yohoi (Eds.),KnowledgeBuildingandKnowledgeSharing:OhmashaandIOSPress. FIPAFoundationforIntelligentPhysicalAgents.www.fipa.org. Fischer, K. The design of an intelligence manufacturing system A MultiAgent System Approach. Proceedings of the 2nd International Working Conference on Cooperating KnowledgebasedSystems,8399.1994.UniversityofKeele(UK).
269

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Fordyce, K. & Sullivan, G. G. 1994. Logistics Management System (LMS): Integrating Decision TechnologiesforDispatchSchedulinginSemiconductorManufacturing.InM.Zweben&M.Fox (Eds.),IntelligentScheduling:473516.SanFrancisco,CA(USA):MorganKauffman. Fulton, J. A. Technical report on the semantic unification metamodel. Standards working document ISO TC184/SC4/WG3 N103, IGES/PDES Organization, Dictionary/Methodology Committee.1992. Furusho, T., Nishi, T., & Konishi, M. 2008. Distributed optimization method for simultaneous production scheduling and transportation routing in semiconductor fabrication bays. InternationalJournalofInnovativeComputingInformationandControl,4(3):559575. Gabel, T. & Riedmiller, M. 2006. Multiagent casebased reasoning for cooperative reinforcementlearners.AdvancesinCaseBasedReasoning,Proceedings,4106:3246. Gaines, B. R., Norrie, D. H., and Lapsley, A. Z. Mediator: an Intelligent Information System Supporting the Virtual Manufacturing Enterprise. Proceedings of 1995 IEEE International ConferenceonSystems,ManandCybernetics.964969.1995.NewYork(USA). Gasser,L.1986.TheIntegrationofComputingandRoutineWork.ACMTransactionsonOffice InformationSystems,4(3):205225. Genesereth,M.R.andFikes,R.KnowledgeInterchangeFormat.Version3.0ReferenceManual. TechnicalReportLogic921.1992.ComputerScienceDepartment,StanfordUniversity. Genesereth,M.R.&Ketchpel,S.P.1994.SoftwareAgents.CommunicationsoftheAcm,37(7): 48&. Genesereth,M.R.andNilsson,N.J.LogicalFoundationsofArtificialIntelligence.111987.San Mateo,CA,MorganKaufmannPublishers. GiretBoggino,A.S.2005.ANEMONA:UnaMetodologaMultiagenteparaSistemasHolnicos deFabricacin.UniversidadPolitcnicadevalencia. Goldsmith, S. Y. and Interrante, L. D. An Autonomous Manufacturing Collective for Job Shop Scheduling. Proceedings of AI & Manufacturing Research Planning Workshop , 6974. 1998. TheAAAIPress. Gomez,J.2002.ModeladodeSistemasMultiagente.,DepartamentodeSistemasInformticos yProgramacin,UniversidadComplutensedeMadrid. Gou,L.,Hasegawa,T.,Luh,P.,Tamura,S.,andOblack,J.Holonicplanningandschedulingfora robotic assembly testbed. Proceedings of the Rensselaer's 4th International Conference on ComputerIntegratedManufacturingandAutomationTechnology.1994.NewYork(USA). Greer, K., Stewart, J. R., & McCollum, B. 2008. Comparison of a centralised and distributed approachforagenericschedulingsystem.JournalofIntelligentManufacturing,19(1):119129.

270

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Grosz,B.&Sidner,C.1990.PlansforDiscourse.InCohen,Morgan,&Pollack(Eds.),Intentions inCommunications:417444.MITPress. Gruber,T.R.TheRoleofCommonOntologyinAchievingSharable,ReusableKnowledgeBases. Allen,J.A.,Fikes,R.,andSandewall,E.PrinciplesofKnowledgeRepresentationandReasoning. ProceedingsoftheSecondInternationalConference,601602.1991.Cambridge,MA,Morgan Kaufmann. Gruber, T. R. Toward Principles for the Design of Ontologies Used for Knowledge Sharing. Guarino, N. and Poli, R. International Workshop on Formal Ontology. Formal Ontology in Conceptual Analysis and Knowledge Representation . 1993. Padova, Italy, Kluwer Academic Publishers. Gruver, W. A., Kotak, D. B., van Leeuwen, E. H., & Norrie, D. 2003. Holonic manufacturing systems:PhaseII.HolonicandMultiAgentSystemsforManufacturing,2744:114. Gu, P., Balasubramanian, S., & Norrie, D. H. 1997. Biddingbased process planning and schedulinginamultiagentsystem.Computers&IndustrialEngineering,32(2):477496. Guarino, N. Formal Ontology and Information Systems. Guarino, N. Proceedings of the 1st International Conference on Formal Ontologies in Information Systems, FOIS'98 , 315. 1998. Trento(Italy),IOSPress. HayesRoth, B. 1985. A Blackboard Architecture for Control. Artificial Intelligence, 26(3): 251 321. Hedberg,S.1996.Agentsforsale:Firstwaveofintelligentagentsgocommercial.IeeeExpert IntelligentSystems&TheirApplications,11(6):1619. Hewitt,C.1986.OfficesAreOpenSystems. ACM TransactionsonOfficeInformationSystems, 4(3):271287. HMSHMSRequirements.http://hms.ifw.unihannover.de/:HMSServer. Hoare,C.A.R.1978.Communicatingsequeltianlprocesses. Huhns,M.N.&Gasser,L.1989.DistributedArtificialIntelligence.HyperionBooks. Iglesias, C., Garijo, M., and Gonzlez, J. Survey of agentoriented methodologies. Mller, J., Singh, M., and Rao, A. Proceedings of ATAL98 1555, 317330. 1999. Heidelberg, Germany, SpringerVerlag. IglesiasFernndez, C. A. 1998. Definicin de una metodologa para el desarrollo de sistemas multiagente.DepartamentodeIngenieradeSistemasTelemticos.UniversidadPolitcnicade Madrid. Jennings, N. R., Corera, J. M., and Laresgoiti, I. Developing Industrial Multiagent Systems. Proceedings of the First International Conference on MultiAgent Systems (ICMAS95) , 423 430.1995.
271

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Jennings, N. R., Faratin, P., Lomuscio, A. R., Parsons, S., & Sierra, C. 2001. Automated Negociation:Prospects,MethodsandChallenges.InternationalJournalofGroupDecisionand Negotiation,10(2):199215. Jennings, N. R., Parsons, S., Noriega, P., and Sierra, C. On Argumantationbased Negotiation. Proceeding of International Workshop on Multiaagent Systems (IWMAS98) , 17. 1998. Dedham(USA). Keskinocak,P.,Wu,F.,Goodwin,R.,Murthy,S.,Akkiraju,R.,Kumaran,S.,&Derebail,A.2002. Schedulingsolutionsforthepaperindustry.OperationsResearch,50(2):249259. Kinny,D.andGeorgeff,M.Modellinganddesignofmultiagentsystems.TechnicalReport59. 1996.Melbourne,Australia,AustralianArtificialIntelligenceInstitute. Kornfeld,W.A.&Hewitt,C.E.1981.TheScientificCommunityMetamorph.IEEETransactions onSystems,ManandCybernetics,11(1):2433. Kutanoglu,E.&Wu,S.D.2006.Incentivecompatible,collaborativeproductionschedulingwith simplecommunicationamongdistributedagents.InternationalJournalofProductionResearch, 44(3):421446. Kutanoglu, E. & Wu, S. D. 1999. On combinatorial auction and Lagrangean relaxation for distributedresourcescheduling.IieTransactions,31(9):813826. Lander,S.,Lesser,V.R.,andConnell,M.E.ConflictResolutionStrategisforCooperationExpert Agents. Proceedings of the International Working Conference on Cooperating Knowledge BasedSystems,183200.1991.NewYork,SpringerVelarg. Lesser, V. R. 1995. Multiagent Systems: An Emerging Subdiscipline of. AI. ACM Computing Surveys,27(3):340342. Levesque, H. J. 1984. Foundations of a functional approach to knowledge Representation. ArtificialIntelligence,23:155212. Lewis, M. & Sycara, K. P. 1993. Reaching informed agreement in multispecialist cooperation. GroupDecisionandNegotiation,2(3):279299. Lim,M.K.&Zhang,D.Z.2004.Anintegratedagentbasedapproachforresponsivecontrolof manufacturingresources.Computers&IndustrialEngineering,46(2):221232. Lin,G.Y.J.&Solberg,J.J.1992.IntegratedShopFloorControlUsingAutonomousAgents.IIE Transactions:DesignandManufacturing,24(3):5771. Lind,J.1999.MASSIVE:SoftwareEngineeringforMultiagentSystems.DFKI. Liu, J. S. & Sycara, K. P. 1997. Coordination of multiple agents for production management. AnnalsofOperationsResearch,75:235289.

272

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin LpezCarmona,M.A.2006.EstategiasdeNegocacinbasadasenRestriccionesDifusassobre SistemasMultiagente.DepartamentodeAutomtica,UniversidaddeAlcal. Luck,M.,McBurney,P.,Shehory,O.,Willmott,S.,andAgentlinkCommunity.AgentTechnology: ComputingasInteractionARoadmapforAgentBasedComputing.2005.AgentLink. Lv, C. X., Sheng, Z. Q., Li, S. F., Yin, C. W., & Zhu, Y. L. 2006. A kind of adaptive negotiation mechanism for flexible job shop scheduling. Computational Intelligence, Pt 2, Proceedings, 4114:324333. Maes,P.1991.DesigningAutonomousAgents.TheMITPress. Maheswaran,R.T.,Tambe,M.,Bowring,E.,Pearce,J.P.,andVarakantham,P.TakingDCOPto the Real World: Efficient Complete Solutions for Distributed MultiEvent Scheduling. Third International Joint Conference on Autonomous Agents and Multiagent Systems 1, 310317. 2004. Maturana, F. P. & Norrie, D. H. 1996. Multiagent Mediator architecture for distributed manufacturing.JournalofIntelligentManufacturing,7(4):257270. McDonell, P., Smith, S., Joshi, S., & Kumara, S. R. T. 1999. A cascading auction protocol as a frameworkforintegratingprocessplanningandheterarchicalshopfloorcontrol.International FlexibleManufacturingSystems,11(37):62. McEleney, B., O'Hare, G. M. P., and Sampson, J. An Agent Based System for Reducing ChangeoverDelaysinaJobShopFactoryEnvironment.ProceedingsofPAAM'98.1998.London (uk). McGuire, J. G., Kuokka, D. R., Weber, J. C., Tenenbaum, J. M., & Gruber, F. 1993. SHADE: Technologyforknowledgebasedcollaborativeengineering.JournalofConcurrentEngineering: ResearchandApplications,1(3). Milojicic,C.,Breugst,M.,Busse,I.,Campbell,J.,Covaci,S.,Friedman,B.,Kosaka,K.,Lange,D., Ono,K.,Oshima,M.,Tham,C.,Virdhagriswaran,S.V.,andWhite,J.MASIF:TheOMGMobile Agent System Interoperability Facility. Proceeding of 2nd International Workshop Mobile Agents (MA' 98) , 5060. 1998. Stuffgart (Germany), Springer. Lecture Notes in Computer Science,1477.Rothemel,K.andHohl,F. Minsky,M.1986.TheSocietyofMind.NewYork:Simon&SchusterInc. Miyashita, K. 1998. CAMPS: a constraintbased architecture for multiagent planning and scheduling.JournalofIntelligentManufacturing,9(2):147154. Morik, K., Causse, K., and Boswell, R. A Common Knowledge Representation Integrating LearningTools.TechnicalReport,GMD.1991.CenterforArtificialIntelligence,GeorgeMason University. Moulin,B.&Chiabdraa,B.1996.AnOverviewofDistributedArtificialIntelligence.Foundations ofDistributedArtificialIntelligence:JohnWiley&Sons.
273

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Mllen, T. & Wellman, P. 1996. Some Issues in the Design of MarketOriented Agents. In M. Wooldrige, J. P. Mller, & M. Tambe (Eds.), Intelligent Agents {II} Agent Theories, Architectures,andLanguages({LNAI}1037):283298.Heidelberg(Germany):SpringerVelarg. Muller,J.P.1997.Thedesignofintelligenceagents.Berlin(Germany):SpringerVelarg. Muller, J. P. 1998. Architectures and applications of intelligent agents: A survey. Knowledge EngineeringReview,13(4):353380. Muscettola,N.2008.HSTS:IntegratingPlaningandScheduling.InM.Zweben&M.Fox(Eds.), IntelligentScheduling:169212.SanFrancisco,CA(USA):MorganKauffmanPublisher. Neches,R.,Fikes,R.,Finin,T.,Gruber,T.,Patil,R.,Senator,T.,&Swartout,W.R.1991.Enabling TechnologyforKnowledgeSharing.AiMagazine,12(3):3656. Newell,A.1982.Theknowledgelevel.ArtificialIntelligence,18(1):87127. Ng,C.T.,Cheng,T.C.E.,&Yuan,J.J.2006.Anoteonthecomplexityoftheproblemoftwo agentschedulingonasinglemachine.JournalofCombinatorialOptimization,12(4):386393. Nwana,H.S.1995.SoftwareAgents:AnOverview.KnowledgeEngineeringReview,11(2):205 244. O'Hare,G.M.P.&Jennings,N.R.1996.FoundationsofDistributedArtificialIntelligence.John Wiley&Sons. Odell, J., Parunak, H., and Bauer, B. Extending UML for agents. Proceedings of the Agent OrientedInformationSystemsWorkshop,317.2000. Ouelhadj,D.,Hanachi,C.,andBouzouia,B.AMultiagentsystemfordynamicschedulingand control in manufacturing cells. Proceedings of the IEEE International Conference on Robotics andAutomation(ICRA'1998),12561262.1996.Louvain(Belgium). Park, H., Tenenbaum, J. M., and Dove, R. Agile infrastructure for manufacturing systems: a vision for transforming the US manufacturing base. Proceedings of Defense Manufacturing Conference.1993. Parunak,H.V.1987.ManufacturingExperiencewiththeContractNet.AiMagazine,8(2):93. Parunak, H. V. MASCOT: A virtual factory for research and development in manufacturing scheduling and control. Proceedings of the 3rd Workshop on Intelligent Scheduling in Manufacturing.1993.TorontoUniversity(Canada). Parunak, H. V., Baker, A. D., & Clark, S. J. 2001. The AARIA agent architecture: From manufacturing requirements to agentbased system design. Integrated ComputerAided Engineering,8(1):4558.

274

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Pechoucek, M., Marik, V., and Stepankova, O. Coalition formation in manufacturing multi agentsystems.Proceedingsof11thInternationalWorkshoponDatabaseandExpertSystems Applications.241246.2000.London(UK). Pendharkar, P. C. 2007. The theory and experiments of designing cooperative intelligent systems.DecisionSupportSystems,43(3):10141030. Peng, Y., Finin, T., Labrou, Y., Chu, B., Long, J., Tolone, W. J., and Boughannam, A. A Multi AgentsystemforEnterpriseIntegration.Proceedingsofthe3rdInternationalConferenceonthe PracticalApplicationsofAgentsandMultiAgentSystems(PAAM98).155169.1998.London (UK). Rao, A. S. and Georgeff, M. P. Deliberation and its role in the formation of intentions. Proceedingsoftheseventhconference(1991)onUncertaintyinartificialintelligence,300307. 1994.LosAngeles,California,UnitedStates,MorganKaufmannPublishersInc.1991. Russell,S.&Norvig,P.2002.ArtificalIntelligence:AModernApproach.PrenticeHall. Sabah, G. CARAMEL: A Computational Model of Natural Language Understanding using Parallel Implementation. Proceedings of Ninth European Conference on Artificial Intelligence (ECAI'90).1990.Stockholm(Sweeden). Sadeh,N.andFox,M.S.CORTES:AnExplorationintoMicroOpportunisticJobShopScheduling. ProceedingsofWorkshoponManufacturingProductionScheduling.IJCAI89.1989. Sandholm,T.AnImplementationofContratNetProtocolBasedonMarginalCostCalculations. Proceedings of the Eleventh National Conference on Artificial Intelligence , 256262. 1993. MelonPark,California(USA). Sandholm, T. and Lesser, V. R. Issues in Automated Negotiation and Electronic Commerce:Extending the Contract Net Protocol. AAAI Press. Proceedings of the Second InternationalConferenceonMultiagentSystems,328335.1995.MelonPark,California(USA). Schelling,T.C.1969.TheStrategyofConflict.Cambridge,MA:HarvardUniversityPress. Schreiber,A.,Akkermans,J,andAnjewierden,A.EngineeringofKnowledgeandManagement: TheCOMMONKADSMethodology.2000.MITPress. Shaw, M. J. P. 1987. Distributed Planning in Cellular Flexible Manufacturing Systems. INFOR, 25(1):1325. Shen,W.&Norrie,D.H.1999.Agentbasedsystemsforintelligentmanufacturing:Astateof theartsurvey.InternationalJournalofKnowledgeandInformationSystems,1(2):129156. Shen, W., Xue, D., and Norrie, D. H. An AgentBased Manufacturing Enterprise Infrastructure forDistributedIntegrated Intelligent Manufacturing Systems.Nwana,H.S. andNdumu,D. T. Proceedings of the 3rd International Conference on the Practical Applications of Agents and MultiAgentSystems(PAAM98),533548.1998.London,UK.
275

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Shen,W.M.&Barthes,J.P.A.1996.Anexperimentalmultiagentenvironmentforengineering design.InternationalJournalofCooperativeInformationSystems,5(23):131151. Shen, W. M., Wang, L. H., & Hao, Q. 2006. Agentbased distributed manufacturing process planning and scheduling: A stateoftheart survey. Ieee Transactions on Systems Man and CyberneticsPartCApplicationsandReviews,36(4):563577. Shin, M. & Jung, M. 2005. Bid generation and evaluation for MANProbased real time scheduling.InternationalJournalofProductionResearch,43(18):38213836. Shoham,Y.1993.AgentOrientedProgramming.ArtificialIntelligence,60(1):5192. Smith, R. G. A frame work for Distributed ProblemSolving. Proceedings of International Joint ConferencesonArtificialIntelligence(IJCAI'79).1979.Tokio(Japan). Smith, R. G. 1980. The Contrat Net Protocol: Highlevel Communication and Control in a DistributedProblemSolver.IEEETrans.OnComputers,29(12):11041113. Soewandi, H. & Elmaghraby, S. E. 2001. Sequencing threestage flexible flowshops with identicalmachinestominimizemakespan.IieTransactions,33(11):985993. Sousa,P.&Ramos,C.1999.Adistributedarchitectureandnegotiationprotocolforscheduling inmanufacturingsystems.ComputersinIndustry,38(2):103113. Steve,G.,Gangemi,A.,&Pisanelli,D.M.1997.IntegratingMedicalTerminologieswithONIONS Methodology. In H. Kangassalo & J. P. Charrel (Eds.), Information Modelling and Knowledge BasesVIII:Amsterdan(Netherland):IOSPress. Sun,J.&Xue,D.2001.Adynamicreactiveschedulingmechanismforrespondingtochangesof productionordersandmanufacturingresources.ComputersinIndustry,46(2):189207. Sycara, K. P. Using Option Pricing to Value Commitment Flexibility in Muliagent Systems. Technical Report CMUCSTr97169. 1997. School of Computer Science, Carmegie Mellon University. Sycara,K.P.1998.Multiagentsystems.AiMagazine,19(2):7992. Travers,M.1988.AnimalConstructionKit.ArtificialLife,421442. Usher,J.M.2003.Negotiationbasedroutinginjobshopsviacollaborativeagents.Journalof IntelligentManufacturing,14(5):485499. Valckenaers,P.&VanBrussel,H.2003.Deadlockavoidanceinflexibleflowshopswithloops. JournalofIntelligentManufacturing,14(1):137144. van Leeuwen, E. H. & Norrie, D. H. 1997. Intelligent manufacturing: holons and holarchies. ManufacturingEngineer,76(2):8688.

276

EstadodelArtedelosSistemasMultiagenteysuAplicacinalosSistemasde Captulo4 FabricacinysuProgramacindelaProduccin Vancza, J. & Markus, A. 2000. An agent model for incentivebased production scheduling. ComputersinIndustry,43(2):173187. Vrba, P. JAVABased Agent Platform Evaluation. Marik V, McFarlane, D., and Valckenaers, P. Proceeding of First International Conference on Industrial Applications of Holonic and Multi Agent Systems (HoloMAS'03) 2744, Lecture Notes in Artificial Intelligence, 4758. 2003. Prague,CzechRepublic.,Springer. Wang,L.,Balasubramanian,S.,andNorrie,D.H.AgentbasedIntelligentControlSystemDesign for Realtime Distributed Manufacturing Environments. In Working Notes of the AgentBased ManufacturingWorkshop,152159.1998.Minneapolis,MN. Wang,Y.C.&Usher,J.M.2004.Learningpoliciesforsinglemachinejobdispatching.Robotics andComputerIntegratedManufacturing,20(6):553562. Wang, Y. C. & Usher, J. M. 2005. Application of reinforcement learning for agentbased productionscheduling.EngineeringApplicationsofArtificialIntelligence,18(1):7382. Wang, Y. C. & Usher, J. M. 2007. A reinforcement learning approach for developing routing policiesinmultiagentproductionscheduling.InternationalJournalofAdvancedManufacturing Technology,33(34):323333. Wang,Y.H.,Yin,C.W.,&Zhang,Y.2003.Amultiagentanddistributedrulerbasedapproach to production scheduling of agile manufacturing systems. International Journal of Computer IntegratedManufacturing,16(2):8192. Werner.E.1989.CooperativingAgents:AUnifiedtheoryofcommunicationandsocialstructure. DistributedArtificialIntelligence:336.SanMateo,CA(USA):MorganKauffman. Wong,T.N.,Leung,C.W.,Mak,K.L.,&Fung,R.Y.K.2006.Dynamicshopfloorschedulingin multiagentmanufacturingsystems.ExpertSystemsWithApplications,31(3):486494. Wood,M.F.2000.MultiagentSystemsEngineering:AMethodologyforAnalysisandDesignof MultiagentSystems..AirForceInstituteofTechnology. Wooldridge,M.,Jennings,N.R.,&Kinny,D.1998.AMethodologyforAgentOrientedAnalysis andDesign.Seattle,WA. Wooldrige, M. & Ciancarini, P. 2001. AgentOriented Software Engineering: The State of the Art.AgentOrientedSoftwareEngineering:SpringerVerlag. Wooldrige, M. & Jennings, N. R. 1995. Intelligent Agents: Theory and Practice. Knowledge EngineeringReview,10(2):115152. Xue, D., Sun, J., & Norrie, D. H. 2001. An intelligent optimal production scheduling approach using constraintbased search and agentbased collaboration. Computers in Industry, 46(2): 209231.

277

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Yu, E. 1996. Modelling Strategic Relationships for Process Reengineering. , Department of ComputerScience.UniversityofToronto. Yu, X. F. & Ram, B. 2006. Bioinspired scheduling for dynamic job shops with flexible routing and sequencedependent setups. International Journal of Production Research, 44(22): 4793 4813. Zhong,W.C.,Liu,J.,&Jiao,L.C.2005.JobshopschedulingbasedonMultiagentEvolutionary Algorithm.AdvancesinNaturalComputation,Pt3,Proceedings,3612:925933. Zhong,W.C.,Liu,J.,Xue,M.Z.,&Jiao,L.C.2004.Amultiagentgeneticalgorithmforglobal numericaloptimization.IeeeTransactionsonSystemsManandCyberneticsPartBCybernetics, 34(2):11281141. Zlotkin, G. and Rosenschein, J. S. Coalition, Cryptography, and Stability: Mechanisms for Coalition Formation in Task Oriented Domains. National Conference on Artificial Intelligence. ProceedingoftheNationalConferenceonArtificialIntelligence,432437.1994.

278

Captulo
DescripcinyModeladoMatemtico delProblema

DescripcinyModeladoMatemticodelProblema

Captulo5

Tabladecontenido
5. Captulo5.....................................................................................................................285 5.1 Introduccin.................................................................................................................285 5.2 DescripcindelProblemadeProgramacindelaProduccinIdentificado................286 5.2.1 CondicionesqueAfectanalaGestindelProgramaProductivo .....................287 . VisinGeneraldelDominiodeActuacindeProgramadordelaProduccin 287 LaIncertidumbreysuImpactoenelProgramaProductivo .....................292 .

5.2.1.1 5.2.1.2

5.2.1.2.1. LaIncertidumbreenlosTiemposdeEjecucindealgunasOperaciones.292 5.2.1.2.2. EfectosdelaIncertidumbreenelProgramaenCurso.............................294 5.2.1.2.3. EvaluacindelaGestindelProgramadeProduccin............................296 5.2.1.3 5.2.2 ElProgramaProductivo:LaProgramacinPredictivayReactiva.............296

CondicionesqueAfectanalClculodelProgramaProductivo.........................297 ConsideracionessobrelaFuncinobjetivo...............................................298 ProcesoProductivoenRelacinconlaProgramacinPredictiva.............299 HiptesisdelProcesoProductivoenRelacinconlaProgramacinReactiva 303

5.2.2.1 5.2.2.2 5.2.2.3

5.3 EstructuradelProblemaIdentificado..........................................................................305 5.4 Formulacin del Modelo Matemtico para el Clculo de Programa Productivo en un TallerdeFlujoHbrido...........................................................................................................307 5.4.1 5.4.2 5.4.3 5.4.4 5.4.5
281

ModeloPredictivoDeterminista.......................................................................307 ComentariosalModeloPredictivoDeterminista..............................................311 ModeloDeterministaparalaReprogramacinoReactivo...............................314 ComentariosalModeloReactivoDeterminista................................................321 ModeloconIncertidumbre...............................................................................322

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 5.4.5.1 5.4.5.2 5.4.6 5.4.7 5.4.8 ModeloPredictivoFuzzy...........................................................................323 ModeloReactivoFuzzy..............................................................................325

ComentariosalModeloconIncertidumbre......................................................326 ConsideracionessobrelaMedicindelaGestindelPrograma......................329 UtilidaddelosModelosMatemticos..............................................................331

5.5 Conclusiones................................................................................................................331 5.6 Bibliografa...................................................................................................................333

282

DescripcinyModeladoMatemticodelProblema

Captulo5

ndicedefiguras
Figura51.DesplieguedelPlanMaestroenTrabajos(elaboracinpropia).............................290 Figura52.ProcesodeGestindeunProgramaProductivoenunperiodo(elaboracinpropia). ..........................................................................................................................................291 Figura53.Tallercermicode3etapas(elaboracinpropia)..................................................302 Figura54.EstructuradeProblemaIdentificado(elaboracinpropia)....................................305 Figura55.Relacionesentrevariablesparaladeterminacindelinstantedeiniciodelajusteen una etapa considerando la posibilidad de solapamientos adaptado de(Andrs, C. 2001). ..........................................................................................................................................313 Figura 56. Funcin de pertenencia triangular de una variable x difusa (basado en (Gen, M., Tsujimura,Y.,&Ida,K.1992))..........................................................................................325

283

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

284

DescripcinyModeladoMatemticodelProblema

Captulo5

5. Captulo5

5.1

Introduccin

El sector cermico es probablemente uno de los sectores productivos ms destacados en Espaa, y fundamentalmente en la Comunidad Valenciana. Probablemente debido a su alta concentracin,hasidocapazdegenerarunadinmicadecompetenciaquehaproporcionado una mejora continua del sector. Este progreso se refleja finalmente en un aumento del servicio,enunagranvariedaddeproductosyenunadisminucindecostesdeproduccin. UnodelasdificultadesoperativasprincipalesdeestetipodeindustriaeslaProgramacindela Produccin. Tradicionalmente, este problema ha sido abordado tratando de simplificar al mximo las condiciones reales. Sin embargo estas simplificaciones van en contra de las tendenciasenelsectorcermico,queesdehechomuydinmicoyasumeconciertarapidez las condiciones variables y los cambios constantes del entorno. Por lo que actualmente el sector demanda soluciones que converjan respecto a la calidad de sus soluciones y a la aplicabilidaddelasmismas.LareorientacindeltratamientotradicionaldeProgramacindela Produccin practicado en el sector cermico durante aos implica no slo plantear nuevas tcnicas,sinoofrecernuevosenfoques. En este captulo se realizar una descripcin del problema que se desea abordar, y en los siguientes captulos se ofrecern diferentes alternativas que intentarn dar cobertura a las necesidades expuestas. Y aunque a lo largo del mismo se ir explicando su naturaleza, y sus detalles,parafacilitarsucompresindestesedebedesubrayarqueaunqueelproblemade laProgramacindelaproduccinesoperativo,laformadeabordarlotienecomponentesde gestinycomponentesdeclculo.Hechaestadivisinsepuedeconsiderarqueelclculodel Programaesunaspectopuramentecuantitativocondicionado,restringido,porlosaspectosde gestin. Por este motivo, a lo largo de este captulo, y se puede avanzar que ser as en el resto, el lector debe ser consciente de que se desarrollara un discurso bien ubicado en un nivel,obienubicadoenelotro. Los aspectos relacionados con la Gestin del Programa, es decir el primer nivel, se analizan medianteunarevisinbsicamenteliterariadelproblemadeProgramacindelaProduccin desdeelpuntodevistadelaTomadeDecisionesqueconectanconlagestindelaempresa, fundamentalmenteenbaseasurelacinconlaPlanificacindelaProduccin.Elanlisisdel segundo nivel, se aborda mediante un anlisis preciso, empleando modelos matemticos, fundamentalmentedelosprocesosquedeclculodelosProgramasProductivos,queforman partedelncleooperativoqueseejecutarcondicionadoporeltipodegestinestablecidaen
285

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica el primer nivel. Los Modelos Matemticos permitirn realizar una definicin precisa del aspecto cuantitativo que se desea tratar, para facilitar el proceso de entendimiento del proceso de clculo de los Programas Productivos, sin vincularlos necesariamente con el la maneraderesolverlos. El resto del captulo est estructurado como sigue: En el apartado 5.2 se realiza una descripcincompletadelproblemadeProgramacindelaProduccinenelentornodelTaller de Flujo Hbrido con Tiempos de Cambio de Partida dependientes de la Secuencia. En este apartado se trataran los problemas de gestin, y de clculo de forma diferenciada. En el apartado5.3sereflexionarbrevementesobrelaestructuradelproblemaidentificado.Enel apartado5.4serealizarelmodeladoMatemticodelproblemadeclculodelProgramacomo medio de expresin formal del mismo, tanto con un enfoque Determinista como Fuzzy. Finalmente,enelapartado5.5sepresentanlasconclusiones.

5.2 Descripcin del Problema de Programacin de la Produccin Identificado

ElproblemaquesedeseaafrontarseidentificacomouncasodeProblemadeProgramacin delaProduccindeunTallerdeFlujoHbridoconTiemposdeCambiodePartidadependientes de la Secuencia (Andrs, C. 2001), en concreto dentro de la Industria de Fabricacin de PavimentoyRevestimientoCermico. En el mbito de la Programacin de la Produccin tradicional se suele plantear un modelo deterministaapartirdelcual,medianteprocedimientooptimizadoresoheursticos,seobtiene comoresultadounProgramaProductivo.Enelcasoqueseplanteaenestetrabajoseaborda elproblemamsalldelestablecimientooclculopropiamentedichodeunPrograma,ydesu correspondiente secuencia, para un periodo determinado en base a unos datos conocidos a priori. Se pretende abarcar el conjunto de decisiones relativas a la Programacin de la Produccindurantetodoelperiodoconsideradoteniendoencuentalasposiblesdesviaciones respectodelasPrevisionesiniciales,yporlotantolosposiblesreajustes. En este apartado se van a describir de forma literaria todos los aspectos que ayudarn a la especificacinpreliminardelcasoalcualsedarcobertura.Enelapartado5.2.1serealizauna aproximacin del entorno en el cual debe trabajar el programador los procesos que se consideran y la relacin entre ellos. Dentro del este apartado se revisan algunos aspectos relacionadosconlaincertidumbre,conelobjetodejustificarsuinfluenciaydeterminarenque medida puede afectar, as como aspectos que ayuden a diferenciar entre la accin de establecer un Programa inicial y la de modificarlo cuando ste se encuentra en plena
286

DescripcinyModeladoMatemticodelProblema

Captulo5

ejecucin.Ensegundo,yltimolugar,enapartado5.2.2sedetallarnlosaspectosligadosalas consideracionesquedesdeelclculodeunProgramaProductivoinicialomodificadosedeben tenerencuentarespectodelProcesoProductivo.

5.2.1 CondicionesqueAfectanalaGestindelProgramaProductivo
Unaformadeintroducirelproblemaquesedesearesolveresiniciarsudescripcindearriba aabajoodemsgeneralamsdetalle.EnlaactividadrelacionadaconlaProgramacindela Produccin, el plano de lo ms general se encuentra en la frontera con otros dominios de actuacinqueacabanporcondicionardeformadeterminantelaformadecalcularelPrograma Productivo. En este caso se parte de la relacin entre Programacin y Planificacin de la Produccin, y poco a poco, se irn determinando ciertas condiciones que posteriormente debensertenidasencuenta. Al final de este apartado se debera detectar la existencia de dos tipos de problemas diferenciados.UntipodeproblemaeseltradicionalproblemadeSecuenciacin/Programacin delaProduccin,queciertamenteestrestringidoenparteporaspectosrelacionadosconla gestinqueserealizadelprocesodeestablecimientoy/omodificacindelPrograma.Elotro problema,queeselqueserefierealaformadeconectarlasdecisionesdeestablecimientoy modificacindelProgramaProductivo,ycomoactuarencadacaso.Endefinitiva,algunosde los aspectos que se tratan en este apartado se incluyen como restricciones del problema de Secuenciacin/Programacin, y otros aspectos forman parte de las restricciones que se deberntenerencuentaenlaGestindelProgramaProductivo.

5.2.1.1 VisinGeneraldelDominiodeActuacindeProgramadordelaProduccin Dentro del Sistema de Planificacin y Control de Operaciones (SPCO) i se diferencian claramentelasfuncionesdelPlanificadoryProgramador.Alolargodeestecaptuloseinsiste enladiferenciacinfuncionaldedichosroles,peroserefuerzalarelacinqueambosdeben tenerparacumpliradecuadamentelasactividadesquelesonpropias,yalcanzarlosobjetivos asignadosalSPCO.

El Sistema de Planificacin y Control de Operaciones (SPCO) ha sido analizado en el captulo tres de estedocumentotantodesdeunpuntodevistagenricocomoparticularizadoalcasodelaIndustria Cermica.LoselementosquecomponenelSPCO,ascomolarelacinentreellos,hansidodefinidos endichocaptulo.

287

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Se ha identificado que en muchas ocasiones la relacin entre planificador y programador es escasa, y mal definida. El nico vnculo formal y robusto que existe entre ambos es la comunicacinunidireccionalquetienecomoorigenalplanificadoriiydestinoalprogramador, quenocuentaconretroalimentacin,ostaesdbiloestpocoformalizada.Apesardeello, parecelgicoquedebeexistirunacomunicacinformalenambossentidos.Asnosloserael programador quien recibiese informacin relativa a los trabajos a realizar procedente del planificador,sinoqueelplanificadorpodraincorporarensuprocesodetomadedecisiones, deformaperfectamentedefinida,entiempoyforma,datosrelativosacumplimientodelPlan Maestro de Produccin en funcin de la evolucin del Programa de Produccin elaborado y gestionadoporelprogramador. Debido a las pocas evidencias de comunicacin bidireccional, fluida y formalizada entre planificadoryprogramadorquesehandetectadoenelmbitodeaplicacinanalizado,yalas caractersticasdelProcesoProductivo,seconsideraqueenlasEmpresasdelSectorCermico la potenciacin del trabajo Colaborativo entre Planificadores y Programadores pueden suponerunamejoraimportanteenelrendimientodelSistemaProductivo. Alolargodeestecaptuloseincidesobreaspectosrelacionadosconelprocesodeobtencin de los trabajos que componen una Orden de Fabricacin a partir del despliegue del Plan Maestro de Produccin. En este sentido hay que recordar, que segn se coment en el captulo3,unavezelaboradoelPlanMaestrodeProduccin,secalculanlosRequerimientos deMaterialesoMRP(MaterialRequirementPlanning),delqueseobtienendosresultados.Por unlado,elconjuntodetrabajosafabricar,yporotrolasnecesidadesdemateriasprimasque sonimprescindiblescomprar.ElprimerresultadosehaidentificadoconelnombredeListade rdenes de Fabricacin y el segundo con el de Lista de Compras. Cada actividad (compras, chequeos de materias primas, produccin de piezas, etc.) que se deriva del MRP tiene asignada una fecha mxima de finalizacin que garantiza que el producto que ha originado dichasactividadespodrestardisponibleenlafechaquesemarcenelPlanMaestro.Dado queelMRPnotieneencuentalacapacidadsepuedendarsituacionesdenofactibilidaddela propuestaresultanteporfaltaderecursos,poresosehadenominadoListaynoPlanalas propuestas. Por este motivo, sobre la Lista de rdenes se suele aplicar un anlisis de los RequerimientosdeCapacidadoCRP(CapacityRequirementPlanning)quepuedeimplicarun alisamientodelascargas,yengeneralunaredistribucindelasactividades,paragarantizarla disponibilidadderecursossuficientespararealizarlasoperaciones.ComoresultadodelCRPse obtiene un Plan de Fabricacin y un Plan de Compras. Ambos elementos son resultado de

ii

Enmuchasocasioneselplanificadoresunrolconunafuertecomponentedegestinyelprogramador esunrolconuncomponentealtamentetecnolgico.

288

DescripcinyModeladoMatemticodelProblema

Captulo5

refinar las Listas de rdenes de Fabricacin y de Compras para ajustarlas a los recursos existentes. En general, este proceso implica que un lote del Plan Maestro puede suponer mltiples trabajos en el Plan de Fabricacin, por ejemplo un trabajo para cada pieza o componente,quefinalmenteseutilizanenuntrabajodemontajeoelaboracinfinalqueda lugaralproductocomercial. EnlaIndustriaCermica,yenconcretoenelcasoqueseestabordando,alnodisponerde piezas o componentes, existe una relacin relativamente simple entre lotes y trabajos. En la Figura 51 se puede ver un ejemplo de despliegue del Plan Maestro en trabajos en una empresa de fabricacin de baldosas cermicas. Obviamente, debido al proceso seguido, las fechasdedisponibilidaddeloslotesdelPlanMaestrosernsiempreposterioresalasfechas de finalizacin de la ltima operacin del correspondiente trabajo. As en el ejemplo de la Figura 51 se puede observar como el Lote 102/42 Singapur 30X30 Azul, ubicado en el periododel20/04/2009al26/04/2009,seidentificacomotrabajodelaListadeFabricacinen el periodo comprendido entre el 13/04/2009 al 19/04/2009, una vez calculado el MRP. Para enriquecer ms el ejemplo se ha supuesto que se necesitan siete das adicionales, una vez terminadalafabricacin,antesdedisponerdelproducto.Tambinsepuedeobservarcomoen dicho trabajo est previsto fabricar 2.000 m2 frente a los 3.000 m2 del lote, ya que se ha supuesto que se dispone en almacn de 1.000 m2. Tambin se puede ver, como una vez calculadoelCRP,dichotrabajosehaadelantadounperiodoporfaltaderecursosenelperiodo previstoinicialmenteporelMRP. El Plan de Fabricacin contendra la informacin bsica que el programador recibira para iniciarsuactividad,esdecirlaelaboracindelProgramadeProduccin. Analizando ms detalladamente la relacin planificadorprogramador, considerando siempre lasparticularidadesexpuestas,sepuedevercomoenelSPCOseestablecequelaelaboracin deunProgramadeProduccineselltimopasoantesdelaejecucinenplantadelasrdenes deproduccin.LaProgramacindelaProduccinestfuertementecondicionadaporelPlan Maestro en el cual se configuran los lotes, identificados bsicamente por el tipo de artculo, cantidad a fabricar y fecha de finalizacin. Por este motivo, el programador, adems de las restricciones tecnolgicas propias de su mbito, est condicionado por el Plan Maestro de Produccin establecido por el planificador ya que condiciona el Plan de Fabricacin, informacinqueesutilizadaposteriormenteporelprogramador.

289

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

MRPII
ListaderdenesdeFabricacin(VisinParcial)

Periodo06/04/0913/04/09
Trabajo99:. Trabajo101/42:3.000m2NuevaYork20x30Azul ...

PlanMaestrodeFabricacin(VisinParcial) Periodo20/04/0926/04/09
Lote100/42:2.000m2Carolina20x20Blanco Lote101/42:3.000m2NuevaYork20x30Azul Lote102/42:2.000m2Singapur30x30 Azul

Periodo13/04/09 19/04/09
Trabajo100/42:2.000m2Carolina20x20Blanco Trabajo102/42:1.000m2Singapur30x30Azul Trabajo103/42.

Periodo27/04/09 03/05/09
Lote115/42: Lote116/42:..

Periodo20/04/09 26/04/09

MRP

Trabajo125/42:. Trabajo126/42

Periodo04/05/09 10/05/09
Lote125/42:. Lote126/42

CRP Listade Compras

PlandeFabricacin(VisinParcial)

Plande Compras

Periodo06/04/0913/04/09
Trabajo99:. Trabajo101/42: 3.000 m2NuevaYork20x30 Azul Trabajo102/42: 1.000 m2Singapur30x30Azul

Periodo13/04/09 19/04/09
Trabajo100/42:2.000m2 Carolina20x20Blanco Trabajo103/42:. Trabajo126/42:

Periodo20/04/09 26/04/09
Trabajo125/42:. Trabajo127/42

Figura51.DesplieguedelPlanMaestroenTrabajos(elaboracinpropia).

En el caso que se analiza, el objetivo global que se persigue en el Proceso Productivo es alcanzarlamayortasadeproductividadpromedioposible.Porloquerespectaalplanificador, esteobjetivosevaareflejarfundamentalmentedurantelaelaboracindelPlanMaestro.Las restriccionesdelplanificadorsonbsicamentelacapacidad,lamateriaprimaylanecesidadde satisfacerlademandaenlasfechasacordadasenloscompromisoscomercialesadquiridos. Frutodelaalineacindelosobjetivosglobalesdelprocesoproductivo,elprogramadorsever forzando a usar adecuadamente los recursos para hacer frente a una propuesta de Plan Maestroquepersigacotasdeproduccinelevadas.Peronohayqueperderdevistaqueenel mbitodelaPlanificacinelanlisisdecapacidadesserealizadeformapocoprecisaiii,yqueel planificador se basa en estimaciones que normalmente tendern a ser conservadoras para evitar que se produzcan Programas no factibles. Es necesario anticipar que la existencia de Tiempos de Cambio de Partida dependientes de la Secuencia o de Tiempos de Proceso

iii

Hay que recordar que el anlisis de Capacidades que se realiza sobre el Plan Maestro se denomina aproximada,precisamenteporquenoesposiblerealizarunanlisisexhaustivo.

290

DescripcinyModeladoMatemticodelProblema

Captulo5

inciertos complica mucho una prediccin sobre la Ocupacin del talleriv. Ser durante el procesodeelaboracindelProgramadeProduccinoinclusodurantelaejecucindelmismo cuando se pueda reducir la imprecisin y ajustar las expectativas del planificador (Plan MaestroyPlandeFabricacin)enbasealProgramaProductivopropuesto. Enelcasoqueseplantea,elhiloconductordelaactividaddelprogramadoreselprocesode Gestin del Programa Productivo (nivel jerrquico superior), que se representa en la Figura 52. Como se puede ver en la figura la Gestin del Programa consiste en Establecer un Programa Productivo, y a partir de ste, Supervisar continuamente su cumplimiento (nivel jerrquico inferior), y en todo caso Modificar el Programa Establecido inicialmente si se consideranecesario.Esteprocesoserealizartantasvecescomoseanecesariohastaelfinal delaejecucindelProgramaProductivo.Esteprocesoescclico,comienzadenuevoalinicio decadaperiodo,yconcluyealfinaldelmismo.

Modificar

Ejecutar

Establecer

Supervisar Ejecutar
Modificar

Figura52.ProcesodeGestindeunProgramaProductivoenunperiodo(elaboracinpropia).

En este trabajo se habla de Gestin del Programa Productivo, ya que en el problema que se abordasedanlascircunstanciassuficientescomoparaconsiderarnecesarioirmsalldela ideatradicionalconsistenteenfocalizarelesfuerzodelprogramador,casideformaexclusiva, en la elaboracin o clculo de un nico Programa de Produccin inicial. Programa que se supone vlido para todo el periodo considerado. La necesidad de tener en cuenta el

iv

EnelmarcodeestetrabajoseconsideraqueesplanificadorqueasignalasrdenesdeFabricacina las diferentes plantas de que puede constar un determinado Sistema Productivo. El trabajo del programadorsedesarrollaenelmbitodeunaplantaotaller.

291

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica establecimiento de un Programa Productivo, pero tambin su supervisin y posible modificacinvienedada,enbuenamedida,debidoaqueseasumeunaciertaincertidumbre. sta est asociada de forma directa o indirecta a los Tiempos de Cambio de Partida dependientesdelasecuenciayaTiemposdeProcesoquepuedenservariables.Entodocaso, esnecesariosubrayarquecuandosehabladesupervisarsehacereferenciaaunconjuntode actividadespropiasdeloquetradicionalmenteseentiendeporcontrol.Noobstante,dichas actividadesdesupervisinocontrolnoconstituyenunfocodeinvestigacinfundamentalen este trabajo, y sern empleadas como elementos de necesarios para el proceso de modificacinqueseplanteacomoconsecuenciadelasmismas.

5.2.1.2 LaIncertidumbreysuImpactoenelProgramaProductivo EnesteapartadosesubrayarcualeseltipodeIncertidumbrequetienemayorimpactosobre elsistemaproductivoqueseestanalizando,ycualessuorigen.Conellosequiereclarificar cual es el alcance de este factor y especificar en que parte del proceso se produce. La IncertidumbreeselelementoquepuedeimpedirelcumplimientodelProgramaProductivoen curso, y que por lo tanto, justifica la necesidad de una gestin (ver Figura 52) del mismo durantetodoelperiodo. Otroresultadodeesteapartadoeslaobtencindeunaclasificacindelosdiversosimpactos que la incertidumbre puede producir en un Programa Productivo. De esta forma se podrn identificarlostiposdedesviacionesdeunProgramaProductivomsalldesuorigen. Finalmente,sediferenciarentrelaevaluacindecadaunodelosProgramasquesegeneran alolargodeunperiodoyelprocesodeGestindelaProgramacin.

5.2.1.2.1. La Incertidumbre en los Tiempos de Ejecucin de algunas Operaciones EnestepuntosevaaponerdemanifiestolanecesidaddeconsiderarlaIncertidumbreenlos TiemposdeProcesoydeCambiodePartida. Por un lado, hay que considerar que la Fabricacin de las Baldosas Cermicas es un proceso complejoquetienecomocaractersticabsicalatransformacin,fundamentalmentemediante lamanipulacinfsica,termodinmicayqumicadelasmateriasprimas.steesespecialmente sensible el proceso de tratamiento qumico, ya que es muy dependiente de las condiciones que se propician en cada momento, tanto de los materiales como del entorno. Por este
292

DescripcinyModeladoMatemticodelProblema

Captulo5

motivo, es difcil poder repetir los resultados obtenidos en dos lotes diferentes del mismo producto.Estohacequeenmuchasocasioneslasoperacionesdebanirajustndosesobrela marchaloqueimplicalaexistenciadetiemposdeprocesosimilares,peronoiguales,parala mismaoperacinyelmismoproducto. Asmismo,hayquetenerencuentalascondicionesdecadaplantaotaller.Enlaactualidadlas fbricasdebaldosascermicasestnaltamenteautomatizadas.Noobstante,enlostalleresde fabricacinsuelenexistirrecursosconlamismafuncionalidad(mquinas,utillaje,etc.)quepor diversosmotivostienenprestacionesdiferentes.Estasdiferenciassetraducenenlaexistencia de velocidades diferentes para la realizacin del mismo tipo de operacin. Se puede considerar,yaqueenestetrabajonoseabordancuestionesrelativasalcontrol,quedentrode lascondicionesdeltallerqueafectanalostiemposdeprocesopuedeestarlanodisponibilidad espordica de algn recurso (fallos, averas, etc.). En definitiva, independientemente de la causa,losTiemposdeProcesopuedenservariables. SegnloexpuestoanteriormenteparecerazonableconsiderarlosTiemposdeProcesocomo valoresconunciertogradodeIncertidumbre. Porotrolado,sedebetenerencuentaquelosTiemposdeCambiodePartidaafectanatodas las etapas del proceso productivo y dependen de la secuencia. El hecho de que el tiempo asociadoalprocesodeajustedelsistemaproductivoentreunloteyelsiguientedependadela secuenciaimplicaque: El mismo lote puede necesitar tiempos diferentes para realizar dicha operacin en funcindellotequeserealiceconanterioridadaste. El tiempo estimado para realizar dicha operacin no ser conocido hasta que se establezca el Programa y sea conocida la secuencia. Por lo tanto el planificador no conoceestedatoenelmomentoderealizarelPlanMaestro.

Adems, el grado de impacto no es el mismo en todas las operaciones, pudiendo invertirse horas o minutos dependiendo de la tarea a realizar. A groso modo, el Tiempo de Cambio puede rondar entre la hora y las ocho horas, y afecta a casi todas las etapas productivas aunqueendiversamedida. Como ya se comento en el captulo 2, los cambios de partida condicionan diversos aspectos fabriles(costes,productividad,flexibilidaddeoperaciones,eltamaodelote,lacapacidadde losalmacenes,etc.).ElmayoromenortiempoempleadoenlarealizacindelosCambiosde PartidacondicionalaProgramacindelaProduccin,puestoqueenfuncindeloqueseest fabricando y de lo que queda por fabricar, se incurrirn en unos Tiempos de Ajuste ms o
293

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica menoselevadosenfuncindeladecisinquesetomey,porlotantolafechadefinalizacin delostrabajosseverafectada. El tiempo empleado en la realizacin de cada tipo de Cambio de Partida es slo una estimacin.Estepuedeaumentarodisminuirenfuncindelaexperienciaycomposicindel equipo humano, y de las dificultades tcnicas de cada momento. En este sentido, parece razonableconsiderarlosTiemposdeCambiodePartidacomovaloresconunciertogradode Incertidumbre.

5.2.1.2.2.

EfectosdelaIncertidumbreenelProgramaenCurso

EnelpuntoanteriorsehanexpuestounaseriedesituacionessujetasaIncertidumbre.Eneste punto se va a analizar como influyen las perturbaciones que causa la Incertidumbre en el Programa Productivo en curso. Se va realizar una clasificacin de la casustica que se puede producir. En el mbito del seguimiento del Programa es imprescindible conocer que supone una perturbacinparapoderresponderalasdoscuestionesbsicasasociadasalaModificacindel ProgramaProductivo,conocidotradicionalmentecomoReprogramacin:Cundoserealiza? Qusehace? Enelmbitoindustrialexistenmltipleseventosquepuedenafectaralaproduccinencurso, y por lo tanto, al Programa Productivo. En el caso que se est analizando los eventos caractersticoshansidoindicadosenelpuntoanterior.Entodocaso,loquesedeseadestacar enestepuntoesquefinalmentedichasperturbacionessetraducirnenunamodificacinde las fechas previstas de inicio o de fin de los trabajos en relacin al Programa Productivo vigente. Esta modificacin afecta al cumplimiento del Programa Productivo, y a la Tasa de Productividadprevista. Enestetrabajo: SeentiendequeelProgramasecumplesitodoslostrabajossepuedenrealizardentro delasfechasdefinalizacinestablecidasenelmismo. Seadoptaelconceptotradicionaldetasadeproductividadentendidocomoelnmero demetroscuadradosfabricadosporperiodoproductivo.

294

DescripcinyModeladoMatemticodelProblema

Captulo5

Seharealizadounacatalogacindelosefectosquesepuedenobservarenelproblemaquese estanalizando.Eslasiguiente: Desplazamiento a Derechas poco Significativo. Uno o varios trabajos se desplazan hacialaderecha(seincrementalafechadeinicioy/ofin),peroelconjuntodetrabajos se puede realizar en su totalidad antes de la fecha de finalizacin prevista por el planificador,ydentrodelperiodoanalizado. Desplazamiento a Derechas Significativo. Al desplazar el calendario previsto algn trabajo se sita fuera de la fecha de finalizacin indicada por el planificador y/o del periodoanalizado. DesplazamientoaIzquierdas.Unoovariostrabajossedesplazaalaizquierda(seinicia y/ofinalizaantesdeloprevisto).Nosecontemplalaposibilidaddecancelacionesde trabajos en el mbito del programador, por lo que se trata exclusivamente modificaciones en los tiempos, ya sea de cambio o de ejecucin. No afecta a la ejecucin de los trabajos previstos. Como consecuencia se puede contemplar la inclusindealgntrabajoadicional.Entodocaso,nosepuedevalorarestaopcinsin clculosprevios.

Cada tipo de desplazamiento del Programa en curso puede tener implicaciones diferentes respecto al cumplimiento de las fechas de inicio o fin y a la tasa de productividad. Se va a realizarunanlisisdecadacaso: Desplazamiento a Derechas poco Significativo: No tiene implicaciones en relacin al cumplimientodelProgramaniencuantoalatasadeproductividad.Siseasumequeel Programa inicial maximiza la tasa de productividad en el periodo productivo correspondiente, se debe suponer que un retraso no permite disponer de mayor capacidad y por lo tanto el Programa no es susceptible de ser mejorado en dichas condiciones. Desplazamiento a Derechas Significativo: Tiene implicaciones con respecto al cumplimientodelProgramaycomoconsecuenciapuedeproducirunareduccinenla tasa de productividad. Si algn trabajo no se puede realizar antes de la fecha de finalizacinprevistaporelplanificadorodelperiodoesposiblequehayaquerealizarlo enotroperiodo,yenesecasoseproducirunareduccindelosm2fabricadosenel periodoanalizado. Desplazamiento a Izquierdas: Puede tener implicaciones con respecto a la tasa de productividad.Puededarseelcasodequesepuedeganareltiemposuficientecomo paraquesepuedarealizaralgntrabajomsenelmismoperiodo.Esteaumentode

295

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica las tasa de productividad puede alcanzarse con una modificacin sustancial del Programainicialmenteprevistoosimplementeconlainsercinenalgnhuecodelos nuevostrabajos.

LacasusticaquesepuedellegaradardurantelaevolucindelProgramaProductivosetendr encuentaenelprocesodemodeladoyposteriorbsquedadeunasolucinparaelreajuste delProgramaencursooReprogramacin.

5.2.1.2.3.

EvaluacindelaGestindelProgramadeProduccin

Una vez identificada la necesidad de considerar un proceso de Gestin del Programa Productivo, motivado por la Incertidumbre, que se basa en dos actos clave, establecer y revisar/modificarelProgramaProductivo,esnecesarioidentificarlanecesidaddeevaluacin del mismo. Para evaluar la calidad de dicha gestin se deber utilizar una medida o parmetro de eficiencia. Estas medidas pueden estar basadas en trminos temporales, econmicos u otros. En la visin tradicional del modelado y resolucin de problemas de Programacin de la Produccin se suele evaluar la calidad de un Programa frente otros obtenidosparalamismainstanciadeproblema.Sinembargo,noeshabituallaevaluacinde lasrevisionesquesufreunProgramafrentealestablecidoinicialmente,esdecirlaevaluacin desuevolucin. EvaluarlacalidaddelaevolucindeunProgramaesevaluarlacalidaddelagestinquese hace del mismo. La identificacin de un medible asociado a la evolucin del Programa Productivopermitiridentificarlasvariablesqueelprogramadordebecontrolarparaalcanzar susobjetivos.Asmismo,permitircompararlasdiversasformasdegestionarelPrograma,y por lo tanto seleccionar mejor tcnicas utilizadas en dicho proceso. Por este motivo se considera fundamental asignar a este proceso un medible diferente de los que en su momento se identificarn para la tarea concreta de Calcular un Programa, en la fase de Establecimiento o de Modificacin. Dicho medible puede ser aprovechado para la Gestin Global de la Empresa dentro del marco de un Sistema para la Medicin de Rendimiento (Alfaro, J. J. 2003;Rodrguez, R. 2007), aunque este aspecto queda fuera del mbito de este trabajo.

5.2.1.3 ElProgramaProductivo:LaProgramacinPredictivayReactiva El clculo del Programa Productivo vara sensiblemente segn se trate de un proceso de Establecimiento o de Modificacin del mismo. Por este motivo es conveniente introducir la diferenciaterminolgicayconceptualqueexisteentreambosenfoques.
296

DescripcinyModeladoMatemticodelProblema

Captulo5

Desdeelpuntodevistatemporal,elproblemaqueseafrontaescclico,ycontienealmenos un par de hitos conocidos a priori por el programador y el planificador, que son la fecha de inicioydefindelperiodo.Puedenexistirotroshitosrelevantes(avera,retrasos,etc.)dentro de un periodo considerado, pero stos no sern conocidos a priori ni por el programador ni porelplanificador.LoshitosquesehanconsideradosonlosqueafectanalCiclodeVidadel ProgramaProductivoyquesuponen,porlotanto,eliniciodelprocesodeEstablecimientoo Modificacin, es decir reactivan la comunicacin entre planificador y programador. La naturaleza que causa los hitos es diferente. Las causas de los hitos producidos durante el transcurso del periodo son debidas a un desajuste importante del Programa en curso con la realidad producido por alguna de las casusticas establecidas en el apartado 5.2.1.2. Dependiendo de la naturaleza que causa el Clculo del Programa se puede distinguir en dos casosdiferenciados,aunquenoindependientes;LaProgramacinPredictivaylaProgramacin Reactiva(Vieira,G.E.,Herrmann,J.W.,&Lin,E.2003).ElprimercasosedefineenelProceso deEstablecimiento,yse corresponde conel desarrollodeunProgramaque entodo casose concretaconanterioridadaliniciodelperiodoprogramado,ysinvinculacinconelanterior.El segundo caso se realiza en el Proceso de Modificacin, y se encarga de analizar la forma de abordar un cambio en un Programa Predictivo mediante una Reprogramacin del mismo, o inclusoenunProgramaModificadopreviamente. HastaestemomentosehaplanteadolaconvenienciadeplantearProgramasReactivos,pero esnecesarioaclararsiesposiblelaaplicacindeestatcnicaanalizandoeltiempodereaccin que ello implica. El tiempo disponible para que un Programas sustituya a otro en curso, es decir para Tomar una Decisin, es aquel que transcurre desde que se detecta el evento problemticohastaqueseproduceunhitocomopuedeserelfinaldeunaoperacin.Sinose est en disposicin de reaccionar en ese tiempo la propuesta que se realice se quedar obsoleta.EnelcasodelaindustriacermicadondelosTiemposdeProcesosonrelativamente altos,normalmentemedidosenhoras,sepuedereaccionarbastantebienanteuncambioen elProgramadeProduccin.Existenotrasrestriccionesquehayquetenerencuentaantesde plantear el proceso de cambio, como es el caso de los recursos disponibles. Este aspecto se comentarduranteladefinicindelModeloReactivo. PorlanaturalezadelproblemaqueabordanelClculodelosProgramasPredictivoyReactivo sonactividadesmuydiferentes.Porestemotivo,losmodelosquepudieranllegaraplantearse decadaproblemadebentenerencuentadiferentesdatos,parmetros,variablesyfunciones objetivo.Unadescripcindeambosprocesosserealizaenelapartado5.2.2.

5.2.2 CondicionesqueAfectanalClculodelProgramaProductivo

297

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Hastaelmomentosehanidoexponiendocondetalleelconjuntodeaspectosrelacionadoscon elentornoapartirdelcualseEstableceoModificaunProgramaProductivo,yqueafectasobre todo a la Gestin del Programa, aunque no exclusivamente. En este punto se detallarn los aspectos que condicionarn la tarea de Clculo del Programa Predictivo y del Programa Reactivoensmisma.Setratadeintroduciraspectoscuantitativosaunquesinemplearanun lenguajemspropiodeestembitocomoeselmatemtico.

La identificacin del conjunto de condiciones que afectan al clculo de los Programas Productivosesfundamentalparaentenderenconjuntoelproblemaqueseplantea.Unavez analizado este aspecto se realizar una revisin del problema es su conjunto con el fin de estructurarloydisponerdeunavisinmscompletadelmismo.

Esteapartadotrataenprimerlugarciertasconsideracionessobrelosobjetivosdeunafutura funcin objetivo, para introducir en segundo lugar las condiciones exigibles al clculo del Programa Predictivo, y en tercer lugar las condiciones exigibles al clculo del Programa Reactivo.

5.2.2.1 ConsideracionessobrelaFuncinobjetivo En el problema que se est identificando ya se ha definido un objetivo asociado al Sistema Productivo,claramenteestablecido,comoesalcanzarla mximaproduccin posibleen cada periodoproductivo.EnelmbitodetrabajodelProgramadorsteestligadoalaGestindel ProgramaProductivo.NosedebeperderdevistaquecomopartedelaGestindelPrograma seencuentranlastareasembebidasdeClculodelProgramaPredictivooReactivo,yenque cada una de ellas se debe establecer, a su vez, un objetivo u objetivos que favorezcan la consecucindelobjetivoprincipal.Existeporlotanto,unarelacinjerrquicaentreobjetivos. Enbasealconocimientoquesetienedelproblemayalaexperienciasehadeterminadoqueel Programa Predictivo est vinculado a un nico objetivo, mientras que para el Programa Reactivo se plantea un equilibrio entre dos objetivos. Para ambos tipos de Programas se ha definido un objetivo comn que est relacionado con la Maximizacin de la Tasa de

298

DescripcinyModeladoMatemticodelProblema

Captulo5

Productividad,peroenelcasodelProgramaReactivosehaincorporadounobjetivoadicional ligadoalaEstabilidadvdelPrograma. LosProgramasPredictivoy/oReactivosnopuedenmanejarensumbitoconceptoscomolos delaTasadeProductividad,yaquesegnlashiptesisquemstardeseestablecernenlos apartados5.2.2.2y5.2.2.3,enlatareadeclculonoexistelaopcindemodificarelnmero de trabajos ni la cantidad a fabricar, ni tampoco la duracin del periodo. Sin embargo, s es posibleproponerunobjetivoquefavorezcalaobtencindeunosresultadosquepuedanser aprovechadosenelProcesodeGestindelProgramaparairproponiendocambiosenelPlan Maestroo/yenelPlandeFabricacin.Unabuenaformadealcanzarelobjetivodeobtenerel mayorvalorposibledelaTasadeProductividadenelmbitodelaGestindelProgramaesla deutilizarcomoobjetivoenelmbitodelProgramalaminimizacindelafechadefinalizacin delaltimaoperacindelltimotrabajoenterminar,tambinconocidacomomakespan.Esta medida de eficiencia ha sido vinculada por mltiples autores a la utilizacin eficiente de los recursos, y por lo tanto se ajusta a la idea de acabar lo antes posiblevirespetando las restriccionesquesedeterminenenrelacinconlaprecedenciadeoperaciones,respetodelas fechadeentrega,etc.SilatareadeAjustefuncionaadecuadamentesepodranrealizarms rdenes. El makespan fuerza a los trabajos a ocupar un espacio temporal lo ms cercano posible al instante de inicio (parte izquierda de un diagrama Gantt) dejando, si existe, el espaciotemporalnoutilizadoalfinaldelperiodo.Estopermiteverconfacilidadsisedispone detiemposobranteonoparaintentarincluiralgntrabajoadicional. LosobjetivoscomentadossernexpresadosenformadeFuncinObjetivocuandoseplanteen losModelosMatemticosCorrespondientes.ElaspectovinculadoalobjetivodeEstabilidaddel Programa en la tarea de Clculo del Programa Reactivo ser detallado y justificado, en su conjunto,enelmomentoderealizarelModelocorrespondiente.

5.2.2.2 ProcesoProductivoenRelacinconlaProgramacinPredictiva A continuacin se van a describir las hiptesis relativas al funcionamiento del sistema productivo que se considera con el objeto de acotar inicialmente el problema que se desea

SeconsideraqueunProgramaProductivoestotalmenteestablesidurantesuejecucinnopresenta ningn tipo de modificacin. A medida que se van realizando cambios aumenta la inestabilidad o nerviosismodelmismo. Como se explicar en los apartados 5.2.2.2 y 5.2.2.3 no de han identificado necesidades especificas quehayanhechoaconsejableestablecerotroscriteriosdeeficienciarelacionadosconlagestindelas fechasdeentrega,costes,etc.

vi

299

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica abordar. En dichas hiptesis se hace referencia a las condiciones y restricciones necesarias paraelaborarunProgramadeProduccinPredictivo.Enningncasosecomentanlosaspectos relacionados con las causas de una Reprogramacin, ni las restricciones y objetivos de la misma,yaqueseexpondrnenelapartado5.2.2.3. Seconsiderarnlassiguienteshiptesis: Todos los trabajos son objeto del mismo tipo de operaciones bsicas, y en el mismo orden. Para realizar cada una de las operaciones se dispone de un conjunto de mquinas alternativas, no necesariamente idnticas que se agrupan en etapas. Es decir,existeunflujoenquelostrabajospasanprimeroporlaetapa1donderealizanla primeraoperacinenalgunadelasmquinasdisponibles,despuspasanporlaetapa 2 donde realizan su segunda operacin, y as sucesivamente, hasta realizar la ltima operacin. Entre cada dos etapas del sistema existe un almacn de capacidad ilimitada. En este tipodeempresas,elritmodeproduccin,estreguladodetalformaquenosesuelen saturarlosalmacenesintermediosaunquesemantienenaunnivelaltodeproductos (sobre todo entre lneas y hornos, para evitar interrupciones de proceso en estos ltimos),porloqueesrazonableconsiderarquenoexistenproblemasdecapacidad. Existeunnmerosuficientedesistemasdetransporte(AGV)utilizadosentreetapasy los productos pueden esperar a ser transportados puesto que hay unos pequeos pulmonesenlazonadecargadeAGV. Noseconsideralaposibilidaddequeelmismotrabajoestsiendoprocesadoalavez en diferentes etapas (debido a que el lote es muy grande y las primeras unidades puedenestarempezandoaprocesarseenunaetapamientrassefinalizanlasltimas unidadesenlaetapaanterior).Lafechamstempranadeiniciodelprocesamientode la primera pieza de un lote en un recurso, siempre ser mayor o igual que la de finalizacin de la ltima pieza del mismo lote en la etapa anterior, lo que equivale a considerar cada lote completo como un trabajo nico, cuyo tiempo de proceso total serelproductodeltamaodeloteporelinversodelacapacidaddelrecurso(h/m2). Esta suposicin, no es muy restrictiva, puesto que los almacenes intermedios del sistematienenunagrancapacidadysesueleacumulartrabajoencursoenellos. Noexistirlaposibilidaddefraccionamientodelostrabajoenvariosrecursos,sinoque sesuponequeestaopcinyahabrsidotenidaencuentaalahoradedefinirelPlan Maestro de Fabricacin. Esta restriccin facilita enormemente la resolucin de los modelosaunquehayquereconocerquealejaelmismodelarealidad.Noobstante,en la propuesta los resultados se analizarn desde un punto de vista relatico o comparativo(conloquehacelaempresauotrosalgoritmossimilares),loqueimplica

300

DescripcinyModeladoMatemticodelProblema

Captulo5

que se el criterio se aplica en todos los casos puede facilita el modelado sin quitar validezalosresultados. En el momento en que un lote se empiece a procesar en un recurso no se podr interrumpir la operacin hasta no haber terminado con las unidades que componen eselote,yaqueestosupondraelincrementodeloscostesderivadosdelostiempos decambio. Aquellos recursos en los que no exista posibilidad de alterar la secuencia de trabajo debido a que estn conectados entre s por una cinta transportadora, se supondrn unosolo. El abastecimiento de materias primas no condiciona el Programa, puesto que este problema ya se supone resuelto en el mbito de la Planificacin de Produccin medianteprocedimientosespecficosdegestindemateriales. Desdeelpuntodevistadelasecuenciacinnoexistenrestriccionesdemanodeobra porelmotivocomentadoenelpuntoanterior. Todoslosrecursosquepertenecenaunaetapanosesuponenidnticos.Engenerallas empresasinstalanyrenuevanlamaquinariasegnsusnecesidadesyposibilidades. Lasfechasmstardasdefinalizacin delos trabajossesuponen conocidas antes de calcular el Programa de Produccin ya que han sido prefijadas dentro del procedimiento de Planificacin de Produccin. Se supone que no se modificarn duranteelmismo. Los trabajos a realizar son conocidos antes de elaborar el Programa de Produccin. EstnincluidosenelPlandeFabricacin. Nosepermitequeningntrabajofinalicesultimaoperacinconposterioridadala fechadefinalizacinprefijada.Encasodenopodersatisfacerestarestriccinsedebe establecerunanuevapropuestadetrabajosarealizar.

EnlaIndustriaCermicaexisteunaampliagamademodelostantodeGestincomodeDiseo delSistemaProductivo.Porejemplo,enalgunasempresasladisponibilidaddeAGVspuedeser bajaypuedeaparecerunproblemadealmacenamientointermedio,opuedequelagestinde los trabajos les lleve a que parte de un trabajo est realizando su primera operacin y otra partesusegundaoperacin.Porestemotivo,esimposibledefinir,loquesepuededenominar, unconjuntoestndardehiptesis.Sinembargo,laslimitacionesestablecidasserepresentan bastantebienalproblemarealdemuchasempresas.

301

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Por las caractersticas del tipo de problema que se desea afrontar, un problema de Programacin de la Produccin, hay aspectos del Diseo del Sistema Productivo que no resultarelevante.Seproponequeelsistemaproductivosesimplifiquedelasiguienteforma: Enprimerlugarserealizalaagregacinenunanicaentidaddelconjuntoformadopor prensas,secaderos,volteadorasylneasdeengobeyesmaltado.Debidoaquetodas estasmquinasestnunidasporunsistemadecintatransportadoray,porlotanto,el orden de paso de los productos fabricados es el mismo en todas las mquinas, a efectosdePlanificacinyProgramacindeProduccinpuedenconsiderarsecomoun nicoRecurso. Ensegundolugar,seconsideraracadahornocomounamquinaoRecurso. Lasseccionesdeclasificadoyembaladoestnunidasporunacintatransportadora,por loquesernconsideradascomounamquinaoRecursonico. Entrelaseccindelneasyhornosyentrehornosyclasificacinexistenunasamplias zonas de almacenamiento que, a efectos de la investigacin, se supondrn de capacidadinfinita.

De acuerdo a las simplificacionesviiestablecidas el sistema productivo, que da definido como untallerdetresetapas(verFigura53):Prensasesmaltado,hornosyclasificacinembalaje.

Figura53.Tallercermicode3etapas(elaboracinpropia).

vii

Esta disposicin se considera vlida para un amplio conjunto de empresas del Sector Cermico, no obstantepuedenexistirdistribucionesalternativas.

302

DescripcinyModeladoMatemticodelProblema

Captulo5

Basndoseenlanotacinestablecidapor(Conway,R.W.,Maxwell,W.L.,&Miller,L.W.1967) para poder identificar los problemas de secuenciacin, el problema predictivo determinista que se pretende resolver podra ser representado como n/r/F/k1,..krparallel/setup/Cmax. Es decirsetratadeuntallerdeflujoconretapas,yk1mquinaenparaleloenlaprimeraetapa, k2enlasegundaykrenlaltima,contiemposde setupdependientesdelasecuencia,cuya funcinobjetivoesminimizarelCmaxomakespan.

5.2.2.3 HiptesisdelProcesoProductivoenRelacinconlaProgramacinReactiva De la misma forma que se ha hecho para el caso del proceso de Programacin Predictivo a continuacinsevanadescribirlashiptesisrelativasalsistemaproductivoqueseconsideran necesariasparaelaborarunProgramadeProduccinReactivooReprogramacin. LaProgramacinReactivaseproducecuandosedisponedeunProgramaProductivoencurso y el programador decide realizar un nuevo Programa que sustituya a ste. Ese proceso de cambiosuscitaunaseriedecuestionesrelativasalatransicinentreambosProgramas,yalas condicionesenlaquedebeserconstruidoelnuevoProgramaProductivo. El Programa de Produccin obtenido despus de una Reprogramacin debe ajustarse a las condiciones de un sistema productivo muy similares a un Programa Predictivo. Por este motivo, en general, las hiptesis del punto anterior siguen siendo vlidas en este punto. No obstanteseconsideraimportantereflexionarsobrelassiguientesrestricciones: Noexistirlaposibilidaddefraccionamientodelostrabajoenvariosrecursos,sinoque sesuponequeestaopcinyahabrsidotenidaencuentaalahoradedefinirelPlan MaestrodeFabricacin. En el momento en que un trabajo se empiece a procesar en un recurso no se podr interrumpir la operacin hasta no haber terminado con las unidades que componen eselote,yaqueestosupondraelincrementodeloscostesderivadosdelostiempos decambio.

Ambas condiciones son vlidas por lo que se refiere al periodo de ejecucin del Programa Reactivo que se genere. Sin embargo, entre el Programa en curso y el nuevo Programa Productivo propuesto se podran realizar interrupciones y fraccionamiento de trabajos. Este casosecorresponderexclusivamenteconunasituacindenodisponibilidaddeunrecurso. En ese caso posiblemente se deberan cambiar los trabajos en curso afectados, y realizados parcialmente,aotrorecursodisponible,reflejndoloasenelnuevoProgramaProductivo.
303

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Asmismo,tampocosecumplirlasiguientecondicin: El abastecimiento de materias primas no condiciona el Programa, puesto que este problema ya se supone resuelto al mbito de Planificacin de Produccin mediante procedimientosespecficosdegestindemateriales.

Como se explicar posteriormente en el clculo del nuevo Programa Productivo se intentar evitar cierto tipo de adelantos en los trabajos con respecto a las fechas de inicio de las operaciones previstas en el Programa en curso. Esta condicin se establece en base a las relaciones que actualmente se dan entre los proveedores de materia prima y las empresas cermicas. Adicionalmentesehandeconsiderarotraseriedehiptesisparaelproblemapropuesto,que son: Existir un conjunto trabajos programados en el Programa nuevo que puede ser diferente, en nmero y composicin, al conjunto de trabajos programados en el Programaencurso. Cada uno de los trabajos del conjunto correspondiente al nuevo Programa puede iniciarse en una operacin que no necesariamente ser la de la primera etapa como ocurraenelProgramadeterministaPredictivo. Lacantidadaproducirdelostrabajosdebereducirseenaquellasoperacionesquese hanrealizadoparcialmente,enelquesermenordelqueseconsiderenelPrograma ProductivoDeterministaPredictivo.Seconsiderarquetodoslostrabajosqueestaban procesandounaoperacinenelinstantedeReprogramartienenpendientederealizar parcialmentedichaoperacin. ElnuevoProgramadebergarantizar,dentrodesusposibilidades,quelasoperaciones encursoenelinstantedeReprogramacinsiguenprocesndosetalycomoloestaban haciendo.EstosignificaquelostrabajosconunaoperacininiciadaenelProgramaen cursocontinuarnsininterrupcindeningntipoenlamismamquinaqueloestaban haciendo cuando el nuevo Programa se inicie siempre que dicho recurso est disponible. LafechadedisponibilidaddecadatrabajoserladeliniciodelnuevoPrograma.

Esdifcilpoderdefinirelproblemabasndoseenlanotacinestablecidapor(Conway,R.W.et al. 1967) para poder identificar los problemas de secuenciacin. Por este motivo se ha
304

DescripcinyModeladoMatemticodelProblema

Captulo5

realizado una incorporacin de cdigos nuevos respetando en todo caso la estructura propuesta. El Problema Reactivo Determinista que se pretende resolver podra ser representadocomon/r/F/k1,..krparallel/setup,preasig/B.EsdecirsetratadeunTallerdeFlujo conretapas,yk1mquinaenparaleloenlaprimeraetapa,k2enlasegundaykrenlaltima. DondeexisteunTiempodeCambiodePartidaoSetupdependientedelaSecuenciayunaserie de rdenes preasignadas a mquinas (preasig), cuya funcin objetivo es B (balance), un balanceentreelmakespanyeladelantodelasfechasdeiniciodeciertostrabajos.

5.3

EstructuradelProblemaIdentificado

Unavezseharealizadoladescripcindelproblemaquesedesearesolver,enlaquesehan analizado diversos matices y enfoques del mismo, es conveniente realzar un resumen del mismoquepermitacontarconunaestructuraquefacilitesucomprensinyfuturaresolucin.

Gestin

Programa Productivo delPeriodo

Aspectos Cuantitativos

Programa Predictivo

Mediblesde laGestin Programa Reactivo

Figura54.EstructuradeProblemaIdentificado(elaboracinpropia).

Como ya se avanz en la introduccin del este captulo, y como queda reflejado de una manera grfica en la Figura 54 existen problemas a dos niveles. Se puede decir que en el mbito de la Gestin de las Operaciones de un taller existe un problema de Toma de Decisiones,queparaalcanzarsusobjetivos,necesitabalancearunconjuntodeactividades, delascualesalgunassepuedenidentificarcomocualitativasyotrascuantitativas.

En el nivel de gestin el problema consiste en como coordinar los procesos de clculo del ProgramaPredictivoydelossucesivosProgramasReactivosquepudierandarse.Ellosignifica bsicamente disponer de informacin y de criterios que permitan tomar las mejores decisiones, y adems hacerlo en el instante ms adecuado. En este nivel habra que tomar decisiones,porejemplo,comoladedeterminarcuandounProgramayanoesvlido,ydecidir cuando se lanza el clculo de un nuevo Programa y bajo que condiciones, o por ejemplo, decidirquesehacecuandolosProgramasProductivosquesecalculansoninfactiblesporfalta decapacidad(poraveradeunamquina,porejemplo).
305

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica En el nivel cuantitativo el problema se centra bsicamente en realizar un clculo, cuyo resultadosernormalmenteelequivalenteaundiagramaGanttconunaprogramacin,que pueda ser empleado en el nivel de gestin. En este segundo nivel se han identificado dos problemasdiferentes,elclculodelProgramaPredictivo,yelclculodelProgramaReactivo. Ademsenelnivelcuantitativosehanincluidocomentariossobrelosmediblesquepermitirn evaluarlaGestindelPrograma.

Como se ha podido apreciar en los problemas de clculo de la Programacin Predictiva y clculo de la Programacin Reactiva se conocen muchos ms detalles que cmo conectar ambosparaobtenerunosresultadosadecuadosenelmbitodelaprogramacindurantetodo elperiodotemporalquesedeseeconsiderar.Estoesasporquedehechoenlarealidadquese haobservadoocurrelomismo.

Enlarealidadobservadasehapodidoidentificarenquecondicionesseafrontaelclculodel Programa Predictivo, porque se hace con asiduidad, y se ha podido identificar en que condiciones se debera de calcular el Programa Reactivo, aunque de manera formal este problemanosehabaplanteadoenlamayoradeloscasosobservados.Laformalizacinsobre cuandoesnecesariorevisarunPrograma,cuandoesnecesariomodificarloocomosedeberan de hacer los cambios, que son aspectos relacionados con la Gestin del Programa, no se ha vistoreflejadaenningunaexperienciaprctica.Porestemotivo,muchosdelosaspectosque formanpartedeldetalledelaGestindelProgramasernconsideradoseneldesarrollodela propuesta reducindose la fase de identificacin de sus aspectos ms generales y al motivo queloscausa.Noobstante,aunquecomosellevaraacabolagestindeesteprocesonoest demasiadoclaroenlasempresasanalizadas,siqueporlogeneralhanpodidoidentificarcon msclaridadlosobjetivosquepersiguencondichagestin,loquehapermitidoavanzaralgn comentarioalrespecto.

Apartirdelosdosnivelesdeproblemasdetectadosparecerazonableproponerunadefinicin delosproblemasqueseincluyenencadaunodeellosdeformaprecisaypormenorizada.Pero dadoqueenestecaso,elproblemadegestinsedetallarformarpartedelapropuesta,no se ampliar ms este nivel. Sin embargo, los problemas de clculo de los Programas, se volvern a plantear empleando en esta ocasin el lenguaje matemtico para su modelado. Tambin se incluirn en este nivel a algunas reflexiones sobre los medibles que se deberan aplicaralaGestindelPrograma.Sedebededejarclaro,queelhechodeplantearmodelos matemticosnoimplicaqueelproblemafinalmentesesolucioneempleandodichosmodelos. Se ha seleccionado el modelado matemtico como forma de representacin del problema, siendoporsuparteunodelosmsempleadosenlosproblemasquesetratanenestenivel.

306

DescripcinyModeladoMatemticodelProblema

Captulo5

5.4 FormulacindelModeloMatemticoparaelClculodePrograma ProductivoenunTallerdeFlujoHbrido

En el apartado 5.2 se present de forma descriptiva el problema que se desea resolver, concretamente el conjunto de hiptesis que se establecen para el modelo de Taller de Flujo Hbrido. Con el objeto de mostrar formalmente el modelo del Taller de Flujo Hbrido se ha procedido a la definicin de un Modelo Matemtico que se muestra en los siguientes sub apartados. Paraajustardeformaprogresivaelmodeloalascaractersticasdelproblemaexpuestosevaa iniciarelmodeladoconunenfoqueDeterministaPredictivotradicional,enunsegundopasose realizarunamodificacindeesteparaintroducirlosaspectosrelacionadosconelproblema de la Reprogramacin de la Produccin o Modelo Reactivo, y finalmente se realizar el modeladodelaIncertidumbre.Siguiendolanomenclaturade(Vieira,G.E.etal.2003)seha denominado Modelo Predictivo al que contemplan las condiciones a priori y objetivos del programador, y que da lugar al Programa que se empieza a ejecutar. Y se ha denominado Modelo Reactivo al que tiene en cuenta las condiciones y objetivos del programador en el momentoquesedecide modificar un ProgramaProductivoen curso,ydalugaralPrograma Reactivo.UnavezintroducidoslosmodelosPredictivoyReactivo,seanalizacualdeberaserel medibledelprocesoconjunto,esdecir,delaGestindelPrograma.

5.4.1 ModeloPredictivoDeterminista
Elmodeloqueseexponeacontinuacinestbasadoeneltrabajode(Andrs,C.2001),yse consideravlidoparacualquierinstantedetiempodentrodelperiodoqueseconsidera.Como ya se ha visto, si alguno de los eventos o distorsiones, que el sistema es capaz de detectar, provocasen un cambio que implique invalidar el Programa en curso se realizar una Reprogramacin,yporlotantoelclculodeunnuevoPrograma.Porestemotivoelmodelo noseexpresaenfuncindeltiempo,yaquenoesnecesario. Lanomenclaturautilizahasidolasiguiente: Conjuntos R: M: Conjuntodeetapas.Tieneasociadounndicer=1RX. Conjuntoderecursos(mquinas).Tieneasociadounndicej=1mx(r). Talquemxesdependedelaetapa.

307

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica N: Conjuntodetrabajosaprogramar.Tieneasociadounosndicesi,i1ei2. Todoslosndicesvande1hastaNXsinoseespecificalocontrario. Si i=0 se entiende como el trabajo que estaba inicialmente en la mquina o estadodelamquinaantesdeempezarlasecuenciaplanteada,sii=NX+1se entiende como que se ha acabado el trabajo NX, y la mquina est en su estadofinal. RestriccionesTecnolgicas p(i,j,r): st(i1,i2,j,r): Tiempodeprocesodeltrabajoienlamquinajdelaetapar. Tiempodeajustedelamquinajdelaetaparparapasarderealizarel trabajoi1altrabajoi2.

FechasdeFinalizacinPrevistas d(i): FechadefinalizacindeltrabajoiindicadaenelPlanMaestro.

VariablesdeDecisin Continuas s(i,r): Fechamximadeiniciodelasoperacionessobreeltrabajoienlaetapa r.Lasoperacionesincluyeneltiempodeajusteycambio,yeltiempode procesodellote.Elndiceipuedetomarvaloresentre0yNX+1. Representa(NX+2)*RXvariables. Fechadefinalizacindeltrabajoienlaetapar. RepresentaNX*RXvariables.

c(i,r):

Binarias

y(i, j, r) :

Relacionadaconlaasignacindelostrabajosenlasmquinas.

=1Sieltrabajoiesprocesadoporlamquinajenlaetapar. =0Enotrocaso

308

DescripcinyModeladoMatemticodelProblema Estetipodevariablesrepresentan

Captulo5

NX mx(r ) variables.
r =1

RX

x(i1 , i 2 , j, r) :

Relacionadaconlasecuenciadelostrabajosenlasmquinas.

=0Enotrocaso

RX

=1 Si el trabajo i1 es procesado inmediatamente antes que el trabajoi2enlamquinajenlaetapar.

Tantoi1tomanvaloresentre0yNX,ei2tomanvaloresentre1yNX+1.Enunmodelo representan

( NX + 1) ( NX + 1) mx(r ) variables.
r =1

Paraestetipodevariablessedefinenlossiguientescasosparticulares:

x(0, i 2 , j, r)

enlaetapar. =0Enotrocaso

=1Sieltrabajoi2eselprimeroenserprocesadoenlamquinaj

x(i1 , NX + 1, j, r)

=0Enotrocaso

=1Sieltrabajoi1eselltimoenserprocesadoenlamquinaj enlaetapar.

Elmodeloeselsiguiente: Minimizar Z = max{c(i, RX )}

i=1 NX

[5.1]

309

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Sujetoa:

mx ( r )

[5.2]

y(i, j, r) = 1
j =1

i, r

[5.3]

x(i , i , j, r) - y(i , j, r) = 0
i1 = 0 1 2 2 NX + 1 i1 = 1

NX

i1i2, i2, j, r

[5.4]

x(i
NX +1 i =1

, i 1 , j, r) - y(i 2 , j, r) = 0

i1i2, i2, j, r

[5.5]

x(0, i, j, r) = 1

j, r

[5.6]

x(i, NX + 1, j, r) = 1
i =0

NX

j, r

[5.7]

mx ( r ) NX

s(i 2 , r) s(i1 , r) +

(p(i , j, r) + (st(i
j =1 i3 = 0 1

mx ( r ) , i1 , j, r) x(i 3 , i1 , j, r) )) + x(i1 , i 2 , j, r) - 1 j=1

i1i3, i2i3, i1=0..NX, i2=1..NX+1, r es un valor elevado aunque lo ms ajustado posible en funcin de los datos.

[5.8]

s(i 2 , r) +
i1 = 0

NX mx ( r ) j=1

{[st(i , i
1

, j, r)] x(i1 , i 2 , j, r)}

NX mx ( r 1) s(i 2 , r - 1) + {p(i 2 , j, r - 1) + [st(i 3 , i 2 , j, r - 1) x(i 3 , i 2 , j, r - 1)]} i =0 j=1 3

i1i2, i2, r>1

310

DescripcinyModeladoMatemticodelProblema
[5.9]

Captulo5

NX mx ( RX ) c(i 2 , RX) s(i 2 , RX) + (p(i 2 , j, RX) + (st(i1 , i 2 , j, RX) x(i1 , i 2 , j, RX)) i =0 j=1 1
i1i2,i2,

[5.10]

d (i ) c(i, RX )

5.4.2 ComentariosalModeloPredictivoDeterminista
Elmodelopermiteminimizarlafechadeentregadelltimotrabajoyaqueasseplanteaenla funcinobjetivo.Elmodelointroduceunaseriederestriccionesquesepuedenagruparen3 tipos: Restriccionesrelacionadasconlaasignacinylasecuencia:[5.2][5.3][5.4][5.5][5.6]. Restricciones relacionadas con la asignacin y la secuencia, en base a las fechas de inicioyfindelasoperaciones:[5.7][5.8][5.9]. Restriccionesrelacionadasconlafechadeentrega:[5.10].

Acontinuacinsecomentanunaaunaconciertodetalle. Larestriccinligadaalaecuacin [5.2]obligaaasignarcadatrabajoaunamquinadecada etapa.ExistiendoNX*RXrestricciones. Larestriccinligadaalaecuacin[5.3]implicaque,unavezasignadoeltrabajoaunamquina, esta tenga un trabajo predecesor, que bien puede ser cualquiera de los otros trabajos o la situacin cero de la mquina (situacin inicial antes de las secuenciacin). En el modelo se debendefinir

NX mx(r) restricciones.
r =1

RX

311

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Larestriccinligadaalaecuacin[5.4]essimilaralaanterior,implicaqueunavezasignadoun trabajoaunamquina,estetengaunapiezasucesora,quebienpuedesercualquieradelos otrostrabajosolasituacinfinaldelamquinadelamquina(situacinfinaldespusdelas secuenciacin).Tambinseconsideran

NX mx(r) restricciones.
r =1

RX

En este modelo, se supone que cada mquina parte de una asignacin inicial de trabajos (modelada mediante el trabajo 0) y llega a una ltima asignacin (modelada mediante un trabajo final NX+1). As, la restriccin ligada a la ecuacin [5.5] obliga que exista un trabajo secuenciado enprimerlugarporcada mquina de cadaetapa. Tambinpuededarseel caso que la mquina no se utilice (con lo que todas las variables x(0,i,j,r) seran iguales a 0 i=1,,NX,salvox(0,NX+1,j,r)=1.Representa

mx(r) restricciones.
r =1

RX

Mientrasquelarestriccinligadaalaecuacin[5.6]esparecidaalaanteriorsalvoqueobligaa queexistaalmenosuntrabajoantesdefinalizarlasecuenciaencadamquinadecadaetapa. Tambin,deigualformaaecuacin[5.4]sepuededarelcasoquealgunamquinanoprocese ningntrabajo.Tambinrepresenta

mx(r) restriccionesenelmodelo.
r =1

RX

Lassiguientesrestriccionesseutilizanparacalcularlasfechasdeiniciodecadatrabajoencada mquina. Teniendo en cuenta que dos trabajos asignados a la misma mquina deben conservar una relacin de precedencia o sucesin entre ellos. As, existe una serie de relacionesquemarcanelmomentoenelquepuedeempezaruntrabajoenunamquinaque haprocesadoconanterioridadotrotrabajo(restriccionesligadasalaecuacin[5.7]).Eneste casoseaprovechalasvariablesx(i1,i2,j,r)paraestablecerelordenencadamquina.Enefecto, si un trabajo i1 es secuenciado antes que otro i2 en la mquina j de la etapa r, el trmino
mx(r)

x(i , i
1 j=1

, j, r) - 1 ser0puestoquedeltodosumatoriotodaslasvariablessernnulassalvo

x(i1,i2,j,r)quevaldr1.Enesecasolarestriccinplantealarelacinentrelasfechasdeiniciode ambostrabajosenlamquina(ladeltrabajoi2,serladeltrabajoi1mseltiempodeajuste entrei1yeltrabajosecuenciadoconanterioridadai1enlamquina,mseltiempodeproceso de i1). En este caso se representa con el ndice i1=0 a la situacin previa a la realizacin del primertrabajo,yconelndicei2=NX+1alasituacinposterioralltimotrabajo.Enestecaso son RX ( NX + 1) ( NX + 1) restricciones.

Adems se debe considerar la relacin que se da para las operaciones que debe sufrir un trabajo determinado en las diferentes mquinas de cada etapa del taller de flujo. En la
312

DescripcinyModeladoMatemticodelProblema

Captulo5

restriccin[5.9]seindicaqueparaelmismotrabajo,sufechadeiniciomstempranaenuna etapa r, ser la mayor entre la fecha de disponibilidad de la mquina correspondiente de la etapa r y la fecha de fin del trabajo en la etapa r1 menos el tiempo de cambio de partida necesarioparaeletapar.Esdecir,noesinfrecuentecomenzararealizarelajusteenunaetapa mientraseltrabajonohafinalizadosuprocesoenlaetapaanteriorparairganandotiempo. Laexplicacinsedeestarestriccinsemuestraenlafigurasiguiente.Siseconsideraas(i,r)la fechaenqueseiniciaelajusteenunamquinadelaetapar,serelacionaconlafechadeinicio delajusteenlaetapaanteriormediantelaexpresin:

[5.11]

s(i, r) + C s(i, r - 1) + A + B

Donde los trminos A, B y C, mostrados en la formula desarrollada se corresponden con bloquestemporalescuyosignificadosemarcaeneldiagramadeGanttsiguiente:

Etapar1

Mquinaj1 Mquinaj

S(i,r1)

A
ST

B
Trabajoi

S(i,r)

Etapar
Mquinaj

C
ST Trabajoi
Tiempo

Trabajoi

ST:TiempodeCambiodePartida

Figura55.Relacionesentrevariablesparaladeterminacindelinstantedeiniciodelajusteenunaetapa considerandolaposibilidaddesolapamientosadaptadode(Andrs,C.2001).

Esto representa NX ( RX 1) restricciones. Larestriccinligadaalaecuacin[5.9]permitecalcularlafechadefinalizacindecadatrabajo enlaltimaetapa.Similarmentealcasoanteriorrepresentan NX restricciones. La restriccin ligada a la ecuacin [5.10] permite garantizar que ningn trabajo terminar despusdelafechaprevista.Estorepresenta NX restricciones.

313

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Aunqueelobjetodeesteapartadonoeralaresolucinexactadelmodeloesinteresantetener en cuenta que de lo dicho anteriormente se puede observar que en un problema del tipo 20/3/F/1,2,3parallel/setup/Cmax el nmero de restricciones se elevara a 3*20+8*20+8*20+2*8+3*21*21+2*20+20+20 = 1.799 restricciones, y el de variables a 3.814. Esdifcilpoderproporcionarundatosobrecuantotiempopodranecesitarseparasolucionar dichomodelo,yaquedependeabsolutamentedelequipamientoinformticodisponible.Tanto del software (solver), como del hardware (procesador, etc.). No obstante, se podra dar una horquilladeentre30minutosyvariashoras. Pero,independientementedesiesabordableoinabordableparaunproblemadetamaoreal, laresolucindelModeloMatemticopuedeconsiderarsepocoeficientedentrodelcontexto que se plantea. Efectivamente, el proceso de clculo se enmarca dentro del proceso de Gestin del Programa, lo que implica que es posible que sea necesario repetir el clculo del Programaenmltiplesocasiones,condiferentesparmetros,hastallegaradarporconcluido elprocesodeEstablecimientooModificacindeundeterminadoPrograma. Adems, aplicando criterios prcticos, se puede considerar que el resultado obtenido podra ser adaptado manualmente por el Programador, en base a su experiencia, para incluir aspectosdifcilmentemodelables.Esdecir,sibienapriori,parecemuyatractivodisponerde una solucin ptima en la prctica puede ser ms adecuada la utilizacin de soluciones sub ptimasquepuedanseralcanzadasmedianteprocedimientosquerequieranmenostiempode clculo.

5.4.3 ModeloDeterministaparalaReprogramacinoReactivo
Tal y como se ha comentado anteriormente existen ciertas situaciones en las cuales el ProgramaProductivoestablecidodebesermodificado.Endichocaso,elmodeloplanteadocon anterioridaddebeserrevisadoparaadaptarsealanuevarealidad.Elmodeloqueseformule serutilizadoparaconfigurarunnuevoProgramaydebetenerencuentaesencialmenteque stedependeenbuenamedidadelanteriorydelEstadodelSistemaenelinstantedetomarla decisin. En este sentido, hay dos aspectos que varan sensiblemente con respecto al Modelo Predictivo:
314

SeplanteaunanuevaFuncinObjetivo. PuedenexistirtrabajosencursoenelinstantedeReprogramar,yporlotantorecursos ocupadosytrabajosyaasignados.

DescripcinyModeladoMatemticodelProblema

Captulo5

El Modelo Matemtico que se propone se ajusta a las restricciones comentadas en el punto 5.2.2.3.LaFuncinObjetivoqueseformuledebede: Seguirconsiderandolacorrectautilizacindelosrecursos.Comoocurreconelclculo del Programa Inicial puede favorecer la consecucin de una Tasa de Productividad elevada. Incorporaruntrmino,queestecasosehadenominadoAdelanto,queseemplear para evitar el excesivo Nerviosismo del Sistema. En este caso, se desea evitar la modificacin de trabajos cuya de la fecha de inicio est prxima al instante de Reprogramacin.AcontinuacinsedescribeconprecisinelconceptodeAdelanto,y sejustificasuutilizacin.

Cuando se plantea la posibilidad de realizar modificaciones en un Programa Productivo en cursocomomedioparahacerfrenteaposiblesperturbacioneshayqueconsiderarlosefectos quepuedenllegaratenerdichoscambiosenelSistemaProductivo.Setratadenosolucionar unosproblemasparacrearotrosnuevos.Elpuntomscrticofrentealoscambiossueleserla variacin en la necesidad de recursos (mquinas, materia prima, etc.), quizs necesidades superiores a las que se plante inicialmente. Tal y como se ha enfocado el problema, los aspectos relativos a la utilizacin de los recursos operativos quedan englobados dentro del anlisisdecapacidad.Noobstante,tambinsedebeprestaratencinalaprovisionamientode materiasprimasenrelacinconloscambiosdeProgramaProductivo.Esteaspectoqueseha considerado resuelto en el enfoque Predictivo puede suponer restricciones adicionales en el planteamientoReactivo. En las Empresas Cermicas existen mltiples materias primas necesarias para realizar un trabajo, pero se puede decir que hay un conjunto bsico, desde el punto de vista de la caracterizacin del producto. Se trata de las aplicaciones cermicas (esmaltes, serigrafas, granillas, etc.). Este tipo de materia es la que ms restricciones presenta desde el punto de vistadelaprovisionamiento,yporestaraznha condicionado elplanteamientorealizadoen estepunto.Losproveedoresdeaplicacionescermicassuelenestarmuyorientadosalcliente y dar un excelente servicio. No obstante, como todo fabricante necesita un tiempo mnimo parareaccionaranteunpedido.Elretrasodeuntrabajodentrodelmismoperiodoproductivo nosuelesuponeruninconvenienteyaqueestetipodeproductonocaducaacortoymedio plazo,ynosuelenexistirrestriccionesparasualmacenamiento. ElAdelantoesunparmetroquemideelgradodeanticipacindelafechadeiniciodelos trabajosunProgramamodificadofrentealProgramaProductivoencurso.Situarestamedida como parte de la Funcin Objetivo pretende reducir las opciones de que un cambio en un Programaimpliqueelavancedealgntrabajo,situndoloenunafranjaenlaqueelproveedor
315

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica tengagrandesdificultadesparaservirlamateriaprimanecesaria,loquepuedeconllevaruna gestinadicionalyenelpeordeloscasoslafaltadeexistencias.Sepuedeconsiderarqueun buenSistemadeTomadeDecisionesAutomatizado,esimprescindibleparadetectarestetipo desituacionesentiemporeal.ElsoportedelastecnologasdelaInformacinesfundamental para poner en marcha cualquier medida relacionada con un aumento significativo de la reactividaddelSistemaProductivo. EnconcretosedefineelAdelantocomolasumadelnmerodetrabajoscuyafechadeinicio de la primera operacinviiis(i,1), en el nuevo Programa productivo Sv despus de tener en cuentaelconjuntodeinformacionesE={E1,E2,..}enelinstantet,seadelantaconrespectoala fechadeiniciodedichaoperacinenelProgramaanteriorSv1antesdetenerencuentadicha informacin.Siendoqueadicionalmentedichostrabajosdebencumplirlacondicindequesu primeraoperacins(i,1)enSvestesituadadentrodeunafranjatemporalrestringidasituada entreelinstantetyt+VA,dondeVA(VentanadeAvance)esunaconstantedeterminadaporel programador.Formalmentesepuededefiniras:

[5.12]

Adelanto (S v -1 , S v , E) =

iVA ( i )

Donde se suma uno por cada trabajo que pertenece al conjunto de trabajos cumplenlascondicionesdepenalizacinexpresadasanteriormenteenelinstante t. EnelModeloMatemticoeladelantomodificaelvalordelmakespanobtenido,deformaque si se producen adelantos en el Programa propuesto se adiciona una cantidad al valor de makespan,esdecirsepenalizaconunciertotiempoadicional. UnavezdescritaslasbasesdelproblemadeReprogramacinoReactivosepresentaelModelo Matemticoquelodefineformalmente. La nomenclatura utilizada tiene el mismo significado que en el modelo determinista de la ProgramacinPredictivaexceptolasquesecomentanacontinuacin.

viii

LaprimeraoperacinenelnuevoProgramaProductivo,essuprimeraoperacinpendientederealiza, yporlotanto,notieneporquecoincidirconlaprimeraoperacindelprocesoproductivoglobal.

316

DescripcinyModeladoMatemticodelProblema Constantes K:

Captulo5

Es una constante que representa unidades de tiempo y es establecida en funcin de la duracin media de los trabajos en el problema considerado. Su valordependedelaexperienciadelprogramadorydelpesoquesequieradara losadelantos.

Conjuntos R: Conjunto de etapas. Tiene asociado un ndice r=1RX que permite recorrer todaslasoperacionesexistentesyunndicee=min(i)..RXquepermiterecorrer lasoperacionespendientesderealizardeltrabajoienelProgramaSv. Conjunto de trabajos programados en la versin actual del Programa Sv. Se utilizanlosndicesindicadosenelProgramadeterministaparalaprogramacin Predictiva. ConjuntodetrabajosprogramadosenlaversinSv1.Tieneasociadoelndicei. i=1,,NX; Conjuntodetrabajosenproceso(procesadosparcialmente)enelinstanteten elProgramaSv1.Lostrabajoscuyorecursonoestdisponible(averas,etc.)no figurarnenesteconjuntoaunquehayansidointerrumpidos.Tieneasociadoel ndiceh.h=1,,NCX; RestriccionesTecnolgicas pu(i,j,r): Tiempodeprocesounitario(porm2)deltrabajoienlamquinajdela etapar.

Nv:

Nv1: NC:

EstadoenelProgramaanterior cj(i): ProporcionaelvalordelndiceienelProgramaSv1deuntrabajoidel ProgramaactualSv.Devuelvevalornulosinoexistedichotrabajoenel Programaanterior. Proporciona el valor de la primera operacin pendiente de realizarse deltrabajoiparaelProgramaSv. Valeunosieltrabajoifueasignado alamquinajenla etapa rdel ProgramaSv1.

min(i): yd(i,j,r):

317

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica sd(i,r): Representalafechadeiniciodelasoperacionessobreeltrabajoienel Programa Sv1 en la etapa r si dicho trabajo tambin forma parte del Programa Sv .Se considera que toma el valor 0 si el trabajo i ya no formapartedelProgramaSv.

VariablesdeDecisin Binarias

at(i) :

Relacionadaconelavancedelafechadeiniciodelaprimeraoperacin conrespectoalProgramaanterior.

=0Enotrocaso

=1 Si el trabajo i tiene una fecha de inicio de la primera operacin en el Programa Sv anterior a la que tena dicha operacinenelProgramaSv1.

af(i) :

RelacionadaconeliniciodelaprimeraoperacinenlaVentanadeAvance.

=0Enotrocaso

=1 Si el trabajo i tiene una fecha de inicio de la primera operacin en el Programa Sv anterior al instante t ms la VentanadeAvance(VA).

ElModeloMatemticoeselsiguiente:

[5.13]

Minimizar Z

NX NX = max{c(i, RX )} + (at (i ) af (i)) i i

ComosepuedeverenlaFuncinObjetivoseconsideraquecadatrabajoadelantadotieneque suponer una mejora del makespan igual o superior al valor de K. La expresin

NX (at (i ) af (i )) mideelnmerodetrabajosquedenominaremospenalizables. i

318

DescripcinyModeladoMatemticodelProblema Sujetoa:
mx ( e )

Captulo5

[5.14]

y(i, j, e) = 1
j =1

i, e=min(i)..RX

[5.15]

x(i , i
i1 =0 1 NX +1

NX

, j, e) - y(i2 , j, e) = 0

i1i2, i2, j, e=min(i2)..RX

[5.16]

x(i
i1 =1

, i1 , j, e) - y(i2 , j, e) = 0

i1i2, i2, j, e=min(i2)..RX

NX +1

[5.17]

x(0, i, j, r) = 1
i =1

j, r

[5.18]

x(i, NX + 1, j, r) = 1
i =0

NX

j, r

[5.19]

s(i 2 , e) s(i1 , e) +

mx ( e ) NX

(pu(i1 , j, e) l(i1 ) + (st(i 3 , i1 , j, e) x(i 3 , i1 , j, e) )) + x(i1 , i 2 , j, e) - 1

j =1 i3 = 0

mx ( e )
j=1

i1i3, i2i3, i1=0..NX, i2=1..NX+1, r es un nmero arbitrariamente grande

[5.20]

NX mx ( e )

s(i 2 , e) +

i1 = 0 j=1

{[st(i , i
1

, j, e)] x(i1 , i 2 , j, e)}

NX mx ( e1) s(i 2 , e - 1) + {(pu(i 2 , j, e - 1) l (i2 )) + [st(i 3 , i 2 , j, e - 1) x(i 3 , i 2 , j, e - 1)]} i =0 j=1 3

i1i2, i2, e>min(i2)

319

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

[5.21]

NX mx ( RX ) c(i 2 , RX) s(i 2 , RX) + (pu(i 2 , j, RX) l(i 2 ) + (st(i1 , i 2 , j, RX) x(i1 , i 2 , j, RX))) i =0 j=1 1
i1i2,i2

[5.22]

d (i ) c(i, RX )

[5.23]

s (i,1) at (i ) < sd (cj (i ),1)

[5.24]

s (i,1) sd (cj (i ),1)(1 at (i ))

[5.25]

s (i,1) af (i ) < t + VA

[5.26]

s (i,1) (t + VA) (1 af (i ))

[5.27]

s (i, e) t
mx (min( h ))

i, e=min(i)..RX

[5.28]

y(h, j, min(h)) yd(cj(h), j, min(h)) = 1

j =1

[5.29]

s (h, min(h)) = t

320

DescripcinyModeladoMatemticodelProblema

Captulo5

5.4.4 ComentariosalModeloReactivoDeterminista
El modelo permite equilibrar los aspectos relacionados con la tasa de productividad y la modificacin del Programa Productivo en funcin del criterio del programador mediante el parmetroK.Elmodelointroduceunaseriederestriccionesquesepuedenagruparen3tipos: Como en el Modelo Predictivo existe una serie de restricciones relacionadas con la AsignacinylaSecuencia:[5.14][5.15][5.16][5.17][5.18]. Como en el Modelo Predictivo existe una serie de restricciones relacionadas con la Asignacin y la Secuencia, en base a las fechas de inicio y fin de las operaciones:[5.19][5.20][5.21]. Igual que en el Modelo Predictivo existe una restriccin relacionada con la fecha de entrega:[5.22]. Existe un conjunto de restricciones que permiten contabilizar el nmero de trabajos quehanadelantadosuprimeraoperacinyqueestnsituadosenlaventanatat+VA.: [5.23][5.24][5.25][5.26]. SeincluyeunconjuntoderestriccionesquegarantizalacontinuidadentreelPrograma anterioryelactual:[5.27][5.28][5.29].

AcontinuacinsecomentanaquellasRestriccionesquesuponenunadiferenciaconelModelo Predictivoconciertodetalle. Larestriccionesligadasalasecuaciones[5.14][5.15][5.16][5.19][5.20]y[5.21]tienenelmismo significado que las ecuaciones [5.2][5.3][5.4][5.7][5.8] y [5.9] respectivamente del Modelo Predictivodeterministaperoadiferenciadesteno secontemplantodaslasetapas,slose tienenencuentaaquellasenlasquelostrabajostienenoperacionespendientes. Las restricciones [5.17][5.18] y [5.22] son idnticas a las ecuaciones [5.5][5.6] y [5.10] respectivamentedelModeloPredictivo. Lasrestricciones[5.23]y[5.24]fuerzanaqueelvalordeat(i)seaunosieltrabajoiseiniciaen el Programa Productivo Sv con anterioridad al su correspondiente trabajo cj(i)=i en el ProgramaSv1.Delamismaformalasrestricciones[5.25]y[5.26]fuerzanaqueat(i)seaunosi el trabajo i del Programa Productivo Sv que se est calculando inicia su primera operacin antesdelinstantet+VA.Lacombinacindelasvariablesa(i)*at(i)serunocuandocoincidan

321

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ambas circunstancias simultneamente. De esta forma se pueden contabilizar en la Funcin Objetivolostrabajosquecumplenambascondiciones. Larestriccin[5.27]fuerzaaquelafechadeiniciodecualquiertrabajoseasiempreposteriora lafechadepuestaenmarchadelProgramaReactivo. Las restricciones [5.28] y [5.29] se utilizan para forzar a que los trabajos en ejecucin en el instantedelaReprogramacinnoseanmodificadosypuedenseguirejecutndoseenlamisma mquina(recurso)enlaquelohacanenelProgramaSv1.As,larestriccin[5.29]obligaaque los trabajos con operaciones en curso (interrumpidos) se inicien justo en el momento de iniciarseelProgramaReactivo.Ylarestriccin[5.28]fuerzaaquetodoslostrabajosencurso (interrumpidos) continen ejecutndose en la mquina donde se estn realizando en el ProgramaanteriorSv1. Como se puede observar con facilidad el nmero de restricciones y variables ha aumentado respecto del Modelo Predictivo determinista por lo que todos los comentarios realizados respecto al clculo de una solucin ptima del Modelo Predictivo son vlidos en caso del ModeloReactivo.

5.4.5 ModeloconIncertidumbre
En los puntos 5.4.1 y 5.4.3 se han definido los Modelos Deterministas para el clculo del Programa de Produccin Predictivos y Reactivos respectivamente. Lo que implica que en dichosmodelosseasumecertidumbreentodoslosaspectosdelproblema.Enesteapartado se van a formular Modelos de Programacin Matemtica Fuzzy que tratan de de superar la rigidezdelmodelodeterministayadaptarsemejoralarealidaddelproblema. Comoyasecomentenelpunto5.2.1.2.1lasfuentesdeincertidumbrequeseconsideranson losTiemposdeEjecucindelasoperacionesylosTiemposdeCambiodepartidadependientes de la Secuencia. Por lo tanto, la Incertidumbre afecta a las restricciones del Modelo Matemtico.(Zimmermann,H.J.1976)propusolautilizacindeconjuntodifusosparapoder hacermsrelajados,borrosos,losrequerimientosestrictos de laFuncin Objetivoydelas restricciones. No se trataba nada ms que de la utilizacin de los conceptos de borrosidad propuestospor(Bellman,R.&Zadeh,L.1970)unosaosantes.

322

DescripcinyModeladoMatemticodelProblema

Captulo5

Enestecasoseplantearndosmodelos,unoparaelcasodelaProgramacinPredictivayotro para el caso de la Programacin Reactiva. En ambos casos, la Funcin Objetivo ser Determinista,ysernlasrestriccioneslasqueincorporarncoeficientesfuzzy. Acontinuacinseintroducirnlasmodificacionesoportunasalosmodelosdeterministaspara la Programacin Predictiva y Reactiva que permitirn disponer de la formulacin fuzzy de dichosmodelos.

5.4.5.1 ModeloPredictivoFuzzy ApartirdelmodelodeterministaparalaProgramacinPredictivaseformulaelmodelofuzzy sustituyendolasrestricciones[5.7],[5.8]y[5.9]porlassiguientesecuaciones:

[5.30]

mx ( r ) NX

s(i 2 , r) s(i 1 , r) +

(p(i , j, r) + (st (i , i , j, r) x(i , i , j, r) )) + x(i , i

mx ( r ) j =1 i3 = 0 1 3 1 3 1

j=1

, j, r) - 1

i1i3, i2i3, i1=0..NX, i2=1..NX+1, r es un nmero arbitrariamente grande

[5.31]

s(i 2 , r) +

NX mx ( r ) j=1

i1 = 0

{st (i

, i 2 , j, r) x(i 1 , i 2 , j, r)

NX mx ( r 1) s(i 2 , r - 1) + p (i 2 , j, r - 1) + st (i 3 , i 2 , j, r - 1) x(i 3 , i 2 , j, r - 1) i = 0 j=1 3

i1i2, i2, r>1

323

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

[5.32]

NX mx( RX ) c(i2 , RX) s(i2 , RX) + p(i 2 , j, RX) + (st(i1 , i 2 , j, RX) x(i1 , i 2 , j, RX)) i =0 j=1 1
i1i2,i2,

Los parmetros ciertos p ( i , j , r ) y st ( i1 , i 2 , j , r ) del Modelo Predictivo determinista se han sustituido por los parmetros inciertos p ( i , j , r ) y st ( i1 , i 2 , j , r ) . Los parmetros inciertos indicados son Conjunto Fuzzy normalizados cuya funcin de pertenencia podra adoptar diferentesformas(triangular,trapezoidal,curva,etc.).Quizslarepresentacinmssimplesea latriangular.Estarepresentacinasumeuncompromisointermedioentrelasimplicidadyel modeladodelarealidad.Enesecasosepodradefinirdelasiguienteforma:
[5.33]

f(x)=

( x a)

(c a ) (b c)

si a x c si c x b

(b x)

0enotroscasos.

Dondex,a,bycsonnmerosrealesdetalformaquesia=b=cnoserannmerosfuzzy.Enla Figura56sepuedeobservarunarepresentacingrficadelavariabledifusa.Enelcasoque nosocupa,quedarapordeterminarlosvaloresa,b,cparaelTiempodeProcesoInciertoyel Tiempo de Cambio de Partida Incierto. Obviamente, igual cada parmetro determinista es matricial, los parmetros difusos tambin los sern. En el caso, del Tiempo de Proceso se definirn unos valores a, b, y c para cada combinacin de trabajo, etapa, y recursos, y en el caso de los Tiempos de Cambio de Partida se establecern unos valores a, b, y c para cada combinacindetrabajoinicial,trabajosiguiente,etapayrecurso.

324

DescripcinyModeladoMatemticodelProblema

Captulo5

Figura56.Funcindepertenenciatriangulardeunavariablexdifusa(basadoen(Gen,M.,Tsujimura,Y.,&Ida, K.1992)).

5.4.5.2 ModeloReactivoFuzzy A partir del modelo determinista para la Programacin Reactiva se formula el modelo fuzzy sustituyendolasrestricciones[5.19],[5.20]y[5.21]porlassiguientesecuaciones:

[5.34]

s(i 2 , e) s(i1 , e) +

mx ( e ) NX

(pu (i , j, e) l(i ) + (st (i , i , j, e) x(i

j =1 i3 = 0 1 1 3 1

mx ( e ) , i1 , j, e) + x(i1 , i 2 , j, e) - 1 j=1

))

i1i3, i2i3, i1=0..NX, i2=1..NX+1, r es un nmero arbitrariamente grande

[5.35]

NX mx ( e )

s(i 2 , e) +

i1 = 0 j=1

{st(i , i
1

, j, e) x(i1 , i 2 , j, e)

NX mx ( e1) s(i 2 , e - 1) + pu (i 2 , j, e - 1) l (i2 ) + st (i 3 , i 2 , j, e - 1) x(i 3 , i 2 , j, e - 1) i =0 j=1 3

i1i2, i2, e>min(i2)

325

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

[5.36]

NX mx ( RX ) c(i 2 , RX) s(i 2 , RX) + pu (i 2 , j, RX) l(i 2 ) + (st (i1 , i 2 , j, RX) x(i1 , i 2 , j, RX)) i =0 j=1 1

i1i2,i2

Delamismaformaqueelmodeloanteriorlosparmetrosciertos p ( i , j , r ) y st ( i1 , i 2 , j , r ) del Modelo Determinista Reactivo se han sustituido por los parmetros inciertos p ( i , j , r ) y st ( i1 , i 2 , j , r ) . Los parmetros inciertos sern Conjuntos Fuzzy Normalizados, definidos de la misma forma que se hizo para el caso de Programacin Predictiva con Incertidumbre.

5.4.6 ComentariosalModeloconIncertidumbre
La funcin objetivo y las restricciones desempean papeles diferentes, las restricciones definen el espacio de la solucin de forma imprecisa o fuzzy, y la funcin objetivo induce el ordendealternativasdedecisin.En(Mula,J.2004)seindicaqueparaestetipodeproblemas puedenutilizarsedosposiblesenfoques: Ladeterminacindeunconjuntodifusodeladecisin. La determinacin de una decisin de maximizacin precisa agregando la funcin objetivo despus de la transformacin apropiada de las restricciones. Se trata de encontrarunpuntoquesatisfagalasrestriccionesyelobjetivoconelgradomximo. EsteconceptoesadaptadoalosproblemasdeProgramacinMatemticapor(Tanaka, H.,Okuda,T.,&Asai,K.1984).

En cualquiera de los casos, primero se transforma cada problema fuzzy en un problema deterministaequivalente,quesedenominaModeloParamtrico.Existenmltiplespropuestas para el desarrollo de un Modelo Paramtrico a partir del modelado fuzzy. En (Mula, J. 2004;Peidro Pay, D. 2006) se realiza un profundo anlisis y aplicacin de algunas de las tcnicasmsrelevantesalModeladodelProblemadePlanificacin.

326

DescripcinyModeladoMatemticodelProblema

Captulo5

Enbasealapropuestade(Carlsson,C.&Korhonen,P.1986)sevaarealizarunaaproximacin tericaalatransformacindeunmodelofuzzyenunmodeloparamtricoparaconsiderarcual eslacomplejidadqueintroducesobrelapropuestadeterministainicial.Eltrabajode(Carlsson, C.etal.1986)consideraelsiguienteModeloMatemtico:

[5.37]

Max z = c x Sujetoa

[5.38]

x X = x / Ax b, x 0

Losparmetrosdeestemodeloestndefinidosmedianteintervalosfuzzydelaforma[c0,c1), [A0,A1),[b0,b1).Elprimervalor,olmiteinferior,representalosvaloressegurosenelsentido de que pueden obtenerse posibles soluciones con altos grado de certidumbre. El segundo valor,olmitesuperior,representalosvaloresimposiblesoirrealesdondelasolucinobtenida puede no ser implementable. Desplazarse de valores seguros a valores imposibles supone pasar de soluciones con alto grado de implementabilidad a soluciones bajo grado de implementabilidad. El objetivo radica en obtener valores dentro de estos lmites como una funcindegradosdeimprecisindeparmetros(Carlsson,C.etal.1986). Laprecisindeunasolucinptima,s,sedefinemediantelainterseccindelasfuncionesde pertenenciarelacionadasconlosparmetrosimprecisosdefinidoscomoc,A,b.

[5.39]

s = (cj Aj bj ) j=1..n

Laexpresinsignificaquelaprecisinheredadaenlasolucinptimaesigualalaprecisindel parmetromsarriesgado.Paraelmodelo[5.39]elmejorvalorparalafuncinobjetivopara unnivelfijadodessealcanzacuando:

[5.40]

= (cj = Aj = bj ) j=1..n

Aunqueelmodelotiendeausarlosvaloresmsarriesgadosdelosparmetros,laexpresin anteriorsignificaqueelmejorvalordelafuncinobjetivo,aunniveldadodeprecisin,puede encontrarseutilizandovaloresparalosparmetrosenelmismoniveldeprecisin(Carlsson,C. etal.1986). Asumiendo que los parmetros definidos como p [ p 0 , p 1 ) disponen de funciones de pertenencialinealesmontonamentedecrecientes:

327

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

[5.41]
1 0 1 p = [( p p ) ( p p )]

,donde

p p 0 , p 1 y p = 1 si p < p 0 , p = 0 si p > p 1

El parmetro p se evala como p = p 1 + p ( p 0 p 1 ) . Usando esta estructura el modelo [5.39]quedara:

[5.42]
1 0 1 Max z = c + (c - c ) x

sujeto a A1 + ( A 0 A1 ) x b 1 + (b 0 b 1 ), donde c = A = b =

x0

Se ha asumido en el modelo [5.42] que todas las funciones de pertenencia son idnticas y lineales para todos los parmetros. Por supuesto esto no tiene porque ser as, pudiendo disponer de combinaciones de funciones de pertenencia lineales, lineales a trozos (triangulares,trapezoidales,etc.),exponenciales,hiperblicasquepuedenadaptarsemejora situacionesreales. Una vez obtenido el Modelo Paramtrico quedara por establecer un Conjunto Difuso de la decisin, y en todo caso posteriormente establecer el ptimo del conjunto. Para la determinacindelConjuntoDifusodelaSolucin,(Orlovsky,S.A.1977)sugiere calcular, para

todos los -niveles del espacio de soluciones, los valores ptimos correspondientes de la funcin objetivo y considerar como el Conjunto Difuso de la solucin los valores ptimos de la funcin objetivo, con el grado de pertenencia igual al -nivel del espacio de solucin. Es decir, se trata de establecer mltiples valores para . En (Werners, B. 1987) se definen los conjuntos de -niveles del espacio de soluciones como R = {x / x X , R ( x) }y el conjunto de soluciones ptimas para cada conjunto del -nivel como N ( ) = {x / x R , f ( x) = sup x 'R f ( x' )}. El Conjunto Difuso de la solucin se define por la funcin de pertenencia:
[5.43]

OPT(x)=

0enotroscasos.
sup

si x N >0 ( )

328

DescripcinyModeladoMatemticodelProblema

Captulo5

LafuncindepertenenciadelConjuntoDifusodelosvaloresptimosdelafuncinobjetivose definecomo:
[5.44]

f(r)=

0enotroscasos.
sup OPT (x)

si r R f

(r ) 0

donde f(x) es la funcin objetivo con valores funcionales r. En el caso de la programacin lineal, la determinacin de los valores r y OPT(x) se puede obtener por programacin paramtrica. Porlotanto,elclculodelassolucionesparaunmodelofuzzydadoimplicanlaresolucinde mltiples Modelos Deterministas asociados, tantos como niveles se consideren. Los modelos deterministas asociados un modelo fuzzy, denominados Modelos Paramtricos, son de complejidadsimilaralModeloDeterminista,yporlotantoeltiempodeclculoesdeunorden de magnitud similar. Lo que hace que las tcnicas optimizadoras aplicada a este tipo de modelosaumentenlamagnituddelacomplejidaddeclculodeunProblemayadeporsdifcil deresolverptimamenteensuversinDeterminista.Laincorporacindelaborrosidaden el problema nos empuja con mayor fuerza hacia la bsqueda de mtodos de resolucin alternativosalosoptimizadores.

5.4.7 ConsideracionessobrelaMedicindelaGestindelPrograma
Se ha considerado, y lo expuesto hasta este apartado as lo confirma, que un Programa Productivoestarbiengestionadosiseaprovechalaocasinoriginadaporalgneventopara situarlaocupacindeltallerlomsprximaposiblealaCapacidadDisponibleeneseinstante. ParaalcanzarestepropsitoesnecesarioadaptarencadaocasinelProgramaProductivoen curso, aplicando el algoritmo de reprogramacin incluido en un procedimiento, que menor nmero de trabajos penalizables introduzca (ver la funcin objetivo del modelo de ProgramacinReactiva). Parecerazonableplantearquecontramayorseaelnmerodecambiosqueseproduzcan,ms fcilmente se podr reducir la distancia entre Capacidad Disponible y Ocupacin del taller, peromsprobablementeseincrementaranlasalternacionesnodeseadas,esdecirlostrabajos penalizables. Por lo tanto, se trata de equilibrar ambas situaciones para lo cual se deben
329

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica formularunaseriedeindicadoresclavequepermitanguiaralprogramadorenlaGestindel Programa. SehaestablecidoquelavariablefundamentalenlamedidadelaGestindelProgramaseala Tasa de Productividad Promedio alcanzada durante un periodo, es decir, del nmero de m2 producidos por semana, por mes, o por el periodo que se elija en cada momento. Se debe subrayar que el objetivo se aplica en un entorno decisional muy concreto, y que en ningn momentosepretendequelasempresasbusquenproducirelmximoposibleatodacostasin relacionarestadatoconlademandaexistente.EnelentornodelProgramadorseentiendeque los recursos disponibles han sido previamente ajustados de forma aproximada a las capacidades que en cada momento se necesitan por decisiones de tipo tctico, por ejemplo cerrandoalgunalneasilasnecesidadesdeunaseriedeperiodossereducen.Porlotanto,la tasa de productividad se debe entender como un concepto relacionado con el mximo aprovechamientodelosrecursosexistentes. Dos formas de gestionar diferentes establecern combinaciones clculo de los Programas Predictivos y Reactivos diferentes, lo que supondr una Tasa de Productividad promedio diferente.ElconceptodeTasadeProductividadpromediocomoelementocomparativoentre diferentesformasdegestionarunProgramaslopodrconsiderarsevlidocuandostosestn sometidos a las mismas condiciones. Es obvio, que ante situaciones productivas diferentes comoserandiversosgradosdeincidencias(algunosProgramassometidosafuertesadelantos y/o retrasos en las fechas de finalizacin de las operaciones y otros sin incidencias, por ejemplo),odiversosgradosdecargaenlasinstalacionesmotivadospordemandaselevadasen algunos casos, y reducidas para otros Programas Productivos (esta situacin puede suponer queenalgncasoseaimposibleadelantartrabajospornoexistirningunodisponibleporbaja demanda, por ejemplo) no sera coherente utilizar la Tasa de Productividad promedio como elementocomparativo. Dentro de la variable Tasa de Productividad promedio se embeben los efectos, tanto de la Programacin Predictiva, como de la Reactiva, ya que el nmero de m2 final producido depende de la forma de abordar ambas situaciones. No obstante, puede ser interesante disponerdedatosqueinformensobrelatasadeproductividadinicialdebidaalaaplicacinde lacorrespondientetcnicadeProgramacinPredictiva,tambindedatosqueinformensobre el incremento o decremento de la tasa de productividad durante la ejecucin del Programa Productivo.Estaltimainformacinpuedeayudaravalorarcomoinfluyelaformadeafrontar laReprogramacinendiversascircunstancias.

330

DescripcinyModeladoMatemticodelProblema

Captulo5

Adems de la Tasa de Productividad promedio se considera que es necesario incluir algn indicador adicional que mida el esfuerzo que implica alcanzar una determinada Tasa de Productividadpromedio,yelmargendemejoraposible. Dado que no se ha encontrado ningn medible definido para el entorno de la industria cermica en relacin al problema planteado en la propuesta de solucin del problema se plantearaqueloaquellosquesecreaqueseajustanmsalasconsideracionesrealizadasen esteapartado.

5.4.8 UtilidaddelosModelosMatemticos
PorloquehacereferenciaalprocesodeclculodelosProgramasProductivos,talycomose plante desde un principio la elaboracin de los Modelos Matemticos ha aportado una comprensin bastante detallada de cada uno de los problemas planteados inicialmente. Desafortunadamente, en ninguno de los casos analizados se pueden obtener resultados de forma gil mediante tcnicas de resolucin optimizadoras, y menos si se tiene en cuenta la Incertidumbre.Laresolucindecadamodelotieneuncostecomputacionalelevadoutilizando ordenadoresconunascaractersticashabitualesenlaofertacomercial. Dado que el clculo de un Programa Predictivo o Reactivo no es ms que una parte del procedimiento, y que dicha actividad puede llegar a repetirse en varias ocasiones antes de validarunPrograma,hayquedestacarqueelcostecomputacionalglobaldelprocedimientode Establecimiento o Modificacin de un Programa Productivo puede llegar a ser mucho ms elevadodelquecostarael,yadeporselevado,ClculodelPrograma. La solucin a los problemas de clculo, as como al problema global, se abordar en la propuesta de resolucin. No obstante, ya se avanza que sta considerar la exploracin de tcnicas no basadas en la optimizacin, ms prximas a la visin metaheurstica, que fundamentalmente permitan conjugar el problema de gestin y el de clculo con unos resultadosalmenosrazonables.

5.5

Conclusiones

En este captulo se han identificado un problema de Programacin de la Produccin en el marco de la Industria Cermica que en lo sucesivo ser tratado con el fin de encontrar una solucinadecuadaalmismo.

331

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Desdeunprimermomentosedetectolacomplejidadqueelmismoplanteabaylanecesidad de realizar diversos modelos que permitieran su completa definicin. Se ha realizado una aproximacinprogresivaalproblemautilizandoenprimerlugarellenguajenaturaloliterario para establecer las bases del mismo. Y la posterior introduccin del Modelado Matemtico paradefinirconprecisinaquellosaspectosqueaslorequeran,hapermitidodisponerdeuna visindelproblemaconelniveldedetalleadecuadoencadamomento. La descripcin del problema (apartado 5.2) y el Modelado Matemtico de los procesos de clculo (apartado 5.4) han permitido entender el problema y han proporcionado al mismo tiempounabaseimportanteparapoderplantearsolucionesalmismo. Desdeunanlisissintticodelproblemaexpuestosepuedeconcretarquesehanidentificado dosgrandesdificultades:

LaprimeradeellasestaraasociadaaloquesehadenominadoGestindelPrograma Productivo. la segunda de ellas estara relacionada con las capacidades de obtencin de los ProgramasPredictivoyReactivoensmismos.

La Gestin del Programa Productivo se ha planteado al considerar la necesidad de realizar cambiosenelProgramaencursosisedandeterminadascondiciones.Esteprocesoseimplica lanecesidadderealizar un seguimiento continuo del Estado del Programa,Valorardiversas situaciones,yTomarDecisionessobrelaposibilidadderealizarciertoscambios,ytodoello sinperderdevistaelobjetivoasociadoalaEficienciadelProceso.Setrataporlotantodeun procesocomplejoydifcilderealizarconxito,yaquestenodependeexclusivamentedela propiaGestinsinotambindeloseventosquevayanproducindose.Losprocesosdeclculo de los Programas Predictivo y Reactivo son funcionalidades que son demandadas por el procesodeGestindelPrograma,yqueenestesentidodependendel. En la bibliografa revisada no se han encontrado muchos ejemplos en los que se plantee la resolucin de problema en los que se combinen aspectos cualitativos y cuantitativos. La mayora de los problemas de Programacin de la Produccin se enfocan con una visin cuantitativa, loqueimplicalaexistenciade unampliomargenparala investigacin.Adems aunqueenlaliteraturasehanencontradomltiplesproblemasenfocadoscomoProgramacin Predictiva, y algunos, aunque muchos menos, con un enfoque de Programacin Reactiva, es casiimposibleencontrarcasosenlosqueambossehayancombinadoenelmismoproblema elenfoquePredictivoyReactivo.Porlotanto,elproblemaidentificadoesnovedosotantopor la doble combinacin, en el mbito de la Toma de Decisiones (gestin y clculo) y en el
332

DescripcinyModeladoMatemticodelProblema

Captulo5

mbitodelostiposdeProblemasdeclculodelaProgramacindelaProduccindetectados, y adems se enmarca en un entorno en el que no se conocen planteamientos similares: La industriacermica.

Enelprximocaptuloserealizarunapropuestaparacompletarladefinicindelproblemay abordar la solucin al caso que se ha planteado. La propuesta contendr la Metodologa, ArquitecturayHerramientasqueseproponenemplear,yconellasedispondrdeunavisin estructuradadeltrabajoquequedapendientederealizar.

5.6

Bibliografa

Alfaro, J. J. 2003. Sistema de Medicin del Rendimiento en el Marco de la Propuesta IEGIP. AplicacionaunaPYME.UniversidadPolitcnicadeValencia. Andrs,C.2001.ProgramacindelaProduccinenTalleresdeFlujoHbridosconTiemposde Cambio de Partida dependientes de la secuencia. Modelos, Mtodos y Algoritmos de Resolucin.AplicacinaEmpresasdelSectorCermico.UniversidadPolitcnicadeValencia. Bellman,R.&Zadeh,L.1970.Decisionmakinginafuzzyenvironment.ManagementScience, 17(4):141164. Carlsson,C.&Korhonen,P.1986.Aparametricapproachtofuzzylinearprogramming.Fuzzy SetsandSystems,20(1):1730. Conway, R. W., Maxwell, W. L., & Miller, L. W. 1967. Theory of Scheduling. AddisonWesley PublishingCompany. Gen,M.,Tsujimura,Y.,&Ida,K.1992.MethodforSolvingMultiobjectiveAggregateProduction Planning Problem with Fuzzy Parameters. Computers & Industrial Engineering, 23(14): 117 120. Mula,J.2004.Modelosparalaplanificacindelaproduccinbajoincertidumbre.Aplicacinen unaempresadelsectordelautomvil.DepartamentodeOrganizacindeEmpresas,Economa FinacierayContabilidad.UniversidadPolitcnicadeValencia. Orlovsky,S.A.1977.Onprogrammingwithfuzzyconstraintsets.Kybernetes,6:197201. Peidro Pay, D. 2006. Modelos para la planificacin tctica centralizada de una cadena de suministro bajo incertidumbre. Aplicacin en una cadena de suministro del sector del automvil.UniversidadPolitcnicadeValencia. Rodrguez, R. 2007. Desarrollo de una Metodologa y Arquitectura para la Identificacin y AnlisisdeRelacionesentreIndicadoresdeRendimientodeunaOrganizacin.Aplicacinauna EmpresadelSectorCermico.UniversidadPolitcnicadeValencia.
333

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Tanaka, H., Okuda, T., & Asai, K. 1984. On fuzzy mathematical programming. Journal of Cybernetics,3:3746. Vieira, G. E., Herrmann, J. W., & Lin, E. 2003. Rescheduling manufacturing systems: A frameworkofstrategies,policies,andmethods.JournalofScheduling,6(1):3962. Werners,B.1987.Aninteractivefuzzyprogrammingsystem.FuzzySetsandSystems,23:131 147. Zimmermann,H.J.1976.Descriptionandoptimizationoffuzzysystems.InternationalJournal GeneralSystem,2:209215.

334

Captulo
EnfoqueEmpleadoparalaElaboracin delaPropuesta

EnfoqueEmpleadoparalaElaboracindelaPropuesta

Captulo6

Tabladecontenido
6. Captulo6.....................................................................................................................339 6.1 Introduccin.................................................................................................................339 6.2 EsbozodelaPropuesta................................................................................................341 6.3 MetodologaparalaElaboracin/EjecucindelaPropuesta......................................343 6.4 Arquitectura.................................................................................................................350 6.5 Herramientas................................................................................................................354 6.6 VisinGlobaldelenfoqueM.A.T..................................................................................357 6.7 Conclusiones................................................................................................................359 6.8 Bibliografa...................................................................................................................360

337

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

ndicedefiguras
Figura61.RepresentacingrficadelacombinacindeelementosdelaaproximacinM.A.T. (elaboradaenladescripcindeltrabajodelproyectoECOSELL).....................................340 Figura 62. Relacin entra la estructura del problema y la estructura de la propuesta de solucin(elaboracinpropia)...........................................................................................342 Figura63.Fasesdelametodologapropuesta(elaboracinpropia)......................................344 Figura64.Agrupacindeloselementosconstructivosempleados(elaboracinpropia)parala propuestadelaPlataforma..............................................................................................351 Figura 65. Relacin de herramientas empleadas y generadas en la propuesta de solucin (elaboracinpropia).........................................................................................................355

ndicedeTablas
Tabla61.Relacinentrelos3tiposdeelementosdelenfoqueM.A.T.(elaboracinpropia).358

6.

338

EnfoqueEmpleadoparalaElaboracindelaPropuesta

Captulo6

Captulo6

6.1

Introduccin

Conestecaptuloseinicialasegundafasedelatesis,enlacual,seelaborarunapropuesta quetienecomofindarcoberturaalproblemaidentificadoenloscaptulosanteriores.Comose hapodidocontrastarelcasoqueseproponeresolverpresentaunagrancomplejidadtanto porlosnivelesdecisionalesalosqueafecta,comoporlavariedaddeproblemasdeclculo quesehanidentificado.Porestemotivosehaconsideradonecesarioincluirunadescripcin delcaminoquesevaaseguirparaafrontarlafasederesolucinqueconformarlapropuesta.

Inicialmenteseconsidersimplementelanecesidaddeformalizarelconjuntodepasosquese pretende realizar y de resultados que se espera obtener. Como consecuencia de dicho planteamiento se abordaron aspectos metodolgicos. Sin embargo, casi de inmediato, se detect que dicha formalizacin de una metodologa no era suficiente para alcanzar el objetivodelcaptulo.Porello,setomladecisindequelaformalizacinquesenecesitaba sefundamentarenlaaplicacindeunaaproximacinqueyahabadadobuenosresultados en diferentes proyectos (VCHAINi, ECOSELLii). Se trata de la aproximacin M.A.T., cuyo acrnimo procede precisamente de la combinacin de los 3 elementos que la caracterizan: Metodologa, Arquitectura y Tecnologa/Herramientas. Debido a su amplio enfoque M.A.T. cubremejorlasnecesidadesidentificadas.

La aproximacin M.A.T., cuya representacin grfica se muestra en la Figura 61, se origina inicialmente durante la elaboracin de la propuesta IEGIP en el mbito de la Integracin Empresarial contenida en (Ortiz Bas, A. 1998). En este mbito se identific como era altamenterecomendablecontarconlos3elementosyaindicados.Laaportacindecadauno deloselementos,adaptadosalasnecesidadesdeestatesis,debeserlasiguiente: Metodologa:Explcitalospasosparaabordarydesarrollardeunaformaadecuada laresolucindelcaso.Presentaunadescripcinprecisadelastareas,estableceel detalleylacantidaddeinformacinnecesaria,etc.

El proyecto VCHAIN (Virtual Enterprise for Supply Chain Management), GRD1200025881, fue financiadoporlaComisinEuropeadentrodelVProgramaMarco,yejecutado2000a2003. ElproyectoECOSELL(ExtendedCollaborativeSellingChain),GRD1200140692,fuefinanciadoporla ComisinEuropeadentrodelVProgramaMarco,yejecutado2003a2005.

ii

339

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Arquitectura: Proporciona los elementos conceptuales que permiten la estructuracindelapropuesta,mostrandolainterrelacindetodaslaspartesy/o funcionesdelprocedimientoseguido. Tecnologas/Herramientas: Dan soporte al desarrollo de los conceptos arquitectnicosymetodolgicosdelapropuesta.

El enfoque M.A.T. proporciona una estructura cuya ventaja fundamental es la de hacer reflexionar al constructor de la propuesta sobre cual es la interaccin de los diferentes elementos entre s para cada caso concreto. La mayora de los enfoques abarcan exclusivamente la parte metodolgica, pero esa visin parcial es insuficiente porque no permite al lector disponer desde el primer momento de la informacin relativa a los componentes(bloquesconstructivos)sobrelosqueseasientaeldesarrollodelametodologa. Ademsesavisinparcialimpideconocerlosinstrumentos,normalmentetecnolgicos,quese debenaplicar.Laausenciadeestoselementosenelcasodelapropuestaqueseplanteaenlos sucesivoscaptulosimpediralacomprensindelamisma.

M.A.T. (Metodologa, Arquitectura, Tecnologia/Herramienta)

Arquitectura y Modelos de Referencia

Metodologa

Tecnologa/ Herramienta

Figura61.RepresentacingrficadelacombinacindeelementosdelaaproximacinM.A.T.(elaboradaenla descripcindeltrabajodelproyectoECOSELL).

SedebesubrayarqueelenfoqueM.A.T.vaaserempleadoparaabordarlaresolucindeun problema concreto previamente identificado, y que en este sentido, ni la metodologa, ni la arquitectura,nilasherramientasquesedesarrollenestnpensadasconcarctergeneral.En otras palabras no se pretende alcanzar una propuesta para la resolucin del problema de Programacin PredictivoReactivo de la Produccin en general, ya que no ha realizado un
340

EnfoqueEmpleadoparalaElaboracindelaPropuesta

Captulo6

anlisis de los tipos de subproblemas que se pueden encontrar, ni tampoco se ha validado contra diferentes configuraciones. Slo se trata de la estructuracin de un conjunto de elementos metodolgicos, arquitectnicos y tecnolgicos que han resultado vlidos para el casoidentificadoenelcaptulo5.

Elrestodelcaptuloestorganizadodelasiguienteforma:Enprimerlugar,enelapartado6.2, serealizarunsencilloesbozodelapropuestaquefacilitelacomprensindelenfoqueM.A.T. En el resto de apartados se realizar una descripcin de cada uno de los 3 elementos por separado,loquesecorrespondeconlosapartados6.3,6.4,y6.5.Unavezdescritosunoauno los 3 elementos, en el apartado 6.6, se analiza la relacin existente entre los ellos y su posterior desarrollo. Y finalmente en el apartado 6.7 se realiza un resumen del captulo a mododeconclusindelmismo.

6.2

EsbozodelaPropuesta

Adems de conocer como se construir la propuesta es importante transmitir cual ser la formaquestapuedellegaratomar.Setratasimplementedeunsencilloesbozoquepermita entenderelporquedealgunospuntosquepuedenllegaraproponer.

Hasta el momento slo se ha identificado el problema que se desea abordar, ahora bien la propuestadesolucinpuedetomarmuchasformas,yenfuncindelaquesedeseedarasta, lacombinacindemetodologa,elementosarquitectnicosytecnologadebeserdiferente.

Enelcaptulo5sedeterminlaestructuradelproblemaidentificado,consistiendoesteenun nivel de gestin que proporcionara los resultados finalistas despus de un proceso de balanceo de diversas opciones, y un nivel de aspectos cuantitativos ligados al clculo de Programas Productivos Predictivos o Reactivos que alimentan al nivel de gestin. En base a esta visin se ha decidido establecer un gran continente que denominaremos Plataforma queestarasociadaalniveldegestin,ytambinexistirn,ubicadosdentrodelaPlataforma, una serie de algoritmos para el clculo de los Programas Productivos. Esta asociacin se representagrficamenteenlaFigura62.

Para alcanzar un resultado adecuado durante el proceso de creacin de la propuesta se manejarandiferentesconceptosquedarnlugaraalgoritmos,mtodosymodeloscapacesde mostrar como alcanzar soluciones para el problema identificado. Un paso ms all sera la implementacindelconjuntodeelementosqueformenpartedelapropuestademaneraque sepudieraautomatizarelprocesodeobtencindelresultado.Esteaspecto,laautomatizacin, marcarlaformadeelaboraroconstruirlapropuesta.PorestemotivoalaPlataformasele
341

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica debera denominar de forma ms adecuada Plataforma Software, ya que finalmente se podr disponer de un elemento software. Como se ver posteriormente la metodologa, la arquitecturaylasherramientasquesevanaemplearestnmuyrelacionadasconeldesarrollo desoftware.

EstructuradelProblema

Gestin

Programa Productivo delPeriodo

Aspectos Cuantitativos

Programa Predictivo

Medibles dela Gestin Programa Reactivo

Algoritmos Clculo Reactivo AlgoritmosClculo Predictivo(SMA)

ProcesodeNegocio ProgramacinReactiva

PlataformaSoftware (SMA)

ProcesodeNegocio ProgramacinPredictiva

EstructuradelaPropuesta

Figura62.Relacinentralaestructuradelproblemaylaestructuradelapropuestadesolucin(elaboracin propia).

Desdeelpuntodevistatecnolgico,yenrelacinconlamencionadaplataformasoftware,hay que sealar que su diseo e implementacin estar basado en el paradigma de Sistemas Multiagentes. Ello significa que una vez se identifique como se desea alcanzar la solucin al problema, en el proceso de diseo de la Plataforma, se seguir un enfoque en el que se considerarlaexistenciadeunconjuntodeAgentes.CadaunodelosAgentesdispondrdeun roldeterminadoatravsdelcualdebernrelacionarseentreellosparaejecutarunapropuesta quepermitagestionaradecuadamentelosProgramasProductivosalolargodeunperiodo.El mencionadoSistemaMultiagenteconformarlaestructuradelaPlataformaSoftware,ydar coberturaalniveldegestin.LosSistemasMultiagenteemplearnciertashabilidadespara alcanzar sus objetivos, algunas de estas habilidades no son ms que procedimientos o funcionesconlosquestosobtienenresultados.Entrestosseencuentranlosprocedimientos declculodelosProgramasProductivosPredictivosyReactivos,queseencuentranubicados enelniveldeaspectoscuantitativos.
342

EnfoqueEmpleadoparalaElaboracindelaPropuesta

Captulo6

No hay nada que impida que exista un Sistema Multiagente dentro de otro, trabajando en niveles diferentes. Pues bien, as es como se ha ideado la propuesta que se pretende desarrollar.LaplataformaserdiseadaeimplementadacomounSistema Multiagente, yel procedimientodeclculodelProgramaProductivoPredictivosediseareimplementarcon otro Sistema Multiagente. El procedimiento de clculo del Programa Productivo Reactivo se diseareimplementarmedianteelprocedimientodedesarrollodesoftwaretradicional,en estecasoorientadoaobjetos.PorestemotivoenlaFigura62sehaincluidoelacrnimode losSistemaMultiagente,SMA,enlosdoselementossealados.

Porltimo,esconvenienteremarcarqueaunquesehadesarrolladounametodologageneral, para alcanzar el objetivo final se emplearn metodologas complementarias, incluidas en la primera con el fin de realizar tareas especficas. Entre estas se destaca la metodologa empleadaparaeldesarrollodeexperimentos,entreotrasqueposteriormenteseindicarn.

A partir del prximo apartado de desarrollan sucesivamente los 3 elementos bsicos del enfoqueM.A.T.

6.3

MetodologaparalaElaboracin/EjecucindelaPropuesta

Dentrodelelementometodolgicoseproponelautilizacinde6grandespasos,talycomose puedeverenlaFigura63. La metodologa parte de la hiptesis de que el problema general ya ha sido identificado, de una manera similar al trabajo realizado en el captulo 5. Adems la metodologa propuesta parte de la idea de que debe dar cobertura al desarrollo de una solucin con un soporte tecnolgico elevado. En concreto se ha asumido como reto alcanzar una solucin que sea fcilmente utilizable en un entorno real, y en consecuencia como parte de los resultados esperados se debe elaborar una herramienta software. Este no es el nico resultado que se esperaobtener,perosiesunodelosquemsinfluyeenlasfasesestablecidas. La metodologa considera tanto la construccin de una propuesta como la evaluacin de la misma.

343

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

DefinicinElementaldelProblema AnlisisdeRequerimientos DiseodelaSolucin ImplementacindelaHerramienta PruebadeFuncionamiento

Figura63.Fasesdelametodologapropuesta(elaboracinpropia).

Paracadaunadelasfasessehanestablecidohasta4aspectosqueladefinen.Unobjetivo queestableceelfindelamisma,undesarrolloenelquesedetallanlastareasdequeconsta, unosresultadosqueseesperaobtenerendichafase,yensucaso,unasrestriccionesenel desarrollodelafasecorrespondiente.Acontinuacindedetallantodaslasfases: 1. DefinicinElementaldelProblema Bajolaconsideracindequecadareadelaempresaofreceunservicioalasdemsy tieneunosobjetivosdefuncionamientodelamismaalineadosconelrestodereas,se tratadeidentificarlostemsquecaracterizandichoservicioysurelacinconelresto deformagenrica. a. Objetivo: El objetivo es establecer cuales son los input que el servicio de ProgramacindelaProduccinanalizadorecibedeotrasreas,establecerde la misma forma cuales son los outputs que ofrece, e identificar cual es el criterio que mide la mejora. Tambin se consideran dentro del objetivo la identificacin de los procesos de que consta el servicio para alcanzar sus objetivosanivelmacro. b. Desarrollo:Dadoquesetratadeunnivelmacrosetratade:
344

EnfoqueEmpleadoparalaElaboracindelaPropuesta

Captulo6

i. Identificar el objetivo del programador: Este se obtendr a partir del problemaidentificado.Entodocasotienequeresponderalintersde sureaydelsistemaproductivoenconjunto. ii. Identificar los macro procesos que el programador deber lanzar paraalcanzarsuobjetivo: iii. Identificar que recursos deben ser aportados por otras reas para que los macro procesos puedan operar: Estos recursos pueden ser fsicosodeinformacin. iv. Identificar cuando se debe disponer de los recursos necesarios previamenteidentificados. v. Revisar la coherencia del conjunto de elementos identificados y plasmarlosenundocumento(escritoygrfico). c. Resultados:UnaVisinGeneraldelaproblemticayanlisissobreprocesosde tomadedecisionesquecondicionenlosrequerimientos.

2. AnlisisRequerimientos Unavezseharealizadounaaproximacinmacroalentornodelproblema,setratadedefinir detalladamente como debe de ser el servicio definido en el paso anterior. Este servicio quedar identificado en este paso como un Dominio que interacta con otros Dominios condeterminadoobjetivo. Enestafaseyasepuedeintuirqueexisteunaciertaordenacindelamismaconelobjetivode utilizarlosresultadosenlaposteriorelaboracindeunaherramientasoftware.Noobstante, no se debe pensar de que por el hecho de que exista una orientacin en el enfoque, que posteriormentepermitaaprovecharlosresultadosenlaconstruccindeunaherramienta,esto eslonicoquesedesea.Laconsecuenciamsrelevantedeestafasedebeserlaobtencinde unaimagendeloquesedeseaobtenerenelfuturo. a. Objetivo: Identificar los elementos organizativos, los recursos (fsicos e informacin), y las tareas que forman parte o interactan en los macro procesos identificados en el rea de Programacin de la Produccin en el

345

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica pasoanterior.Ydeterminarcualessonlasrestriccionesquestosimponena unfuturoSistemadeProgramacindelaProduccin. b. Desarrollo: i. Identificar el conjunto de requerimientos del proceso completo de ProgramacindelaProduccinpara elcasoidentificado.Paraellose aplicar la metodologa CIMOSAiii (ESPRIT Consortium AMICE 1993;Kosanke,K.1995;M.Zelm,F.Vernadat,&K.Kosanke1995). ii. Identificar los requerimientos en el nivel correspondiente a los problemas de clculo del Programa Productivo para definirlo. Aplicar Modelado Matemtico, que puede ser la confirmacin o la modificacindelosmodelosyaexistentes,siloshay. c. Resultados:Porunlado,seobtendrcomomnimounadescripcindeloque en terminologa CIMOSA es el Dominio, los Procesos de Dominio, los procesos de Negocio, y las Actividades Empresariales, las Vistas de Objetos, los Objetos de Empresa, y los Conjuntos de Capacidades. Todo ello expresado con el formato y contenido especificado en la metodologa CIMOSA.Porotrolado,seobtendrunmodelomatemticoparaelclculodel ProgramaProductivoPredictivoyReactivo. d. Restriccin: Dadoquese haidentificadoqueelproblemaque seabordaest formadoporunapartecualitativaasociadaalaGestin,yotracuantitativa asociada al Calculo del Programa Predictivo o Reactivo, se ha considerado quelapartecorrespondientealclculodebequedarencapsuladadentrodelo queCIMOSAdenominaActividadEmpresarial. La consecuencia inmediata de la restriccin impuesta en esta fase es que los aspectos relacionados con la gestin de la Programacin de la Produccin en funcin del problema que se desea resolver toma un papel protagonista en el anlisis de requerimientos. Los clculosquedanenunsegundoplanodemomento.

iii

LametodologaCIMOSAserampliamentecomentadaenelprximocaptulo.

346

EnfoqueEmpleadoparalaElaboracindelaPropuesta 3. DiseodelaSolucin

Captulo6

Cuandosealcanceestafaseyasehabrdefinidocondetallequeesloqueseesperaobtener, losrequisitosprevistosenlasolucin.Ahorafaltapordarformaalaestructuraquepermitir darsolucinalproblemarespetandolascondicionespreviamentedeterminadas. a. Objetivo:Enestecaso,sehadecididoquedarsolucindebeserentendido por como un modo de configurar Programas Productivos de forma automatizada con los requisitos previamente establecidos. Por lo tanto, no slo se busca construir el proceso decisional y/o de clculo que corresponda sino que este se debe proporcionar como parte de una herramienta que permitasurpida,yenciertomodo,sencillaejecucin. b. Desarrollo: i. Planear y proyectar el un modo de solucionar de una forma automatizable la Gestin del Programa de Produccin que permita establecer el marco adecuado para la coordinacin entre la Programacin Predictiva y Reactiva a lo largo del periodo, satisfaciendo los requisitos establecidos previamente. Para ello se aplicalametodologaINGENIASiv(Pavon,J.&GomezSanz,J.2003). ii. Construir los procesos detalladamente. Se incluye en esta fase cualquier procedimiento que en el paso anterior se indicar en un nivelmacro.EnestepasosedebenelaborarAlgoritmosy/oMtodos paraelclculodeProgramasProductivosPredictivosoReactivos.Para locualhayquerealizarlossiguientespasos: 1. SeleccinoCreacindeunoovariosAlgoritmos.

iv

LametodologaINGENIASserampliamentecomentadaenelprximocaptulo.

347

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 2. Diseo de Experimentosv para analizar el comportamiento de losalgoritmospropuestos. 3. EstablecimientodelasPrestacionesEsperadas. c. Resultados:Seesperaobtenertrestiposderesultados: i. Losmodelosquedefinenlaplataforma(variosmodelosbasadosenlos 5metamodelosdelametodologaINGENIAS)quedefinanelsistema quesoportelaGestindelProgramaProductivo. ii. Procedimientos. Que pueden ser de tipo funcional o que como en el caso de los procedimientos de clculo del Programa Predictivo o Reactivo deben incluir: Los Algoritmos y la Parametrizacin recomendadaenfuncindelascondicionesdeempleodelosmismos. iii. ElanlisiscomparativodelosAlgoritmosdeClculo:Conelobjetode garantizar la calidad del proceso de clculo se realizar un anlisis comparativodelosalgoritmosempleados, 4. ImplementacindelaSolucin a. Objetivo: Transformar el diseo conceptual en un producto software al que denominaremos Plataforma, que pueda ser ejecutado en una empresa para alcanzarlosresultadosesperados. b. Desarrollo: Bsicamente consiste en la codificacin en un lenguaje de programacin adecuado del sistema informtico diseado. Se han definido 2 pasos: i. ProgramacindelaPlataformacomoDemostrador.

ElDiseodeExperimentospuedeserconsideradocomounametodologaquesercomentadaenlos captulosenlosquehagausodeella.

348

EnfoqueEmpleadoparalaElaboracindelaPropuesta ii. EvaluacindelaPlataforma. c. Resultados:LaPlataformaSoftware. 5. PruebadeFuncionamiento

Captulo6

Una vez se ha alcanzado esta fase se dispondr de un sistema, la plataforma creada y ejecutable, que ser capaz de obtener soluciones en lo que se ha denominado entorno de Demostracin. En este entorno an se necesita concretar y afinar algunos aspectos para poderse emplear como prototipo. Este cambio de demostrador a prototipo implica la elaboracindealgunosprocedimientosajustadosaunasnecesidadesconcretas(tratamiento de datos de entras/salida, parametrizacin, etc.). En esta fase se ha planteado como una prueba sobre un caso concreto para verificar la eficacia de los planteamientos propuestos (conceptuales,algortmicosysoftware)yanalizarlaeficienciadelosmismos. a. Objetivo: Realizar un anlisis comparativo entre el sistema actual de una empresarepresentativadelentornoestudiadoyelpropuestoenlaresolucin delproblema. b. Desarrollo: i. PrepararlaSimulacindelSistemaenunentornoreal:Preparardatos reales e identificar el sistema productivo particular y sus condiciones detrabajo. ii. Dar valor a los parmetros de la Plataforma: Se necesita restringir y dirigirsuformadeprocedermedianteunconjuntodeparmetrosque habrn sido identificados en la fase de diseo que ajuste su funcionamientoaunainstanciaparticulardelproblema. iii. Disear Experimentos que permitan analizar la eficiencia de la propuestaenelentornoelegido. iv. EstablecimientodelasPrestacionesEsperadas. c. Resultados:PlataformaparticularizadayAnlisiscomparativoentrelasolucin propuestaylasolucinactual.
349

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Comosevesetratadeunsencillametodologaquepartiendodeunaidentificacinbsicade los elementos de deben ser considerados en la solucin evoluciona hasta alcanzar una plataforma parametrizable capaz de generar soluciones. Y que finalmente permite analizar cual ha sido el nivel de eficiencia de la propuesta realizada. Se trata por lo tanto una metodologaparalaconstruccinyanlisisdeunapropuesta. Aunque pudiera dar la sensacin de que los aspectos cuantitativos no tiene un peso importante,sedebesubrayarqueestonoesas,loquequedardemanifiestocuandoenel apartado6.6seindiquecomosedistribuyeelcontenidodecadafase. En el siguiente apartado se identificarn los elementos que son necesarios para construir la solucin,ysejustificardichanecesidad.Enalgunoscasosyahansidocomentadosdeforma explcitaenesteapartado.

6.4

Arquitectura

El segundo elemento del enfoque M.A.T. que se va a considerar es el arquitectnico. La Arquitecturafundamentalmentedebeidentificarloselementosconstructivosempleadosenla solucin y la relacin entre ellos. Por lo tanto el objetivo de este apartado es realizar una revisindelametodologaeidentificarlosbloquesconstructivosquesernnecesariosenlas diferentes fases. De esta forma cada elemento quedar vinculado con el resto dentro del contextodelametodologa. Como se pondr de manifiesto durante el desarrollo de este apartado una de las caractersticasmsrecurrentedeloselementosconstructivosempleadoseslaabstraccin. Enmuchoscasossemanejanideasgenerales,comoporejemplolaideadeproceso,olaidea de agente software, que despus de un periodo de maduracin y adaptacin a una realidad sonparticularizadas.Estoescomnenlosprocesoscreativosenlosquesepartedeelementos dereferenciaquesonadaptadossiguiendouncaminodeterminado.Tambinesnormal,como enelcasoactual,queseempleenelementosabstractosenunadeterminadafaseyelmismo tipo de elemento, pero particularizado, en otra fase de la metodologa. Un ejemplo de este ltimoconceptoseraelempleodelaideadeAgenteenunafaseyladeunAgenteconcreto (por ejemplo un Agente que represente un subastador) en otra fase. En todo caso, en este apartadonoseharreferenciaalprocesoporelcualsetransformalosconceptos,queseha consideradocomopartedelametodologa,sinoalosconceptosoelementosensmismos. La Figura 64 muestra un resumen de los elementos constructivos empleados durante la ejecucindelametodologayagrupadosen3bloquesdiferentes.Porunlado,seencuentran
350

EnfoqueEmpleadoparalaElaboracindelaPropuesta

Captulo6

loselementosempleadosenlastareasdeidentificacinelemental,yposteriorespecificacin de los requisitos de la solucin, por otro lado se agrupan los elementos empleados en las tareascreativas,enlaqueseconceptualizaydaformaalasolucin,yenelltimogrupose encuentran los elementos empleados en las tareas de anlisis experimental. Aunque existe unaciertavinculacinentreagrupacionesdeelementosconstructivosysuutilizacinenpasos concretosdelametodologaestonoesasentodosloscasos.

Identificacin Especificacin
Comportamientos, ProcesosyActividades

Creacin
Especificaciones
SistemaMultiagente MetaProcedimientospara laToma deDecisiones LenguajesModelado LenguajesdeProgramacin

Anlisis Experimental

EntornoEmpresarial

Capacidadese Informaciones

MarcoExperimental

LenguajesEspecificacin
ModelosParticulares

Figura64.Agrupacindeloselementosconstructivosempleados(elaboracinpropia)paralapropuestadela Plataforma.

En el bloque de Identificacin Especificacin se encuentran los elementos que permiten abstraer los aspectos relevantes del problema y su relacin, y expresarlos en un lenguaje adecuado.Estoselementosseempleannicamenteenelpaso1,IdentificacinElementaldel Problema, y el paso 2, Anlisis de Requerimientos de la metodologa propuesta en el apartadoanterior.Loselementosconstructivosquesehandestacadoson3: Comportamientos,ProcesosyActividades:Sonelconjuntodeabstraccionesquese emplean en el paso 1 y 2 de la metodologa, y se concretan en especificaciones que contienen las idealizaciones de lo que requiere el aspecto funcional y conductual.Enconcretoenelpaso1delametodologasenecesitanloselementos funcionalesmsbsicos,mientrasqueenelpaso2delametodologaempleada,se haceusodelosfuncionalesyconductuales,queaplicandolametodologaCIMOSAy el Modelado Matemtico, permitirn obtener modelos de especificaciones

351

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica concretos. La forma de expresin requiere, a su vez, del empleo de lenguajes de especificacin. Capacidades e Informaciones: Se emplean en el paso 2 de la metodologa, y se concretanenespecificacionescomplementariasbasadasenidealizacionesdelos recursos necesarios entendidos como capacidades/cualidades para hacer algo, y elementos de informacin que son empleados para afrontar el problema. Estos elementossonempleadosenelmarcodelametodologaCIMOSA,ysenecesitade unlenguajeparaplasmarlasenelementosconcretos. Lenguajes de Especificacin: Son la forma de comunicar el conjunto de comportamientos,procesos,actividades,capacidadeseinformacionespreviamente ideados. En base a la metodologa empleada, en concreto en el paso 2, se debe entenderqueellenguajeempleadoesporunladoelpropuestoporCIMOSA,ypor otrolado,elMatemtico.

EnelbloquedeCreacinseencuentranloselementosquepermitendarformaalasolucin del problema expresados en un leguaje adecuado. Estos elementos se emplean con mayor intensidadenelpaso3,DiseodelaSolucin,delametodologapropuestaenelapartado anterior, aunque tambin son empleados en el apartado 4, Implementacin de la Herramienta.Loselementosconstructivosquesehandestacadoson6: Especificaciones:Esteelementoeselformadoporelconjuntoderequerimientosy restriccioneselaboradosenelpaso2delametodologaparaelcasoparticularque seplanteenelcaptulo5,ydebendeservirdereferenciaenelprocesocreativo. Seempleanfundamentalmenteenelpaso3paraeldiseodelasolucin,aunque tambinsetienenencuentaenelpaso4. Sistema Multiagente: Se trata de la estructura del Sistema sobre el cual est soportada la solucin, y que una vez materializada dar lugar a lo que se ha denominado Plataforma. Hace referencia al conjunto de teoras previamente seleccionadasquedeterminanqueesunAgente,comosecaracterizaycomopuede formar sistemas (coordinacin, interaccin, etc.). Con estos elementos y la aplicacin de la metodologa INGENIAS, exclusivamente en el paso 3 de la metodologa,DiseodelaSolucin,seobtieneelmodelodelaplataforma.Para reflejar esos modelos es necesario aplicar un lenguaje determinado que en esta casovienedefinidoporINGENIAS.

352

MetaProcedimientos para la Toma de Decisiones: Se trata de estructuras procedimentalespredefinidasquepermitenlarpidaimplementacindeprocesos

EnfoqueEmpleadoparalaElaboracindelaPropuesta

Captulo6

dedecisiny/oclculo.Enestecasosepodraponerelejemplodelaestructurade losAlgoritmosGenticos(Metaheursticas)oinclusodelossimplesprocedimientos de clculo del trabajo ms pequeo de una lista. Estos elementos son particularizados dando lugar a los algoritmos empleados en el clculo de los Programas Predictivos y Reactivos, y tambin a los pequeos proceso empleados porlosAgentesparatomarunadecisindentrodelaplataforma.Paraplasmarla particularizacinesnecesarioemplearlenguajesdemodelado.Fundamentalmente seempleanenelpaso3.

Lenguajes de Modelado: Son la forma de comunicar el conjunto de particularizaciones realizadas en la fase creativa del proceso de definicin de la solucin,enconcretoenelpaso3delametodologa.Sedebenempleardiferentes lenguajes. En concreto se propone la utilizacin del lenguaje natural y basado en pseudocdigo,paraexpresaralgoritmosypequeosprocedimientosdedecisin,y deunaaproximacindellenguajeUML(UnifiedModelingLanguage)propuestapor INGENIASparalosmodelosdelsistemamultiagente.

Lenguajes de Programacin: Son la forma de realizar la implementacin de los modelos particularizados para ser posteriormente ejecutados en sistemas informticos. En este caso se ha propuesto la utilizacin del lenguaje de programacinJAVAporlasrazonesqueencaptulodedicadoalaimplementacin seesgrimirn.Fundamentalmenteseempleanenelpaso4.

ModelosParticulares:Enesteelementosehacereferenciaaalconjuntodediseos queseelaboranparaserposteriormenteimplementados.Seelaboranenelpaso3 delametodologayseempleanenelpaso4.

EnelbloquedeAnlisisExperimentalseencuentranloselementosquepermitenanalizarde una forma cientfica la eficiencia de la solucin del problema propuesta de forma parcial y global. Estos elementos se emplean en el paso 3, Diseo de la Solucin de la metodologa propuesta para realizar un anlisis parcial en relacin a los algoritmos de clculo de los Programas Predictivos y Reactivos. Tambin se emplean en el paso 5, Prueba de Funcionamiento para un anlisis global de la eficiencia de la solucin. Los elementos constructivosquesehandestacadoson2: EntornoEmpresarial:Enesteelementoseresumeelconocimientoconcretodelos procesosdelaempresasobrelaquesedesearealizarlapruebadefuncionamiento, que permitir el ajuste fino del funcionamiento de la Plataforma mediante Parmetros. Tambin se incluyen en este elemento los Datos de la Empresa que

353

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica alimentar a la plataforma para que esta pueda operar en funcin del caso que se analice en el paso 5 de la metodologa, por ejemplo los tiempos de proceso o cambiodepartida.

Marco Experimental: Por tales entendemos las instrucciones que como consecuencia de la aplicacin de la metodologa de Diseo de Experimentos cientficosnosindicanquesedebehacerparatesteardeunaformaestructurada, bienlasolucinensuconjunto(plataforma)enelpaso5delametodologa,obien losalgoritmosdeclculoPredictivoyReactivoenelpaso3delametodologa.

El conjunto de elementos contenidos en los tres bloques identificados por su afinidad constituyenlabasearquitectnicaquesenecesitaparaconstruirlapropuesta.

6.5

Herramientas

Una vez revisado el aspecto metodolgico y arquitectnico se debe conocer como se va a avanzar en la construccin de la solucin, y en concreto cuales son los tiles que se deben emplear para cimentarla. En este apartado se dan a conocer las herramientas que se van a emplearylasqueseesperagenerarduranteelproceso. Delamismamaneraquesehaplanteadoconloselementosarquitectnicos,lasherramientas sevanarelacionarconlospasosenlasquesevanaempleardentrodelametodologa.Como se puede ver en la Figura 65 las herramientas han divido en 2 bloques: La empleadas y las generadas.Ambassevanacomentarbrevemente.

354

EnfoqueEmpleadoparalaElaboracindelaPropuesta
MSOfficeVisio 2007 AplicacinGrfica INGENIAS Representacin Grfica VisualizadorGantt

Captulo6

MSOfficePower Point

Ofimticas Empleadas

MSOffice2007

Elicpse Ganymede (JAVA) Programacin JADE Herramientas Anlisis Estadstico Procedimientos deClculo Generadas Plataforma StatGraphic 5.0

Figura65.Relacindeherramientasempleadasygeneradasenlapropuestadesolucin(elaboracinpropia).

Lasherramientasempleadas: Representacin Grfica (Especfica): Se ha denominado herramienta de representacin grfica al conjunto de utilidades que han permitido representar visualmenteelementosespecficosdealgnrea.Enesteaspectosedebemencionar la herramienta Microsoft Office VISIO 2007 que se ha empleado para representar elementos UML o elementos CIMOSA, y la propia herramienta proporcionada por la metodologaINGENIAS,sindenominacinespecfica,quesehaempleadoparadibujar losmodelospropuestospordichametodologa.Ambasherramientassehanempleado enelpaso2y3delametodologaparaelanlisisydiseo.Tambinsehaempleadola herramientadesarrolladadeformaespecfica(mediantedesarrollonocomercial)para representar diagramas GANTT que permitir visualizar Programas Productivos en el paso3,paraeldiseode algoritmosPredictivosoReactivos,yenelpaso5,paralas pruebas de funcionamiento. Se han empleado otras herramientas de representacin grficadecarctergeneralistacomoMicrosoftPowerPoint,peroquesehaincluido dentrodelasherramientasofimticas.

355

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Ofimticas:Enesteconjuntosehacereferenciaexclusivaalasherramientasincluidas en Microsoft Office 2007. En concreto al Word, Excel y PowerPoint que se han empleadoentodoslospasosdelametodologaparaelaborartextos,grficosdiversos orecoleccindedatosparasuposterioranlisisestadstico. Programacin: En el paso 3 de la metodologa, durante la implementacin de los algoritmosdeclculodelosProgramasPredictivosyReactivos,ascomoenelpaso4 durante la construccin de la Plataforma software que los contendr, se emplean herramientas de programacin. En concreto se utiliza el entorno Eclipse GANYMEDE paradesarrollarsoftwarebasadoenellenguajedeprogramaJAVA,yelentornoJADE (Java Agent DEvelopment framework) versin 3.5, que proporciona un conjunto de facilidadesyadisponibleparatrabajarydesarrollarSistemasdeAgentesquesoportan elestndarFIPAvi. Anlisis Estadstico: Para el anlisis de los datos obtenidos en los diferentes experimentos que sern planteados se ha empleado siempre la herramienta StatgraphicsPlusparaWindowsversin5.0.Enconcretoseempleaenelpaso3y5de la metodologa, es decir en el diseo de la solucin y en la fase de pruebas de funcionamiento.

Lasherramientasgeneradas: ProcedimientosdeClculo:Seentiendeportalutilidadalasinstanciasejecutablesdel softwarequecontienenlosalgoritmosPredictivosyReactivosrealizadosparagenerar ProgramasProductivos.Estosalgoritmosvaloradosenestecasosloporsucapacidad de transformacin de datos son considerados herramientas por s mismos, aunque tambinpuedenservistoscomoelementosconstructivossisevaloraelconocimiento queaportan.Estaherramientayaestdisponibleenlafasedediseodelasolucin. Plataforma:Delamismaformaquelosalgoritmos,laPlataformaSoftwareresultante, puede ser considerada como una herramienta en manos del programador de la produccin que le ayuda a tomar decisiones, aunque si se analiza su contenido se podran identificar los elementos arquitectnicos y tecnolgicos que ya se han

vi

FIPA(FoundationforIntelligentPhysicalAgent)esunestndarcomentadoencaptulosanteriores.

356

EnfoqueEmpleadoparalaElaboracindelaPropuesta

Captulo6

especificado con anterioridad. Esta herramienta est disponible al final la fase de implementacin. El conjunto de herramientas, ya sean empleadas o generadas, que se han comentado constituyenlabaseinstrumentalquesenecesitaparaconstruirlapropuesta.

6.6

VisinGlobaldelenfoqueM.A.T.

Unavezsedisponedeunaideabastanteprecisadelconjuntodepasosquesevanarealizar para elaborar la propuesta, as como de los elementos y herramientas con los que se va a construirslorestadisponerdeunaimagencomoladelaTabla61paratenerunavisinde conjuntodelenfoqueM.A.T.aplicadoalcasoconcretoqueseesttratando.
Metodologa Paso1: Definicin Elementaldel Problema Resultados ArquitecturayHerramientas Arquitectura VisinGeneral(Grfica) Herramientas Comportamientos, Procesos y Actividades. CapacidadeseInformaciones LenguajesdeEspecificacin RepresentacinGrfica Ofimticas Especificaciones SistemasMultiagente LenguajesdeModelado MetaProcedimientosdeToma deDecisiones LenguajesdeProgramacin MarcoExperimental RepresentacinGrfica Programacin AnlisisEstadstico Ofimticas Comportamientos, Procesos y Actividades. Ofimticas

Paso2:Anlisis de requerimientos

EspecificacinCIMOSA ModelosMatemticos

Arquitectura

Herramientas

Paso3:Diseo delaSolucin

ModeloINGENIAS Procedimientosde Clculo(Predictivoy Reactivo) AnlisisComparativode Algoritmos

Arquitectura

Herramientas

Paso4: Implementacin dela Herramienta

Arquitectura PlataformaSoftware Herramientas

ModelosParticulares LenguajesdeEspecificacin Programacin Ofimticas

357

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Paso5:Prueba de Funcionamiento PlataformaSoftware Particularizada AnlisisComparativo entreSolucinActualy Propuesta Arquitectura EntornoEmpresarial MarcoExperimental RepresentacinGrfica AnlisisEstadstico Ofimticas

Herramientas

Tabla61.Relacinentrelos3tiposdeelementosdelenfoqueM.A.T.(elaboracinpropia).

EnlamencionadaTabla61sepuedeobservarcomodentrodecadaunodeloscuadrosque representan a cada uno de los pasosmetodolgicos se han incluido a su vez dos cuadros. El cuadro de la izquierda contiene los elementos arquitectnicos que se emplearn en dicho paso,mientrasqueelcuadrodeladerechacontienelasherramientasempleadas.Tambinse haincluidounrecuadroenlapartederechadecadapasoenelquesecontienenlosresultados queseesperanobtenerunavezconcluidoelpasocorrespondiente. Como se puede ver el conjunto de elementos y herramientas empleado en cada paso es bastanteamplio,loquedaunaideadelacomplejidaddelprocesoquesedesarrollarenlos prximoscaptulos.Precisamente,enrelacinconeldesarrolloliterariodelapropuesta,hay quesealar,queconelobjetodefacilitarlaconexinentreaspectosconfuerterelacinentre ellosfinalmentenosehadedicadouncaptuloacadapasodelametodologa.Sehaseguido unaagrupacindeloscontenidosligeramentediferentealadelospasosmetodolgicos,que secomentaacontinuacin: Captulo 7: Se denominar Anlisis, Diseo e Implementacin de una Plataforma Software basada en Multiagentes para la Programacin de la Produccin Predictivo Reactiva. En el se tratan los aspectos relativos a la plataforma con un nivel de abstraccinelevado,yevitandoentrarenelestudiodeprocesosdetallados,comoes el caso de los algoritmos de clculo. En este captulo se desarrollan los 1, 2 y 4 completos. Del paso 3 se ha excluido la segunda parte correspondiente a la Construccinlosprocesosaniveldedetalle,enconcretolorelativoalosalgoritmos declculoPredictivoyReactivo. Captulo8:SedenominaAlgoritmosparalaProgramacinPredictivadelaProduccin en un Taller de Flujo Hbrido. En este captulo de desarrollan por completo los aspectosquetienenqueverconlaseleccin,yensucasodiseoydesarrollo,delos algoritmosparaelclculoPredictivodelaproduccin.Estecaptuloseenmarcadentro delasegundapartedelpaso3quenosetratenelcaptulo7. Captulo9:SedenominaAlgoritmosparalaProgramacinReactivadelaProduccin en un Taller de Flujo Hbrido. En este captulo de desarrollan por completo los

358

EnfoqueEmpleadoparalaElaboracindelaPropuesta

Captulo6

aspectosquetienenqueverconlaseleccindelosalgoritmosparaelclculoReactivo delaproduccin.Estecaptuloseenmarcadentrodelasegundapartedelpaso3que nosetratenelcaptulo7. Captulo 10: Se denomina Aplicacin de la Propuesta de Programacin de la Produccin Predictivo/Reactiva a una Empresa Cermica. Este captulo coincide por completoconelltimopasodelametodologa.

Despusdelrecorridorealizadoenestecaptulosedebeestarendisposicindetenerunaidea de conjunto de lo que se plantea realizar en los prximos captulos, que elementos constructivosyherramientassevanaemplear,ycomosevaadividireltrabajo.

6.7

Conclusiones

Comoconclusinmsrelevantedelcaptulohayquesealarquestedebehaberservidopara dar a conocer la estructura de las acciones futuras y la forma de redactarlas para darlas a conocer. Se ha tratado por lo tanto de un captulo elaborado en aras de facilitar al lector el entendimiento del trabajo que se exponga en el futuro, y que posiblemente sea necesario recordaralfinaldecadaunoloscaptulossiguientes. Otros aspectos destacables son que como consecuencia de la necesidad de ordenar y estructurar el trabajo se ha generado una metodologa y se han identificado diversos elementosconstructivosyherramientastecnolgicasqueseemplearanenlosdiferentespasos delamisma.Todoesteconjunto,Metodologa,ArquitecturayTecnologasehacombinado adaptndolo y particularizndolo al caso que nos ocupa, que no es otro que el problema detectadoenelcaptulo5,ybajoladenominacindeaproximacinM.A.T. Aunqueeltrabajodesarrolladoenestecaptulonohatenidoenningncasolaintencinde crearniunametodologageneral,niunaarquitecturadereferencia,nitampoconingntipode recomendacingeneralparaelusodeherramientasvinculadasalospasosdescritossquese puededestacarlointeresantequeharesultadoeltrabajodecaraasuutilizacinfutura.Por estemotivo,seconsideraquepuedesertilplantearselatransformacindeltrabajorealizado en este captulo a un conjunto de elementos de carcter ms general que pudieran ser utilizadosdeformamsgeneral. Con el bagaje adquirido se inicia el prximo captulo en el que como ya se ha indicado se procederadescribirelAnlisis,DiseoeImplementacindelaPlataformaSoftwarebasada enunSistemaMultiagenteparalaProgramacindelaProduccinPredictivoReactiva.
359

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

6.8

Bibliografa

ESPRITConsortiumAMICE1993.CIMOSAOpenSystemArchitectureforCIM. Kosanke,K.1995.CimosaOverviewandStatus.ComputersinIndustry,27(2):101109. M.Zelm,F.Vernadat,&K.Kosanke1995.TheCIMOSAbusinessmodellingprocess.Computersin Industry,21(2). Ortiz Bas, A. 1998. Propuesta para el desarrollo de programas de integracin empresarial en empresas industriales. Aplicacin a una empresa del sector cermico. Universidad Politcnica deValencia. Pavon,J.& GomezSanz, J.2003.Agentorientedsoftware engineeringwithINGENIAS. Multi AgentSystemsandApplicationsII,Proceedings,2691:394403.

360

Captulo
Anlisis,DiseoeImplementacinde unaPlataformaSoftwarebasadaen MultiagentesparalaProgramacinde laProduccinPredictivoReactiva

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

Tabladecontenido
7. Captulo7.....................................................................................................................369 7.1 Introduccin.................................................................................................................369 7.2 DefinicinElementaldelProblema..............................................................................370 7.2.1 7.2.2 7.2.3 LaGestinCoordinadadelProgramaProductivo.................................................372 ConsideracionesGeneralessobrelosMedibles....................................................386 UnaVisinGeneraldelProceso............................................................................387

7.3 AnlisisdelosRequerimientosdelaPlataformaIPSUMAS........................................389 7.3.1 LaarquitecturaCIMOSA........................................................................................389

7.3.1.1 LaVistaFuncional..................................................................................................391 7.3.1.2 LaVistaInformacional...........................................................................................392 7.3.1.3 LaVistadeRecursos..............................................................................................392 7.3.1.4 LaVistaOrganizacional.........................................................................................393 7.3.2 AnlisisdeRequerimientos...................................................................................394

7.3.2.1 EstablecimientodelDominio................................................................................395 7.3.2.2 AnlisisdelComportamiento................................................................................397 7.3.2.3 AnlisisOperacional..............................................................................................406 7.3.2.4 AnlisisdelaInformacin.....................................................................................409 7.3.2.5 AnlisisdelosRecursos.........................................................................................412 7.3.2.6 VerificacindelaConsistenciadelModelo..........................................................413 7.3.3 ResumendelProcesodeModeladodeRequerimientos......................................414

7.4 DiseodelaPlataformaIPSUMAS..............................................................................414
363

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 7.4.1 7.4.2 MetodologaparaelDiseodelaPlataformaIPSUMAS.....................................416 MetodologaINGENIAS.........................................................................................417

7.4.2.1 Metodologa..........................................................................................................417 7.4.2.2 MetaModelos.......................................................................................................418 7.4.3 DiseodelaPlataformaIPSUMASaplicandoINGENIAS......................................419

7.4.3.1 EsquemaGeneral..................................................................................................421 7.4.3.2 ModelodeCasosdeUso.......................................................................................422 7.4.3.3 ModelodeOrganizacin.......................................................................................425 7.4.3.4 ModelodeEntorno...............................................................................................428 7.4.3.5 ModelodeObjetivoyTareas................................................................................429 7.4.3.6 ModelodeAgentes...............................................................................................435 7.4.3.7 ModelodeInteracciones ......................................................................................442 . 7.4.4 RelacinentrelaMetodologadeAnlisisydeDiseo........................................452

7.5 ImplementacindelaPlataformaIPSUMAS...............................................................456 7.6 Conclusiones................................................................................................................457 7.7 Bibliografa...................................................................................................................459

364

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

ndicedefiguras
Figura 71. Proceso para la definicin (el establecimiento o modificacin) de un Programa productivo(elaboracinpropia). .....................................................................................371 . Figura72.DominiodeactuacindelprogramadordelaProduccin(elaboracinpropia)...371 Figura73.EjemplodePrograma(Superior)sinrespetarlafechadefinalizacinDyPrograma (Inferior)querespetaD(elaboracinpropia)...............................................................378 Figura 74. Ejemplo de Programa (Superior) con capacidad sobrante y Programa (Inferior) ocupacinsimilaralaCPC(elaboracinpropia)..............................................................379 Figura 75. Ejemplo de Programa (Superior) con ocupacin similar a la CPC y Programa (Inferior)superioralaCPCperomayortasadeproductividad(m2/periodo)(elaboracin propia)..............................................................................................................................380 Figura76.EstadosenlaconfiguracindelProgramadelaProduccin(elaboracinpropia).382 Figura77.ControldelprocesodeGestindelPrograma(elaboracinpropia)......................388 Figura78.MarcodemodeladoCIMOSA(Kosanke,K.1995)....................................................391 Figura79.PrincipalesconceptosCIMOSAysurelacin.(RGCP1999).....................................393 Figura710.RelacinentrelasvistasdelmodeloderequerimientosCIMOSA(RGCP1999)..395 Figura 711. Diagrama de Funcional del Proceso de Negocio de Programacin Predictiva (elaboracinpropia).........................................................................................................399 Figura 712. Diagrama de Funcional del Proceso de Negocio de Programacin Reactiva (elaboracinpropia).........................................................................................................402 Figura713.DetalledelafuncinoperativaConfiguracindelCT(elaboracinpropia).....405 Figura714.RelacinentreloselementosdelaVistaFuncionaldelModelodeRequerimientos deunsistemadeProgramacindelaProduccin(elaboracinpropia).........................406 Figura715.VistaInformacionaldelModelodeRequerimientos(elaboracinpropia)..........411 Figura716.RelacinentrelasVistasdelModelodeRequerimientos(elaboracinpropia). .415 . Figura717.MetamodelosparaelDiseodelSistemaMultiagente(Pavon,J.etal.2003)..419 Figura718.ModelodecasosdeusodelPlanificador(elaboracinpropia)............................424 Figura719.ModelodecasosdeusodelCoordinador(elaboracinpropia)...........................424 Figura720.ModelodecasosdeusodelOperario(elaboracinpropia).................................424 Figura721.ModelodecasosdeusodelProgramador(elaboracinpropia)..........................425 Figura722.ModelodeOrganizacin(elaboracinpropia).....................................................427 Figura723.Modelodeentorno(elaboracinpropia).............................................................429 Figura724.ModelodetareasyobjetivosdelaProduccinPredictiva(elaboracinpropia).432
365

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Figura725.ModelodetareasyobjetivosdelaProduccinReactiva(elaboracinpropia)...434 Figura726.Agenteplanificador(elaboracinpropia).............................................................436 Figura727.AgenteProgramador(elaboracinpropia)...........................................................438 Figura728.AgenteOperario(elaboracinpropia)..................................................................439 Figura 729. Modificacin de estados mentales por Notificar Planificacin Peridica (elaboracinpropia).........................................................................................................440 Figura730.Modificacindeestadosmentalespordefinirparmetros(elaboracinpropia).440 Figura 731. Modificacin de estados mentales por reajustes de la Produccin (elaboracin propia)..............................................................................................................................441 Figura 732. Modificacin de estados mentales por establecimiento de Produccin Predictiva (elaboracinpropia).........................................................................................................441 Figura733.ModeloINT:ObtenerPlanificacinPeridica(elaboracinpropia).....................443 Figura734.ProtocoloObtenerPlanificacinPeridica(elaboracinpropia).........................444 Figura735.ModeloINT:NotificarInconsistencias(elaboracinpropia)................................445 Figura736.ProtocoloNotificarInconsistencias(elaboracinpropia).....................................445 Figura737.ModeloINT:ModificarPlanificacin(elaboracinpropia)...................................446 Figura738.ProtocoloModificarPlanificacin(elaboracinpropia).......................................448 Figura739.ModeloINT:NotificarProgramacindeProduccinRevisada(elaboracinpropia). ..........................................................................................................................................449 Figura 740. Protocolo Notificar Programacin de Produccin Revisada (elaboracin propia). ..........................................................................................................................................449 Figura741.ModeloINT:NotificarProblema(elaboracinpropia).........................................450 Figura742.ProtocoloNotificarProblema(elaboracinpropia).............................................451 Figura743.CondicionesiniciadorasdelAjustedelaProduccin(elaboracinpropia)..........452 Figura 744. Visin de los componentes fundamentales de la Plataforma IPSUMAS (elaboracinpropia).........................................................................................................456

366

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

ndicedetablas
Tabla71.CambiosenelSistemadeInformacindelPlanificador(elaboracinpropia).........384 Tabla72.FlujosdetrabajoenlametodologaINGENIAS(Pavon,J.etal.2003)....................418 Tabla 73. Resumen de grficos correspondientes a cada modelos empleado en el diseo (elaboracinpropia).........................................................................................................421 Tabla 74. Resumen de los casos de uso planteados en la Plataforma IPSUMAS (elaboracin propia)..............................................................................................................................422 Tabla75.NotacinempleadaenlasfigurasquerepresentanlosCasosdeUsoylosModelos. ..........................................................................................................................................423 Tabla76.ResumendelasentidadesdelmodelodeorganizacinplanteadosenlaPlataforma IPSUMAS(elaboracinpropia)........................................................................................426 Tabla77.ResumendelasentidadesdelmodelodeentornoplanteadosenlaPlataformaIPSU MAS(elaboracinpropia).................................................................................................428 Tabla 78. Resumen de las interacciones del modelo de objetivos y tareas (Predictivos) planteadosenlaPlataformaIPSUMAS(elaboracinpropia). ........................................430 . Tabla79.Resumendelasentidadesdelmodelodeobjetivosytareas(Reactivo)planteadosen laPlataformaIPSUMAS(elaboracinpropia).................................................................433 Tabla710.Resumendeloscomponentesdelagenteplanificador(elaboracinpropia).......436 Tabla711.Resumendeloscomponentesdelagenteprogramador(elaboracinpropia).....438 Tabla712.Resumendeloscomponentesdelagenteoperario(elaboracinpropia).............440 Tabla 713. Resumen de las entidades del protocolo Obtener Planificacin Peridica planteadoenlaPlataformaIPSUMAS(elaboracinpropia)...........................................444 Tabla714.Resumendelasentidadesdelprotocolonotificarinconsistenciasplanteadoenla PlataformaIPSUMAS(elaboracinpropia).....................................................................445 Tabla715.ResumendelasentidadesdelprotocoloModificarPlanificacinplanteadoenla PlataformaIPSUMAS(elaboracinpropia).....................................................................447 Tabla 716. Resumen de las entidades del protocolo Notificar Programacin de Produccin RevisadaplanteadoenlaPlataformaIPSUMAS(elaboracinpropia)..........................450 Tabla 717. Resumen de las entidades del protocolo Notificar Problema planteado en la PlataformaIPSUMAS(elaboracinpropia).....................................................................451 Tabla 718. Aportaciones bsicas para la construccin de los modelos INGENIAS (elaboracin propia)..............................................................................................................................454

367

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

368

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

7. Captulo7

7.1

Introduccin

Elestecaptuloseabordanlosaspectosrelacionadosconelanlisis,diseoeimplementacin delaestructurabsicadelaPlataformasoftwarequeservirdenexodeuninysoporteala propuestamsconceptualquesedesarrollarenparalelotantoenestecomoenlossiguientes captulos.

La primera parte de este captulo se dedicar a realizar un exhaustivo anlisis de los requerimientos que definen el problema. Este anlisis de dividir en dos partes que se correspondenconelprimeryelsegundopasodelametodologaindicadaenelcaptulo6.En primer lugar se realizar una definicin elemental del problema en donde se marcarn las lneasfundamentalesdelmismo.Yensegundolugarserealizarelanlisisderequerimientos detallado. Entre ambos pasos el segundo es el que ms peso especfico tiene. Para su desarrollosehaempleadolapropuestaCIMOSAqueposibilitaelanlisisdelosrequisitosdel sistema considerando simultneamente diversos puntos de vista, complementarios y necesarios,comosonelfuncional,elorganizativo,eldelainformacinyeldelosrecursos.

LasegundapartedelcaptulosededicaraldiseodelaPlataformaqueseiniciarunavezse ha completado el anlisis de los requerimientos que se desea que sean considerados en la misma. Este bloque resumir las tareas realizadas en el tercer paso de la metodologa. La Plataforma debe ser considerada por el lector como el elemento estructural sobre el cual sern colocados posteriormente los algoritmos para la Programacin Predictiva y Reactiva. Aunquealanalizarlosresultadosfinales,esdecirlosProgramasproductivos,losefectosms visiblessernsindudacausadosporlosalgoritmosempleados,laaportacindelaPlataforma noesmenor,yaqueeslaquegarantizaelfuncionamientoconjuntodediversosprocesosque enotraspropuestasoperandeformaaisladaeindividual.Lacoordinacinfuncionalbasada enlacooperacinylacomunicacineselobjetivofundamentalquesetratadeobtenercon esteelementosoftware.

En cuanto a su enfoque tcnico la Plataforma emplear para su diseo el paradigma de los SistemasMultiagente,yenbaseaesteelementodistintivo,yasupropiafuncionalidadsele hadenominadoIPSUMAS(IntegratedPlatformforSchedulingunderUncertaintybasedon MultiAgentSystems).Paraeldesarrollodelastareasdediseosehaempleadolapropuesta INGENIASqueyaquestafacilitaeldesarrollodeSistemasbasadosenMultiagentes.Laparte delcaptulodedicadaaldiseoestsumamentevinculadaalatecnologade lossistemasde
369

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica informacin, pero en cualquier caso la visin que se proporciona en relacin al diseo de la Plataformasecorrespondeconlosnivelesmsconceptualesdelametodologaempleada.

La tercera parte del captulo se dedicar a realizar unos breves comentarios sobre la implementacin de la Plataforma. En este punto se resumirn los aspectos ms relevantes relacionadosconelcuartopasodelametodologa.

El desarrollo del captulo se ordena de la siguiente forma: En el apartado 7.2 se realizar la definicin elemental del problema. En el apartado 7.3 se realizar el anlisis de requerimientos, de forma que en el apartado 7.3.1 se comentar brevemente el enfoque CIMOSA, en el 7.3.2 se desarrollar el anlisis en s, y en el 7.3.3 se realizar una breve reflexin sobre el proceso realizado. En el apartado 7.4 se desarrolla el diseo de la Plataforma,deformaqueenelapartadoenelapartado7.4.1serealizaunbreveresumende lasdiferentesmetodologasconsideradas,enelapartado7.4.2secomentanaspectosbsicos queseproponenenlametodologaINGENIAS,enelapartado7.4.3serealizaeldiseodela PlataformaempleandolosmodelospropuestosporINGENIAS,yenelapartado0serealizar unabrevereflexinsobreelprocesodediseo.Elapartado7.5sededicaalaimplementacin delaPlataforma.Yporltimo,enelapartado7.6serealizarunabrevereflexinamodode conclusindelcaptulo.

7.2

DefinicinElementaldelProblema

Para que el Programa Productivo alcance con xito el objetivo de obtener la mayor tasa de productividadposiblecomentadoenelcaptulo5,noessuficienteconunesfuerzodemejora centradonicamenteenelclculodelPrograma,sinounenfoqueenunsentidoampliodel proceso mediante lo que se ha denominado Gestin del Programa Productivo. Hay que destacar que si no existe una coordinacin bilateral gil entre el planificador y el programadordelaProduccinlosposiblesbeneficiosobtenidosdelaobtencindeunbuen usodelosrecursosnosernaprovechados.Lainteractuacinentreambosresponsablesdebe producirsetantoenlafasedeEstablecimientodelProgramacomoenlafasedeejecucindel mismo.Encasodenoexistirdicharelacinelesfuerzosetraducirenuntiempoocioso,que en el mejor de los casos ser invertido, por ejemplo, en tareas de mantenimiento que no supondrnunaumentodelatasadeproductividad.Enlaprcticasehademostradoqueesta coordinacinestremendamentecomplicada,yqueenmuchoscasosacabapornoproducirse. Obviamente,lacoordinacinpuedellegaraimplicaramsresponsablesynoquedarsesloen lastareasdePlanificacinyProgramacin.Noobstante,debidoalenfoquedeestatesisslo setendrnencuentaalosdosresponsablesmencionados.

370

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva Aunque para potenciar la coordinacin planificadorprogramador se propone la Gestin del ProgramaProductivo,nosedebeperderdevistaelprocesodeClculodelProgramaquese encuentra embebido en el mismo. Se trata del proceso de definicin de un Programa Productivoconsensuadoentreambosresponsables.EnlaFigura71seesbozaelprocesopara ladefinicindelaProgramacindelaProduccin.Esteprocesosedeberadeplantearantes de la entrada en vigor de cualquier Programa productivo, ya sea el que se desea Establecer inicialmenteounaModificacindelmismo.

Calculodel Programa

Ajustar

Validar/ Rechazar

Figura71.Procesoparaladefinicin(elestablecimientoomodificacin)deunProgramaproductivo (elaboracinpropia).

ElprocesodedefinicindeunProgramacinProductivotienecomoobjetivo,nosloofrecer un Programa, sino alcanzar con ste la mxima conciliacin posible entre los objetivos del planificadoryelprogramador,paralograralcanzarcomoobjetivogeneral,medianteunatarea deajuste,lamayortasadeproductividadposible. Pararesumirlavisingeneraldeldominiodetrabajodelprogramadorsepuededecirqueel problema que se desea afrontar se centra en las actividades integras de ste durante un periodo, lo que comprende el proceso de Gestin del Programa Productivo, en el cual se integra, embebido, el proceso de definicin del Programacin de la Produccin propiamente dicho,comosepuedeverenlaFigura72.

Establecer CalculoPrograma Ajuste Validacin/Rechazo

Modificar CalculoPrograma Ajuste Validacin/Rechazo

Modificar CalculoPrograma Ajuste Validacin/Rechazo

Figura72.DominiodeactuacindelprogramadordelaProduccin(elaboracinpropia).

Lavisindelmarcodetrabajoquesehapresentadosedebeconcretarenunosrequerimientos a partir de los cuales se pueda Disear e Implementar una solucin. En este sentido es necesarioprofundizaralgomsenalgunascuestionesrelativasalasbasesquesoportarnla coordinacin entre planificador y programador en relacin a la ejecucin del Plan Maestro y delProgramaProductivo.
371

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica LacoordinacinentreelreadePlanificacinydeProgramacindebeserconstantedurante el periodo productivo. Esta coordinacin puede entenderse como una relacin bidireccional donde cada uno de los responsables realiza propuestas dentro de su mbito, que son analizadas por la otra parte hasta definir un Programa Productivo. El objeto de realizar esta comunicacin es el de poder ir refinando el Programa Productivo para alcanzar el objetivo propuesto de obtener la mayor tasa de productividad utilizando, en cada iteracin, el conocimiento detallado disponible por parte de cada responsable. En este punto se van a cuestionar aspectos como; cundo revisar un Programa?, quin tiene la iniciativa en la Modificacin?, cundo es necesario coordinarse?, o por qu estados puede pasar un Programa?

7.2.1 LaGestinCoordinadadelProgramaProductivo
Lacoordinacindeberealizarsebajounaseriedeprotocolosquepermitanalcanzarsiempre unasolucineficienteenuntiempolimitado.Estosprotocolosdebenseridentificadoscomo partedelasolucindelproblema.Noobstante,sepuededecirquelapautageneraldebeser aquella que permita al programador recibir la informacin necesaria del mbito de la PlanificacinparaconcretarunProgramaProductivo.Elprogramadoranalizarlosresultados alcanzados y determinar si es posible cumplir con la produccin prevista por el Plan de Fabricacin obtenido a partir del Clculo de la Necesidades de Materiales y Capacidad que cuentacomoentradaprincipalelPlanMaestroestablecidoporelplanificador,osiesposible aumentar la produccin prevista. En funcin del anlisis se puede iniciar un reajuste de la i propuesta del planificador que suponga la posterior generacin de un nuevo Programa de Produccin.Esteprocesoseguirhastaalcanzarunfinalquepuedeserobtenidoenbaseauna cota de tiempo definida o alguna otra limitacin de clculo o por haber alcanzado una propuestaqueseconsidereadecuada. A continuacin se van a realizar una serie de razonamientos relacionados con la tarea de Planificacin. No obstante, no se pretende intervenir en dicha tarea, tan slo se quiere establecer de forma slida el vnculo entre Programacin y Planificacin. La tarea de Planificacin utiliza un dato fundamental como es la Capacidad del Taller para realizar la

Caberecordarqueenelcasoquenosocupasepuedeconsiderarquenoseidentificanpiezasnipartes dentro los tems que forman partede las rdenes de Produccin. Las rdenes de Produccin estn compuestasportrabajosquesecorrespondenconalgunosdelosproductosidentificadosenelPlan Maestro(losqueelMRPIIidentificaquesonnecesariosproducir).

372

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva asignacin de trabajos a las diversas plantas o talleres. Dicha Capacidad se puede medir de diversas formas, no obstante, es fundamental utilizar aquella que permita relacionar este conceptoconloselTiempodeProcesoyTiempodeCambiodePartidaestablecidosparacada trabajodelProgramaProductivo. Dadalacapacidaddisponible(CP)deunaetapaiideuntallerparaunperiododadomedidaen horas,sehadenominadoCPSoCotaMximadeCapacidadalvalorobtenidoenlaetapacon menorCP.CPSrepresentalasumadelashorasdisponiblesqueproporcionanlosrecursosde laetapacuellodebotella.Enunaanlisismsdetalladosedebetenerencuentaquepueden existir restricciones en la asignacin recursotrabajo debido a que no todos los recursos son capaces de realizar las operaciones necesarias para producir cualquier artculo. Dado que la composicin de los trabajos utilizados influye sustancialmente en este dato, ste se obtiene como promedio, mediante la observacin de un nmero significativo de periodos, en condiciones de mximo rendimiento del taller y bajo el supuesto de la existencia de una programacineficiente.Ademsseasumeque: Existe un acuerdo en dejar un Margen Operativo (MO), es decir una capacidad de reservanocomputableapriori.EsteMargenOperativopermitealosresponsablesdel tallersolventarciertaseventualidadessinincurrirenincumplimientosenlasfechasde entrega de los trabajos. A efectos prcticos se puede introducir el MO como una disminucindecapacidad. En cualquier clculo de capacidad que se realice en Planificacin se utiliza una estimacinagregada,ypocoprecisaquesueletenderasersuperioralareal,parael clculo de los Tiempos de Cambio de Partida en que incurrirn cada trabajo durante todas sus operaciones, que ser denominada Tiempo de Cambio de Partida a priori, STA. En cualquier clculo de capacidad que se realice en Planificacin se utiliza una estimacinagregada,ypocoprecisaquesueletenderasersuperioralareal,parael clculodelTiempodeProcesoenquecadatrabajoincurrirentodassusoperaciones, queaquserdenominadaTiempodeProcesoapriori,PA.

ii

Enlamayoradelasempresasdefabricacindebaldosascermicaslasoperacionesqueserealizan paraobtenerlosproductosfinalesseaplicandeformasecuencialysepuedenagruparporafinidadde recursosendiversasetapasofases.Posteriormente,seidentificaunadivisinenetapasparaelcaso quesedeseaabordar

373

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Porlotanto,sepuededecirqueelplanificadorconsideraaefectosdecalcularlacomposicin detrabajosarealizarenunperiodo: a) UnaCapacidadDisponibleigualalacotasuperiordelaetapacuellodebotellamenos elmargenoperativo,quellamaremosCapacidadConsiderada(CPC),ver[7.1]. b) La Capacidad Considerada por el planificador ser inicialmente igual o superior a la OcupacinAPriori,esdecir,alasumadelassumasdelosTiemposdeProcesoapriori y de Cambio de Partida a priori de todos los trabajo de cada familia de productos consideradosenlasoperacionesqueafectanalaetapacuellodebotella,ver[7.2]. c) Existe una Capacidad Considerada para cada familiaiii de productos, que se corresponde con la capacidad que se obtiene teniendo en cuenta slo aquellos recursoscapacesderealizarlasoperacionesdecadafamilia.LasumadelosTiempos deProcesoaprioriydelosTiemposdeCambiodePartidaaprioridelostrabajosde una determinada familia no pueden superar la Capacidad Considerada para dicha familiaenlaetapacuellodebotella.
[7.1]

CPC = min T=1 (CPt ) MO = CPS MO t

Dondeelndicetrecorretodaslasetapasexistentesdesde1hastaT.

[7.2]

n n n CPC ( PAit + STAit ) + ( PAit + STAit + ... + ( PAit + STAit = O APRIORI iF2 iF f iF1

Dondetrepresentaalaetapacuellodebotella,yelindiceirecorrelosntrabajos programadosseleccionandosloaquellosquepertecenalafamiliadeproductosF1,F2 oFf.

iii

Seentiendeporfamiliadeproductos,segnelconceptotradicional,aunaagrupacindereferencias queseasemejanensuprocesoproductivoycaractersticasfinales.

374

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

[7.3]

CPC F f

iF f

( PA

t i

+ STAit )

A travs del anlisis de capacidades aproximado que permite valorar la disponibilidad de recursos antes de validar un determinado Plan Maestro, el planificador intentar incluir aquella combinacin de trabajos, dentro de las necesidades existentes, que permita situarse cercadelaCPC.Noobstante,puedeexistirunadiferenciaentreCapacidadConsideradaenla PlanificacinylaOcupacinPlanificada.Asmismo,sedebetenerencuentaquelostiemposa priori suelen sufrir una doble modificacin antes de llegar a alcanzar su valor final. Estas modificacionesson: EnelmomentodevalidarelProgramaProductivo,antesdesuejecucin,lostrabajos son asignados a mquinas y secuenciados, es decir existe una desagregacin de los tiempos.EstoimplicaquelosTiemposdeProcesoydeCambiodePartidatericos,que aqu se denominarn P y ST respectivamente, se pueden identificar, y sustituir a los tiemposapriori.CondichosvaloressepuedecalcularlaOcupacinterica,ver[7.4], esdecircondatosdeterministas. Durante de la ejecucin del Programa productivo, cuando las operaciones de los trabajos van finalizando se conocen los tiempos reales, que pueden haber sufrido algunavariacinrespectodelotiempostericos(faltadecalidadenelproductoque obliganarealizarunlotemsgrande,problemasenelmontajedealgnmolde,etc.). EnestecasoelTiempodeProcesorealaqusedenominarPRyelTiempodeCambio de Partida se denominar STR. De con estos valores se puede calcular la ocupacin real,ver[7.6]. Dado que la CPC se debi de establecer teniendo en cuenta una distribucin en el tiempodelasoperacionesdecadaetapaquepermitieradisponerdelosproductosen lafechaprevistaunavezdesagregadoslostiempospuedenobservarsedesajustesen este sentido. Puede llegar a existir un pequeo retraso desde la fecha en la que los recursos de una etapa estn reservados para realizar las operaciones de un determinadoconjuntodetrabajospertenecientesaunProgramaproductivoylafecha enlaqueestsseinician.Estopuedeserdebidoporejemploacualquierretrasoenlas operaciones anteriores. En todo caso dicho retraso debe ser contabilizado como un consumoderecursos,quedenominaremosR.Encasodequeexistieseunadelanto,si losrecursosestnocupadossedeberaesperaralafechadeinicioasignada.

La diferencia entre los tiempos a priori y los tericos, y los tiempos tericos y los reales, medidossiempresobrelaetapaquesehaidentificadocomocuellodebotella,puedesuponer unaumentoounadisminucindelaOcupacinfinal.Enelprimercaso,dichavariacinpuede
375

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica sertenidaencuentaduranteelProcedimientodeEstablecimientodelPrograma.Entodocaso, sepuederealizarunprocesodeajuste,quesupondrelaumentooreduccindelnmerode trabajos. Se intentar de esta forma que la Ocupacin Terica se aproxime a la Capacidad Consideradaporelplanificador.Larelacinentrelostiemposaprioriylostericossepuede ver[7.5].

[7.4]

CPC R +

iF1

(P

n n + STi t ) + ( Pi t + STi t ) + ... + ( Pi t + STi t ) = OTEORICA iF f iF2

[7.5]

O APRIORI = OTEORICA Dondeesunnmeroreal.

serunnmeropositivoselostiempostericossonmenoresquelosconsideradosaprioriy noexistetiempoocioso.Ysernegativoencasodequelostiemposaprioriseansuperiores alostericos. Enelsegundocaso,lavariacindeberasertenidaencuentaentiemporealparaprocederen su caso a un Ajuste del Programa en el procedimiento de Modificacin. El proceso de Modificacin,podrsuponerelaumentooreduccindelnmerodetrabajos,eintentarque la Ocupacin real se aproxime a la Capacidad Considerada o incluso a la Cota Superior de CapacidadenfuncindelascondicionesdeevolucindelProgramaProductivoylaexperiencia delprogramador.Larelacinentrelostiempostericosylosrealessepuedeveren[7.7].

[7.6]

n n n CPC R + ( PRit + STRit ) + ( PRit + STRit ) + ... + ( PRit + STRit ) = OREAL iF2 iF f iF1

[7.7]

OTEORICA = O REAL Dondeesunnmeroreal.

Segnloexpuestoanteriormentesepuedededucirqueenelproblemaconsideradoexisteuna necesidadplausibledecoordinacinentreelplanificadoryelprogramadordelaProduccin durantelafasedeEstablecimientoyModificacindelProgramadeProduccin,medianteun protocoloquesupongaundialogoquelleveaambosaunacuerdoconveniente.

376

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva El acuerdo debe concretar cuales son los trabajos que hay que incluir en el Programa Productivo en un determinado instante dentro del periodo analizado. En este sentido se consideranlassiguientessituacionesiv: SituacinA1:ElPlanMaestrodebersermodificadosinoesposibleencontrarningn Programa Productivo que suponga una Ocupacin OTeorica, que respete la CPC considerada,yqueseacapazdefinalizartodoslostrabajosenlafechaprevistaenel PlandeFabricacin.Enestecaso,ainstanciasdelprogramador,elplanificadordebera actuar considerando una modificacin del Plan Maestro actual. Por ejemplo un Plan con menos trabajos para dicho periodo, o con menos cantidades en determinados trabajos,etc.SerealizaunailustracindelcasoenlaFigura73(tallerdeFlujoconlas mquinas11y12enlaetapa1,lamquina21enlaetapa2,ylamquina31enla etapa3).Enlapartesuperiordedichafigurasesuponequelaetapacrticaesla3,y que existe una CPC de 21 uds., 22 uds de CPS menos 1 ud. de MO, que se correspondenconelperiodo526.UnavezrealizadoelPrograma(terico)seobserva comolaOcupacinesde23uds.quesecorrespondenconelperiodo528(elperiodo 58secorrespondeconunretrasosobreloprevisto).Yaenlaparteinferiordelafigura sedisponedeProgramaProductivocorregidomediantelaeliminacindeltrabajoA. Situacin A2: Puede ocurrir que por un Desplazamiento a Derechas Significativov durantelaejecucindelProgramasetengaquerealizarunajustedelmismo.Enese caso,sepodraplantearunasituacinenlaqueseaimposibleencontrarunPrograma alternativoquedetermineunaOcupacinORealquerespetelaCPCestablecida,yque sea capaz de finalizar los trabajos en la fecha Prevista en el Programa Productivo anterior.SepuedeemplearcomoejemplodeestecasoFigura73,sisesuponequese llega a la situacin correspondiente al Programa de la parte superior debido a una duracinsuperioralaprevistaenunaoperacin.

iv

Esimprescindibletenerencuentaqueenelcasoqueseestanalizandosehadeterminadoquetodos los trabajos incluidos en un periodo tiene como fecha mxima de finalizacin la fecha de fin del periodo.

Conceptodescritoenelcaptulo5.

377

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

1 Mquina 11 Mquina 12 2 A C 3 4 5 6 7 8 B D 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

Mquina 21

Mquina 31

D CPC (etapa 3)=22-1=21 Oteorica=23

1 Mquina 11 Mquina 12

3 B C

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

Mquina 21

Mquina 31

B CPC (etapa 3)=21 Oteorica=20

Figura73.EjemplodePrograma(Superior)sinrespetarlafechadefinalizacinDyPrograma(Inferior)que respetaD(elaboracinpropia).

SituacinB:ElProgramadebersermodificadosilaOcupacinquesehaalcanzado, OTeoricaOReal,essignificativamenteinferioralaCPC,esdecir,sisepreveequepueden realizarsemstrabajosdelospropuestosporelplanificadorenelPlandeFabricacin. Se acompaa el caso con un ejemplo en la Figura 74. En la parte superior de dicha figuraseindicacomolaetapacrticaesla3,yqueexisteunaCPCde21uds.,22udsde CPSmenos1ud.deMO,quesecorrespondenconelperiodo728.Unavezrealizado el Programa (terico) se observa como la Ocupacin es de 18 uds. que se correspondenconelperiodo725(elperiodo79secorrespondeconunretrasosobre loprevisto). Seobservaqueexistela posibilidad deaumentar laOcupacin en3 uds ms.YaenlaparteinferiordelafigurasedisponedeProgramaproductivocorregido mediantelaincorporacindeltrabajodeltrabajoD.

378

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

1 Mquina 11 Mquina 12 A 2 3 4 C B 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

Mquina 21

Mquina 31

B CPC (etapa 3)=22-1=21 D

Oteorica=18 1 Mquina 11 Mquina 12 A 2 3 4 C 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 D B

Mquina 21

Mquina 31

CPC (etapa 3)=22-1=21 Oteorica=21

Figura74.EjemplodePrograma(Superior)concapacidadsobranteyPrograma(Inferior)ocupacinsimilarala CPC(elaboracinpropia).

Situacin C: El Programa debe ser modificado si an siendo la Ocupacin que se ha obtenido, OTeorica OReal, similar a CPC si el programador considera que se pueden realizar algunos trabajos adicionales a costa de reducir el margen operativo establecidoenfuncindelestadodeejecucindelProgramay/odelaexperiencia.En todocaso,sedebederespetarsiemprelafechadefinalizacinprevista,ci,detodoslos trabajosdelProgramapropuestoylaCotaSuperiordeCapacidad.Seacompaaelcaso conunejemploenlaFigura75.Enlapartesuperiordedichafiguraseindicacomola etapacrticaesla3,yqueexisteunaCPCde21uds.,22udsdeCPSmenos1ud.de MO,quesecorrespondenconelperiodo728.UnavezrealizadoelPrograma(terico) seobservacomolaOcupacinesde19uds.quesecorrespondenconelperiodo726 (elperiodo79secorrespondeconunretrasosobreloprevisto).Seobservaqueexiste la posibilidad de aumentar la Ocupacin en 2 uds ms. Ya en la parte inferior de la figura se dispone de Programa productivo modificado mediante la incorporacin del trabajodeltrabajoDconelcualsesuperalaCPCenunaunidad,esdecirseconsume elMOdisponible,perorespetandoalfechadeentregaDentodocaso.

379

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

1 Mquina 11 Mquina 12 B 2 3 A C 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Mquina 21

Mquina 31

C CPC (etapa 3)=22-1=21 D

Oteorica=19 1 Mquina 11 Mquina 12 B 2 3 A 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 D C

Mquina 21

Mquina 31

D CPC (etapa 3)=22-1=21

D Oteorica=22

Figura75.EjemplodePrograma(Superior)conocupacinsimilaralaCPCyPrograma(Inferior)superiorala CPCperomayortasadeproductividad(m2/periodo)(elaboracinpropia).

Una vez detectadas las situaciones que se pueden producir hay que destacar el papel de los dosrolesqueseestnanalizando.EnlaSituacinA1yA2,laincidenciasedetectaenelmbito delprogramador,peroseadecidido queseaelplanificadorquiendecideque modificaciones hayquehacer.Estosedebeaqueseentiendequecualcambioendichasituacintieneuna afeccincomercialdifcildevalorardesdelavisindelprogramador. EnlaSituacinByC,laincidenciasedetectadesdeelmbitodelprogramador,peroeneste caso,sehaestablecidoquesealmismoquienrealiceelAjuste.Enbasealainformacinde periodosfuturoscontiguosalactualdecidecualessonlostrabajosqueseadelantan.Sedecide que esto sea as debido a que adelantar un trabajovi nunca implica un incumplimiento de la

vi

En todo caso, si el nmero de trabajos adelantados es muy elevado se deben considerar aspectos relativosalagestindealmacenes,ycostesdelstock.

380

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva fechadefinalizacinprevista,yalmismotiempocondichamodificacinseaumentalatasade productividad (m2/periodo) de un periodo. En definitiva se respetan las restricciones de trabajodelplanificadorysefavorecelamejoradelobjetivopropuesto.Paraestesupuestose deseasuponerquelostrabajoshansidodealgunamanerapriorizadosporelplanificadorpara facilitarlaTomadeDecisionesenelmbitodelprogramador. Comoyasehadicho,seproponeelestablecimientodeunflujobidireccionaldeinformacin entreelplanificadoryelprogramador.Queahorasepuedeconcretarenlossiguientes: El Programador recibir un Plan de Fabricacin del planificador, as como una priorizacindetrabajos. El planificador recibe del programador informacin sobre el Programa calculado y su evolucin. Que en la Situacin A1 y A2 implican una solicitud de cambio a la que el planificadordeberesponder,yqueenlasSituacionesCyDimplicalaautorizacinpara que el programador realice una modificacin que en caso de consolidarse debe ser posteriormentereconocidayasumidaenelPlanMaestrodeProduccin.

Hastaestemomentoseharealizadounanlisisdelassituacionesquesepuedendardurante laelaboracinyejecucindeunPrograma,esdecir,sehareflexionadosobreelquepuede ocurrir, y tambin sobre quien debe intervenir. Sin embargo, en el proceso de Toma de Decisiones es relevante tener en cuenta cuando se producen los acontecimientos. En este sentido es fundamental realizar una reflexin sobre el instante en el que se modifica un ProgramadeProduccin.Comosehaexpuestoelprogramadorestencontinuaobservacin y,siesnecesariodeberplantearunarevisindelPrograma,conapoyodelplanificador. Sin embargo,esimportantediferenciaentredostiposdeAjustes: AquellosqueserealizanantesdequeelProgramasepongaenfuncionamientoconel objetivodereducirladiferenciaentreCPCyOteorica,esdecirdeaprovecharalmximo lacapacidadeltalleroplanta. AquellasqueserealizanunavezelProgramasehainiciadoyexistentrabajosencurso. Enestecaso,cadaProgramaqueserealizasebasaenelqueestencurso.Setratade unaReprogramacin.

En referencia a las Situaciones planteadas anteriormente, se puede decir en la fase de EstablecimientosepuedeproducirlaSituacinA1,ByC.Sibien,laSituacinA1slosepuede producirenestafase,ylasSituacionesByCtambinsepuedenproducirtambindurantela ejecucin del Programa. Si se produce la Situacin B durante la ejecucin ser por un DesplazamientoaIzquierdas.LaSituacinA2slosepuedeproducirdurantelaejecucindel Programa.
381

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica En la Figura 76 se dispone de un Grafico de Estados en la configuracin del Programa Productivoatendiendoalascaractersticasdelproblemaplanteado.

Figura76.EstadosenlaconfiguracindelProgramadelaProduccin(elaboracinpropia).

Como consecuencia de las Situaciones planteadas los responsables de Planificacin y Programacin realizarn una serie de modificaciones en el Programa y este sufrir una evolucin.Sehaconsideradoslolassituacionesestables.Enestesentidosehasupuestoque aquella situacin en la que el Programa no respeta las fechas de finalizacin previstas en el mismo de algn trabajo es inestable y temporal, y se soluciona mediante un procedimiento queformapartedelasolucinpropuesta,hastaalcanzarunestadovlido. El Grfico contiene cinco posibles estados identificados como E0, E1, E2, E3 y E4. La nomenclaturautilizadaeslasiguiente: S(p):Conjuntodetodoslostrabajosquesehanincluidodentrodelperiodopenel PlandeFabricacin.

382

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva PS(p+1:n):Subconjuntodetrabajosquesehanincluidodentrodealgnperiodoentre elp+1(siguientealperiodoencurso)yelperiodon(ltimoperiododelhorizonte) delPlandeFabricacin. DS(U):SubconjuntodetrabajosdeunconjuntocualquieraUqueestnretrasados enlafinalizacindesultimaoperacinconrespectoalafechaprevistadefinalizacin establecidaenelProgramadeProduccin.

Para entender el diagrama de estados hay que tener en cuenta que aunque inicialmente se parte de una situacin en la que el programador intenta realizar un Programa Productivo exclusivamenteconlostrabajosincluidosparaundeterminadoperiododelPlandeFabricacin posteriormente se pueden ir incluyendo trabajos de periodos posteriores, denominados trabajos adicionales. La fecha de mxima de finalizacin de esos trabajos adicionales en el mbito del Clculo del Programa es la del periodo en el cual han sido incluidos, es decir, el periodoadelantado.Noobstante,enelmbitodelaGestindelProgramasetieneconsciencia delafechamximadefinalizacinestablecidaenelPlandeFabricacin,yporlotantoexiste unaholguraparapoderrealizarlo. LosEstadossonlossiguientes: Se parte de un Estado E0 en el cual existe un conjunto de trabajos que se correspondenconelconjuntoprevistoenelPlandeFabricacinparaelperiodopen curso,ynoexisteningntrabajocuyafechadefinalizacinsuperealaprogramada.Si debidoaunasituacindetipoBodetipoCseprodujeseunaumentodelnmerode trabajos con respecto a lo previsto en el Plan de Fabricacin se alcanzara un Estado E1oE2(E2slosemodificaelMO),ysidebidoaunasituacindetipoA2hubiese quereducirlossellegaraaunEstadoE3. En el Estado E1 se encuentran el estado cuando se tienen en cuenta los trabajos previstosdelperiodop,encurso,msalgntrabajoadicionaldeperiodossiguientes, normalmente del contiguo. Adems se considera que no existen trabajos cuya fecha de fin supere a la fecha establecida en el Programa de Produccin. Si el nmero de trabajosaumenta,siemprequesemantengalacondicindenoincurrirenretrasosel Programa, se permanece en el mismo estado. Si el nmero de trabajos disminuye el Programapermaneceenelmismoestado,siemprequesetenganencuentatrabajos deperiodossucesivos,enotrocaso,sisedieseunasituacindetipoA2sevolveraal Estado E0. La situacin A2 puede implicar un recorte en el Margen Operativo para poder hacer frente a los trabajos en curso, ya sean del periodo actual o de otro periodo.SloencasodenodisponerdeMOseprocedeacancelartrabajosiniciados que pertenecan inicialmente a otros periodos. Tambin es posible pasar al estado E2sielprogramadordeciderevisaryreducirlacantidaddetiempoestablecidapara

383

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica elMargenOperativo.Estasituacinsedarcuandosehayaproducidounaevolucin del Programa productivo, y se considere que en funcin del Programa pendiente de realizar el Margen Operativo actual es superior al riesgo que existe. Obviamente la reduccin del Margen Operativo implica mayor disponibilidad de capacidad y la inmediatarecuperacindelostrabajosquehubieransidocanceladosconanterioridad endichoperiodo,silanuevacapacidadlohaceposible. El estado E2 es similar al E1, ya que la composicin de los trabajos es la misma. PeroenesteestadoseconsideraquehahabidounareduccindelMargenOperativo, loqueimplicaunamenorcapacidaddehacerfrentealosriesgosquepuedanafectara la ejecucin del Programa productivo en curso. Se ha considerado que el Margen Operativounavezreducidonosepuedeampliar,yaqueexistirnnuevostrabajosque hanocupadodichoespacioyquenosepuedencancelar. EnelEstadoE3seencuentraaquelProgramaquecontieneslounsubconjuntode lostrabajosprevistosinicialmenteenelPlandeFabricacin.Ademsseconsideraque noexistentrabajoscuyafechadefinsuperealaprevistaenelProgramaProductivo.Si sedieseunasituacindetipoBsellegaraaunestadoE0. ElEstadoE4sealcanzacuandoelProgramafinaliza.

En funcin de cuando se modifique el Programa Productivo y que situacin se produzca, dentrodelasestablecidasanteriormente,sehanidentificadounaevolucinbiendiferenciada enreferenciaalainformacinqueutilizaplanificador(verTabla71).

EstablecimientodelPrograma Productivo

EjecucindelProgramaProductivo

SituacinA1 SituacinA2

ModificarelPlanMaestro. NoAplica.

NoAplica. Unaopcinentre: a) ModificarelPlanMaestro b) Modificar el Plan deFabricacin, y si seconsolidaelPlanMaestro.

SituacinCD

Modificar el Plan de Modificar el Plan de Fabricacin, y si se Fabricacin,ysiseconsolida consolidaelPlanMaestro. elPlanMaestro.

Tabla71.CambiosenelSistemadeInformacindelPlanificador(elaboracinpropia).

384

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva Sedistingue: En caso de que en la fase establecimiento se produzca una Situacin A1 el Plan Maestro debe ser modificado. Ya se ha dicho que esta responsabilidad es del planificador. En este caso, toda la informacin que se deriva desde ste tambin cambiara. En casodequedurantelaejecucindelPrograma seproduzca unaSituacinA2son variaslasalternativas: o SisetratadeunProgramaqueseencuentraenunEstadoE0elPlanMaestro de Produccin debe ser modificado antes de continuar. Lo que implica una evolucin al Estado E3. En todo caso, los trabajos cancelados sern considerados prioritarios a nivel de programacin, y en caso de poder recuperarcapacidadsernlosprimerosenincluirenelProgramasinconsulta previaalplanificador. o Si se trata de un Programa que se encuentra en un estado E1 o E2 debe evolucionaraun: Estado E1 con menos trabajos en cuyo caso se deberan consolidar los trabajos adelantos y modificar el Plan de Fabricacin. Si los cambiosseverificanunavezfinalizadoelProgramasedebecambiarel PlanMaestrodeProduccin. EstadoE0encuyocasonohayquemodificarningunainformacinde Planificacin. En el caso de que se produzca una Situacin C o B en fase de establecimiento o durante la ejecucin se realiza una modificacin del Plan de Fabricacin, y si definitivamenteseverificanloscambioscuandoelProgramafinalice,hayquerealizar unamodificacindelPlanMaestrodeProduccin.

En este apartado se ha identificado qu ocurre en el transcurso del Ciclo de Vida de un Programa,quienesresponsabledeactuar,cuandopuedenocurrirlasincidencias,yque informacinsemodifica.Noobstante,alolargodelapropuestaseirnproponiendoalgunos procesosdecisionalesadicionalesparacomplementarlaformadeactuardelprogramadorde laProduccin.

385

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

7.2.2 ConsideracionesGeneralessobrelosMedibles
HastaelmomentolaGestindelProgramaseasientaenunnicomediblequeeslaTasade Productividadpromedioalcanzada.Estesebasaenunacorrectaejecucindelosprocesosque seejecutancomosoporte,esdecirelprocesodeProgramacinPredictivayReactiva. La Programacin Predictiva y la Programacin Reactiva fueron definidas en el captulo 5, mediante un modelo matemtico, y se estableci un objetivo para cada una de ellas. La ProgramacinPredictivaestcentradaenelusoadecuadodelosrecursos,yseplanteacomo funcin objetivo (ver ecuacin [5.1]) la minimizacin el makespan. La Programacin Reactiva adems del aprovechamiento de los recursos intenta evitar No obstante, es importante reforzarlanecesidaddeincluiralgunasmedidasadicionalesparaevitarlarealizacincambios en el Programa Productivo que puedan comprometer compromisos inmediatos con proveedores.Enestesentidounamaneradeevitardichocomportamientoesligarlafuncin objetivo relacionada con el proceso de Programacin Reactiva de forma que el clculo del ProgramaReactivopenaliceestetipodeopciones.Debidoalarelacinjerrquicaexistenentre el proceso de Programacin Reactiva y la Gestin del Programa evitando dicho efecto en el niveldecisionalinferiorserepercutirpositivamenteenelnivelsuperior. Comoseintrodujoenelpunto5.4.3delcaptulo5,relativoalModeloReactivo,dichoimpacto se puede medir en cada Programa mediante el concepto de Adelanto. En este sentido, se debehacerreferenciaalaecuacin[5.13]queposibilitaqueelprogramadorpuedaajustarel factor k sobre el Modelo de Programacin Reactiva con el objeto de controlar el grado de penalizacinsobrelostrabajosadelantados. No obstante existen una accin claramente indeseable como es el incremente de la tasa de trabajoscanceladosenunperiodoproductivo.Lostrabajoscanceladospromediodanunaidea decualeselgradodeestrsalqueestsujetoelprocesodeProgramacindelaProduccin. Unaspectoquenohasidovaloradohastaelmomento,peroquedebeserconsiderado,esque elprogramadorpuedeverseobligadoacancelaralgunostrabajosdebidoaquenodetiempoa finalizarlos dentro del periodo correspondiente al Programa en curso. La cancelacin es consecuenciadelaaparicindeun eventonoprevistoqueimpidaqueinclusoconsumiendo todoelMargenOperativoexistenteseaimposibleacabaratiempo.Lacancelacinnohasido valoradaporquesepuedevermsbiendeunaconsecuencia,ynounadecisin.Sinembargo, esto slo es cierto si la cancelacin de produce cuando el Margen Operativo no ha sido modificado,esdecirqueesconsecuencianicamentedeunexcesoderetrasosparaelMargen Operativo considerado inicialmente. No obstante, tambin puede ser consecuencia de una excesivareduccindelMargenOperativoconelobjetodeampliarelnmerodetrabajosen curso, y la posterior aparicin de algn retraso que transformen dicha modificacin en demasiadooptimista.Porestemotivoseproponeelusodeunindicadorqueinformesobrela
386

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva cancelacin de trabajos correspondientes al Programa inicial, y otro que informe sobre cancelaciones de trabajos adicionales. Este indicador se podra emplear como complemento deldatocorrespondientealaTasadeProductividadpromedio.

7.2.3 UnaVisinGeneraldelProceso
En este punto se han expuesto las lneas principales de lo que debe configurar el marco de trabajodelprogramadorenloreferentealaGestindelPrograma. En este apartado se han expuesto las lneas generales relativas al marco de trabajo del programador. El objetivo del programador debera ser mantener la Tasa de Productividad promedioconelvalormsaltoposibleatravsdeunconjuntodeaccionesqueseengloban dentrodelprocesodeGestindelPrograma.Enunescenariobsicoelprogramadoriniciasu gestin con un Programa Predictivo con el que puede alcanzar una elevada cota en la utilizacin de los recursos. A partir de ese instante el programador debe revisar el Margen Operativoexistenteparaabordarlosposiblescambios. LaevolucindelProgramapuedepropiciardostiposdesituaciones.Laprimerasituacinesla queobligaamodificarelProgramaparahacerfrenteauneventonoconsideradoinicialmente, lo que posiblemente obligue a recurrir al consumo de Margen Operativo para evitar cancelaciones. El segundo escenario es la reduccin del Margen Operativo por voluntad propia, adaptarse al estado evolutivo del Programa y una posible reduccin del riesgo existentedenocumplirelProgramaencurso.Enamboselprogramadordeberadoptaruna adecuadapolticadeadicindetrabajosalProgramaencursoodecancelacindetrabajosen elProgramaencurso. En cada Reprogramacin, si la ocasin es propicia para ello, el programador debe intentar incluiraquellostrabajosconlosquemantengamstiempoocupadaslasmquinassiconello alcanzaunamayorcantidadproducida.Setrataporlotanto,deseleccionaraquellostrabajos quemsrentabilidadofrecenentreelconjuntodetrabajoselegibles,entendidaenfuncin de la Tasa de Productividad promedio. Dependiendo de la ocasin el conjunto de trabajos elegibleofrecermayoromenorlibertaddeseleccinparaelprogramador. Comoseacabadecomentarunaspectobsicoconelqueelprogramadordebecontarescon elMargenOperativo.SedebeconsiderarqueamedidaqueelProgramaavanzaeneltiempoel Margen Operativo puede reducirse progresivamente, y que este se pueden ajustar a las eventualidadesquesepudierandareneltiemporestantedelperiodoencurso.Deestaforma el programador puede ir ajustando la Capacidad Considerada (CPC) si con ello puede
387

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica incrementar el nmero de m2 efectivos realizados sin incurrir en riesgos graves de incumplimientodelPrograma. Nosepuedeconsiderar,nisehapretendidotampoco,queelmtododegestinhayaquedado definido.Encadacasohabrqueestablecerlosmecanismospertinentes,yenelcasodeeste trabajoestoserealizarcomopartedeladefinicindelaPlataformasoftwarequesoportar lastareasdeGestindelPrograma. EnlaFigura77seidentificaqueenlneasgeneraleslaGestindelProgramaProductivoalo largo de un determinado periodo es proceso en el cual a partir de un conjunto de rdenes seleccionables va proponiendo diversos Programas Productivos. Este proceso estar condicionado por un determinado criterio de seleccin de rdenes que se emplear si es necesarioenlosdiversosprocesosdereprogramacin,laexistenciadeunMargenOperativo quecondicionalacapacidaddereaccinfrenteaposibleseventos,yunciertovalordeKque penalizaciertotipodemodificacionesenlosProgramasProductivos.

CriteriodeSeleccin derdenes

M.O.

ValordeK (Adelanto)

rdenes Seleccionables

Programa Productivo

Figura77.ControldelprocesodeGestindelPrograma(elaboracinpropia)

El desarrollo del contenido del proceso, que en la Figura 77 se representa como una caja negra, estar condicionado por el objetivo expresado tanto en el captulo 5 como en este apartado. Dichos contenidos estarn constituidos por un conjunto de procesos que coordinadosentrespermitirnrealizarlaProgramacinPredictiva,yensucasoReactivaque danlugaralosdiversosProgramasProductivos.

En el prximo apartado se realizar el Anlisis de Requerimientos necesario para abordar el desarrollo de una Plataforma Software capaz de automatizar la Gestin de la Produccin teniendo en cuenta la formulacin del problema que se ha realizado. Se trata facilitar la
388

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva coordinacin entre planificador y programador implementando las diversas actividades descritas entre las que destacamos el Clculo y Ajuste de los Programas Predictivos y Reactivos.

7.3

AnlisisdelosRequerimientosdelaPlataformaIPSUMAS

Enesteapartadoseidentificanlosrequisitosdelsistemaquesepretendemodelar.Paraello se van a detallar los Procesos del Sistema de Fabricacin, el alcance del sistema que desea cubrir,condicionesdeoperacin,yobjetivos.Secorrespondeconlafase2delametodologa propuesta. Elmodelodedefinicinderequerimientosdescribequeycomosedebenhacerlascosas. ParaprocederenlafasedeModeladodeRequerimientossehaseleccionadolametodologa CIMOSA (ESPRIT Consortium AMICE 1993;K.Konsanke 1995;M.Zelm, F.Vernadat, & K.Kosanke 1995)yaqueesunaespecificacinqueseconsiderapresentaelenfoquemsestructuradoy completo.CIMOSAsedesarrollapartirdeunproyectotipoESPRITfinanciadoporlaComisin EuropeaypretendeproporcionarunaarquitecturaparasistemasabiertosbajolafilosofaCIM. Acontinuacinserealizaunabreveintroduccin.

7.3.1 LaarquitecturaCIMOSA
ConelobjetivodepermitirlaintegracinempresariallosprincipiosarquitectnicosdeCIMOSA sebasanenlageneralizacindelconceptodediferenciacin: DiferenciacinentrelaRepresentacindelUsuarioylaRepresentacindelSistema.Lo querestringeelimpactodeloscambiosyproporcionaflexibilidadalaorganizacin. Diferenciacin entre Control y Funciones, haciendo posible la revisin del comportamiento para identificar circunstancias cambiantes sin alternar la funcionalidadimplementada. DiferenciacinentreFuncioneseInformacin,parafacilitarlaIntegracin,Aplicacin, PortabilidadyMantenimiento.

LaestructurademodeladoCIMOSA,verFigura78,sebasaen:
389

Unadimensingenrica,enlacualseencuentrael:

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Nivelgenrico:UncatlogodebloquesconstructivosgenricosCIMOSA. Nivel parcial: Una librera de modelos parciales aplicables a clases de propsitos particulares. Nivelparticular:Contieneelmodeloparticulardeunaempresaconstruidodebloques bsicosymodelosparciales. Unadimensindemodelado,queconstade: Nivel de modelado de la definicin de Requerimientos para la recopilacin de los RequerimientosdeNegocio. Niveldemodeladodeldiseodeespecificacionesparalaespecificacinoptimizadayla representacinlososRequerimientosdeNegocio. Niveldeladescripcindelaimplementacinparadescribircompletamenteunsistema CIMytodoslosmdulosimplementados,seleccionadoseespecificados. Unadimensindevistasparadescribirlosdiferentesaspectosdelaempresa.Dentro destasedisponede: La vista funcional que describe la estructura funcional y su estructura de control (reglas)lascualesdefinenelflujodelaaccindentrodelaempresa. Lavistainformacionallacualdescribelainformacinrequerida. LavistaderecursosquedescribelosRequerimientossobrelosrecursos. Lavistaorganizacionalqueesladescripcindelasestructurasorganizacionalesdela empresa. En este trabajo se ha considerado especialmente interesante la utilizacin de las cuatrovistasenlaarquitecturaCIMOSA.Estasvistaspermitenirfiltrandolatotalidad del modelo para analizar cada uno de los enfoques por separado. De esta forma se reduce la complejidad del proceso y proporciona un modelo ms fcilmente entendible.

AunqueenesteapartadoslosedesarrollarelModelodeRequerimientoshayqueresaltar que CIMOSA cubre otros aspectos de la vida del software como son el Modelado de las Especificaciones de Diseo y el Modelo de Implementacin. Estos otros modelos no se consideran en esta tesis ya que este aspecto es cubierto ampliamente y de forma ms
390

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva adecuadaenrelacinalasolucinqueseproponeporlametodologaINGENIAS(Pavon,J.& GomezSanz,J.2003)paraelModeladodeSistemasMultiagente.

Figura78.MarcodemodeladoCIMOSA(Kosanke,K.1995).

AntesdeprocederalaelaboracindelModeladodeRequerimientosesnecesarioidentificar conciertodetallelosconceptosclavedelaarquitecturaCIMOSA,paraposteriormentepoder interpretarcorrectamenteelmodelo.Ladimensindedelavistaseslaquecontienelamayor riquezaconceptual.

7.3.1.1

LaVistaFuncional

Se utiliza para organizar la empresa como un conjunto de Dominios Funcionales que interactan entre s, y describir los procesos actuales, las condiciones de disparo de los eventosysuejecucin. Para una entidad sujeta a Modelado se plantean inicialmente un conjunto disjunto de Dominios de Empresas (DMEnterprise Domain). Cada DM est compuesto por procesos completos llamados Dominios de Proceso (DPDomain Process) que se relacionan con otros similares.Asmismoexisteneventosquesonlosresponsablesdelosprocesosdecambioenel sistema. Los eventos pueden ser generados por elementos internos de la empresa como recursosoactividades,portemporizadores,oporelementosexternos.Loseventospuedenser esperados (deterministas o programados) o pueden ser inesperados (perturbaciones, disfunciones,etc.).

391

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica CadaDPpuedeincluirotrosprocesos(subprocesos),ascomoActividadesEmpresariales(EA EnterpriseActivities)enelniveldedescomposicinfuncionalmsbajo.LasEAidentificanlos pasoselementalesdeunproceso.Elprocesolgicosedescribeenformadereddeactividades definidas mediante lo que se denomina Conjunto de Reglas de Comportamiento (BRS BehavioralRuleSet).EnCIMOSAlasreglassedefinenmedianteoperadores. Cada EA puede descomponerse en un paso posterior en acciones denominadas Operaciones Funcionales(FOFunctionalOperation).UnaFOdebeserejecutadaporexactamenteunactoro recursoactivodelaempresa.CadaEAtransformaunestadodeentradaenunestadodesalida mediante la activacin de las FO. Cuando se completa se genera un estado final (ESEnding Status). Cada actividad es definida por un conjunto de habilidades o Capacidades necesarias parasuejecucin(CapabilitiesSet).

7.3.1.2

LaVistaInformacional

Seutilizaparadescribirlasentidadesusadasporactividadesyprocesos.Lainformacinylos objetos fluyen con sus correspondientes restricciones como un modelo de datos conceptual paraelsoportedelprocesodeintegracin.DesdeelpuntodevistainformacionallosEstados deEntradaySalidaenlasactividadesencursosondefinidosentrminosdeVistadeObjetos (OVObjectView).UnOVrepresentaunestadoparticulardeunoomsObjetosdeEmpresa (EOEnterpriseObjects). UnEOdenotacualquierclasedeobjetoutilizableporlaempresa(rdenes,listasdemateriales, etc.). En el modelo una EO se define por su lista de propiedades denominada Elementos de Informacin(IEInformationElements)ypormecanismosdeabstraccin. Los IE son propiedades de los datos que estn sujetas a restricciones de integridad que permitenexpresaryvalidadlaviabilidaddelosdatos.

7.3.1.3

LaVistadeRecursos

Seusaparadeclaraydefinirlosobjetosquepuedenjugarelpapelderecursoenlaejecucin deactividades.CIMOSAdefineunconstructorgenricodenominadoRecursoquepuedeser ajustado a dos clases fundamentales: Componentes y Entidades Funcionales (FEFunctional Entities). Los primeros son reservados para elementos pasivos (herramientas, etc.), mientras
392

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva los segundos son utilizados con recursos activos que pueden ejecutar OF. Las FE pueden ser divididasasuvezentresentidadesprincipales:Humanos,MquinasyAplicaciones. Todas las clases de recursos se pueden caracterizar por su Conjunto de Capacidades (CS CapabilitySet),querepresentanelconjuntodehabilidadesquepuedenproporcionar.

7.3.1.4

LaVistaOrganizacional

SeutilizaparadescribirlaorganizacinylaestructuradecisionaldelaEntidaddeNegocio,y asignar responsabilidades y autoridades a los componentes de una arquitectura particular. CIMOSA proporciona dos constructores principales para esta vista: la Unidad Organizacional (OUOrganizationalUnit)ylaCeldaOrganizacional(OCOrganizationalCell).Laprimeradefine un centro de decisin elemental y la segunda permite organizar la OU en celdas. Las OC se puedenagruparendiversosnivelesdeceldas.

Figura79.PrincipalesconceptosCIMOSAysurelacin.(RGCP1999)

HastaelmomentosehacomentadolaarquitecturaCIMOSA,losconstructoresylasrelaciones delosmismosencadavista.LaFigura79muestralarelacindelosmismosenelentornode susvistasyfueradelmismo.

393

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

7.3.2 AnlisisdeRequerimientos
Una vez los conceptos relacionados con la arquitectura CIMOSA, en generan, han sido expuestos,seprocederaidentificarcualessonloselementosarquitectnicosnecesariospara alcanzarelobjetivo:ladefinicindelModelodeRequerimientos.Loselementosnecesariosse puedenidentificardeformaintuitivaenbasealaobservacindelasdiferentesdimensiones delCUBOCIMOSA.AsdelaDimensindeModelado,hayquehacerusodelacapadeanlisis deRequerimientos.DelaDimensinGenricasedebehacerusodelnivelparticular,yaquese va a realizar un anlisis concreto. Y finalmente, de la Dimensin de Vistas se requerirn las VistasdeFuncionalidad,InformacinyRecursos.CIMOSAnoincluyelaVistaOrganizacionalen elModelodeRequerimientos. ElprocesodeconstructivoseiniciaconlarecopilacindeRequerimientosysucontenidoen trminos de Requerimientos Funcionales y la generacin de todas las Vistas de forma iterativa.Enconcreto(RGCP1999)sugiereseguirlossiguientespasos: Establecer el Dominio: El usuario debe describir correctamente el subconjunto de la empresaqueseaanalizar.ParaellodebeestablecerlosObjetivos,lasRestricciones,los Lmites,losEventosylosProcesosdelDominio. RealizarunAnlisisdelComportamiento:DespusdeidentificarlosEventos,elusuario debedefinirlosObjetivosasociadosalosProcesosdelDominio,paradescomponerlos en subfunciones y definir como stas son secuenciadas para alcanzar el resultado deseado.NoseentraenladiferenciacinentreProcesosdeNegocioyActividades.En esta fase la Vista Funcional puede quedar finalizada en lo que se refiere al aspecto conductistaperonoenelpuramentefuncional. Realizar un Anlisis Operacional: En este paso se completa la Vista Funcional estableciendo completamente las entradas y salidas vinculadas a las Actividades Empresariales.SedebeestablecerlaentradaFuncional,deRecursosydeControl,yla salidadeControlydeRecursos.Enestepuntoelusuariodebedefinirlosrecursosen trminosdeCapacidadesnecesariasylasClasesdeRecursosquelaspuedensoportar. RealizarunAnlisisdelaInformacin:Enestepasoelusuariodebeestablecervnculos entrelaVistaFuncionalydeInformacin.DebededescribirlasVistasdeObjetos(OV) que necesitan como entrada las Actividades y consolidarlos con los Objetos de Empresa (EO). Los EO pueden formar niveles de dependencia entre esos, de manera queunEOformepartedeotrouotrosEO.Laconstruccindeestenivelsellevaacabo realizandoprimeroladescripcindelosOVydespusladefinicinyestructuracinde los mismos. Los elementos de este nivel se pueden generalizar o agregar en un procesodeabstraccin.

394

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva RealizarelAnlisisdeRecursos:Unavezfinalizadoelanlisisoperacionalesnecesario dotar a las Actividades de las Capacidades establecidas. En esta fase se trata de identificarlosConjuntosdeCapacidadesparareducirsunmeroyconsolidarClasesde ActividadesquenecesitanlasmismasCapacidades. VerificarlaConsistenciadelModelo:ParaasegurarlaconsistenciadelmodeloCIMOSA proporciona una fuerte relacin entre los constructores utilizados en las diferentes Vistas. La Figura 710 muestra la relacin entre los elementos recomendados para el modelodeRequerimientos.

Figura710.RelacinentrelasvistasdelmodeloderequerimientosCIMOSA(RGCP1999).

El objeto del siguiente apartado ser el desarrollo del Modelado de Requerimientos para el problema expuesto en el captulo 5, considerando tambin los aspectos mencionados en el apartado7.2,utilizandolapropuestaCIMOSAysiguiendolospasosqueseacabandeindicar. EnelanexoIseincluyelaespecificacindetodosloselementosconsideradosenelformatoy niveldedetallepropuestopor(Berio,G.&Vernadat,F.B.1999b).

7.3.2.1

EstablecimientodelDominio

SehaidentificadounsoloDominio:LaProgramacindelaProduccin.Esteesresponsablede generarunProgramaInicialoPredictivoenelcualsesecuencianytemporizanlosdiferentes trabajos incluidos en un periodo determinado, indicando el Recurso sobre el cual van a realizarselasdiferentesoperaciones,ascomolafechadeinicioyfindelamisma.Asmismo

395

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica es responsable de reaccionar ante determinados eventos y modificar el Programa Inicial en funcindelosmismos,enloquesedenominaProgramacinReactiva. ElDominioquedadefinidodeformaporlossiguientescampos: ObjetivosdelDominio: o Obtener un Programa Inicial o Predictivo de la Produccin para un periodo determinado. o Obtener un Programa Reactivo de la Produccin en funcin de los eventos percibidos. RestriccionesdelDominio:Sonlasidentificadasenladefinicindelproblema,yms especficamente en el captulo 5 en el cual se realiza la formulacin de los Modelos PredictivoyReactivo. ProcesosdelDominio:DPGestindelProgramaProductivo. Eventos: o RecibidosenesteDominio: EVNuevoperiodo. EVReinicioPrograma. EVDesplazamiento. o GeneradosenesteDominio: EVInconsistenciadedatos. EVReduccindeTrabajos.

La definicin del Dominio, tanto de sus elementos bsicos como de sus objetivos y restricciones,seharealizadoenbasealosconceptosexpuestosenlapropiaformulacindel problema. Por este motivo los objetivos son los relativos a los fines que le son propios a la ProgramacinPredictivayReactiva,igualquelasrestricciones.Aunquepuedenexistirdiversas maneras de enfocar la subdivisin del Dominio en Procesos de Dominio, en este caso se ha credoconvenienteestablecerunnicoProcesodedeDominio.UnnicoProcesodeDominio es suficiente para abordar el mbito que se desea definir, y simplifica el entendimiento del mismo. Encuantoaloseventos,seestablecentreseventosquepuedensergeneradosdesdefuerade este dominio pero que deben ser identificados e implican la puesta en marcha de alguna
396

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva actividad. El evento Nuevo periodo que est asociado al inicio de cada periodo de ProgramacineimplicaellanzamientodelProcesodeNegociodeProgramacinPredictiva.El eventoDesplazamientogeneradodesdeelDominiodeControldeOperaciones,yquealerta deundesplazamientoaizquierdasoderechasdelProgramaencurso,loqueimplicalapuesta enmarchadelProcesodeNegociodeProgramacinReactiva.EleventoReinicioPrograma seincluyeparadarmayorcoberturafuncionalalsistema.Permitealprogramadorreiniciarel sistemacuandoloconsidereoportuno,conellopuedeponerenelestadoinicial(sinrdenes encursoymquinadisponibles)deunnuevoperiodoelsistema. Tambin existen dos eventos generado desde el propio Dominio. Es primer evento Inconsistencia de datos, permite avisar al planificador de que es imposible establecer un Programa con los trabajos que estn planificados. De esta forma el planificador puede reaccionarproponiendootrasopciones.Ensegundoevento,ReduccindeTrabajosponeen conocimiento del programador que el Programa no resulta posible Programar los trabajos actualessinincurrirenunanofactibilidad,yquesesolicitaunareduccin. Una vez, dado el primer paso en el proceso, e identificado los elementos de mayor nivel se debe profundizar en primer lugar en la definicin de los aspectos relacionados con el comportamiento. En el paso siguiente se va a empezar a de definir con claridad la funcionalidadquedeberaincluirseenelsistema.

7.3.2.2

AnlisisdelComportamiento

EnesteapartadoseempiezanadiferenciarlasdosgrandesfuncionesasignadasalProcesode Dominio: la Programacin Predictiva y la Programacin Reactiva. Cada una de ellas se identificacomounProcesodeNegociodiferenciado. Por un lado, la Programacin Predictiva es responsable de generar un Programa inicial o preventivo en el cual se secuencian y temporizan los diferentes trabajos incluidos en un periodo determinado, indicando el recurso sobre el cual van a realizarse las diferentes operaciones,ascomolafechadeinicioyfindelamisma. Objetivos: Obtener un Programa inicial o Predictivo, es decir, asignar, secuenciar y temporizar todos los trabajos pendientes para un periodo de tiempo en condiciones deterministas. Debe maximizar el uso de los recursos cumpliendo las fechas ms tardasdefinalizacindelostrabajos.

397

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Restricciones: Las expresadas en el modelo formulado en el apartado 5.4.1 del captulo5. ComportamientodelProceso:VerdiagramadeactividadesdelaFigura711. Estadosdefinalizacin: o CancelacindeProgramacinporinconsistenciadedatos. o Programacinrechazada. o Programacinvalidada. Funcionescomprendidas: o Revisinycargadedatos. o ClculodelProgramaPredictivo. o Ajustes. o Validacin/Rechazo.

DentrodelcasoparticularalcualsecielaDefinicindeRequerimientosquesedebenincluir ciertasconsideracionesquepermitanlareutilizacindeladefinicinparaelmayornmerode casosposible.EnestesentidoseconsideradoquelaProgramacinPredictivapuedefinalizar no slo con un Programa que sea validado y entre en ejecucin, sino con las opciones siguientes: Canceladoporqueelsistemadeinformacinnoescapazdeproporcionarunconjunto de datos consistentes para poder iniciar el Proceso de Establecimiento de un Programa. En este caso, se trata de tener en cuenta una circunstancia que puede plantearse en ciertos entornos empresariales donde los datos pueden no ser fcilmenteaccesibles. No se valida el Programa ya que se considera que finalmente no se cree oportuno ponerloenejecucin. El Programa se valida y se pone en funcionamiento en para el periodo correspondiente.

398


INICIO

FO- Obtencin CT del Periodo

EA- Revisin y Carga de Datos

FO-Revisin y Carga Datos FO-Generar Evento Inconsistencias

Si no son correctos Cancelo Programacin Inconsistencia Datos

EA- Ajuste
Si son correctos

Volver a Calcular

Si es el mejor FO-Ajuste Parmetros Algoritmo

FO-Clculo del Programa FO-Solicitar ms Trabajos al Planificador

EA- Clculo del Programa Predictivo

FO-Reducir el CT

FO-Guardar Versin 'V' como Mejor

FO-Solicitar Reduccin de Trabajos al Planificador FO-Valoracin Programa

Ajusto Parmetros y Reclculo

FO-Recuperar Versin Anterior Si existe y se considera oportuno Ampliar el Conjunto de Trabajos

Si no es factible Cancelo Clculo (Si DS(p:p+a;..)>0)

Reducir el Conjunto de Trabajos

Si es factible

FO-Guardar el Programa Si existe capacidad

Si no existe capacidad

Mantener la Ocupacin Actual

Mantener la Acepta el Programa Ocupacin Actual FO-Comparar y Consolidad el mejor Programa

EA- Validar/Rechazar
Rechaza programa

FO-Rechazo del Programa

Si Acepta programa

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

Figura711.DiagramadeFuncionaldelProcesodeNegociodeProgramacinPredictiva(elaboracinpropia).

399

FO-Validacin del Programa

FO-Notificar Programa

FIN

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Las funcionalidades bsicas del proceso de negocio, denominadas por CIMOSA Actividades Empresariales, se han desgranado en Operaciones Funcionales con el objeto de dar mayor detalledecadaunadeellas. La primera Actividad que se ejecutara cuando el Proceso de Negocio se inicia es la de RevisinyCargadeDatos.Estaactividadseresponsabilizaenprimerlugardelarecogidade datos,queenocasionespuedenestardispersoseinclusoensoportesdiferentes.Ensegundo lugar de la conversin de formatos para dejar todos los datos disponibles de forma consistente,posiblementeenunDataWareHouse.Sinoconsiguealcanzarlaconsistenciade datos genera un evento para alerta de ello, y el Proceso de Negocio se detendra en este punto. LasegundaActividadEmpresarialdeesteprocesoeselClculodelProgramaPredictivo.Las Actividades comprendidas estn destinadas al ajuste de parmetros del algoritmo que se utilice, la ejecucin del propio algoritmo y guardar los resultados obtenidos. Se pueden reajustarlosparmetrosdespusdeconocerlosresultadosdelclculoencasodenoobtener el resultado deseado, ya sea por no factibilidad o por baja eficiencia. Esta actividad proporcionaunProgramafactibleonofactiblequedebeservaloradoenlasiguienteActividad Empresarial. LaterceraActividaddelProcesodeNegociodeProgramacinPredictivaeselAjuste.Enesta ActividadsetratadevalorarelProgramaobtenidoenelpasoanteriorydecidirsiseacepta,si an siendo un Programa vlido es posible mejorarlo (ampliando el nmero de trabajos y/o reduciendo la capacidad considerada, y por lo tanto el margen de maniobra), si no es un Programaaceptableydebesermejorado(reduciendoelnmerodetrabajosy/oaumentando laCapacidadConsiderada,CPC,yreduciendoporlotantoelmargendemaniobra).Tambin seconsideranlasoperacionesfuncionalesdestinadasamantenerelmejorProgramaposiblea criteriodelprogramadoryrecuperarloalfinaldelProcesodeAjuste,ascomoeldemantener y recuperar diversas versiones intermedias que permitan continuar el Proceso de Ajuste no necesariamentedesdeelltimoresultadoobtenido. En la ltima Actividad se procede a la Validacin del Programa obtenido para su establecimiento como Programa Predictivo en el periodo correspondiente, como al rechazo delmismopornoajustarsealoscriteriosdecalidaddelprogramador. Porotrolado,elProcesodeNegociodeProgramacinReactivaesresponsablederesponder antedeterminadoseventosymodificarelProgramabaseenfuncindelosmismos,enloque se denomina Programacin Reactiva. Para ello debe identificar la perturbacin, actualizar el estadodelsistemayvolveragenerarunProgramaapartirdelanterior.
400

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva Objetivos: Reaccionar eficazmente contra imprevistos que puedan afectar a la Programacin de la Produccin en el taller. Reprograma la Produccin reparando el Programa base teniendo en cuenta las nuevas condiciones. Debe maximizar la robustezdelnuevoProgramacumpliendolasfechasmstardasdefinalizacindelos trabajos. Restricciones: Las expresadas en el modelo formulado en el apartado 5.4.3. del captulo5. ComportamientodelProceso:VerdiagramadeactividadesdelaFigura712 Estadosdefinalizacin: o CancelacindeProgramacinporinconsistenciadedatos. o Programacinvalidada. Funcionalidadescomprendidas: o Identificacinyvaloracin. o EstablecimientodelaestrategiadeReprogramacin o Revisinycargadedatos. o ClculodelProgramaReactivo. o Ajustes/ControldelaestrategiadeReprogramacin. o Validar/Rechazar.

401

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Figura712.DiagramadeFuncionaldelProcesodeNegociodeProgramacinReactiva(elaboracinpropia).

402

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva SehaconsideradoquemientraslaProgramacinPredictivasueleiniciarseenunascondiciones muysimilaresencadacaso,enlaProgramacinReactivalascondicionesdepartidapuedenser mucho ms amplias. El hecho de depender de la aparicin de un evento que puede ser de diferenteclaseeinclusodediferenteintensidadoimpactohaimpulsadolaincorporacinde las bases de datos de conocimiento y motores de inferencia por un lado, y la ejecucin de mltiplesalgoritmosdeformasimultneaporotrolado. Porunlado,lautilizacindebasesdedatosdeconocimientoymotoresdeinferenciaestil para identificar la accin que se debera propiciar en funcin del Estado del Programa y del eventodetectado.Laexperienciaadquiridaalolargodeltiempopuedeayudaraseleccionar lasaccionesquehansidomsexitosasensituacionessimilaresanteriores. Por otro lado, si se considera el uso de tcnicas heursticas como base del Clculo de ProgramaReactivo,sepuedeplantearlaejecucindevariastcnicasdeformasimultnea.Las tcnicas pueden estar apoyadas en resultados obtenidos anteriormente y seleccionada en base a la base de datos de conocimiento. La ejecucin simultnea de varios algoritmos se puede realizar utilizando nuevas tecnologas como los Sistemas Multiagente, y pueden favorecer la obtencin de mejores resultados y la realimentacin de la base de datos de conocimiento. El Proceso de Negocio de Programacin Reactiva se ha dividido en seis Actividades Empresariales. Debido a las caractersticas del propio proceso algunas Operaciones FuncionalesqueenelcasoanteriorseencontrabanenunamismaActividadEmpresarialahora sehanseparado. LaprimeraActividadquesehaidentificadoestorientadaaladeIdentificacinyValoracin delasPerturbacionesrecibidas.Enellaseidentificanlostrestiposdeeventosquesedesean tratarqueson:desplazamientopocosignificativodederechas,desplazamientosignificativoa derechas, y desplazamiento a izquierdas. As mismo se identifican directrices, en base a la experienciaalmacenadaenlabasededatosdeconocimiento,paralospasossucesivoscomo valoresdelmargenoperativo,valordek,oreglasdeheursticasparalaReprogramacin. La segunda actividad establece la Estrategia para la Reprogramacin en base a las directivas obtenidas,yalaexperienciadelprogramador.Estaestrategiaestdirectamentevinculadaala Gestin del Proceso de Programacin de la Produccin en su globalidad, y por lo tanto la experienciadelprogramadorsecentraencomoAjustarlaCalidadenfuncindeloplantadoen la ecuacin [5.13] del captulo 5. Al finalizar esta tarea se debe disponer de la informacin relativaalnmerodetrabajosdeseableysisedebereducirunalistapriorizadadelostrabajos. Lalistapriorizadalaproporcionaelplanificador,peronoesnadamsqueunaorientacin.
403

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica LaterceraActividadseresponsabilizadeAjustarelconjuntodetrabajos(CT)ydeanalizarla calidaddelProgramaunavezsehanrealizadoloscorrespondientesclculos.Existendospasos bsicos: El primer paso consiste en valorar que trabajos hay que aadir, eliminar o si no hay que modificar el conjunto de trabajos. En caso de tener que eliminar trabajos el programador deber seguir las recomendaciones realizadas por el planificador en la lista de prioridades, pero en caso de que lo considere oportuno puede relajar dicha recomendacin.Entodocaso,lapropuestafinaldebeseraprobadaporelplanificador sinosesiguelarecomendacin.EnlaFigura713semuestraundetalledelospasos quedebeseguirseenestaActividad. El segundo paso se realiza cuando se termina la Actividad de Clculo del Programa Reactivo.SielProgramanosehapodidocalcularporunainconsistenciade datosse genera un evento y se finaliza estableciendo un Programa trivial en base a los datos existen en el Programa anterior (por ejemplo, eliminar los trabajos asignados a una mquina averiada y dejar el resto). Si el Programa se rechaza, entonces se intenta volver a establecer una nueva estrategia. Si el Programa se acepta, se valora, y si se considera adecuado se guarda para posteriormente utilizarlos, en caso de no considerarlo adecuado de solicita una nueva estrategia. Cualquier resultado de no factibilidadimplicalabsquedadeunanuevaestrategia.

Una vez realizado el Ajuste del conjunto de trabajos se ejecuta la tarea de Carga de Datos, cuyo objetivo y actividades son las mismas que en la Programacin Predictiva. Y una vez cargados los datos se realiza la tarea de Clculo del Programa Reactivo. En esta tarea se realizanoperacionesdeclculodemltiplessolucionescondiferentesalgoritmosheursticosy ajuste de los parmetros de dichos algoritmos. As mismo se produce la actualizacin de la base de datos de conocimiento en base a los resultados obtenidos relacionndolos con la estrategiayelestadodelProgramaanterior. Finalmente, se realiza la Actividad de Validacin del Programa que ha alcanzado los mejores resultadosentretodoslosejecutados.EsteProgramaaundebeservaloradoenlaActividadde AjusteyControldelaEstrategiadeReprogramacin. EsconvenienteaclararqueCIMOSAnoidentificaalasActividadescomopertenecientesaun ProcesodeNegocio,yquestaspuedensercompartidasporvariosdeellos.Noobstante,en estecasonosehallegadoaidentificarningunaActividadquepuedasercompartida.Aunque lasActividadesdeValidacinoRechazoyRevisinyCargadedatossonmuyparecidasenlos ProcesosdeNegociodeProgramacinPredictivayReactiva,nolleganaseriguales.
404

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

Figura713.DetalledelafuncinoperativaConfiguracindelCT(elaboracinpropia).

Aunqueenestepasonoesnecesarioestablecerjerarquasentrelosdiferenteselementosde la Vista Funcional (Procesos de Negocio, Actividades, etc.) en este punto ya se dispone del detallesuficientecomoparaestablecerlas.EnlaFigura714sepresentalaVistaFuncionalen lacualseincluyenyrelacionanloselementosfuncionalesdemayorniveldeabstraccin.Enla Figura711ylaFigura712sedetallanlasrelacionesfuncionalesdecadaunodelosProcesos deNegocioidentificados.

405

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Figura714.RelacinentreloselementosdelaVistaFuncionaldelModelodeRequerimientosdeunsistemade ProgramacindelaProduccin(elaboracinpropia).

7.3.2.3

AnlisisOperacional

En este punto hay que establecer los elementos de control de las Actividades as como las Capacidadesnecesariasparasuejecucin. PorloquetienequeverconelcontroldelasActividades,en(RGCP1999)seestablecequeel controldeentradaestvinculadoalconjuntodeVistasdeObjetosquerestringenlaActividad., yelcontroldesalidaporelEstadoFinaldelaActividady/oEventosGenerados.Dadoquean
406

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva no se han identificado las Vistas de Objetos slo se utilizarn las restricciones establecidas como elementos de control de entrada en las Actividades. Posteriormente se realizar una vinculacin entre Vistas de Objetos y Actividades donde se har referencia expresa a los elementosdecontrol. LasRestriccionesqueactancomoelementosdecontrolenlaentradadelaactividadson: EA1Revisinycargadedatos:ConjuntodeTrabajosSeleccionados. EA2ClculodelProgramaPredictivo:Ausenciadeinconsistenciasdedatos. EA3Ajuste:ExistenciadeunProgramadeProduccinsinValidaroExistenciadeuna noFactibilidadContinuada. EA4Validacin/Rechazo:ExistenciadeunProgramadeProduccinsinValidar. EA5Identificacinyvaloracin:Existenciadeuneventoconocido. EA.6 Establecimiento de la Estrategia de Reprogramacin: Recomendacin sobre la estrategiaenformadeparmetrosdelPrograma. EA7 Ajuste (Control de la Estrategia de Reprogramacin): Definicin de la estrategia dereprogramacinenformadeparmetrosdelPrograma. EA8Revisinycargadedatos:ConjuntodeTrabajosSeleccionados. EA9ClculodelProgramaReactivo:Ausenciadeinconsistenciasdedatos. EA10Validacin/Rechazo:ExistenciadeunProgramadeProduccinsinValidar.

Elestadoy/oeventosqueactancomoelementosdecontrolengeneradosenlasalidadela actividadson: EA1 Revisin y carga de datos: Datos consistentes o Datos no consistentes. En esteltimocaso,generauneventodeInconsistencia. EA2Clculo delProgramaPredictivo:Produce unestadodeProgramaCalculadoo uneventodenofactibilidad. EA3Ajuste:ProduceunestadodeProgramaAceptadooProgramanoAceptado, enelsegundocasoimplicaunreclculo.

407

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica EA4Validacin/Rechazo:TerminaconunestadodeProgramaValidadooPrograma Rechazado. EA5Identificacinyvaloracin:ProgramaValorado. EA.6EstablecimientodelaEstrategiadeReprogramacin:EstrategiaDefinida EA7 Ajuste (Control de la Estrategia de Reprogramacin): Produce un estado de ProgramaAceptado,ProgramanoAceptado,ProgramaTrivialporInconsistencia deDatos,oTrabajosSeleccionados. EA8 Revisin y carga de datos: Datos consistentes o Datos no consistentes. En esteltimocaso,generauneventodeInconsistencia. EA9ClculodelProgramaReactivo:ProduceunestadodeProgramaCalculadooun eventodenofactibilidad. EA10 Validacin/Rechazo: Termina con un estado de Programa Validado o ProgramaRechazado.

PorloqueserefierealasCapacidades,CIMOSArecomiendaqueenlafasedeModeladode RequerimientossloidentifiquenlosConjuntosdeCapacidades,yenconcretoenestepasose tratadeidentificarhabilidadesqueposteriormentesernenglobadasenconjuntos.Algunasde lashabilidadesnecesariasson: Lahabilidadderealizarautomticamentelaconexinfsicaconlasfuentesdedatosy extraerlainformacinqueseanecesariaencadaocasinenfuncindelalgoritmode clculoqueseutilice. Sercapazderealizarlainterpretacinytransformacindelosformatosentreorigeny destino. En caso de no poder realizar su cometido debe ser capaz de identificar el problemaygenerarunaalarma. LahabilidaddecrearProgramasdeProduccineficientesegncriteriosdeusodelos recursos.Se necesitalaaplicacin de unprocedimiento/algoritmoparaobtenerlo.Es necesariaenalaActividaddeClculodelPrograma,yaseaPredictivooReactivo. LahabilidaddeidentificarposiblesmejorasenunProgramadeProduccinenbasea conocimiento y/o experiencias previas. Se trata de poder incorporar modificaciones sobre las restricciones difciles de indicar de forma cuantitativa e identificar posibles mejorasdelProgramapropuesto.

408

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva Lacapacidaddepoderidentificarareglasdeposiblesaccionesatomarenrelacincon elprocesodeGestindelPrograma.

LamayorpartedelasCapacidadesidentificadosnecesitarandelsoportedeunRecursopara su puesta en marcha. En este caso los Recursos sern normalmente software. En todo caso, antesnecesitanserrefinadasmedianteelestablecimientodeConjuntosdeCapacidades.

7.3.2.4

AnlisisdelaInformacin

En este paso se trata de identificas los Objetos de Empresa y las Vistas de Objetos. Para realizarestepasosehanidentificadoprimerolasVistasdeObjetos,quesonlosconceptosms relacionadosconlasentradasalasActividades.Apartirdeestasseidentificadoloselementos de rango superior (objetos de empresas) necesarios para definir los primeros. Las Vistas de Objetosson:
409

OVNodisponibilidadpormantenimientomquina. OVProgramaProduccinencurso. OVProgramaProduccinsinvalidar. OVProgramaProduccinvalidado. OVOcupacinprogramadamquina. OVCapacidaddisponiblealmacndeproductos. OVTiemposdecambiodepartida. OVTiemposdeproceso. OVTrabajospendientes. OVTrabajosSeleccionados. OVOperacionestrabajos. OVMquinasfactiblesportrabajo/operacin. OVParmetrosdelPrograma.

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica OVInconsistencias. OVReglasdeInferencia. OVEventosrecibidos.

LasVistasdeObjetoscontienetodalainformacinqueelsistemanecesitaparapoderrealizar sutrabajo.LadescripcindelaVista,elObjetodeEmpresadelquedepende,ydefinicinde loscampossedetallanenelanexoI.Delamismaformalosobjetosdeempresaquesustentan alasVistassedetallanendichoanexoI.EnlaFigura715semuestraunarepresentacindela VistadeObjetoyObjetosdeEmpresaqueconformanlaVistaInformacional. UnavezidentificadaslasVistasdeObjetossepuedemejorarladefinicindeloscontrolesde entradadecadaActividad.AcontinuacinserelacionanlasVistasdeObjetoqueproporciona lainformacinrelativaalarestriccindeentrada.Estasson: EA1Revisinycargadedatos:OVTrabajosSeleccionados. EA2ClculodelProgramaPredictivo:OVInconsistencias. EA3Ajuste:OVProgramaProduccinsinvalidar. EA4Validacin/Rechazo:OVProgramaProduccinsinvalidar. EA5Identificacinyvaloracin:OVEventosrecibidos. EA.6 Establecimiento de la Estrategia de Reprogramacin: OVParmetros del Programa. EA7 Ajuste (Control de la Estrategia de Reprogramacin): OVParmetros del Programa. EA8Revisinycargadedatos:OVTrabajosSeleccionados. EA9ClculodelProgramaReactivo:OVInconsistencias. EA10Validacin/Rechazo:OVProgramaProduccinsinvalidar.

410

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

Figura715.VistaInformacionaldelModelodeRequerimientos(elaboracinpropia).

ElModelopropuestocubrelasnecesidadesdelproblemaquesehadefinidopreviamentepero selehadotadodealgunacoberturaadicionalquepermitaenunfuturolainclusindenuevas funcionalidades. Aunque ahora ciertas funciones quedan fuera de los Requerimientos se preveequeparaunfuturopuedanserunrequerimientorazonable.

411

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

7.3.2.5

AnlisisdelosRecursos

Enelcasoqueseestmodelandolosrecursosnecesariossontodosopersonalesosoftware. LasCapacidadesquesehanidentificadonoestnrelacionadasconelusodeRecursosFsicos. EstasituacintienelgicayaqueseestmodelandounaActividadbsicamenteintelectual. Se ha considerado que es suficiente nivel de detalle el establecimiento de los Conjuntos de Capacidades y que no aporta valor aadido la identificacin de Recursos concretos. Las Capacidadesidentificadasson: CSAdquisicin, transformacin y validacin de datos: Se trata de la habilidad de realizar automticamente la conexin fsica con las fuentes de datos y extraer la informacinqueseanecesariaencadaocasinenfuncindelalgoritmodeclculoque se utilice. Al mismo tiempo que obtiene la informacin debe ser capaz de realizar la interpretacinytransformacindelosformatosentreorigenydestino.Encasodeno poder realizar su cometido debe ser capaz de identificar el problema y generar una alarma. CSProcedimientos de Programacin de la Produccin: Es la habilidad de crear un nuevo Programa de Produccin eficiente segn criterios de uso de los recursos. Se necesitalaaplicacindeunprocedimiento/algoritmoparaobtenerlo. CSProcedimientosdeReprogramacindelaProduccin:Eslahabilidaddemodificarel ProgramadeProduccinencursodeformaeficientebalanceandoloscriteriosdeuso eficiente de los recursos y minimizacin de los cambios en el Programa propuesto frentealProgramaencurso.Senecesitalaaplicacindeunprocedimiento/algoritmo paraobtenerlo. CSAjuste Fino de Programas: Es la habilidad de identificar posibles mejoras en un Programa de Produccin en base a conocimiento y/o experiencias previas. En definitiva se trata de poder incorporar modificaciones sobre las restricciones difciles de indicar de forma cuantitativa e identificar posibles mejoras del Programa propuesto. CSCapacidaddeInferirAcciones:Consisteenlacapacidaddepoderidentificarareglas deposiblesaccionesatomarenrelacinconelprocesodegestindelPrograma.

Unavezanalizadosloselementosrelacionadosconlavistaderecursosfinalizaelprocesode construccindelmodeloderequerimientos.Elsiguientepasoesverificarlavalidezelmismo.

412

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

7.3.2.6

VerificacindelaConsistenciadelModelo

Durante el proceso de construccin del Modelo de Requerimientos se van ido incorporando diferentes elementos arquitectnicos que se ubican en tres vistas diferentes (Funcional, InformacionalydeRecursos).EnestepasosetratadeverificarquecadaunadelastresVistas formanunnicoModelo,yquelasrelacionesentreellasestnperfectamentedefinidasdesde elpuntodevistadelaarquitecturaCIMOSAytienenlalgicadeseada. ComopasopreviosehanrevisadounoaunadetodaslasrelacionesexistentesencadaVista conelobjetodealcanzarunosModelosparcialesrobustos,yconlaventajadecontarconel Modelocompletoyafinalizado.Estepasopreviohatenidocomohiloconductorlaelaboracin de las plantillas descriptivas de cada elemento arquitectnico propuestas por (Berio, G. & Vernadat,F.B.1999a).Enlasplantillasnoslosedefineconprecisinlanaturalezadecada elemento, sino la relacin con su entorno. Durante este proceso se ha corregido la configuracin de algn elemento, especialmente por lo que se refiere a la depuracin de estadosinicialesyfinales. Una vez superado el paso previo, y sobre la base de unos Modelos parciales slidos se ha procedidoalaverificacindelarelacinentreellos.Pararealizarlaverificacinsehatenido encuentaespecialmenteelanlisiseidentificacindelasVistasdeObjetosquesonutilizadas porlasActividadesEmpresarialescomoentradaosalida,yaqueesunadelasrelacionesInter Vistasmsrelevante.DuranteesteprocesosehandefinidolasunidadesdeInformacinbsica (campos o registros) que cada vista de objeto debera proporcional o almacenar. Esta definicin ha ayudado a transformar conceptos abstractos a concretos. Con la informacin concretasehapodidocertificarsieraposiblerealizarlasfuncionesasociadasacadaActividad Empresarial. LaidentificacinyverificacindelarelacinentrelaVistaFuncionalylaVistadeRecursosse basa en el anlisis de la relacin entre Actividades Empresariales y los Conjuntos de Capacidades.Comoseharesaltadoanteriormente,laProgramacindelaProduccin,yasea PredictivaoReactiva,esunprocesobsicamentecarentedeelementosoActividadesFsicas,y porestemotivolasCapacidadessondetipoaptitudinal.Estechequeosehaaprovechadopara identificarconclaridadlaaportacinesperadaencadaunodelosConjuntosdeActividades. Como resultado de este proceso de verificacin se dispone del anexo I Definicin de los ElementosArquitectnicosdeCIMOSAImplementadosparaModeladodeRequerimientosdel ProblemaPropuesto,ydentrodelcualseencuentralaFiguraI2dondesepuedeobservar una relacin entre los elementos arquitectnicos principales de las vistas Funcional, Informacional y de Recursos. En dicha figura, las actividades EA1 y EA8 relacionadas con la
413

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Revisin y Carga de Datos, y las Actividades EA4 y EA10 relacionadas con la Validacin o Rechazo de Programas se han representado un solo elemento cada una de ellas, ya que a efectosderelacinconelrestodeelementossonidnticas.Esteahorroenlarepresentacin permitesimplificarrelativamenteelgrfico. A partir del Anlisis de Requerimientos se realiza la propuesta en la que se establece el conjuntodeActividadesquesernasumidasporelsistemaparaprogramadordelaProduccin queseobtendrcomounodelosresultadosdeestatesis.

7.3.3 ResumendelProcesodeModeladodeRequerimientos
Elmodeladoderequerimientoshaimpulsadoelprocesodeanlisisdelproblemaapartirdel cual se empieza a construir mediante un proceso de diseo la solucin de la misma. El modelado de requerimientos ha permitido examinar de forma detallada todas aquellas condicionesquedebendeterminarlaProgramacindelaProduccinenelcasopresentadoen elcaptulo5.Seharealizadounanlisisconmltiplesperspectivasovistastalycomosugiere elenfoqueCIMOSA.

Del trabajo realizado se puede destacar que lo ms interesante quizs haya sido la interconexin que se ha realizado entre los elementos que forman parte de cada una de las vistas.Alrededordeloselementosfuncionales(EnterpriseActivities)sehaninterconectadolos elementos de informacin (OV) y de recursos (CS). De esta forma se han identificado las necesidades funcionales, que suelen ser las que habitualmente se definen, pero adems las necesidadesdeinformacinyderecursosquesonnecesarias.

ApartirdelalosobjetivosdelDominio,loseventosimplicados,lasrestriccionesysobretodo loscontenidoselaboradosenlosProcesosdeDominioseprocederadisearlasolucin.

7.4

DiseodelaPlataformaIPSUMAS

El diseo de la Plataforma software se corresponde con el tercer paso de la metodologa aunque no llega a cubrirlo de forma completa. Este tercer paso, es decir el Diseo de la Solucin se complementa con el trabajo realizado en los captulos 8 y 9. En el captulo 8 se aborda de forma detallada el desarrollo del clculo del Programa Predictivo mediante el anlisis e implementacin de diversos algoritmos.De la mismaforma, pero focalizados en el clculo de los Programas Reactivos, se trabajar en el captulo 9. En ambos captulos se
414

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva ofrecern datos sobre las prestaciones esperadas mediante un anlisis comparativo de los resultados.

Un aspecto caracterstico de la Plataforma software que se propone disear es que su desarrollo se basar en el paradigma de los Sistema Multiagente. Como se muestra en la Figura716laPlataformatienecomofinservirdesoportetangiblealconjuntodeelementos decisionales, que basados en diversas teoras y propuestas, dan cobertura al Dominio de ProcesoparalaGestindelProgramaProductivo.Ycomoseveenlamismafigurasemantiene laestructuradefinidaenelanlisisderequerimientosestableciendodosprocesosdenegocio cadaunodeloscualesestestrechamenterelacionadoconunproblemadeclculo.

Algoritmos Clculo Reactivo AlgoritmosClculo Predictivo(SMA)

ProcesodeNegocio ProgramacinReactiva

PlataformaSoftware (SMA)

ProcesodeNegocio ProgramacinPredictiva

EstructuradelaPropuesta
Figura716.RelacinentrelasVistasdelModelodeRequerimientos(elaboracinpropia).

SedestacaqueyaenlaFigura716sedenominaalaPlataformaIPSUMAS,estableciendode forma inequvoca la adopcin del paradigma de Sistema Multiagente en su diseo e implementacin.

HayquesubrayarquelaPlataformasoftwarequesevaadiseartienecomofinconvertirseen un prototipo y no en un producto final. Por este motivo, slo se abordan los escenarios de inters para el caso planteado, y adems no se afronta ningn aspecto relacionado con el interface de usuario. Esta fase de diseo tiene como objetivo elaborar una proyeccin
415

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica conceptual que ser complementada en el captulo 10 mediante la elaboracin de los algoritmosoprocedimientosquesenecesitenparaabordarpuntualmenteuncasoconcreto. Esteapartadoseorganizadelasiguientemanera:Enprimerlugarserealizaunbreveresumen delasmetodologasdisponiblesparaeldiseodesolucionesbasadasenSistemaMultiagente. Ensegundolugarseanalizabrevementeloselementosmsrelevantesparaeldesarrollodela metodologaINGENIAS.EntercerlugarsedesarrollalametodologaINGENIASqueeslaelegida paraeldiseodelaPlataforma.Encuartolugarserealizaunareflexinamododeresumende esteestafasedediseo.

7.4.1 MetodologaparaelDiseodelaPlataformaIPSUMAS
Las metodologas proporcionan medios para construir Sistemas Multiagente de forma disciplinada y repetible. En el captulo 4 se present un resumen de lo que proponen las metodologasactuales.Entrelasaproximacionesexistentesfueronconsideradasinteresantes: LametodologaparaAgentesBDI,estaaproximacin,(Kinny,D.&Georgeff,M.1996),DESIRE, (Brazier,F.,DuninKeplicz,B.,Jennings,N.,&Treur,J.1997),GAIA,(Wooldridge,M.,Jennings, N.R.,&Kinny,D.1998),MASCommonKADS,(IglesiasFernndez,C.A.1998),MASSIVE,(Lind, J. 1999), MaSE (Multiagent System Engineering), (Wood, M. F. 2000), AUML, (Odell, J., Parunak, H., & Bauer, B. 2000), TROPOS, (Castro, J., Kolp, M., & Mylopoulos, J. 2002) e MESSAGE, INGENIAS, (Gomez, J. 2002). Entre ellas se ha seleccionado la metodologa INGENIAS que est orientada a Agentes y trata de proveer un lenguaje, un mtodo y unas guasdeaplicacin,centrndosefundamentalmenteenlasfasesdeanlisisydiseo.Adems presentafundamentalmentecomoaspectomsinteresantelaexistenciadeherramientasque permiten un desarrollo a alto nivel de entidades transformables automticamente en componentessoftware. Despusdelanlisisdelasdiferentesalternativasconsideradas,sevalordeformamypositiva la posibilidad de emplear INGENIAS, ya que fundamentalmente cubre de forma excelente la fasedediseo,yadicionalmentefacilitaenormementelafasedeimplementacinalgenerar componentes software de forma automtica. As mismo la metodologa cuenta con una herramientaquefacilitasuejecucin.Adems,losaspectosformativosrelativosalaprendizaje enelmanejodelametodologaylaherramientaquedaronampliamentecubiertosaldisponer delmaterialquelospropiosautoreshacenpblicosensupginaweb,ascomoelapoyodel grupo de investigacin GTI (Grupo de Tecnologa Informtica) de la Universidad Politcnica expertoseneldiseoeimplementacindeestetipodesistemascondichametodologa.

416

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

7.4.2 MetodologaINGENIAS
En este apartado se esboza brevemente la metodologa INGENIAS de forma que el lector pueda seguir adecuadamente el proceso de diseo de la Plataforma IPSUMAS basado en dichametodologa.

7.4.2.1

Metodologa

El mtodo de desarrollo de Sistemas Multiagentes propuesto en INGENIAS concibe a los mismos como la representacin computacional de un conjunto de modelos. Cada uno de estos modelos muestra una visin parcial del sistema: los Agentes que lo componen, las interacciones que existen entre ellos, cmo se organizan para proporcionar la funcionalidad del sistema, qu informacin es relevante en el dominio y cmo es el entorno en el que se ubicaelsistemaadesarrollar. Para especificar cmo tienen que ser estos modelos se definen metamodelos. Un meta modeloesunarepresentacindelostiposdeentidadesquepuedenexistirenunmodelo,sus relacionesyrestriccionesdeaplicacin.LosmetamodelosquesedescribenenINGENIASson unaevolucindeltrabajorealizadoenMESSAGE.EnMESSAGEsepropusieronmetamodelos para representar Agentes, organizaciones, el dominio, interacciones, tareas y objetivos. INGENIASintroduceciertasmejorassobreMESSAGE.Elresultadodelprocesodemejoraesla propuesta basada en cinco metamodelos que giran alrededor de dos entidades; la OrganizacinyelAgente.

Fases Inicio
Generar casos de uso e identificar realizaciones de los casos de uso con modelos de interacciones.

Elaboracin
Refinar los casos de uso. Generar modelos de Agente para detallar los elementos de la arquitectura. Continuar con los modelos de organizacin identificando los flujos de trabajo y las tareas. Modelos de tareas y objetivos para generar restricciones de control (objetivos principales, descomposicin de objetivos). Refinar modelo de entorno para incluir nuevos elementos.

Construccin
Estudiar resto de casos de uso.

FLUJOS DE TRABAJO FUNDAMENTALES

Anlisis

Esbozar la arquitectura con un modelo de organizacin. Generar modelos del entorno para trasladar la captura de los requisitos a los modelos.

417

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Generar un prototipo con herramientas de prototipado rpido como ZEUS Agent Tool Centrar el modelo de organizacin en el desarrollo de flujos de trabajo. Llevar las restricciones identificadas a modelos de tareas y objetivos para dar detalles acerca de las necesidades y resultados de la tarea en su relacin con los objetivos del sistema. Expresar la ejecucin de tareas dentro de modelos de interaccin. Generar modelos de Agente para detallar patrones de estado mental. Generar modelos Agentes, refinar existentes. de los

Diseo

Depurar la organizacin centrando el desarrollo en las relaciones sociales.

Tabla72.FlujosdetrabajoenlametodologaINGENIAS(Pavon,J.etal.2003).

El ciclo de vida del desarrollo software de INGENIAS se basa en la propuesta RUP (Rational Unified Process). En el RUP, el esfuerzo del anlisis y diseo se encuentra localizado en tres fases: inicio, elaboracin y construccin. Dentro de cada fase se desarrollan las iteraciones (ciclos completos de desarrollo incluyendo anlisis, diseo, implementacin y pruebas) que construyen gradualmente el sistema. Estas asociaciones marcan prioridades a la hora de profundizar en la generacin de los distintos modelos (agente, organizacin, interaccin, entorno, objetivo y tareas). En este caso la Tabla 72 no hace referencia a las fases de implementacinypruebaspornoserelobjetivodelcaptulo. Basndose en el ciclo de vida del desarrollo de software adoptado por INGENIAS en este captulodedesarrollolafasedediseodelaPlataformaIPSUMAS.

7.4.2.2

MetaModelos

Los metamodelos son una gran ayuda en el proceso de desarrollo de los Sistemas Multiagente, ya que determinan qu entidades tienen que existir y cmo deben conectarse. Desdeelpuntodevistadeingeniera,loqueinteresadelosmetamodelos,ademsdeservir de gua, es cmo pueden ayudar a estructurar el desarrollo del sistema. Para estudiar la aplicacin de los metamodelos a procesos de ingeniera, se han tomado los metamodelos como lenguaje de especificacin del Sistema Multiagente, de forma similar a los diagramas UML (UnifiedModelingLanguage)comoespecificacindeundesarrolloorientadoaobjetos. Partiendo de este lenguaje se estudian qu actividades y productos son necesarios para generar los modelos que constituyen la especificacin del sistema. Estas actividades y productossonrelevantesporquesepuedenintegrarsedentrodeunprocesodeingenieradel software.Lasactividadessepuedendistribuirentrelosdiferentescomponentesdeunequipo de trabajo, estableciendo qu productos se esperan de cada actividad y cmo se combinan. Losmetamodelossepresentandeformaseparada,son:
418

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva Metamodelo de Agente. El metamodelo de agente describe Agentes particulares y losestadosmentalesenqueseencontrarnalolargodesuvida. MetamodelodeTareasyObjetivos.Seusaparaasociarelestadomentaldelagente conlastareasqueejecuta. MetamodelodeOrganizacin.DefinecmoseagrupanlosAgentes,lafuncionalidad del sistema y qu restricciones hay que imponer sobre el comportamiento de los Agentes. MetamodelodeInteraccin.DetallarcmosecoordinanycomunicanlosAgentes. Metamodelo de Entorno. Define qu existe alrededor del nuevo sistema y cmo lo percibecadaagente.

Figura717.MetamodelosparaelDiseodelSistemaMultiagente(Pavon,J.etal.2003).

Lageneracindemodelosapartirdemetamodelosseguaporelconjuntodeactividadesque se presentarn a lo largo de este captulo. Cada modelo estar compuesto de una serie de diagramas que representan parte de la informacin que se desea transmitir, y que tiene sentidodentrodelatotalidad.

7.4.3 DiseodelaPlataformaIPSUMASaplicandoINGENIAS
Enestecaptuloseprocederaldesarrollodelosdiferentesmodelosqueconformanelncleo fundamental del diseo de la Plataforma IPSUMAS, en base a los correspondientes meta modelos.Aunquetodalafasedediseoseharealizadomedianteelciclodetrespasos(inicio,
419

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica elaboracinyconstruccin),enlosquesebasaINGENIAS,loquesemuestraenestecaptulo eselresultadofinal. La Plataforma que se desea disear tiene como objetivo dar cobertura a los requisitos establecidos en la fase de anlisis de requerimientos. Los dos objetivos bsicos establecidos son: SercapazderealizarelprocesodenegociodeProgramacinPredictiva. SercapazderealizarelprocesodenegociodeProgramacinReactiva.

Peroesenestepuntodondehayquedestacarqueambosprocesossevanadesarrollardentro de un marco de coordinacin con otros Procesos de Negocio, en especial con el Proceso de NegociodePlanificacindelaProduccin.PorestemotivoduranteeldiseodelaPlataforma se ha tenido en cuenta la interaccin con ciertos Agentes o roles, segn el modelo, que se pueden ubicar en procesos diferentes a los de Programacin Predictiva o Reactiva de la Produccin. Aunque en la fase de diseo no se puede llegar a apreciar en su correcta dimensin, es fundamentaldestacarelpesoqueadquierenlossistemasyprotocolosdecomunicacinenun Sistema Multiagente. En este sentido se destaca que gracias a la existencia de la Plataforma JADEvii(JavaAgentDEvelopmentframework)paraeldesarrollodeSistemasMultiagentenoha sido necesario disear ni programar protocolos ni sistemas de comunicacin. JADE es una Plataforma ampliamente utilizada que cumple los estndares de FIPA (Foundation for Intelligent Physical Agents) lo que facilita enormemente el diseo, pero an ms si cabe la implementacindeestetipodesistemas. A continuacin se desarrollo la fase de diseo empezando en primer lugar con una visin generaldelosdiferentesdiagramasqueconformancadametamodelo,ascomoelpapelque cumple. En los siguientes apartados se desarrollan los diagramas correspondientes los modelosdecadametamodelo,quesernanalizadosenelniveldedetallequelecorresponde.

vii

TantolaPlataformaJADEcomolaorganizacinFIPAhansidointroducidasyanalizadasenelcaptulo4 deestatesis.

420

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

7.4.3.1

EsquemaGeneral

Comosehaindicadoanteriormenteelprocesodediseoseiniciaestableciendoelconjuntode casosdeusoquerepresentanlassituacionesquesedeseaabordar,queenestecasosern4 asociadosa4rolesdiferentes:Planificador,Coordinador,OperarioyProgramador. Una vez explicitados los casos de uso, que servirn de punto de referencia para todo el procesodediseo,seelaborarnlos5modelosbasadosenlosmetamodelospropuestospor INGENIAS.EnlaTabla73seresumenlosgrficosrealizadosparacadamodeloconelobjeto deorientarmejorelprocesodecomprensindeltrabajorealizado. Modelo
Modelode Organizacin

Grfico
ModelodeOrganizacin

Comentarios

Grfico nico en el que se resume la visin organizacionalquesenecesitaparaeldiseodela Plataforma. ModelodeEntorno Grfico nico en el que se resume el entorno Modelode conocido que se necesita para el diseo de la Entorno Plataforma. Establecer la Produccin Este modelo requiere la diferenciacin de los 2 predictivamente grandes objetivos de la Plataforma, que se Modelode ObjetivosyTareas Establecer la Produccin trabajarnporseparadoenestepunto. reactivamente AgentePlanificador Para cada uno de los 3 Agentes definidos se realizada una definicin de los elementos que lo AgenteProgramador componen. AgenteOperario Modelode Modificacin de estados En este modelo adems de tratar de definir a los Agentes mentales Agentes se hace referencia explcita a ciertos estados que deben ser considerados por los mismos. Obtener Planificacin En este modelo se tratan las 5 interacciones peridica fundamentalesdentrodelaPlataformaIPSUMAS. NotificarInconsistencias ModificarPlanificacin Modelode ReasignarProduccin Interacciones Notificarproblema Condicionesiniciadoresde Adicionalmente, se indican las condiciones que lasInteracciones provocan el inicio de las mencionadas interacciones.
Tabla73.Resumendegrficoscorrespondientesacadamodelosempleadoeneldiseo(elaboracinpropia).

421

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Una vez revisado el esquema general de los diferentes aspectos, particularizaciones, que se tratarn en relacin a los diferentes modelos, el lector est en condiciones de seguir con mayorclaridadelproceso.

7.4.3.2

ModelodeCasosdeUso

UnmodelodecasosdeusocapturalafuncionalidaddeseadaporlosusuariosenunSistemade Informacin.Elmodelodecasosdeusoconstituyeunaherramientaparareflejarlosrequisitos de una aplicacin informtica, y de permisos que cada usuario o grupo de usuarios va a disponerenelusodelaaplicacin.EnelcasodelaPlataformaIPSUMAS,sehanidentificado cuatro perfiles de usuarios (planificador, coordinador, Programador y operario), as como un conjuntodecasosdeusoqueacontinuacinsedetallan. EnlaTabla74semuestranlos8casosdeusoidentificadoscomentados.Estoscasosdeusose emplearndurantelafasedediseo,yserncomprendidosenprofundidadamedidaquese desvelenloscorrespondientesmodelos.
Entidaddelmeta modelo Casodeuso Casodeuso Casodeuso Casodeuso

Entidad Notificar Planificacin Peridica Estimar Planificacin por planta NotificarPlanificacinpor planta Obtener Planificacin Peridica

Documentacin El planificador indica la Planificacin peridica a producirporelconjuntodeplantas. El coordinador establece la Planificacin desagregadaporplanta. ElcoordinadornotificaalasplantassuPlanificacin paraelsiguienteperiodo. El programador de cada planta consulta la Planificacinperidicadeseada. El programador calcula la Programacin peridica. Puede cambiar los parmetros, establecer ajustes, yvalidarorechazarlaProgramacin. El programador puede reajustar el Programa Productivo en funcin del nivel de carga establecidooincidenciasacontecidas. Los operarios pueden notificar problemas o retrasosalosprogramadoresdesuplanta. Losoperariosconsultanlaproduccinestablecidao modificadaquelesproporcionasuprogramadorde planta.

Calcular Programacin Casodeuso Predictiva

AjustarProduccin

Casodeuso

NotificarProblemas

Casodeuso

ConsultarProgramacin

Casodeuso

Tabla74.ResumendeloscasosdeusoplanteadosenlaPlataformaIPSUMAS(elaboracinpropia).

422

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva Existen roles y funciones que an no han sido introducidas con detalle pero que estn ya incluidasenloscasosdeuso.Parafacilitarlavisingeneraldelosmismossedebecomentar quesehaplanteadounsistemacapazeafrontarunsistemaproductivomultiplantaenelque existelafiguradeunplanificadordelaProduccin,uncoordinadordelaProduccinentrelas plantas, un programador de la Produccin por planta y algunos operarios por cada planta. DesdelaFigura718alaFigura721serelacionanlosrolesconloscasosdeusoEntodoslos casossehaseguidolanotacindescritaenlaTabla75.

Notacin:

Indica que elemento del origienparticipaenuncasodeuso. Indicaqueelcasodeusosituadoen elorigienparticipaenuncasodeusodeldestino. GTPursues Indica que un objetivo (elemento sucesor)esperseguidoporunelementopredecesor. OHasWF Establece una relacin de pertenencia de un Flujo de Trabajo (elemento sucesor) con respecto al predecesor. OHasGroup Estableceunarelacindepertenenciade unelemento organizativo(elementosucesor)conrespectoal predecesor. WFContainsTask Estableceunarelacindepertenencia deunFlujodeTrabajo(elementosucesor)conrespectoaotro FlujodeTrabajo(predecesor). OHasMember Establece una relacin de pertenencia deunrole(elementosucesor)conrespectoalpredecesor. AplicationBelongsTo Indicaqueunaaplicacinsoftware (elementosucesor)leperteneceaunelementopredecesor.

representaaunrole

representaauncasodeuso.

representaaunelementodelaorganizacin.

representaaunflujodetrabajo representaunobjetivo. representaaunrecursosoftware representaaunrecursofsico.

representaunatarea. representaunainteraccin. representaunacreencia.

EResourceBelongsTo Indica que un recurso fsico (elementosucesor)leperteneceaunelementopredecesor. Satisfation Indica que un Flujo de Trabajo (elementosucesor)debesatisfacerundeterminadoobjetivo. WFDescomposes Indica que un Flujo de Trabajo (elementosucesor)sedescomponeenunatarea.

representaunestadomental.

WFPlays Indica que un Role (elemento sucesor)esjugadoporunAgente. AHasMS Indica que un Estado Mental (elementosucesor)sepuedeserelaboradoporunAgente. AConstainsME Indica que un Estado Mental (elemento predecesor) est contenido en un Conjunto de EstadosMentales. WFResponsable Indica que un tarea (elemento sucesor)esresponsabilidadeunrole. GTCreates Indica que un tarea (elemento sucesor)necesitainiciarunainteraccin.

Tabla75.NotacinempleadaenlasfigurasquerepresentanlosCasosdeUsoylosModelos.

423

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Como ejemplo se comenta el caso de uso de la Figura 721. La funcionalidad del sistema se divideenunconjuntodecasosdeuso,queasuvezpuedensubdividirseenfuncionalidadms especfica (ver relaciones entre casos de uso etiquetadas como <<include>>). Es decir, que parte de la funcionalidad del Sistema Multiagente es calcular la Programacin Predictiva, y parte de la funcionalidad que compone tal clculo (<<include>>) es establecer parmetros. Relacionadoconuncasodeusoexisteunperfildeusuarioquehaceusodeesafuncionalidad delSistemadeInformacin.AsenelcasodelaFigura721unusuarioconpermisos(role)de programador puede invocar la funcionalidad de calcular Programacin predictiva, pero un operadornopuedehacerusodetalfuncionalidad,hechoqueseindicaalnorelacionarelrol deoperarioconelcasodeusocalcularProgramacinPredictiva.
Figura718.ModelodecasosdeusodelPlanificador(elaboracinpropia).

Figura719.ModelodecasosdeusodelCoordinador(elaboracinpropia).

Figura720.ModelodecasosdeusodelOperario(elaboracinpropia).

424

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

Figura721.ModelodecasosdeusodelProgramador(elaboracinpropia).

7.4.3.3

ModelodeOrganizacin

Elmodelodeorganizacinmuestralaestructuraorganizativadelaempresaysurelacincon la estructura del Sistema de Informacin del Sistema Multiagente. As pues, el modelo de organizacinaproximalaarquitecturadelsistemaenunSistemaMultiagente. En el modelo se establece la divisin de la empresa en grupos (en nuestro caso una sede central y un conjunto de plantas, ver Figura 722). Asociada a cada distribucin existe un conjuntoderolesquesernasumidosporAgentessoftware,aunquepodranserasumidospor personas.Losrolesidentificados,yqueposteriormenteseexplicarn,comoyasehaavanzado, son los de Planificador, Coordinador, Programador y Operario. Los Agentes que asuman los rolesrealizarantareascolaborandoentresenloquesedenominanflujosdetrabajo,enlos que interactuarn e intercambiarn informacin. En nuestro caso, los principales flujos de trabajosonEstablecerProduccinPredictivayReajustarProduccinreactivamente(verFigura 722). El estudio de estos flujos de trabajo se realiza mediante el modelado de objetivos y tareas,yelanlisisdelasinteraccionesenelmodelodeinteracciones(versecciones7.4.3.5y 7.4.3.7).
425

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica EnlaTabla76seresumenlasentidadesqueformanpartedelmodelodeorganizacinquese desearepresentar.
Entidad delmeta modelo Rol

Entidad

Documentacin Representa a la persona responsable de calcular la Planificacin de la Produccinapartirdelaprevisindelademanda,ydelainformacin decapacidadesproporcionadosporelagentecoordinador. Sepuedeconsiderarcomounplanificadordesegundonivel.Seencarga de desagregar la Planificacin de la Produccin que le proporciona el agente planificador, y de emitir planificaciones de la Produccin por plantaenfuncindelstock,ylacapacidaddecadaplanta. Asuvez,seencargademodificarybalancearlascargasproductivasen cada una de las plantas. Su trabajo se realiza en equipo con el agente planificador. SeencargadeestablecerunaProgramacindelaProduccinapartirde la Planificacin de la Produccin que se convierte en el trabajo diario queenvaacadaagenteoperario.

Planificador

Coordinador

Rol

Programador

Rol ModificalaProgramacindiariadeacuerdoainformacinrecibidapor losAgentesoperarios,yencasodeimplicarunrechazooaceptacinde Produccinsecomunicaconelagentecoordinador. Seencarganderecibirlasrdenesproductivasynotificarlasaloperario. Monitorizan el volumen de trabajo realizado y prevn retrasos o adelantosquenotificanalagenteprogramador. En caso de rotura de mquinas tambin notifican al agente programador. Nivelorganizativoprincipal. La empresa se compone de una sede central, que es una divisin que agrupaelplanificadorycoordinadoryqueescomnatodaslasplantas. La empresa puede estar compuesta de una o ms plantas. El modelo estpreparadoparaserescalableavariasplantas.

Operario

Rol

Empresa Sedecentral Planta Establecer Produccin predictiva Reajustar Produccin reactivamente

Grupo Grupo Grupo

Flujo de Conjunto de actividades que tienen como objetivo obtener una trabajo ProgramacinPredictiva. Flujo de Conjunto de actividades que tienen como objetivo obtener una trabajo ProgramacinReactiva.

Tabla76.ResumendelasentidadesdelmodelodeorganizacinplanteadosenlaPlataformaIPSUMAS (elaboracinpropia).

426

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

Figura722.ModelodeOrganizacin(elaboracinpropia).

427

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Una vez conocida la organizacin en general e identificados los actores fundamentales es necesariorevisarelconjuntoderecursosqueestndisponiblesenelentorno.

7.4.3.4

ModelodeEntorno

Enestemodeloelpropsitonoesgenerarrepresentacionesdelmundoenelqueseubicael SistemaMultiagente,sinounadiscretizacindondecategorizareltipodeentidadesrelevantes en el entorno y restringir la interaccin con las mismas. As, el entorno slo contendr recursos,aplicacionesyAgentes,yselimitarlapercepcinyactuacindelosAgentes. LaTabla77muestralasentidadesquesedeseaconsiderarenelmodelodeentorno.Setrata tantodeelementosfsicos,comolasmquinas,comoelementossoftwarepreexistentes.
Entidad delmeta modelo Aplicacin externa Aplicacin interna Recurso

Entidad

Documentacin ElMRPesunaaplicacinusadaporelplanificadorqueasuvezcaefuera delSistemaMultiagenteparalaProgramacindelaProduccin,aunque suponenfuentesdeinteraccineinformacinparanuestroproblema. Aplicacin que implementar el clculo de Programacin de la Produccin de acuerdo con la propuesta de esta tesis. Esta aplicacin serusadaporelprogramador(verFigura722). Representaelconjuntodemquinasdecadaplantaqueseencargade cocerelbizcocho. Representaelconjuntodemquinasdecadaplantaqueseencargade embalaryclasificarlasbaldosas. Representaelconjuntodemquinasdecadaplantaqueseencargade prensarlatierraatomizadayesmaltarelbizcocho.

MRP Aplicacin Programador Produccin Horno

Embaladora / Recurso Clasificadora Prensadora y Recurso Esmaltadora

Tabla77.ResumendelasentidadesdelmodelodeentornoplanteadosenlaPlataformaIPSUMAS(elaboracin propia).

En la Figura 723 se representa como la planta cuenta con un conjunto de recursos a su disposicin formado por los sistemas de informacin MRP y Aplicacin de produccin, as comolasmquinasdecadaunadelas3lneasproductivas.

428

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

Figura723.Modelodeentorno(elaboracinpropia).

Unavezsehanfijadolasentidadesdelaorganizacinydelentornolametodologaindicaque sedebenfijarlosobjetivosytareasdecadaelementoactivo.

7.4.3.5

ModelodeObjetivoyTareas

El modelo de objetivos y tareas tiene como propsito recoger las motivaciones del SistemaMultiagente,definirlosflujosdetrabajoidentificadosenelmodelodeorganizacin, medianteladescomposicinentareas,enlasqueseidentificaninteraccionesllevadasacaboy responsabilidades(rolesoAgentes).Muchasdelastareasestablecidasenestafasedediseo han sido elaboradas en la fase de anlisis correspondiente al captulo anterior. Esta informacin constituye parte de la especificacin de cmo se quiere que sea el control del Agenteaaltonivel.EnelmodelodeAgentesseespecificarnlosProcesadoresyGestoresde Estado Mental que establecen el proceso deliberativo y de mantenimiento del conocimiento del Agente y en el modelo de interaccin los estados mentales requeridos por parte de un conjunto de Agentes que interacten. Aqu se trata de poder expresar cules son las consecuenciasdeejecutarlastareasydeporqusedeberanllegaraejecutar. Sehanespecificadodosmodelosdeobjetivosytareas,unoporcadaunodelosmacroflujos detrabajoidentificadosenelmodelodeorganizacin(verFigura722):establecerProduccin PredictivayReajustarProduccinReactivamente.

429

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica EstablecerProduccinPredictiva Estemodelodeobjetivosytareasespecificaelconjuntodetareasarealizarparaestablecerla ProduccinPredictiva.EnlaFigura724semuestracomoestatareasebasaen3objetivosque pretende conseguir; Satisfacer la Planificacin, Uso Eficiente de los Recursos, Establecer Programa Productivo. Para satisfacerlos debe poner en marcha una serie de tareas, identificadas en el anlisis del Proceso de Negocio de Programacin de la Produccin Predictiva, como son; Revisar y Cargar los Datos, Calcular el Programa Predictivo, Ajustar, Validar o Rechazar la Programacin. Pero tambin se han tenido que incluir otras tareas no identificadasendichoanlisisprevio,comoson;NotificarlaPlanificacinPeridicaoNotificar Operarios de la Programacin. Estas dos tareas se pueden considerar como destinada a establecerunprocesodecomunicacinqueinicialmentenoseidentific. Algunas tareas son iniciadas por el Agente Planificador como la de Notificar Planificacin Peridica,yotrassoniniciadasporelAgenteProgramadorcomoladeRevisaryCargardatos. En todo caso, la ejecucin de muchas de las tareas implica el establecimiento de una conversacinentreAgentesparaintercambiarinformacin. En el modelo tambin se especifica responsabilidad de roles en la ejecucin de las tareas, hechoquesecomplementaconlosdiagramasdeAgentesydeinteraccin.EnlaTabla78se comentanlas4interaccionesqueformanpartedeestemodelodeObjetivosyTareas.
Entidad delmeta modelo

Entidad

Documentacin

INT: Obtener Correspondeconlainteraccinenlaqueelagenteplanificadorproporciona Planificacin Interaccin la Planificacin peridica a producir al programador de cada planta, Peridica teniendoencuentalascapacidadesdelaplantaparaeseperiodo Corresponde con la interaccin entre el agente programador y el INT: Notificar Interaccin planificador, en el que el programador notifica que la Planificacin es Inconsistencias inconsistenteconlascapacidadesproductivasdelaplanta Corresponde con la interaccin entre el agente programador y el INT: Modificar planificador,enelqueelprogramadorsolicitaorechazatrabajosdeoala Interaccin Planificacin Planificacin para ajustar su Programacin de la planta a sus capacidades productivas INT: Notificar Correspondeconlainteraccinentreelagenteprogramadordeunaplanta Programacin y los Agentes operarios de una planta, en la que el programador tras Interaccin Produccin calcular o recalcular la Programacin de la Produccin notifica la Modificada Programacinalosoperarios
Tabla78.Resumendelasinteraccionesdelmodelodeobjetivosytareas(Predictivos)planteadosenla PlataformaIPSUMAS(elaboracinpropia).

430

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva Los modelos de objetivos y tareas muestran una descomposicin de flujos de trabajos en tareas, pero no especifican el orden de ejecucin o condicionalidad en la ejecucin de las tareas, hecho que si muestran el diagrama de actividades. Para el caso del clculo de la Programacin predictiva, el diagrama de actividades que muestra el flujo de ejecucin de actividadeseselmostradoenlaFigura711yparalaProgramacinReactivasemuestraenla Figura712.

431

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Figura724.ModelodetareasyobjetivosdelaProduccinPredictiva(elaboracinpropia).

432

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva AjustarProduccinReactivamente Estemodelodeobjetivosytareasespecificaelconjuntodetareasarealizarparaestablecerla ProduccinReactiva.EnlaFigura725semuestracomoestatareasebasaen4objetivosque pretende conseguir; Satisfacer la Planificacin, Uso Eficiente de los Recursos, Mantener el Programa Estable, Establecer Programa Productivo. Parasatisfacerlos debe poner en marcha unaseriedetareas,identificadasenelanlisisdelProcesodeNegociodeProgramacindela Produccin Reactiva, como son; Establecimiento Estrategia de Reprogramacin, Revisin y Carga de Datos, Clculo del Programa Reactivo, Validad o Rechazar, y Ajuste / Control de la EstrategiadeReprogramacin.Adiferenciadeloqueocurrienelmodeloanterioraqunoha sido necesario incluir tareas adicionales a las establecidas inicialmente. Todas las tareas son iniciadasporelAgenteProgramador. En el modelo tambin se especifica responsabilidad de roles en la ejecucin de las tareas, hechoquesecomplementaconlosdiagramasdeAgentesydeinteraccin.Enestemodelose hacenusodealgunasinteraccionesentreAgentesqueyasehabanidentificadoenelmodelo de Establecimiento de Programacin Predictiva, ya que la naturaleza de las comunicaciones entreAgenteseslamismaylassemejanzasdealgunastareasenambosflujosdetrabajoson evidentes.EnlaTabla79sedescribenlasinteraccionesquesellevanacabocomoresultadoo comoiniciodealgunasdelastareas.
Entidad delmeta modelo

Entidad

Documentacin

SecorrespondeconlainteraccinenlaqueelAgenteOperarionotifica INT: Notificar Interaccin al Agente Programador de un retraso o adelanto con respecto a la problema produccinprogramada. Se corresponde con la interaccin entre el Agente Programador y el INT: Notificar Interaccin Planificador, en el que el Programador notifica que la Planificacin es inconsistencias inconsistenteconlascapacidadesproductivasdelaplanta. Se corresponde con la interaccin entre el Agente Programador y el INT: Modificar Planificador, en el que el Programador rechaza trabajos de la Interaccin Planificacin PlanificacinosolicitamsparaajustarsuProgramacindeplantaalas capacidadesproductivas. INT: Notificar Corresponde con la interaccin entre el Agente Programador de una Programacin plantaylosAgentesOperariosdeunaplanta,enlaqueelProgramador Interaccin Produccin tras calcular o recalcular la Programacin de la Produccin notifica la Modificada ProgramacinalosOperarios.
Tabla79.Resumendelasentidadesdelmodelodeobjetivosytareas(Reactivo)planteadosenlaPlataforma IPSUMAS(elaboracinpropia).

433

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Figura725.ModelodetareasyobjetivosdelaProduccinReactiva(elaboracinpropia).

434

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva ParaelreajustedeProgramacinreactivamenteeldiagramadeactividadesqueseobservael flujodeejecucindeactividadeseselmostradoenlaFigura742.

7.4.3.6

ModelodeAgentes

ElmodelodeagenteseusaparadescribirAgentesparticularesexcluyendolasinteracciones con otros Agentes. Es decir, que en este modelo se describe la funcionalidad del Agente (tareasdelasqueesresponsable),susobjetivos,losrolesquejuega,aplicacionesdelasque haceuso,ysucontrol.ParaqueunAgentepuedacumplirconlastareaspropiasdelrolequese le asigna necesita un soporte sobre el cual mantener sus Creencias sobre el entorno, en el enfoqueDBI.Porestemotivo,cadaAgentetieneasociadounconjuntodeEstadosMentales, que acta como memoria de hechos en la que se identifican los atributos en los que se retienen la informacin necesaria para llevar a cabo sus objetivos (identificadas mediante FrameFactsenlosdiagramas)apartirdeloscualesseestablecenlascreenciasdelosAgentes, mostradasmediantenubes. Se han identificado 3 agentes: Agente Planificador, Agente Programador y Agente Operario. Todosellosserncomentadosacontinuacin. ElAgentePlanificador,esunAgentedecontexto,yaquesuimplementacinnoformaparte delsistemadeProgramacinqueseplanteaenlatesis,perosqueesnecesarioidentificarlo en el Sistema Multiagente ya que es una fuente de informacin de las Planificaciones de Produccin peridica por planta que el programador de la Produccin necesita. En la Figura 726 se observa como este Agente desempea los roles de planificador y de coordinador, interacta con una aplicacin MRP para obtener la Planificacin de la Produccin para el conjunto de plantas, se identifican los objetivos del Agente, y las tareas de las que es responsable (Notificar Planificacin Peridica, Modificar Planificacin Peridica). El Agente dispone de un estado mental en el que registra informacin acerca de la Planificacin Peridica agrupada y de la Planificacin Peridica desagrupada por plantas (ver caja FrameFact en la Figura 726). El Agente en funcin de sus creencias (Estado Mental en un instante)ydesusObjetivostomarlainiciativadecalcularloquemodificarsuestadomental aldeElaborandoPlanificacin,cuandoestatareaacabenotificarlaPlanificacinPeridicaal Programado.CuandoelProgramadorconfirmelarecepcindelPlanelestadoMentaldebera cambiarsualdePlanenCurso,loqueimplicalacreenciadequeelPlansepuedealcanzarsin dificultadesapriori.Previoalaejecucin,odurantelaejecucin,puedesurgiruneventoque suponga cambiar a estado mental que indica que existen problemas en el desarrollo del Programa por falta o exceso de capacidad. Los posibles problemas deben ser solucionados mediante la tarea Modificar el Plan Maestro. En todo caso, si eso ocurre el Agente debera
435

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica situarse en un estado de Problemas en el Programa. Adems antes de iniciarse la ejecucin delProgramaesposiblequeelProgramadorlenotifiquealPlanificadodelaexistenciadeuna inconsistenciaenlosdatosloqueimplicaraqueesteAgentesesituaraenunestadodeDatos Inconsistentessifinalizarasuexistencia.

Figura726.Agenteplanificador(elaboracinpropia).

En la Tabla 710 se muestra un resumen de los roles y tareas asignados, as como las conversacionescontempladas.
ComponentesdelAgentePlanificador Conversaciones Previstas Tareasasignadas Roles IniciarnotificacinPlanificacinperidica RecibirModificarPlanificacin NotificarInconsistencias NotificarPlanificacinperidica ModificarPlanificacinperidica Planificador Coordinador

Tabla710.Resumendeloscomponentesdelagenteplanificador(elaboracinpropia).

436

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva ElAgenteProgramadoreselAgenteclavedelapropuesta,yaqueademsdeencargarsedel clculodelaProgramacinPredictivaylosajustesReactivos,gestionalosoperarios,identifica retrasosysecomunicaconelplanificadorparalamodificacindelPlanProductivosegnlas capacidades productivas en cada momento. En la Figura 727 se observa como este Agente desempea el rol de programador, interacta con una aplicacin de Programacin de la Produccinqueimplementalosalgoritmosquesepropondrnenestatesis,yesresponsable delasprincipalestareasdelaProgramacinyAjustedelaProduccin.ElAgentedisponedeun conjunto de estados mentales en el que registra informacin acerca de la planta que Programa, como son: la Planificacin inicial que recibe del planificador, la Programacin calculada inicialmente y sus modificaciones, el Margen Operativo inicial y el actualizado, la EstrategiaEmpleada,ascomootrosparmetros(vercajaFrameFactenlaFigura727). Inicialmente el Agente Programador puede estar siempre en una situacin de Espera. Se asumequeestasituacinsedarsiempreentreperiodoyperiodo.BajoestaestadoelAgente creequeserecibirunmensajedelPlanificadorNotificandolaPlanificacinPeridica.Cuando se recibe el Plan se inicia el proceso de elaboracin del Programa que puede culminar sin dificultadesllegandoponerloenejecucin,encuyocasoelAgentesesituaraenunestadode Programa en Curso. Sin embargo, si durante la elaboracin del Programa se produce alguna dificultaddecapacidadqueimpliquesolicitarunamodificacindelostrabajosalPlanificador entonces se llegara a un estado de Solicitud Modificacin. Si se produjera la necesidad de revisar el programa cuando ya est en curso el Agente se situara en un estado mental de Reprogramacin, pudindose volver a dar la circunstancia de que se necesite solicitar una modificacin del nmero de trabajos en cuyo caso el estado mental sera Solicitud de Modificacin Reprogramando. Una situacin en la que se puede encontrar el Agente en el momentodeempezararealizarelprocesodeprogramacinpredictivaesquelosdatosconlos que debe trabajar sean errneos con lo que este Agente pasar a un estado de Datos Inconsistentes. En la Tabla 711 se muestra un resumen de los roles y tareas asignados, as como las conversacionescontempladas.

437

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Figura727.AgenteProgramador(elaboracinpropia).

ComponentesdelAgenteProgramador RecibirnotificacinPlanificacinperidica IniciarNotificarinconsistencias IniciarModificarPlanificacin IniciarReasignarProduccin RecibirNotificarProblema Revisinycargadedatos ClculodelProgramaReactivo ClculodelProgramaPredictivo Ajuste Ajuste/ControldelaEstrategiaReprogramacin Validar/Rechazar RecalcularMargenOperativo Revisinycargadedatos NotificarnuevaProgramacin Programador

Conversaciones Previstas

Tareasasignadas

Roles

Tabla711.Resumendeloscomponentesdelagenteprogramador(elaboracinpropia).

438

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva ElAgenteOperarioesunAgenteasignadodeunaetapaencadaunadelasplantas.As,para cada etapa y planta existir un Agente Operario. El Agente recibe la Programacin de la Produccinysusajustes,yseencargadeproducirdeacuerdoalamisma.Asuvez,siexiste una incidencia o problema que ponga en peligro la produccin de acuerdo con la Programacin en su etapa correspondiente, el Agente operario lo notifica al Agente programador para que tome las acciones oportunas. En la Figura 728 se indica como este Agente desempea el rol de operario y es responsable de notificar problemas (retrasos o adelantos).ElAgentedisponedeunestadomentalenelqueregistrainformacinacercade:La planta y etapa a la que pertenece, la Programacin Peridica inicial establecida por el programadorquehadenotificarparaproducir,laProgramacinPeridicaactualizadayniveles dealertaenfuncindelosproblemasqueacontezcan(vercajaFrameFactenlaFigura728). EnconcretoesteAgentepuedepasarpor3estadomentales.SuestadoinicialseraEnEspera dequeselenotifiquenlasrdenesdeproduccin,unavezrecibidasstepasaraaunestado de Trabajo en Curso, y si se detecta algn tipo de adelanto o retraso sobre el programa en cursosealcanzaraunestadodeProblemasenTaller.

Figura728.AgenteOperario(elaboracinpropia).

En la Tabla 712 se muestra un resumen de los roles y tareas asignados, as como las conversacionescontempladas.

439

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

ComponentesdelAgenteOperario Conversaciones Previstas Tareasasignadas Roles RecibirReasignarProduccin IniciarNotificarProblema/Retraso NotificarProblemas/retraso Operario

Tabla712.Resumendeloscomponentesdelagenteoperario(elaboracinpropia).

El estado mental de los Agentes es modificado cuando acontecen tareas en el Sistema Multiagente.Existenalgunoscambiosquedebenseridentificadosconclaridad.As,cuandose recibelaPlanificacinperidicaelAgenteProgramadormodificasuestadomental,hechoque sereflejaenlaFigura729.EnestecasoelAgenteactualizalainformacinbsicasobrelaque trabaja,quenoesotraqueelconjuntodetrabajosquedebenserprogramados.Estoimplicala puestaenmarchadealgunasactividades.

Figura729.ModificacindeestadosmentalesporNotificarPlanificacinPeridica(elaboracinpropia).

De igual manera, la modificacin de los parmetros que aplica el Agente Programador en el clculodelaProduccineselresultadodelaintroduccinmedianteinterfacesdeunsoftware detalesparmetrosporunusuarioexperto(verFigura730).

Figura730.Modificacindeestadosmentalespordefinirparmetros(elaboracinpropia).

440

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva LasmodificacionesdelestadomentaldelAgenteProgramadorconlaProgramacinPeridica actualizadaesdebidoalreajustedelProgramaProductivo(verFigura731)obienalclculode laProgramacinPredictiva(verFigura732).

Figura731.ModificacindeestadosmentalesporreajustesdelaProduccin(elaboracinpropia).

Figura732.ModificacindeestadosmentalesporestablecimientodeProduccinPredictiva(elaboracin propia).

441

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Enlamayoradelasocasionesloscambiosenlosestadosmentalessonproducidosogeneran interaccinentrelosAgentes,olasdoscosasalavez.Enelsiguienteapartadosedestacanlas interaccionesmsrelevantes.

7.4.3.7

ModelodeInteracciones

ComopartedelaejecucindetareasexistelanecesidaddequediversosAgentesinteracten entresparaelintercambiodeinformacin(estadosmentales,objetivos,hechos)entreellos. LainteraccinentreAgentesseespecificamediantemodelosdeinteraccin.Enunmodelode interaccin se especifican los Agentes iniciadores de una interaccin y los Agentes que colaboran en la misma. A su vez, se hace referencia a una especificacin del protocolo de interaccin entre los Agentes, como se muestra por ejemplo en la Figura 733. La especificacin del protocolo de interaccin empleada en este trabajo ha sido la notacin del grupo GRASIA8, aunque existen alternativas como son UML o AUML. La especificacin del protocolodeunainteraccinespecificaelconjuntodepasos,suorden,yparticipantespara llevaracabolainteraccinentreAgentes,comosemuestraporejemploenlaFigura734. LasinteraccionesentreAgentessonpartedelaejecucindeunatareadentrodeunflujode trabajooworkflow.LastareasqueinicianlasinteraccionesentreAgentespuedenserlanzadas poreventosdetodotipo,porinteraccionesentreAgentes,porunapersonarealmedianteuna interfaz, o por la satisfaccin de una condicin. Las tareas a su vez muestra el cambio o transferencia de informacin entre Agentes, y como afecta tal ejecucin a los hechos (framefacts)yalestadomentaldelagente. En este apartado se abordarn las siguientes interacciones: Obtener Planificacin Peridica, Notificar Inconsistencias, Notificar Inconsistencias, Notificar Programacin de Produccin Revisada,yNotificarProblema. EnelmodelodeinteraccinObtenerPlanificacinPeridica,seespecificaelobjetivodetal interaccin, y se indica que el iniciador de la interaccin es el Agente Planificador (relacin Initiates)comosepuedeverenlaFigura733,yseespecificaenlaTabla713.ElAgenteque participaenlainteraccineselAgenteProgramador.Asuvez,seindicaundiagramaenelque

ElgrupoGRASIA(GRupodeAgentesSoftware:IngenierayAplicaciones)pertenecealaUniversidad Complutense de Madrid y est coordinado por el Dr. Juan Pavn Mestras. Su pgina web es \\www.grasia.fdi.ucm.es.

442

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva establecer el protocolo que especifica el conjunto de pasos y mensajes intercambiados para llevar a cabo la interaccin, que se muestra en la Figura 734. El protocolo indica que la interaccindeobtenerlaPlanificacinperidicaconsisteenunprimerpaso(cadapasodeun protocolosedenominainteractionunitenlaterminologadeINGENIAS)enlaqueelAgente Planificador solicita al Agente Programador de cada planta la capacidad productiva de su planta.LanaturalezadeesasolicitudseindicamedianteelatributoSpeechActdelaunidad deinteraccin(InteractionUnit),queenestepasoesdetipoquery,yaqueesunasolicitud deinformacin.Elmensajedesolicitudseindicamedianteelatributoinfodelainteraction unit que en este caso es PP_request_capacidades donde PP indica las iniciales de los Agentesentrelosqueseproducelainteraccin,ennuestrocasoPlanificadoryProgramador,y request capacidades hace referencia al mensaje de solicitud de capacidades (ver Figura 734). Despus de solicitar las capacidades, el Agente Programador notifica al planificador su capacidad. El Planificador tras saber esa informacin hace un clculo balanceado de las PlanificacionesPeridicasdecadaplantaylasnotifica(verFigura734).

Figura733.ModeloINT:ObtenerPlanificacinPeridica(elaboracinpropia).

443

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Figura734.ProtocoloObtenerPlanificacinPeridica(elaboracinpropia).

Entidad

Entidaddel metamodelo

Documentacin PasoenelqueelPlanificadorsolicitaacadaAgenteProgramador de cada planta la capacidad productiva para el periodo que el Planificador desea planificar. El Planificador necesita saber si existen problemas de produccin o si ya disponen de stock cada una de las plantas para determinar un balanceo adecuado de la Planificacinenelconjuntodeplantasdelaempresa. Cada Programador notifica las capacidades productivas del periodosolicitadoporelPlanificador. ElPlanificadorobtiene laPlanificacin para elconjuntodeplantas y notifica la Planificacin Peridica a cada uno de los Agentes Programadores.

Pedir capacidadde cadaplanta

InteractionUnit

Notificar capacidades porplanta Notificar Planificacin porplanta

InteractionUnit

InteractionUnit

Tabla713.ResumendelasentidadesdelprotocoloObtenerPlanificacinPeridicaplanteadoenlaPlataforma IPSUMAS(elaboracinpropia).

La interaccin Notificar Inconsistencias consiste en la notificacin de una Planificacin inviable de satisfacer por el Agente Programador por alguna inconsistencia en los datos necesariosparaelprocesotalycomosepuedeverenlaFigura735.Talinteraccinesiniciada por el Agente Programador y en ella colabora el Agente Planificador. El protocolo que especifica la interaccin se muestra en la Figura 736. En ella se emite un mensaje de tipo rechazo al Agente Planificador en el que indica la Planificacin o parte de la misma rechazada y la razn del mismo. En la Tabla 714 se comenta el elemento principal del protocolo.

444

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

Figura735.ModeloINT:NotificarInconsistencias(elaboracinpropia).

Figura736.ProtocoloNotificarInconsistencias(elaboracinpropia).

Entidad

Entidaddel metamodelo

Documentacin

Notificar inconsistencias InteractionUnit de Planificacin

EncasodequelaPlanificacinseaimposibledesatisfacerporla existenciadeerroresenlosdatos.

Tabla714.ResumendelasentidadesdelprotocolonotificarinconsistenciasplanteadoenlaPlataformaIPSU MAS(elaboracinpropia).

LainteraccinModificarPlanificacinresultantedelatareadeAjusteenlaProgramacin Predictiva, incluida en el flujo de trabajo de la Figura 724, as como por la tarea Establecimiento de Estrategia de Reprogramacin en el flujo de trabajo Reajuste de Programacinreactivamente,comosepuedeverenlaFigura725,esiniciadaporelAgente
445

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ProgramadoryenellacolaboraelAgentePlanificador(verFigura737).Elconjuntodepasos (las ya comentadas Interaction Units) que componen el protocolo se divide en dos: la modificacin de la Planificacin debida al rechazo de trabajo por falta de capacidad de produccin de la planta o la solicitud de ms trabajo por capacidad desaprovechada en la planta.EstasdosalternativassepuedeverenlaFigura738yesespecificanenlaTabla715. En el caso de rechazar trabajo el conjunto de pasos del protocolo es el siguiente: el Agente ProgramadornotificaelrechazodetrabajoalAgentePlanificadorindicandolaplantaqueesta rechazandotrabajoyel conjuntodetrabajosquenohanrecibidoningunaoperacinan. El AgentePlanificadorconsultaalosAgenteProgramadoresdelrestodeplantasladisponibilidad de capacidad (ver Interaction Unit Consultar Disponibilidad de Reubicacin). Cada Programadornotificasucapacidad.YfinalmenteelPlanificadornotificalanuevapropuestay seiniciaelReajustedelaProgramacin.

Figura737.ModeloINT:ModificarPlanificacin(elaboracinpropia).

Enelcasodesolicitarmstrabajos,elprogramadornotificalasolicitudalplanificador,yeste seloproporciona,loqueconllevaeliniciodelajustedelaProgramacin.
446

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

Entidad Rechazar Trabajo Consultar Disponibilidad de Reubicacin Notificar Disponibilidad deCapacidad Reasignar Planificacin Solicitar Trabajo Asignar TrabajoNuevo Entidaddel metamodelo InteractionUnit Documentacin El agente programador notifica rechazo de trabajo al agente planificador. Elagenteplanificadorconsultarlasposibilidadesdereubicacino alternacintemporaldelosplanes..

InteractionUnit

InteractionUnit

Cadaagenteprogramadorconsultadonotificaladisponibilidadde capacidadenelperiodoindicado. El agente planificador notifica a los Agentes implicados la nueva propuestadePlanificacin. El agente programador solicita la asignacin de ms trabajo al agenteplanificador. El agente planificador asigna trabajo adicional al agente programador.

InteractionUnit InteractionUnit InteractionUnit

Tabla715.ResumendelasentidadesdelprotocoloModificarPlanificacinplanteadoenlaPlataformaIPSU MAS(elaboracinpropia).

447

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Figura738.ProtocoloModificarPlanificacin(elaboracinpropia).

448

Diseo de una Plataforma Software basada en Multiagentes para la Captulo6 ProgramacindelaProduccinPredictivoReactiva La interaccin Notificar Programacin de Produccin Revisada es la consecuencia de la obtencindeunaProgramacinyaseaPredictiva,comounajusteReactivo,yaqueconsisteen la notificacin al Agente Operario de las rdenes de Fabricacin que ha de producir en un periodo, como se observa en la Figura 739. El protocolo que describe tal interaccin es sencillo,yaqueconsisteenunmensajedenotificacininformativodelaProgramacinacada uno de los Operarios. La representacin del protocolo se puede ver en la Figura 740, y la especificacinseindicaenlaTabla716.

INT:NotificarProgramacindeProduccinRevisada

Figura739.ModeloINT:NotificarProgramacindeProduccinRevisada(elaboracinpropia).

Figura740.ProtocoloNotificarProgramacindeProduccinRevisada(elaboracinpropia).

449

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Entidad Notificar nueva Programacin Entidaddel metamodelo InteractionUnit Documentacin El Agente Programador notifica al Agente Operario la existencia deunanuevaProgramacindelaProduccin.

Tabla716.ResumendelasentidadesdelprotocoloNotificarProgramacindeProduccinRevisadaplanteado enlaPlataformaIPSUMAS(elaboracinpropia).

La interaccin Notificar Problema es iniciada como consecuencia de la deteccin de una personaoaplicacindelretrasooadelantodeunaoperacinqueimplicalamodificacindela capacidad productiva de una etapa, y por tanto, la incapacidad o riesgo de no cumplir la Programacin establecida por el Programador en la planta. Esta interaccin iniciada por el AgenteOperarioyenlaquecolaboraelAgenteProgramador,consistedeunprotocolomuy sencilloenelqueelAgenteOperarionotificadelproblema,yniveldealertadelmismo,como seespecificaenlaTabla717ysepuedeverrepresentadoenlaFigura742.

Figura741.ModeloINT:NotificarProblema(elaboracinpropia).

450

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva

Figura742.ProtocoloNotificarProblema(elaboracinpropia).

Entidad Notificar Problema

Entidaddel metamodelo InteractionUnit

Documentacin El Agente Operario notifica al Agente Programador de un problema o un retraso que afecta a la consecucin de la ProgramacinestablecidaporelAgenteProgramador

Tabla717.ResumendelasentidadesdelprotocoloNotificarProblemaplanteadoenlaPlataformaIPSUMAS (elaboracinpropia).

Unavezdescritaslasinteraccionesyprotocolosdelasinteracciones,restapordescribircomo la intervencin de usuarios reales o el acontecimiento de algunas condiciones como es el recalculo temporal del Margen Operativo y su evaluacin, pueden determinar el inicio de algunas de esas interacciones. En la Figura 743 se realiza una representacin grfica de las mismas. El reclculo del Margen Operativo es realizado peridicamente o en cada modificacin del Programa, y su evaluacin puede llevar asociada la necesidad de recalcular el Programa Productivo en caso de que los trabajos hayan consumido el Margen Operativo, lo que implicara rechazar algn trabajo. Tambin se puede dar el caso contrario, y al evaluar el Margen Operativo, se puede detectar la disponibilidad de capacidad productiva suficiente comoparasolicitaralgntrabajoadicionalalAgentePlanificador.Asuvez,enlaFigura743, se muestra como la notificacin de problemas es iniciada o bien por un operario real (ente humano)medianteelusodeunaaplicacininformtica(denominadaaplicacindeusuario).

451

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Figura743.CondicionesiniciadorasdelAjustedelaProduccin(elaboracinpropia).

Con el conjunto de modelo (Organizacin, Entorno, Objetivos y Tareas, Agentes e Interacciones) se dispone de una base suficiente para comenzar la implementacin de la PlataformaIPSUMAS.

7.4.4 RelacinentrelaMetodologadeAnlisisydeDiseo
Este apartado se destina a analizar brevemente la relacin existente entre CIMOSA e INGENIAS.Despusdeunprocesoenelquesecombinandeformanovedosaambosenfoques,
452

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva y en un punto del desarrollo de la propuesta en el que ambos ya son conocidos con cierto detalleesconvenienteanalizarcualhasidoelgradodeaportacindecadauno. En la Tabla 718 se muestra una relacin entre los modelos INGENIAS y CIMOSA. La informacinseestructuraenlatabladeformaqueexisteunacolumnaenlaqueseubicanlos 5 modelos empleados con INGENIAS para disear la Plataforma IPSUMAS, y dos columnas adicionalesenlasquesemuestranlasaportacionesquesehannecesitadotenerdisponibles paraelaborarcadamodeloINGENIAS.Estasaportacionessonporunladolasrealizadasconel anlisisderecursosobtenidoconCIMOSA,yporotrolado,anlisisyreflexionesadhocpara construir el modelo correspondiente alcanzando el objetivo asignado por INGENIAS a dicho modelo.

Modelos INGENIAS

Aportacin VistasCIMOSA

AportacionesAdicionales

ORGANIZACIN Flujosdetrabajo FUNCIONAL

(NivelProcesoNegocio)

Roles: A partir de informacin de la Vista Funcional: Dominios relacionados y eventos. Grupos:Anlisisdelarealidad.

ENTORNO

Aplicacin(Programacin Produccin):RECURSOS

Aplicacin (MRP): Complementada medianteAnlisisdelarealidad. Recurso: Complementado Anlisisdelarealidad. mediante

OBJETIVOS TAREAS

y TantosmodeloscomoProcesosde
NegocioCIMOSA Objetivos:FUNCIONAL(Asociadosal ProcesodeNegocio) Tareas:FUNCIONAL(Enterprise Activity) Interacciones:FUNCIONAL(Detalle delasEnterpriseActivity)

Roles:ApartirdelModelodeOrganizacin INGENIAS. Interacciones: Complementado con el repartodeRoles.

AGENTES

Estados Mentales: FUNCIONAL Se ha identificado un agente por Role, (Detalle de las Enterprise Activity) y exceptoenelcasodelAgentePlanificador. INFORMACIN. Tareas:ApartirdelModelodeObjetivosy TareasINGENIAS. Roles: A partir del Modelo de Objetivos y

453

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

TareasINGENIAS. Interacciones: A partir del Modelo de ObjetivosyTareasINGENIAS. Recursos:ApartirdelModelodeEntorno INGENIAS.

INTERACCIONES Objetivos: FUNCIONAL (Detalle de Objetivos: Complementados con un

lasEnterpriseActivity). Protocolos:INFORMACIN. anlisisdetalladodelaTarea. Tareas:ApartirdelModelodeObjetivosy TareasoAgentesINGENIAS. Agentes:ApartirdelModelodeObjetivos yTareasoAgentesINGENIAS. Protocolos: Complementados con un anlisisdetalladodelaTarea.
Tabla718.AportacionesbsicasparalaconstruccindelosmodelosINGENIAS(elaboracinpropia).

En el modelo de Organizacin se manejan tres elementos conceptuales: Flujos de Trabajo, Grupos,Roles.Porunlado,losflujosdetrabajohacenreferenciaaprocesosconunaltonivel de abstraccin que en este caso estn fuertemente ligados a los conceptos de Proceso de Negocio identificados con CIMOSA en la fase de anlisis conductual. Por otro lado, ni los Grupos,quehacenreferenciaanivelesjerrquicosenlosquesedesarrollaelproceso,nilos roles, que se emplean para agrupar responsabilidades sobre diversas tareas, que estn relacionadosconlavistadeOrganizacinsehandesarrolladoenelanlisisCIMOSA.Estosdos ltimoselementoshannecesitadodeunareflexincomplementariaaCIMOSAaunque,enla parte relativa a los roles,se ha basado en gran medida en la informacin recogida sobre los DominiosrelacionadosaldeProgramacindelaProduccinyeventosgeneradosyrecibidos. EnelmodelodeEntornosedistinguendoselementos:Lasaplicacionesylosrecursos.Delas aplicacionesslolasinternas(ProgramadorProduccin)seconcretanapartirdelcontenidode lavistadeRecursoselaboradaenCIMOSA,yaqueestavistasecentrasloenelDominiode Programacin de la Produccin y no analiza los recursos del entorno. No obstante, cabe recordar que la fase desarrollada con CIMOSA en relacin a la vista de Recursos slo se detallan las capacidades y no los recursos fsicos, por este motivo es necesario realizar una aportacin adicional basada en la experiencia para estos y para las aplicaciones externas (MRP). EnelmodelodeObjetivosyTareassloseidentificanyserelacionanlosobjetivos,lastareaso procesos, los roles que intervienen y las conversaciones o interacciones que se puedan dar.
454

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva ParaeldesarrollodeestemodelosehaseguidoladivisinpropuestaporCIMOSAenProcesos de Negocio, generando en este caso un modelo de Objetivos y Tareas para el Proceso de NegociodeProgramacinPredictivayotraparaeldeProgramacinReactiva.Losobjetivosy las tareas se obtienen directamente de lo establecido en el Proceso de Negocio correspondiente definido en CIMOSA. Las tareas se especifican al mismo nivel que las EnterpriseActivitiesdeCIMOSA.EnestemodeloseempleanaquellosRolesqueseconsidera oportuno de aquellos que fueron previamente definidos en modelo INGENIAS. Las InteraccionessedefinenapartirdelestudioconductualrealizadoconCIMOSAyqueconcluy con el desarrollo de secuencias de tareasix que constituan cada una de las Actividades Empresariales. Mediante el anlisis de esa secuencia se identifica que se debe hacer y teniendoencuentalosrolesidentificadosseidentificancuantasinteraccionesseannecesarias. EnelmodelodeAgentessloseidentificanyserelacionanlastareas,losrolesqueasumeun agente e interacciones que se puedan dar. Tambin se puede complementar con la identificacindelosRecursosylosEstadosMentalesx.Sehaconsideradooportunoidentificar unagenteporRole,exceptoenelcasodelAgentePlanificadorenelqueseagrupanlosroles de coordinador y planificador. Todos los elementos han sido previamente identificados y relacionadosenelmodelodeObjetivosyTareas,porloqueenestafaseloquehayquehacer es segmentar y agrupar los Roles, las tareas y las posibles interacciones vinculadas a los mismos a un agente concreto. En este caso el proceso de divisin y asignacin de dichos elementos no se basa de forma directa en ninguna vista de CIMOSA, est vinculado con la teoradeAgentesylaproyeccinqueserealizaenbaseaestadelasfuturasposibilidadesde coordinacinycolaboracinentreAgentes.Porloqueserefierealosrecursosvinculadoscon un agente stos se obtiene del modelo de Entorno. Los Estados Mentales son situaciones establesenlasqueseencuentraunagenteenfuncindelainformacindisponibleyquese modifica por ejecucin de una tarea. Dicho Estados Mentales se definen en base al conocimientoobtenidoenlavistafuncionalydeinformacinrealizadoenCIMOSA. Finalmente en el modelo de Interacciones se definen tantas interacciones como se hayan identificado en el modelo de Tareas y Objetivos o en el modelo de Agentes. Para cada interaccin se define su objetivo y con que protocolo se desarrolla la conversacin y se identifica la tarea en la que se realiza y los que Agentes intervienen. Con la informacin

ix

Las secuencias de tareas no fueron hechas pblicas en el desarrollo del modelo CIMOSA, y se mantienecomomaterialdetrabajo. SepuedeentendercomoEstadoMentaldeunAgentealconjuntodeclausulaslgicasmediantelas cualeselAgenterepresentasuconocimiento.

455

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica obtenidaenlavistafunciona,enlaquesedescribedetalladamentelosprocesos,yenlavista de informacin en la que de detallan los datos disponibles para la toma de decisiones, se desarrollanlosobjetivosylosprotocolos.LastareasylosAgentesyahansidoidentificadosen elmodelodeTareasyObjetivosoenelmodelodeAgentes.

7.5

ImplementacindelaPlataformaIPSUMAS

Elobjetivodelafasedeimplementacinesdarformamedianteuncdigoejecutablealdiseo obtenidoenlafaseanterior.Enestesentidocabevolverarecordarqueenlaimplementacin seincluyeeldesarrollodelosalgoritmosdeclculodelaProgramacinPredictivayReactiva queseanalizarnenloscaptulos8y9respectivamente.Asmismo,existenalgunosaspectos quenohansidodesarrolladosendetalleenlafasedediseoyaqueelobjetivodeestafase erarealizarundiseonodetallado,peroquestesercomplementadoporlaelaboracinde losalgoritmos/procedimientosquesenecesitenparaabordarpuntualmenteuncasoreal.Enel captulo 10 en el que se abordar la aplicacin de la Plataforma a un caso particular se comentarnypropondrnestosprocedimientosdetalladosypuntuales. Enesteapartadoslosepretendecomentaralgunosaspectosrelativosalaimplementacin, peroporseruntrabajopuramentedecodificacinsehaconsideradoquesuaportacinaeste trabajoesmnima.

AGENTE PLANIFICADOR

Notificar Obt. n Planificaci Peridica

Planifica

cin Peri

dica Modificar cin Planifica

Notificar ncias Inconsiste

Notificar Clculo Programacin Revisin y Clculo Reactivo Predictivo Carga Datos Ajuste Recalcular Revisin y Validar / Margen Carga Datos Ajuste y Rechazar Operativo Control
Notificar acin Program visada Prod. Re

AGENTE PROGRAMADOR

Notificar Problema

AGENTE OPERARIO

Problemas Notificar

/ Retraso

Figura744.VisindeloscomponentesfundamentalesdelaPlataformaIPSUMAS(elaboracinpropia).

456

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva LaFigura744muestradeformaresumidaselementosmsrelevantesalahoradecodificarla Plataforma IPSUMAS. Por un lado, se muestran los 3 Agentes identificados: El agente Planificador,elagenteProgramadoryelagenteOperario.Porotrolado,semuestranlastareas quedeberealizarylasinteraccionesenlasquedebeparticiparcadaagenteenbasealenfoque queselehadadoalaPlataforma.ComosevelosAgentesPlanificadoryOperario,quesehan definido como de contexto, deben ser implementados porque aunque disponen de una funcionalidadmuyreducidasonbsicosenelproceso.Dadoqueestetrabajosecentraenel proceso de Programacin de la Produccin, las tareas de los 2 Agentes de contexto se implementaran en base a procesos decisionales muy simples que sern definidos en su mayoraenelcaptulo10. LaPlataformaIPSUMAShasidoimplementadautilizandoellenguajedeprogramacinJAVA para su desarrollo, en concreto se ha utilizado el entorno de desarrollo de libre distribucin ECLIPSE3.4,quesepuededescargardehttp:\www.eclipse.org\platform.Sehaseleccionadoel lenguajedeprogramacinJAVAporserenelcualestdesarrolladalapropuestaJADEqueha servidodesoporte. ComosehadichoenelprrafoanteriorparaeldesarrollodelaPlataformaIPSUMASsehan empleado un conjunto de facilidades agrupada en lo que se conoce como Java Agent DEvelopment framework (JADE), en concreto se ha empleado la versin 3.5. JADE es una solucindeusolibreque compila una delassolucionesde basemscompletasen cuanto a funcionalidad al mismo tiempo que cumple los estndares internacionales que regulan el desarrollodeaplicacionesconAgentes.

7.6

Conclusiones

Enestecaptulosehanabarcadolascuatroprimerasfasesdelametodologapropuestaenel captulo6.Sinembargo,notodashanquedadocubiertasenlamismamedida.Porunlado,las fases 1 y 2, correspondientes a la Definicin Elemental del Problema y al Anlisis de requerimientossehandesarrolladoporcompleto,pudiendodarpordefinitivoslosresultados obtenidos. Por otro lado, la fase 3 en la que se realiza el Diseo de la Solucin queda pendientedelasaportacionesdeloscaptulos8y9enrelacinalosalgoritmosdeclculo,y enmenormedidadeldiseoydesarrollodefuncionespuntualesquenosehanafrontadoen estecaptulo.Porltimo,lafase4noofreceningnresultadointeligibledeformarazonable quepuedasermostradoenformatopapelalseraquellaenlaquesegeneralacodificacindel software.Entodocaso,sepuedeconsiderarquelarevisindeformaconjuntadeltrabajoylos resultadosalcanzadosenelconjuntodeestascuatrofases,talycomosehaplanteado,aporta

457

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica unavisinbastanteilustrativaytilparaanalizarunadelasaportacionesmsrelevantesque seofreceenlaTesis:LaPlataformaIPSUMAS. Lasdosprimerasfasesrelacionadasconlavisingeneralydetalladadelosrequerimientoshan permitidorealizarunaaproximacinenprimerlugaryunslidomodeloensegundolugar.Hay queresaltarquelaaplicacindelametodologaCIMOSAesescasaenlaliteraturayqueno han sido pocos los problemas de interpretacin de la propuesta, finalmente resueltos con bastantereflexinycolaboracindeotrosmiembrosdelgrupodeinvestigacinCIGIP.Unade las ventajas de la aplicacin de CIMOSA, y uno de los grandes logros alcanzados, ha sido el anlisisdelproblemaconunenfoquemltiple(vistas)queademshaquedadosustentadoen elanexoIyquepodrserempleadoenotraspropuestas. LafasedediseodelaPlataformaIPSUMAShaservido,ademsdeparaalcanzaresquemade la solucin que se propone, para poner de manifiesto la forma de enfocar la solucin a un problemabasadoenunSistemaMultiagente.Sehapodidoobservarcomoenelprocesode diseo han cobrado una enorme relevancia los aspectos sociales de los elementos principales, los Agentes. Los diseos basados en propuestas de software tradicional suelen preocuparse exclusivamente de objetivo a alcanzar y actividades a realizar para cumplir los primeros. Sin embargo, cuando se aborda el diseo de un Sistema Multiagente el foco de atencinsealejapermitiendoconsideraruncampodeactuacinmsamplio.Deestaforma, se empieza con considerar el sistema organizativo y los recursos del entorno, que posteriormenteinfluirndeformadecisivaenlaconsecucindelosobjetivos.Posteriormente, y una vez fijados los tradicionales objetivos y tareas, se analizan con detenimiento las entidades, Agentes, a los cuales se vinculan con su entorno y sus tareas, y de forma absolutamente relevante, se desarrollan los escenarios vinculados a las interacciones entre Agentes. Sin duda, un lector no familiarizado con este proceso puede haber quedado sorprendidoporlosaspectosconsiderados. Elobjetivofinalnuncahasidodetallartodosycadaunodelosaspectorelacionadosconel diseo de la Plataforma, slo aquellos ms destacables, sobre todo vinculados a la metodologaINGENIAS.Entodocaso,loselementosgeneradossonunabaseslidaenlaque apoyar la siguiente fase, es decir, la implementacin. Aunque en el proceso de diseo se ha realizado un ajuste de los resultados, sin duda, en la fase de implementacin ser necesario detallaralgunascuestionesquenohansidoabordadasan. Enloscaptulos8y9seampliareldiseoincluyendoalgoritmosparaelclculodeProgramas de Produccin Predictivo y Reactivo respectivamente. Una vez completado el desarrollo de todos los elementos que deben formar parte de la Plataforma en el captulo 10 se realizar unapruebadelfuncionamientoconjuntodetodalaPlataforma.Serendichocaptulocuando
458

Anlisis, Diseo e Implementacin de una Plataforma Software basada en Captulo7 MultiagentesparalaProgramacindelaProduccinPredictivoReactiva adicionalmente se desarrollen aspectos muy concretos en relacin con algunos procesos decisionales que se hay dejado planteados pero no resueltos en ste por no ser objeto del trabajoqueseplanteaaunquesnecesariosparaunfuncionamientodeconjunto.

7.7

Bibliografa

Berio, G. & Vernadat, F. B. 1999a. New developments in enterprise modelling using CIMOSA. ComputersinIndustry,40(23):99114. Berio, G. & Vernadat, F. B. 1999b. New developments in enterprise modelling using CIMOSA. ComputersinIndustry,40(23):99114. Brazier,F.,DuninKeplicz,B,Jennings,N.,andTreur,J.Desire:Modellingmultiagentsystemsin acompositionalformalframework.1997. Castro,J.,Kolp,M.,&Mylopoulos,J.2002.Towardsrequirementsdriveninformationsystems engineering:TheTroposproject.InformationSystems. ESPRITConsortiumAMICE1993.CIMOSAOpenSystemArchitectureforCIM. Gomez,J.2002.ModeladodeSistemasMultiagente.,DepartamentodeSistemasInformticos yProgramacin,UniversidadComplutensedeMadrid. IglesiasFernndez, C. A. 1998. Definicin de una metodologa para el desarrollo de sistemas multiagente.DepartamentodeIngenieradeSistemasTelemticos.UniversidadPolitcnicade Madrid. K.Konsanke1995.CIMOSAOverviewandStatus.ComputersinIndustry,27(2). Kinny,D.andGeorgeff,M.Modellinganddesignofmultiagentsystems.TechnicalReport59. 1996.Melbourne,Australia,AustralianArtificialIntelligenceInstitute. Kosanke,K.1995.CimosaOverviewandStatus.ComputersinIndustry,27(2):101109. Lind,J.1999.MASSIVE:SoftwareEngineeringforMultiagentSystems.DFKI. M.Zelm,F.Vernadat,&K.Kosanke1995.TheCIMOSAbusinessmodellingprocess.Computersin Industry,21(2). Odell, J., Parunak, H., and Bauer, B. Extending UML for agents. Proceedings of the Agent OrientedInformationSystemsWorkshop,317.2000. Pavon,J.& GomezSanz, J.2003.Agentorientedsoftware engineeringwithINGENIAS. Multi AgentSystemsandApplicationsII,Proceedings,2691:394403. RGCP.FromCimOsaArchitecturetoCimOSa/rgMethodology.1999.www.rgpc.com.
459

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Wood,M.F.2000.MultiagentSystemsEngineering:AMethodologyforAnalysisandDesignof MultiagentSystems..AirForceInstituteofTechnology. Wooldridge,M.,Jennings,N.R.,&Kinny,D.1998.AMethodologyforAgentOrientedAnalysis andDesign.Seattle,WA.

460

Captulo
AlgoritmosparalaProgramacin PredictivadelaProduccinenun TallerdeFlujoHbrido

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Tabladecontenido
8. Captulo8.....................................................................................................................471 8.1 Introduccin.................................................................................................................471 8.2 mbitodeAplicacinyMetodologa...........................................................................472 8.2.1 8.2.2 8.2.3 IdentificacindelProblema..............................................................................472 IdentificacindelaPropuesta...........................................................................475 MetodologaparaelDesarrolloyEvaluacindelaPropuesta.........................476 ElJuegodeDatos......................................................................................480 LaMedidaparalaEvaluacindelosAlgoritmos.......................................494

8.2.3.1 8.2.3.2

8.3 DiseodeunNuevoAlgoritmoGenticobasadoenSistemasMultiagenteAplicadoal TallerdeFlujoHbridoconTiemposdeCambiodePartidaDependientesdelaSecuencia.496 8.3.1 8.3.2 EstructuraTradicionaldelAlgoritmoGentico.................................................496 AlgoritmoSMAGA.............................................................................................503 PapeldelSistemaMultiagenteenelAlgoritmo........................................504 FuncionamientoGeneraldelAlgoritmo....................................................507

8.3.2.1 8.3.2.2

8.3.2.2.1. RepresentacindelosIndividuos.............................................................509 8.3.2.2.2. IdentificacindelosAgentesyelSistemaMultiagente...........................512 8.3.2.2.3. GeneracindelaPoblacin......................................................................514 8.3.2.2.4. ProcedimientodeSeleccin......................................................................520 8.3.2.2.5. EvaluacindelaSoluciones......................................................................524 8.3.2.2.6. OperadoresdeCruce................................................................................525 8.3.2.2.7. SeleccindelosOperadoresdeCruce......................................................531 8.3.2.2.8. AplicacindelosOperadoresdeCruce....................................................534 8.3.2.2.9. ElOperadordeMutacin..........................................................................541
463

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 8.3.2.2.10. AprendizajeGentico..............................................................................545 8.3.2.2.11. OperadordeReiniciodelaPoblacin.....................................................551 8.3.2.3 ImplementacindelAlgoritmo.................................................................553

8.4 DesarrollodelDiseoExperimental.............................................................................553 8.4.1 8.4.2 8.4.3 8.4.4 Parametrizacin................................................................................................554 PlandeExperimentacinyCondicindeFinalizacin......................................557 ProcedimientodeEjecucinlosExperimentos.................................................559 Anlisisdelosresultados..................................................................................561

8.5 EvaluacinComparativa...............................................................................................571 8.5.1 8.5.2 AnlisisdelosresultadosparaelCasoP13.......................................................574 AnlisisdelosresultadosparaelCasoP3.........................................................578

8.6 Conclusiones................................................................................................................582 8.7 Bibliografa...................................................................................................................584

464

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

ndicedefiguras Figura 81. Diagrama de Funcional del Proceso de Negocio de Programacin Predictiva (elaboracinpropia).........................................................................................................474 Figura82.EsquemadeunaAlgoritmoGentico(elaboracinpropia)....................................497 Figura83.PrimerpasodeloperadorGPX(elaboracinpropia)..............................................498 Figura84.SegundopasodeloperadorGPX(elaboracinpropia)...........................................499 Figura85.EjemplodeSWAPMutation....................................................................................500 Figura86.EjemplodeSHIFMutattion(elaboracinpropia)...................................................500 Figura87.EsquemageneraldelosprocesoscorrespondientesalalgoritmoSMAGA(basadoen (Zhong,W.C.etal.2004))................................................................................................508 Figura 88. Ampliacin de las actividades de los operadores correspondientes al algoritmo SMAGA(elaboracinpropia)............................................................................................509 Figura89.Representacingenticaordinalparauncasode20trabajos(elaboracinpropia). ..........................................................................................................................................510 Figura810.DiagramaGanttparaunalarepresentacingenticadelindividuodelaFigura89 (elaboracinpropia).........................................................................................................511 Figura811.RepresentacindelSistemaMultiagente(elaboracinpropia)...........................513 Figura812.ModelodeAgentesSolucinenrejillaomatrizbase(elaboracinpropia).........514 Figura813.RelacinentreMatrizBaseyMatrizdeAprendizaje(elaboracinpropia)..........515 Figura814.PrimerpasodeloperadorSB2OX(elaboracinpropia)........................................527 Figura815.SegundopasodeloperadorSB2OX(elaboracinpropia). ...................................527 . Figura816.TercerpasodeloperadorSB2OX(elaboracinpropia)........................................528 Figura817.CompetidoreslocalesenlamatrizbaseparaelAgenteSolucin(2,2)(elaboracin propia)..............................................................................................................................529 Figura818.PrimerpasodeloperadorNCO(elaboracinpropia)...........................................530 Figura819.SegundopasodeloperadorNCO(elaboracinpropia)........................................531 Figura820.Diagramadeflujoparasustitucindelasecuenciaactualporunanuevadespus deuncruce.......................................................................................................................537 Figura821.Ejemplodepoblacinconmatrizbasededimensin4x4(elaboracinpropia)..539 Figura822.Desplieguedelalistadeposicionesocupadasparalaaplicacindeloperadorde cruce(elaboracinpropia)...............................................................................................540 Figura823.Mutacinporintercambioenproximidad(elaboracinpropia)..........................542 Figura 824. Esquema general de los procesos correspondientes al procedimiento de aprendizajegentico(basadoen(Zhong,W.C.etal.2004))...........................................545
465

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Figura 825. Desplazamiento a derechas de la secuencia original para la obtencin del elementodelafila2(elaboracinpropia).......................................................................547 Figura 826. Desplazamiento a izquierdas de la secuencia original para la obtencin del elementodelafila3(elaboracinpropia).......................................................................548 Figura 827. Intercambio de posiciones pares e impares de la secuencia original para la obtencindelelementodelafila4(elaboracinpropia)................................................548 Figura 828. Intercambio de dos posiciones de la secuencia original para la obtencin del elementodelafila1,enlascolumnas2,3y4(elaboracinpropia)...............................548 Figura 829. Grfico de probabilidad normal (Yi, Fi) para la variable IPSOVEPT del conjunto SSD10_P13_20enrelacinalasfrecuenciasrelativasacumuladas................................561 Figura830.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimental SSD10_P13_20..................................................................................................................562 Figura831.ResiduosestudentizadosfrentealosnivelesdelfactorGsM..............................563 . Figura832.ResiduosestudentizadosfrentealosnivelesdelfactorFdM. .............................563 Figura833.ResiduosestudentizadosfrentealosnivelesdelfactorFmG..............................564 Figura834.Residuosestudentizadosfrentealordendeejecucin........................................565 Figura 835. Grfico de efectos principales de los factores del conjunto experimental SSD10_P13_20..................................................................................................................566 Figura 836. Grfico de interaccin entre los factores del conjunto experimental SSD10_P13_20..................................................................................................................566 Figura837.GrficodelefectoprincipaldelfactorRMdelaconfiguracinP3.......................570 Figura838.DiagramaGanttdeunProgramaProductivoparauntallerdeflujohbridodeltipo P13(elaboracinpropia)..................................................................................................575 Figura839.RepresentacingrficadelosvaloresIPSOVEPTparalosconjuntosexperimentales P13....................................................................................................................................576 Figura840.RepresentacingrficadelosvaloresIPSOVEPTdelosalgoritmosGAH,SMAGA1y SMAGA2paralosconjuntosexperimentalesP13...........................................................578 Figura841.DiagramaGanttdeunProgramaProductivoparauntallerdeflujohbridodeltipo P3(elaboracinpropia)....................................................................................................579 Figura842.RepresentacingrficadelosvaloresIPSOVEPTparalosconjuntosexperimentales P3......................................................................................................................................580 Figura843.RepresentacingrficadelosvaloresIPSOVEPTdelosalgoritmosGAH,SMAGA1y SMAGA2paralosconjuntosexperimentalesP3.............................................................581

466

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

ndicedeilustraciones Ilustracin 81. Pseudocdigo correspondiente al algoritmo voraz para el Taller de Flujo (elaboracinpropia).........................................................................................................516 Ilustracin 82. Pseudocdigo correspondiente a la aplicacin del algoritmo original voraz en unAgenteSolucin(elaboracinpropia). .......................................................................519 . Ilustracin83.PseudocdigocorrespondientealaaplicacindelalgoritmovorazenelAgente Gestor(elaboracinpropia).............................................................................................520 Ilustracin 84. Pseudocdigo correspondiente al procedimiento bsico de seleccin y cruce (elaboracinpropia).........................................................................................................521 Ilustracin 85. Pseudocdigo correspondiente al procedimiento modificado de seleccin y cruce(elaboracinpropia)...............................................................................................523 Ilustracin 86. Pseudocdigo del procedimiento de seleccin y cruce para el operador NCO (elaboracinpropia).........................................................................................................530 Ilustracin 87. Pseudocdigo correspondiente a la seleccin del operador de cruce (elaboracinpropia).........................................................................................................533 Ilustracin 88. Pseudocdigo correspondiente al mtodo de relevo generacional de los operadoresdecruce(elaboracinpropia).......................................................................538 Ilustracin 89. Pseudocdigo correspondiente al procedimiento para la aplicacin del operadordemutacin(elaboracinpropia)....................................................................543 Ilustracin 810. Pseudocdigo correspondiente al mtodo de relevo generacional del operadordemutacin(elaboracinpropia)....................................................................545 Ilustracin 811. Pseudocdigo para la aplicacin del operador de reinicio de la poblacin (elaboracinpropia).........................................................................................................552

467

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ndicedetablas Tabla81.Relacinentrediferentestiposdeanlisisderesiduosysuaplicacinparaverificar caractersticas(elaboracinpropia).................................................................................479 Tabla82.Resumendelaestructuradeejemplaresde(Taillard,E.1993)..............................482 Tabla83.EjemplodeejemplarTaillard019,generadapor(Taillard,E.1993)........................483 Tabla84.EjemplodeejemplardelgrupoSDST10paraTaillard003,generadapor(Vallada,E. etal.2003)........................................................................................................................487 Tabla85.Resumendelaestructuradeejemplaresde(Vallada,E.etal.2003). ....................488 . Tabla86.EjemplodeejemplardelgrupoSSD10_P13paraTaillard009,generadapor(Vallada, E.etal.2003)....................................................................................................................492 Tabla 87. Resumen de los conjunto experimentales empleadas en el diseo experimental (elaboracinpropia).........................................................................................................493 Tabla 88. Distribucin de Ejemplares en grupos para dos conjuntos experimentales (elaboracinpropia).........................................................................................................494 Tabla 89. Relacin entre las ventajas generales y las caractersticas deseadas (elaboracin propia)..............................................................................................................................506 Tabla810.Conjuntodeparmetrosfijos(elaboracinpropia)...............................................554 Tabla811.Conjuntodeparmetrosajustables(elaboracinpropia).....................................555 Tabla 812. Estructura de los factores ajustables para los algoritmo SMAGA1 y SMAGA2 (elaboracinpropia).........................................................................................................556 Tabla 813. Niveles asignados a los parmetros ajustables para los algoritmo SMAGA1 y SMAGA2(elaboracinpropia). .......................................................................................558 . Tabla814.MatrizdecorrelacionesparaelconjuntoexperimentalSSD10_P13_20...............564 Tabla815.ANOVAcorrespondientealconjuntoexperimentalSSD10_P13_20.....................565 Tabla 816. Valores seleccionados para los parmetros de los diferentes conjuntos experimentalesdelalgoritmoSMAGA1(elaboracinpropia)........................................567 Tabla817.ResumendelosvaloresasignadosalosparmetrosdelalgoritmoSMAGA2para cadaconjuntoexperimental(elaboracinpropia)...........................................................569 Tabla818.ANOVAcorrespondienteIPSPPVEPTdelaconfiguracinP13...............................569 Tabla819.ANOVAcorrespondienteIPSPPVEPTdelaconfiguracinP3.................................570 Tabla820.ValordeIPSOVEPTparacadaunodelosconjuntosexperimentalesdetipoP13para losdiezalgoritmosseleccionados(elaboracinpropia)..................................................573 Tabla821.ValordeIPSOVEPTparacadaunodelosconjuntosexperimentalesdetipoP3para losdiezalgoritmosseleccionados(elaboracinpropia)..................................................573 Tabla 822. Diferencias entre el mejor IPSOVEPT y el de cada algoritmo en problemas P13 (elaboracinpropia).........................................................................................................577
468

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Tabla 823. Diferencias entre el mejor IPSOVEPT y el de cada algoritmo en problemas P3 (elaboracinpropia).........................................................................................................581

469

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

470

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

8. Captulo8

8.1

Introduccin

Uno de los objetivos de esta tesis es el anlisis de un conjunto de algoritmos para la ProgramacinPredictivadelaProduccin,quepermitalaseleccindeunoovariosdeellos, en base a su eficiencia en el mbito del problema planteado en el marco de la Industria Cermica. En este captulo se va a avanzar en esta direccin, ya que se realizar el diseo e implementacindenuevaspropuestasparaProgramasPredictivosdelaProduccinaplicados al caso de un Taller de Flujo Hbrido con Tiempos de Cambio de Partida Dependiente de la Secuencia. Las nuevas propuestas que se presentan en este captulo son variaciones que se han desarrolladoapartirdeunAlgoritmoGenticoque,diseadoeimplementadobasndoseen elparadigmadelosSistemasMultiagente,seesperaqueproporcionesolucionesalternativas a las actuales para las situaciones reales que se pueden encontrar en la Industria Cermica. Dicho algoritmo se ha denominado SMAGA (Scheduling MultiAgent Genetic Algorithm). La adecuacin de los Algoritmos Genticos como procedimiento de resolucin, la aplicacin de SistemasMultiagenteyelanlisisdelosresultadosdelosalgoritmosquesernintegradosen la Plataforma IPSUMAS (Integrated Platform for Scheduling under Uncertainty based on MultiAgent Systems), diseada en el captulo anterior, son en lneas generales los aspectos quesernabordadosenestebloque. Estecaptuloformapartedelafase3delametodologapropuestaenelcaptulo6,esdecir, delDiseodelaSolucin.Yenelsepuedendestacar3etapasqueresumenlosobjetivosdel captulo.Enprimerlugar,sededicaungranesfuerzoadisearelalgoritmoSMAGAapartirde laestructuramodificadadeunAlgoritmoGentico,sobrelacualsedescribefuncinafuncin, comosecombinanloselementostpicosdeestetipodemetaheursticaconlosconceptosdel paradigma de Agentes. As por un lado, conceptos como los de Alelo o Gen se trabajan al mismonivelqueeldeAgenteparaalcanzarladefinicindelosindividuosdelapoblacin.Y porotrolado,funcionescomoladelosoperadoresdecruceomutacinsehacencompatibles con el requisito de coordinar a los individuos del Sistema Multiagente. Esta primera tarea finalizaconlaimplementacindedosversionesdelalgoritmoqueson:SMAGA1ySMAGA2. En segundo lugar, se realiza un importante trabajo de ajuste de parmetros para intentar buscar el mximo rendimiento del mismo. Esta tarea se fundamenta en el Diseo de Experimentos con un importante soporte en conceptos y herramientas estadsticas. Y por ltimo, en tercer lugar se realiza un anlisis comparativo del comportamiento de los algoritmospropuestosconotrosmtodos,parapodersvalorarlacalidaddelosmismos.Esta
471

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica tarea se basa en el Diseo de Experimentos, y la seleccin de un juego de datos y de unos algoritmos de referencia adecuados. El empleo de un juego de datos pblico y estndar permite un mayor grado de contraste de la propuesta, al mismo tiempo que evita la implementacin y testeo de los algoritmos de referencia, facilitando el uso de datos ya publicados. El trabajo desarrollado en el presente captulo se organiza de la siguiente forma: En primer lugarseexpondrelmbitodeaplicacindelalgoritmoSMAGAylametodologaconlaquese desarrollar la propuesta. En segundo lugar se realizar el diseo del algoritmo. En tercer lugar,unavezimplementadalapropuesta,seprocederaljusteparamtricodelalgoritmoen cuyafasesediferenciarentreSMAGA1ySMAGA2.Encuartolugar,serealizarunanlisis comparativoentrelosalgoritmosSMAGA1ySMAGA2parametrizadosconotraspropuestas relevantesexistentes.Yfinalmente,secomentarnbrevementelasconclusionesdelcaptulo.

8.2

mbitodeAplicacinyMetodologa

Enesteapartadosequieredarrespuestaalqueyalcomo,esdecir,cualeselproblema concretoquesedeseaabordar,ycomosevaactuarparagarantizarlavalidezdelosresultados alcanzados.

8.2.1 IdentificacindelProblema
Segn se coment en el captulo 5, Descripcin y Modelado Matemtico del Problema, en estatesisseproponerealizarunaPlataformaSoftware,quepermitaafrontarelproblemadela Programacin de la produccin en un entorno de incertidumbre en coordinacin con el procesodePlanificacindelaProduccin.Asmismo,seidentificaronlosrequerimientosdela misma mediante la aplicacin de la propuesta CIMOSA, en base a los cuales de realiz el diseodelamismaenelcaptulo7.Dentrodelamplioconjuntoderesponsabilidadesquesela atribuyeronadichaPlataformaenelcaptulo7,sedestacandosgrandesProcesosdeNegocio (BP)i:ElBPProgramacinPredictiva,yelBPProgramacinReactiva.

El autor sigue la nomenclatura propuesta por CIMOSA. En el captulo 5 de esta tesis se dispone del anlisisderequerimientosdelaPlataformaSoftwareenrelacinconeltrabajodeProgramacindela Produccin.

472

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Unodelosobjetivosdeestecaptuloeseldesarrollodeunalgoritmo,condiferentesvariantes, quepuedaformarpartedelncleodelProcesodeNegocioparalaProgramacinPredictiva.El algoritmo propuesto no constituye por s slo dicho proceso, ya que el mismo est formado porunconjunto,deloqueCIMOSAdenomina,ActividadesEmpresariales.Estasson: EA1:Revisinycargadedatos. EA2:ClculodelProgramaPredictivo. EA3:Ajustes. EA4:Validacin/Rechazo.

En la Figura 81 se muestra el diagrama funcional del proceso completo, dentro del cual se describen las responsabilidades de cada actividad empresarial. El algoritmo que se propone debe asumir las funciones atribuidas a la actividad empresarial EA2, en la que se sita la funcinasociadaalclculodelProgramaPredictivo.Lasaccionescomprendidasenlaactividad empresarial AE2 estn destinadas al ajuste de parmetros del algoritmo que se utilice, la ejecucin del propio algoritmo y el registro y transferencia de los resultados obtenidos a la actividadempresarialAE3. LafuncionalidadasignadaalaactividadempresarialAE2sedebeimplementarparadarlugar aunaaplicacinsoftware.Unadelascaractersticasquesehaconsideradonecesariaesqueel softwareresultantepermitaelreajustedelosparmetrosdespusdeconocerlosresultados delclculoencasodenoobtenerelresultadodeseado.Ademsseincorporarunapequea utilidadquepermitavisualizarlosresultadosobtenidosmedianteundiagramaGantt.

473

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Figura81.DiagramadeFuncionaldelProcesodeNegociodeProgramacinPredictiva(elaboracinpropia).

Se desea resaltar que lo que en captulos anteriores se denomin, Gestin del Programa Productivo,eslafuncinqueasumirnelconjuntodeprocesosqueformanlaPlataforma,y noespecficamentelaactividadEA2,quecontribuyeaunafuncinmuyconcretaypuntual.La GestindelProgramaProductivoesunconceptoquevamsalldelclculodeunPrograma Productivo, y que surge como consecuencia de la decisin de incluir dentro del problema a
474

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

tratar los efectos de la Incertidumbre. En base a la definicin de requerimientos empleada debequedarclaroquelaactividadEA2resolverunproblemadeProgramacinPredictiva,es decir esttica y sin Incertidumbre. Cuando debido a la Incertidumbre se modifiquen las condiciones del Programa Productivo en curso, y sea necesario adaptarlo a las nuevas circunstancias,seactivarnotrasactividadesempresarialesincluidasenelBPProgramacin Reactivaqueabordarnyresolvernesapartedelproblema. ElProblemaPredictivoqueseabordaenlaactividadEA2,yporlotanto,elalgoritmoquese proponeenestecaptulo,fuedefinidoenunlenguajenaturalymatemticoenelcaptulo5. Enconcretoenelapartado5.2.2.2secomentanlashiptesisqueseplanteanparaelmodelo Predictivodeterminista,yenelapartado5.4.1y5.4.2sedesarrollaelmodelomatemticoque definesinambigedadeselproblemasepretenderevolverenestecaptulo. Comorecordatoriocabeindicarquebasndoseenlanotacinestablecidapor(Conway,R.W., Maxwell, W. L., & Miller, L. W. 1967) para identificar los problemas de secuenciacin, el problema Predictivo determinista que se pretende resolver podra ser representado como n/r/F/k1,..krparallel/setup/Cmax.EsdecirsetratadeunTallerdeFlujoHbridoconretapas,y k1mquinaenparaleloenlaprimeraetapa,k2enlasegundaykrenlaltima,conTiemposde SetupDependientesdelaSecuencia,cuyafuncinobjetivoesminimizarelCmaxomakespan.

8.2.2 IdentificacindelaPropuesta
ParapoderobtenerunProgramaProductivoPredictivoseproponeeldiseoeimplementacin de un nuevo Algoritmo Gentico (AG). La diferencia fundamental entre la propuesta que realizaenestatesisylosAGtradicionales,esqueenestecaso,serealizaunahibridacindel algoritmocombinandolaestructurabsicadeunAGconlascaractersticasdelosSistemas Multiagente(SMA). Lapropuestapresentebuscadisponerdeunalgoritmoquebasesufuncionamiento,yengran medida su eficiencia, en la explotacin de ciertas caractersticas propias de los SMA. El objetivoesquelahibridacinseproduzcadeformaquelosAgentestomenelroldeseres vivosyporlotanto,deindividuosdelapoblacindelAG.Estetipodehibridacin(AG+MAS) es casi inexistente en la literatura, y se ha considerado que puede ofrecer muy buenos resultados. EstealgoritmoserunapiezamsdentrodelaPlataformaIPSUMAS,yporlotantosedesea que los resultados que con l se obtengan sean competitivos. Por este motivo, una vez
475

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica definido el algoritmo, se va a realizar un calibrado de los parmetros del mismo, y posteriormenteunanlisiscomparativodelosresultadosquepermitancontrastarsucalidad.

8.2.3 MetodologaparaelDesarrolloyEvaluacindelaPropuesta
Debidoalascaractersticasdelapropuestaqueserealiza,losaspectosmetodolgicoshansido tenidosmuyencuentaeneldesarrollodelamisma. Enprimerlugarsedeseaindicarquedadoquesevaadesarrollarunalgoritmobasadoenun Sistema Multiagente se ha considerado la posibilidad de utilizar la metodologa INGENIAS desarrollada por (Pavon, J. & GomezSanz, J. 2003) para obtener un software basado en AgentesquepermitaabordarelproblemadeProgramacinPredictivadelaProduccinenuna EmpresaCermicaenlostrminosplanteados.Sinembargo,cuandosetermindedefinirlas lneasmaestrasdelalgoritmosepercibiunagrandistanciaentrelametodologaINGENIASy el trabajo que se debera realizar para plasmar las ideas en un software. Efectivamente, INGENIASesunapropuestamuyacertadaparaeldiseoyposteriordesarrolloaplicacionesde ciertaenvergadura.Sinembargo,aunquelaaportacindelosAgentesenelalgoritmoquese propone es muy relevante, la complejidad del diseo e implementacin es escasa. En el algoritmoqueseproponeelnmeroAgentesyrolesdelosmismosessencilloencuantoasu estructura.Porestemotivosehaoptadopornoemplearunametodologaespecficaparael desarrollodeAgentesyseguirlospasoshabitualeseneldiseodeunAlgoritmoGentico. Ensegundolugarhabraquesealarqueelprocesodeajustedelosparmetrosdelalgoritmo SMAGA ser complejo. Adems del mtodo de experimental seguido para el ajuste, se detallar en apartados diferenciados la descripcin del juego de datos y la definicin de la variablederespuesta. La mayora de los procedimientos metaheursticos que se conocen incorporan un factor de aleatoriedadensuejecucin,loquehacedifcilpoderestablecerunarelacindirectaentreel valordelosparmetrosutilizadosylosresultadosobtenidossinrealizarunestudioestadstico adecuado. El Diseo de Experimentos es una metodologa basada en herramientas matemticas y estadsticas cuyo objetivo es ayudar al experimentador a seleccionar la estrategiaexperimentalptimaquepermitaalcanzar,yevaluarlosresultadosobtenidos,con elmnimocosteylamximafiabilidadenlasconclusiones. Laaplicacindeldiseodeexperimentosrequiereconsiderarlasetapasquesecomentarna continuacin:
476

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

1. Comprenderelproblemaydefinirclaramenteelobjetivo. 2. Identificarlosfactoresquepotencialmentepodraninfluirenlafuncinobjetivo,ylos valores que stos pueden tomar. Entre estos valores se buscar la informacin necesaria. 3. Establecerunaestrategiaexperimental,llamadaPlandeExperimentacin. 4. Efectuar los experimentos con los valores de los factores decididos en el punto tres paraobtenerlosvaloresdelasrespuestasestudiadas. 5. Responder las preguntas planteadas, sea directamente, sea utilizando un modelo matemtico.Siesnecesario,volveralaetapauno.

En relacin con el primer paso se puede decir que el problema que se desea abordar en la experimentacin es el de identificar el conjunto de parmetros con los que el algoritmo SMAGApuedaobtenerlosmejoresresultadospromedioposibleparaelproblemaespecificado en el apartado 8.2.1. Dado que los resultados no slo estn condicionados por el tipo de algoritmoempleadoparalaProgramacindelaProduccin,sinotambinporeltipoconcreto de configuracin de taller sobre el que se trabaje (bsicamente del nmero de etapas y del nmerodemquinasporetapa),elnmerodetrabajosqueseprocese,ylaeficienciadelos recursos(bsicamentedelostiemposdeprocesoydecambiodepartida),esnecesariotener encuentalacombinacindeltipodealgoritmojuntoconeltipodeproblemaparaelcualse realizan los experimentos. En este aspecto, el objetivo es establecer tantos conjuntos de parmetros con combinaciones existan. Dicho conjunto sern especificados en el apartado dondeseexplicitaeljuegodedatosempleado. Una vez se discriminen los parmetros con los que el algoritmo SMAGA alcanza los mejores resultados para cada configuracin de problema, se proceder a realizar una comparacin entredichosresultadosylosresultadospublicadosquesehanobtenidosconotrosalgoritmos, paralosmismoscasos.Esteanlisiscomparativoesunpasoqueserealizarunavezconcluido elajusteparamtricoparaelcualserealizaeldiseoexperimental. Por lo que se refiere a los pasos desde el 2 al 5 se cree ms conveniente desarrollar su contenido dentro del apartado 8.4, ya que la descripcin de los mismos implica un amplio conocimientodelapropuestaqueannohasidodesarrollada. En cualquier caso, ser necesario disponer de una herramienta que permita establecer conclusionesclarasyfiables.Enestecasosehaconsideradoqueexisteunavariableexplicada (dependiente o endgena) cuyo valor es funcin de diversas variables explicativas
477

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica (independientes o exgenas). Donde adems la variable explicada es mtrica y las variables explicativassonnomtricas.Enestecontexto,habitualporotraparteenestetipodeajustes algortmicos,elusodeuntestparamtricoesfundamental.Unodelostestparamtricosms potentes, y ajustados a las caractersticas de este caso, es el del anlisis de la varianza o ANOVA. Unpuntoimportante,quesedebetenerseencuenta,cuandosetrabajoconuntestANOVAes queestedebecumplirvariascondiciones,cuyoincumplimientoinvalidacualquierconclusin quesepuedaobtener.Estascondicionesson: Normalidad. Todas las variables que intervienen en un mtodo de anlisis multivariabledebensernormales. Homocedasticidad. Es una propiedad fundamental del modelo de regresin lineal general. Se dice que existe homocedasticidad cuando la varianza de los errores estocsticos de la regresin son los mismos para cada observacin. Lo que significara que habra una distribucin de probabilidad de idntica amplitud para cada variable aleatoria. Esta cualidad es necesaria, segn el Teorema de Gauss Markov, para que en un modelo los coeficientes estimados sean los mejores o eficientes,linealeseinsesgados. Linealidad. Suele ser un supuesto implcito en todas las tcnicas multivariante basadas en medidas de correlacin. Como los efectos no lineales nunca estn representadosenelvalordelacorrelacin,supresenciatendraefectosnocivosen elmodelomultivariante. Ausenciadeautocorrelacin.Laautocorrelacindeunaserietemporaldiscretade un proceso es simplemente la correlacin de dicho proceso con una versin desplazadaeneltiempodelapropiaserietemporal. Ausencia de multicolinealidad. La multicolinealidad es una situacin en la que se presentaunafuertecorrelacinentrevariablesexplicativasdelmodelo.

Esporlotantorequisitoimprescindiblecomprobarelcumplimientodelasdistintashiptesis, paralocualenestatesisseaplicarnfundamentalmentemtodosgrficos. Para el anlisis de la normalidad se utilizar el grfico de probabilidad normal (Yi, Fi), que presentaenelejedeabscisaslosvaloresdelavariableexplicadaoendgena(Yi),yenelde ordenadas las frecuencias relativas acumuladas de dichos valores (Fi). La normalidad de los
478

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

datos ser perfecta cuando el grfico de puntos resulte ser una lnea recta situada sobre la diagonaldelprimercuadrante. Para el anlisis de la homocedasticidad se utilizarn los medios grficos. El medio grfico empleadoporexcelenciaeselgrficoderesiduos(Xt,t)y(t,t),quepermitedisponerlos residuos, que pueden estar estudentizadosii (t) o no, en el eje de ordenadas, frente a las variablesexgenas(Xt),enelejedeabscisas,quedebenpresentarestructuraaleatorialibrede tendencia.Elgrficodelosresiduoscontracadavariableexgenapermitedetectarcomola variableculpabledelnocumplimientodelacondicinesaquellascuyogrficoseseparams delaaleatoriedad.Deidnticaformaseemplearelmismogrficoconlavariableendgena, quenuevamentepuedeestarestudentizada(t)ono. El anlisis de la linealidad se detectar con el grfico de los residuos (Xt, t) y (t, t), ya utilizadoparalaverificacindelacondicindehomocedasticidad. Lamulticolinealidadsedetectarconelanlisisdelamatrizdecorrelaciones.Valoresaltosen esta matriz son sntoma de posible dependencia entre variables. El anlisis de la autocorrelacinserealizarconelestudiodelgrficoderesiduos(t,t),dondelosresiduos, quepuedenestarestudentizados(t)ono,sesitanenelejedeordenadascontraeltiempo (t) o el orden de ejecucin de la pruebas en el eje de abscisas. Si se detecta una tendencia crecienteodecrecientepuedeexistirautocorrelacin. Comosehavistoelanlisisdelosresiduosesfundamentalparacomprobarelcumplimiento de las condiciones de homocedasticidad, linealidad, y autocorrelacin. A continuacin se ofreceunatablaresumendelosdiferentesanlisisresidualesenfuncindelapropiedadque sedeseaverificar. Propiedad Homocedasticidad Linealidad Autocorrelacin (t,t) (Xt,t) (t,t)

Tabla81.Relacinentrediferentestiposdeanlisisderesiduosysuaplicacinparaverificarcaractersticas (elaboracinpropia).

ii

Consiste en el clculo de la siguiente expresin para cada residuo: (residuomedia de los residuos)/desviacinestndardelosresiduos.

479

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Unavezdefinidoelesquemabsicoporelcualseguiareldesarrolloexperimentalquesevaa desarrollarenestecaptuloseexplicarncondetallelosaspectosrelacionadosconeljuegode datos empleado y la medida (variable explicada o endgena) que se emplear para la evaluacindelalgoritmo.

8.2.3.1 ElJuegodeDatos Enestetrabajosehaconsideradofundamentallautilizacindeunjuegodedatosestndar.Su funcineslaayudaracontrastarlacalidaddelosresultadosqueproduceelalgoritmoSMAGA en un conjunto de situaciones representativas. Estos datos deben considerar diversas configuracionesdelsistema(netapas,nmquinasporetapa),delnmerodetrabajos,yde la eficiencia de los recursos (tiempos de proceso, y de cambio de partida), y deben ser conocidos y utilizados por la comunidad cientfica. Sobre dicho datos el algoritmo SMAGA debe calcular un Programa Productivo Predictivo intentando minimizar el makespan. La existencia de un juego estndar presenta dos ventajas fundamentales en el proceso de experimentacincientfica: Losresultadosobtenidospuedensercontrastadosporlacomunidadcientficacon mayores garantas, ya que se pueden comparar los resultados obtenidos para mltiples escenarios conocidos, y sobre los cuales hay un gran nmero de investigadores trabajando. Esto a su vez, facilita el proceso de publicacin de resultados. Simplifica el proceso de experimentacin. Ya que una forma de contrastar los resultados obtenidos por un algoritmo, especialmente metaheurstico, es la comparacinconotrosprocedimientos.Enestecaso,noesnecesarioejecutarotros algoritmos,yaquelosresultadossonconocidos,paraelmismojuegodedatoscon elqueseejecutalapropuestaquesedeseatestear.Alnotenerqueejecutardichos algoritmos tampoco es necesario programarlos, con el consiguiente ahorro de tiempo,yreduccindefuentesdeerror.

En mltiples ocasiones los experimentadores no han podido acceder a un juego de datos conocido, ya que las caractersticas del problema que abordan eran lo suficientemente especiales como para que no existan propuestas que hayan favorecido la generacin de un banco de pruebas estable y contrastado. En este caso, dicha circunstancia se ha podido solventar. Existen varios bancos de pruebas con datos disponibles para la experimentacin, dondelosdiferentesavancesalcanzadossondadosaconocerporsusautores.Sinembargo,en el caso del Taller de Flujo se deben de diferenciar dos escenarios, el problema del Taller de FlujodePermutacin,yelrestodeconfiguracionesTalleresdeFlujo.ParaelTallerdeFlujode
480

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Permutacin,unproblemaquehaconcentradomsatencinqueelrestodelosmencionados, existen diversas opciones para poder elegir un juego de datos estndar ((Watson, J. P., Barbulescu,L.,Whitley,L.D.,&Howe,A.E.2002),(Taillard,E.1993),(Brucker,P.,Heitmann, S.,&Hurink,J.2003)).Fueradeestaconfiguracinsenosehanencontradobancosdeprueba de uso reconocido. Por este motivo, se ha optado por seguir los pasos de la propuesta empleadapor(Ruiz,R.2003).Setratadeutilizarunbancodepruebasespecficoparaelcaso que se desea analizar en este trabajo; El Taller de Flujo Hbrido con Tiempos de Cambio de PartidaDependientesdelaSecuencia,generadosapartirdeunbancodepruebascontrastado porlacomunidadcientfica. En (Ruiz, R. 2003) se encontr con la misma dificultad, encontrar un juego de datos para configuraciones especficas del Taller de Flujo, por lo que opt por emplear una serie de benchmarksquepreviamentehabapublicadojuntootrascompaerasen(Vallada,E.,Ruiz,R., &Maroto,C.2003).Elbancodedatosfuepublicadooriginalmenteen(Vallada,E.etal.2003), ysetratadeunaadaptacindeljuegodedatosestablecidoen(Taillard,E.1993).Dichojuego dedatos,adaptadoparaelTallerdeFlujoydeFlujoHbridoambosconTiemposdeCambiode Partida Dependiente de la Secuencia, y ha sido posteriormente puesto a disposicin de la comunidadcientficaparaquestatrabajeconellosensusrespectivaspropuestasyfaciliten sus nuevos resultados que mejoren a los actualmente establecidos. La seleccin de un conjunto de problemas adaptados desde el conjunto de ejemplares de Taillard no slo se realizaen(Ruiz,R.2003),sinotambinenotroscasos,comoen(Brucker,P.etal.2003).Por estosmotivossehanconsideradoquelosejemplaresde(Vallada,E.etal.2003)constituyen unbancodepruebasajustadoalasnecesidadesdeestetrabajo,yconincipienteusocientfico. A continuacin se detalla el mtodo de generacin, la estructura y disponibilidad de los mismos. DadoquelosdatosqueseempleanparaelcontrastedelalgoritmoSMAGAtomancomobase el conjunto de ejemplares de Taillard se va a comentar brevemente dicha propuesta. En (Taillard, E. 1993) se estableci un banco de pruebas para el Taller de Flujo de Permutacin compuesto de un total de 120 problemas de diversos tamaos. Cada problema est compuestoporunconjuntodetrabajosaloscualesseleasigntiemposdeprocesoextrados a partir de una distribucin aleatoria uniforme U[0..99]. Taillard propuso una clasificacin formadapordocetiposdeconfiguracin.Cadagruposecaracterizaporconsiderarelmismo nmerodetrabajos(n)ydemquinas(m).Asuvez,dentrodecadagruposegenerarondiez ejemplaresparalamismaconfiguracindemquinasytrabajosperocondiferenteasignacin de tiempos de proceso a cada uno. Un resumen de la estructura del banco de pruebas se puede ver en la Tabla 82. Los ejemplares son accesibles desde la propia pgina web del Taillardenhttp://mistic.heigvd.ch/taillard/problemes.dir/problemes.html.
481

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica GruposdeEjemplares NdeMquinas NdeTrabajos NdeInstancias Grupo_20x5 5 20 10 Grupo_20x10 10 20 10 Grupo_20x20 20 20 10 Grupo_50x5 5 50 10 Grupo_50x10 10 50 10 Grupo_50x20 20 50 10 Grupo_100x5 5 100 10 Grupo_100x10 10 100 10 Grupo_100x20 20 100 10 Grupo_200x10 10 200 10 Grupo_200x20 20 200 10 Grupo_500x20 20 500 10
Tabla82.Resumendelaestructuradeejemplaresde(Taillard,E.1993).

Un ejemplo para un ejemplar con veinte trabajos y diez mquinas es el que se refleja en la Tabla 83. En la representacin que se ofrece en dicha tabla existen diez grupos de dos columnas.Encadagrupolaprimeracolumnahacereferenciaalidentificadordelamquinao etapa (0..9) y el segundo al tiempo de proceso. A su vez existen veinte filas. Cada fila representalainformacindeuntrabajodelosveinteexistentes. Sonmuchoslosautoresquealolargodecasidosdcadashandedicadopartedesuesfuerzoa resolver estos problemas. Existen algunos ejemplares resueltos de manera ptima, y otros problemas que an estn abiertos. En el anexo II, la tabla II.1 presenta un resumen de los ejemplares propuestos con los resultados obtenidos en cada una. Los problemas resueltos o cerrados presentan el mismo valor para la cota inferior (CI) y para la cota superior (CS), mientras que los no resueltos o abiertos disponen de ambas cotas diferenciadas. En dicha tabla se puede ver como aun existen 27 problemas abiertos, aunque en todos los casos la diferenciaentrelacotasuperiorylainferioresmuypequea. LosproblemasgeneradosporTaillardpresentanunaventajaadicionalyeslaexistenciadeuna ampliagamadedatosenfuncindelnmerodetrabajosydemquinas.Estopermitetestear cualquieralgoritmoconproblemasprximosamuchasrealidadesindustriales. 0 39 0 16 0 84 0 51 0 19
482

1 9 1 19 1 71 1 7 1 23

2 72 2 13 2 49 2 37 2 89

3 93 3 77 3 20 3 1 3 60

4 8 4 83 4 29 4 87 4 77

5 75 5 70 5 16 5 72 5 85

6 16 6 98 6 85 6 63 6 10

7 98 7 49 7 46 7 66 7 63

8 65 8 93 8 14 8 73 8 97

9 21 9 98 9 61 9 78 9 6

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

0 57 0 33 0 1 0 23 0 39 0 27 0 37 0 37 0 1 0 82 0 24 0 28 0 98 0 74 0 36 1 7 1 65 1 56 1 37 1 87 1 43 1 4 1 92 1 75 1 86 1 26 1 17 1 7 1 80 1 24 2 37 2 58 2 4 2 13 2 48 2 4 2 43 2 18 2 9 2 81 2 66 2 82 2 21 2 60 2 26 3 36 3 85 3 18 3 97 3 24 3 60 3 28 3 94 3 34 3 61 3 10 3 4 3 83 3 91 3 38 4 15 4 26 4 97 4 44 4 85 4 22 4 17 4 47 4 30 4 10 4 84 4 13 4 26 4 16 4 48 5 94 5 49 5 40 5 64 5 98 5 46 5 18 5 47 5 2 5 77 5 74 5 77 5 32 5 65 5 91 6 14 6 82 6 39 6 23 6 29 6 30 6 99 6 34 6 16 6 34 6 28 6 69 6 85 6 50 6 58 7 88 7 41 7 13 7 43 7 54 7 69 7 97 7 10 7 51 7 95 7 51 7 92 7 71 7 98 7 33 8 17 8 91 8 71 8 59 8 45 8 45 8 21 8 98 8 64 8 50 8 74 8 77 8 32 8 70 8 95 9 34 9 53 9 63 9 3 9 50 9 29 9 29 9 20 9 68 9 84 9 29 9 75 9 85 9 98 9 68

Tabla83.EjemplodeejemplarTaillard019,generadapor(Taillard,E.1993).

El conjunto de ejemplares de (Taillard, E. 1993) son conocidas y reconocidas. Sin embargo, como ya se ha comentado, no ofrece un juego de datos para el Taller de Flujo Hbrido con Tiempos de Cambio de Partida Dependientes de la Secuencia. Es este punto donde se ha considerado oportuno apoyarse en los avances publicados por el Dr. Ruben Ruiz en diversas contribucionesdondesiseabordaaestanecesidad. Esoriginalmenteen(Vallada,E.etal.2003)dondeseproponeunmtodoparagenerarunos ejemplaresparaelcasodelTallerdeFlujoconTiemposdeCambiodePartidaDependientesde laSecuenciaapartirdelapropuestademencionadadeTaillard.Paralaconfiguracinindicada esnecesarioincorporarunamatrizporcadamquinaexistenteenlacualseinformesobreel tiempo necesario para realizar el cambio entre un trabajo i que se acaba de ejecutar y un trabajojquesepuedaejecutarposteriormenteendichamquina.Losautoresproponenla construccindecuatrograndesgruposde120problemascadaunodeellos.Lascaractersticas decadaproblema,esdecirelnmerodetrabajos,nmerodemquinasytiemposdeproceso, son exactamente los mismos que los propuestos por (Taillard, E. 1993), y comentados anteriormente, pero los autores aaden tantas matrices como mquinas existen en cada problemaconlosTiemposdeCambiodePartida. Enelprimergrupodeproblemasestableceunratioentrelostiemposdeprocesoylostiempos decambiodepartidade diez,esdecir,lostiemposdecambiosonel10%delostiemposde proceso.Lostiemposdecambiodepartidaenesteprimergrupodeproblemassedistribuyen uniformemente entre uno y nueve, U[1, 9]. A este primer grupo los autores le denominan SSD10. Los otros tres grupos van aumentando el ratio entre los tiempos de proceso y de
483

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica cambio departida.Elsegundogrupo, denominado SSD50,tiene unratio dedos,esdecirlos tiemposdecambiodepartidasonel50%losdetiemposdeproceso,conloquesecaracterizan porunadistribucinuniformeU[1,49].Eltercergrupo,denominadoSSD100,tieneunratiode uno,esdecir,lostiemposdecambiodepartidaylosdeprocesosondelmismoordenyambos secaracterizanporunadistribucinuniformeU[1,99].Elltimogrupo,llamadoSSD125,tiene unratiode0.8.Enestecasolostiemposdecambiodepartidasonun25%superioresalosde proceso, luego se distribuirn como una uniforme U[1, 124]. Los autores justifican esta distribucin despus de examinar la literatura donde encontraron que mltiples autores comprobaronqueelratio entrelostiemposdeprocesoyde cambiode partidaafectaa las prestaciones de los mtodos propuestos. Estos problemas se pueden descargar de la pgina webhttp://soa.iti.es/instancias-de-problemas/. Un ejemplo para un ejemplar con veinte trabajos y cinco mquinas, empleada en (Ruiz, R. 2003) y (Ruiz, R., Maroto, C., & Alcaraz, J. 2005) es la que se refleja en la Tabla 84. La estructura inicial correspondiente a los cinco grupos de dos columnas y veinte filas es la relacionadaconlostiemposdeproceso,igualquesecomentparaelcasodelTallerdeFlujo de Permutacin. Despus de dicho bloque se ubican cinco bloques adicionales identificados por M0..M4 que se corresponden con las matrices de tamao veinte por veinte que proporcionanlainformacinsobrelosTiemposdeCambiodePartidadetodoslostrabajosen cadaunadelascincomquinas.
20 5 0 77 0 94 0 9 0 57 0 29 0 79 0 55 0 73 0 65 0 86 0 25 0 39 0 76 0 24 0 38 0 5 0 91 0 29 0 22 0 27 SSD

1 39 1 31 1 46 1 18 1 93 1 58 1 85 1 58 1 97 1 10 1 79 1 93 1 2 1 87 1 17 1 18 1 10 1 50 1 8 1 26

2 14 2 21 2 15 2 10 2 85 2 46 2 42 2 18 2 36 2 2 2 44 2 89 2 6 2 3 2 1 2 43 2 81 2 57 2 76 2 59

3 11 3 2 3 36 3 30 3 89 3 10 3 88 3 22 3 31 3 9 3 43 3 91 3 26 3 3 3 75 3 99 3 63 3 83 3 70 3 84

4 83 4 13 4 84 4 46 4 20 4 33 4 74 4 42 4 33 4 71 4 32 4 48 4 42 4 99 4 7 4 54 4 8 4 73 4 30 4 75

484

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

M0 0 7 3 0 1 3 6 7 6 8 5 1 8 3 9 3 5 7 6 3 7 2 3 9 8 7 8 4 3 2 4 3 5 9 2 3 7 2 7 7 M1 0 3 2 0 5 1 7 8 6 6 7 8 2 4 5 6 8 4 6 5 8 7 8 8 1 4 7 1 6 7 4 1 4 7 3 4 8 9 1 3 M2 0 1 8 0 6 1 6 4 5 1 9 4 0 6 7 7 7 8 6 6 3 3 8 2 2 4 2 3 9 8 7 3 0 7 6 5 7 9 3 5 8 6 5 8 7 4 2 1 1 5 8 4 0 8 3 1 3 2 0 8 3 8 7 3 8 3 2 3 6 1 9 7 8 9 7 1 8 9 0 6 9 1 6 3 6 5 5 4 8 5 1 2 3 8 7 5 8 7 0 5 6 5 2 1 0 7 9 3 9 8 2 5 4 9 8 1 8 7 6 6 7 1 6 2 0 2 8 1 6 6 3 7 3 9 9 6 3 5 6 1 1 9 3 6 0 3 2 2 1 8 0 1 7 3 3 5 8 5 5 7 9 2 3 5 6 4 1 1 3 8 0 8 1 1 4 2 7 4 6 5 6 1 3 8 6 9 6 9 7 9 8 9 1 4 2 8 0 2 5 1 3 9 1 6 3 5 7 3 5 3 7 9 2 1 6 8 0 3 4 2 7 9 4 1 4 6 2 5 5 4 3 9 1 4 5 5 6 8 3 8 6 9 0 6 6 9 2 3 1 2 7 7 5 3 6 9 6 8 4 7 2 8 0 5 8 7 9 5 5 4 9 8 8 2 2 7 1 2 6 2 7 8 5 9 5 3 6 3 0 9 3 8 4 9 4 8 8 6 8 2 1 9 2 5 7 8 6 3 0 7 5 9 2 8 6 6 7 6 3 5 2 5 5 1 4 6 6 4 1 2 8 5 6 2 0 9 4 9 5 6 5 2 2 9 6 9 3 4 1 1 5 9 3 1 0 5 8 2 3 7 7 4 2 9 7 7 5 1 3 1 8 9 2 8 3 7 7 5 2 2 0 2 5 8 9 5 8 4 1 7 1 9 7 6 7 8 7 5 1 6 0 7 4 8 1 8 9 5 7 4 6 7 6 5 3 3 1 4 2 7 9 2 7 8 1 8 0 4 6 2 4 2 6 7 7 8 6 9 4 2 8 5 2 5 6 2 0 4 9 4 3 5 2 1 1 8 2 2 8 3 4 8 1 3 4 8 5 2 9 3 5 6 0 5 7 3 9 9 8 1 2 7 6 5 9 9 3 3 5 4 9 9 0 3 4 3 6 8 3 5 2 9 8 5 6 7 9 4 1 3 2 9 5 2 2 9 9 2 0 5 7 7 1 1 5 2 2 7 5 8 3 2 7 3 9 2 4 7 0 9 6 2 1 7 8 9 3 9 1 3 3 1 9 4 7 3 2 2 7 7 8 4 2 3 0 8 8 2 8 6 8 5 6 7 7 3 3 2 4 8 3 3 3 7 0 9 2 5 4 3 6 9 2 1 6 4 8 1 9 3 2 2 9 6 3 2 5 5 6 7 0 7 7 9 9 4 3 6 5 3 9 4 6 2 6 5 4 9 8 8 0 4 1 9 7 3 9 6 9 2 1 2 1 3 5 9 6 8 3 9 4 9 6 4 7 9 0 2 2 2 2 3 9 5 6 7 3 6 2 8 5 3 1 3 5 3 0 9 5 1 8 6 1 1 2 9 2 1 1 4 2 5 6 3 1 6 2 9 2 2 4 3 0 1 7 5 7 9 7 4 7 3 9 3 7 5 7 7 4 1 5 5 0 5 8 4 9 2 9 2 3 1 4 7 9 6 3 1 7 7 5 8 7 1 1 2 3 1 0 7 3 9 8 5 3 5 4 5 9 8 8 9 2 5 5 7 5 1 0 5 2 8 2 4 7 2 5 8 9 1 5 3 9 5 8 5 8 1 2 9 3 7 1 3 0 2 7 3 3 9 3 9 5 9 3 8 8 2 7 2 7 3 3 1 0 1 7 8 7 2

485

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

6 9 6 8 9 9 6 2 2 8 1 4 6 2 6 8 8 4 2 6 1 6 3 7 1 5 4 7 5 5 M3 0 8 2 0 4 2 5 6 9 2 6 5 4 3 4 2 8 8 7 5 6 1 1 9 4 9 7 4 6 7 1 5 6 8 9 4 5 5 3 7 M4 0 1 4 0 5 5 5 6 3 4 8 7 2 3 2 8 1 6 5 4 2 8 1 8 5 8 2 3 5 8 1 1 5 2 1 8 2 1 7 0 9 2 2 8 6 6 6 6 1 1 3 3 2 4 6 4 1 5 1 0 1 3 9 4 4 3 9 8 9 5 3 5 5 2 3 8 7 3 2 2 1 6 5 6 2 1 0 9 9 3 8 2 3 7 5 2 8 8 5 7 6 6 6 4 3 7 0 9 9 5 3 5 2 9 3 2 8 6 3 2 2 7 9 1 7 8 5 5 8 3 2 9 9 0 2 6 5 5 6 8 2 8 5 5 3 9 7 3 2 3 3 8 5 0 4 9 9 9 7 2 0 2 3 2 3 8 3 4 3 2 5 6 8 2 9 9 8 5 7 7 0 7 5 1 6 1 6 4 1 7 2 5 9 1 7 1 6 3 6 1 0 4 4 9 7 2 4 0 6 3 2 2 8 4 9 9 4 5 2 7 4 1 3 5 3 4 7 0 8 5 4 9 7 9 3 6 5 1 8 8 5 5 2 7 2 9 5 0 8 6 9 5 4 5 0 2 3 6 8 8 1 6 4 8 7 8 2 6 7 8 9 3 6 7 0 2 6 7 4 7 8 8 9 2 3 6 7 9 3 5 2 5 9 5 0 5 2 8 4 9 7 0 7 4 9 9 1 1 2 8 1 3 8 6 1 7 3 5 1 7 5 0 1 8 8 6 5 8 5 8 5 6 6 2 5 3 3 2 1 2 9 0 5 1 9 3 2 7 0 8 6 5 2 5 1 4 3 3 6 2 7 1 3 8 3 9 4 1 0 1 5 9 3 3 5 3 5 8 6 9 5 5 5 3 4 9 9 8 0 6 3 5 2 9 1 0 1 7 7 6 8 6 4 1 2 4 2 5 3 4 5 4 2 4 3 0 6 2 8 9 9 8 5 9 5 6 5 8 9 2 7 4 9 8 9 0 3 6 1 8 1 6 0 4 8 8 5 2 2 6 1 1 9 8 3 2 2 7 5 9 9 4 0 3 6 4 8 4 1 6 2 3 8 7 3 5 2 3 3 1 4 9 3 5 5 7 1 5 1 0 5 5 8 2 4 2 4 5 1 9 2 7 4 5 9 4 1 6 6 0 8 8 9 6 7 6 9 4 9 6 4 5 7 8 5 8 6 6 2 4 6 2 4 1 7 1 0 3 1 9 3 7 6 7 4 1 5 7 9 8 1 2 6 5 6 6 0 6 7 1 3 9 1 8 4 3 5 3 3 3 2 7 1 5 2 5 2 2 7 9 9 3 2 0 3 6 4 2 8 8 5 9 5 1 8 8 7 2 2 3 6 2 8 0 9 5 9 8 2 3 6 3 4 5 1 1 6 9 7 9 5 4 5 4 5 2 8 6 8 9 0 7 2 5 3 2 7 1 7 5 7 7 2 1 7 5 1 1 7 9 0 3 1 1 9 1 2 8 3 9 6 5 1 6 7 5 3 8 1 4 1 5 4 3 2 1 6 0 3 6 9 5 9 1 8 9 3 6 8 4 5 6 8 6 1 8 8 0 7 8 2 6 2 1 4 4 8 9 3 3 4 4 8 8 4 2 5 7 3 5 7 2 7 3 0 3 1 8 4 8 1 2 2 9 2 7 4 1 9 2 6 9 3 3 0 4 1 8 3 2 4 9 8 1 3 8 7 5 9 5 3 8 9 6 9 2 5 1 9 2 2 0 1 9 8 7 4 7 3 4 1 6 7 1 6 2 7 9 2 3 6 0 6 5 6 7 9 4 6 3 3 2 5 7 3 1 3 3 8 1 9 1 2 4 8 2 8 7 0 7 7 4 6 9 2 7 3 2 2 9 5 1 1 9 2 9 6 9 0 9 3 4 7 6 8 9 8 6 1 6

486

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

4 5 7 3 6 8 6 2 8 1 5 9 4 9 8 4 7 3 3 1 4 5 5 7 5 9 9 6 5 1 2 8 1 5 9 1 7 5 3 6 6 4 9 2 9 7 2 9 7 9 9 4 5 3 4 6 6 7 2 2 4 5 5 8 6 5 7 9 6 6 1 5 8 9 5 6 9 4 9 8 9 5 1 3 8 1 5 7 6 5 8 8 4 9 9 1 7 4 6 0 3 7 1 1 4 5 7 2 8 0 8 6 9 3 2 9 5 5 3 0 7 7 8 1 9 8 5 5 3 0 2 3 3 3 1 2 3 2 5 0 2 8 7 2 4 2 4 9 3 0 2 7 9 6 3 2 4 5 8 0 3 7 2 7 5 7 9 7 1 0 4 9 2 9 4 1 1 2 6 0

Tabla84.EjemplodeejemplardelgrupoSDST10paraTaillard003,generadapor(Vallada,E.etal.2003).

Igual que ocurre con el banco de pruebas de Taillard para la propuesta de Vallada y otros existen resultados publicados. En el anexo II, la tabla II.2, muestra los mejores resultados obtenidosparaelproblemademinimizacindelmakespanenunTallerdeFlujoconTiempos de Cambio de Partida Dependientes de la Secuencia utilizando el banco de datos proporcionadopor(Vallada,E.etal.2003). Finalmente, para el caso del Taller de Flujo Hbrido con Tiempos de Cambio de Partida Dependientes de la Secuencia (Vallada, E. et al. 2003) proponen doce conjuntos de 110 problemas cada uno de ellos que son accesibles desde http://soa.iti.es/instanciasde problemas.Losproblemaspropuestossebasanasuvezenelmtododegeneracinyelbanco de datos empleado en el caso del Taller de Flujo con Tiempos de Cambio de Partida Dependientes de la Secuencia. En este caso los autores proporcionan en cada etapa tantos tiempos de proceso como recursos (mquinas) existen, pero a su vez, deben decidir cuantas mquinas no relacionadas existen por etapa. El mtodo utilizado por los autores fue el de establecer tres grandes grupos. En el primer grupo se utiliza una distribucin aleatoria uniforme entre uno y tres, U [1..3], para decidir el nmero de mquinas por etapa, en el segundogrupoelnmerodemquinasporetapafuesiempre3,yeneltercer,yltimogrupo, fueentodosloscasosde3mquinasporetapa.Dentrodecadagrangruposeubicancuatro subgrupos que se corresponden con las variaciones de tiempo de cambio de partida propuestas para el problema anterior es decir, SDST10, SDST50, SDST100 y SDST125. Esto conforma los doce grupos de problemas. Cada grupo est identificado por un nombre compuestopordospartculas,unaqueidentificaalsubconjuntodecambiodepartida,yotra al gran grupo para la distribucin del nmero de mquinas por etapa. Un ejemplo es el del grupoSSD10_P13,queidentificaalgrupoformadopor110problemascontiemposdecambio departidageneradosconunarelacindel10%conrespectoaltiempodeprocesoyconuna distribucinentreunaytresmquinasporetapa. Uniendolosdocegruposdeproblemastenemosuntotalde1.320problemasdiferentes,cuya estructurasepuedeconsultarenTabla85.Losautoresresaltanqueelnmerodeetapasyel nmero de trabajos dentro de cada uno de los doce grupos es idntico a los problemas de
487

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Taillard,esdecir,hayoncetipos de problemasde entreveinte trabajosycincoetapashasta doscientos trabajos y veinte etapas. En este banco de datos los autores han eliminado los problemasdequinientostrabajosyveinteetapasporserproblemasdeuntamaodemasiado grande. Ejemplares Entre1..3Mquinaspor Etapa. P13 SSD10_P13 SSD50_P13 SSD100_P13 SSD125_P13 2Mquinaspor Etapa P2 SSD10_P2 SSD50_P2 SSD100_P2 SSD125_P2 3Mquinaspor Etapa P3 SSD10_P3 SSD50_P3 SSD100_P3 SSD125_P3

Tiemposcambio10% Tiemposcambio50% Tiemposcambio100% Tiemposcambio125%

Tabla85.Resumendelaestructuradeejemplaresde(Vallada,E.etal.2003).

El formato de los ficheros de entrada cambia ligeramente, con respecto a los anteriores. En (Ruiz, R. 2003) se emplea una estructura en la cual, para poder considerar todas las restricciones,enlaprimeralneaaparecentresnmeros,elprimerorepresentaelnmerode trabajos(n),elsegundoelnmerodemquinastotales(m)yelterceroelnmerodeetapas (e).Enlasegundalnea,losautoreshandispuesto,untotaldee datos,querepresentanel nmerodemquinasnorelacionadasqueexistenporetapa.Trasestasdoslneasapareceuna matriz con los tiempos de proceso que tiene tamao nxm, es decir, se especifican todos los tiemposdeprocesoparatodaslasmquinas,noporetapas.Alterminarestamatrizaparecen m matrices de tamao nxn, que son las matrices de los tiempos de cambio de partida para cadaunadelasm mquinas.Unejemplopuedeserelproblemata009_SSD10_P13,deveinte trabajosycincoetapas,quesemuestraenlaTabla86. 20 8 5 22112 0 74 1 74 0 32 1 22 0 67 1 30 0 73 1 89 0 7 1 61 0 78 1 39 0 64 1 15 0 98 1 69 0 60 1 57 0 89 1 9 0 49 1 13 0 2 1 71 0 79 1 2
488

2 34 2 84 2 3 2 60 2 34 2 70 2 57 2 8 2 74 2 13 2 37 2 87 2 71

3 83 3 26 3 65 3 47 3 94 3 75 3 30 3 1 3 71 3 46 3 87 3 78 3 76

4 79 4 54 4 78 4 29 4 8 4 38 4 97 4 61 4 10 4 37 4 16 4 78 4 96

5 10 5 44 5 24 5 85 5 75 5 66 5 49 5 95 5 61 5 19 5 47 5 84 5 13

6 73 6 19 6 69 6 12 6 73 6 85 6 23 6 53 6 16 6 88 6 8 6 26 6 42

7 76 7 85 7 61 7 32 7 90 7 61 7 87 7 51 7 25 7 73 7 93 7 28 7 90

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

0 79 1 34 2 89 3 75 0 53 1 49 2 57 3 55 0 59 1 65 2 70 3 94 0 16 1 94 2 3 3 98 0 90 1 96 2 43 3 63 0 3 1 47 2 14 3 83 0 76 1 35 2 26 3 19 SSD M0 0 4 4 1 1 6 7 3 7 5 0 6 2 9 1 7 7 2 4 5 0 6 9 9 5 4 4 7 9 6 0 7 1 4 2 3 8 7 7 5 0 9 9 6 8 2 8 9 1 9 0 5 5 8 2 5 8 2 1 2 0 9 1 2 8 1 3 4 6 6 0 1 5 3 7 9 3 9 9 6 0 1 6 9 5 7 6 9 1 2 9 7 1 4 4 3 9 4 3 4 5 7 9 4 8 5 6 1 9 1 1 5 1 7 2 3 4 3 4 9 5 3 2 6 7 5 4 4 6 5 6 6 6 1 1 4 7 7 2 8 7 4 2 4 9 2 9 4 7 4 8 5 4 3 8 1 6 5 8 5 1 5 6 1 9 1 4 6 3 9 8 3 8 4 9 8 9 3 1 8 M1 0 4 6 3 3 3 1 7 3 1 0 8 8 4 4 8 7 3 8 3 0 5 1 9 7 9 5 9 5 5 0 1 1 1 5 7 8 8 3 7 0 5 7 3 6 7 3 3 5 9 0 8 3 9 5 6 7 4 6 1 0 3 9 8 3 2 8 2 4 6 0 8 2 8 8 4 4 9 1 9 0 5 4 6 4 5 3 3 7 5 3 3 3 2 2 3 4 8 6 4 6 5 9 4 1 8 5 2 4 3 7 2 9 9 6 8 6 6 8 7 7 7 2 1 1 9 3 7 2 2 2 6 1 6 7 9 2 7 5 1 8 6 9 6 1 4 4 6 2 3 7 4 9 8 6 4 1 6 1 5 4 3 1 6 1 2 6 4 9 8 6 1 7 7 5 3 4 1 1 1
489

4 9 4 91 4 46 4 52 4 79 4 45 4 97

5 11 5 19 5 98 5 2 5 85 5 44 5 7

6 58 6 63 6 7 6 2 6 44 6 38 6 24

7 94 7 59 7 64 7 2 7 16 7 35 7 53

7 3 8 8 2 5 8 1 6 0 8 6 1 5 2 9 7 4 9 6 2 2 1 6 9 9 7 3 2 0 1 4 1 6 7 9 1 4 7 2

1 9 1 3 8 9 4 4 1 1 0 4 8 5 6 7 9 9 7 4 9 9 4 8 5 6 9 6 9 9 0 3 6 2 6 6 7 4 5 7

8 6 6 6 5 1 1 4 2 9 1 0 7 2 4 3 9 4 7 4 3 8 8 2 1 5 2 1 6 2 4 0 6 9 8 1 3 9 9 6

6 4 4 5 8 4 7 3 4 4 1 5 0 2 5 8 1 8 4 7 1 6 6 8 4 1 4 2 5 6 8 2 0 6 9 2 2 1 4 3

9 2 7 9 3 3 2 7 5 5 6 8 7 0 5 9 9 3 4 9 9 7 6 6 7 4 4 5 3 8 6 7 4 0 7 6 6 9 5 7

6 7 6 7 1 8 7 8 4 6 8 8 3 6 0 3 4 6 4 6 1 1 1 2 2 4 6 1 4 9 1 2 1 8 0 5 3 5 2 4

9 6 1 3 4 7 2 6 8 7 3 1 8 9 8 0 7 8 4 1 6 3 9 3 1 5 6 8 3 9 1 8 2 3 1 0 6 7 7 9

5 1 7 1 9 6 7 3 3 2 7 3 3 1 3 4 0 3 7 4 9 7 1 9 9 9 2 2 3 5 9 4 2 4 2 1 0 8 3 8

1 2 2 7 6 5 8 9 8 6 6 4 9 1 1 2 7 0 6 5 4 1 3 3 9 3 1 4 5 8 6 7 6 5 7 7 8 0 4 2

8 7 4 5 1 9 3 6 1 7 6 3 7 3 2 4 9 4 0 1 6 7 9 9 4 4 4 6 7 1 8 2 7 7 2 7 5 7 0 3

8 1 8 8 4 6 5 8 1 6 6 3 1 6 7 5 4 1 7 0 2 7 5 5 7 8 9 3 3 9 1 8 5 3 3 2 7 6 1 0

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica M2 0 1 5 0 7 1 3 4 1 3 3 6 8 3 5 6 6 2 7 3 7 2 8 2 8 4 9 3 8 8 2 2 2 6 9 1 5 6 3 9 M3 0 3 9 0 2 6 7 9 1 3 2 4 2 2 3 5 7 3 5 1 9 2 2 6 9 2 8 3 4 7 6 1 4 5 4 8 7 6 1 2 M4 0 4 2 0 6 2 8 2 9 6 9 9 1 4

490

3 3 0 8 2 2 9 9 2 4 1 1 6 3 1 1 4 3 5 8 1 4 0 2 2 4 2 3 9 8 8 2 1 8 7 4 3 6 6 4 5 3 0 6 1 8 5

4 1 9 0 9 7 5 6 8 9 4 1 8 5 2 2 1 5 8 8 3 9 4 0 9 3 6 7 4 7 5 6 1 9 2 4 6 5 6 8 7 2 4 0 1 1 7

2 5 3 7 0 1 1 4 4 5 5 5 8 9 7 3 8 5 7 1 8 1 6 7 0 7 9 8 7 8 3 9 9 8 2 1 7 4 3 7 5 6 8 5 0 5 3

4 8 1 3 8 0 2 6 2 8 8 9 8 5 5 1 8 5 9 8 5 6 3 5 4 0 9 5 6 4 1 5 1 8 9 3 4 6 8 6 4 2 9 4 5 0 5

9 6 5 2 3 3 0 8 4 3 5 9 7 4 2 1 9 3 4 8 5 7 8 1 4 3 0 7 6 5 8 9 3 1 2 1 2 3 9 7 4 9 3 7 1 7 0

3 6 3 1 7 8 1 0 5 8 6 1 3 6 1 3 2 6 6 2 6 3 6 4 1 5 4 0 3 1 1 3 2 6 3 9 6 8 4 6 9 2 4 9 7 9 7

7 7 2 2 2 5 6 5 0 4 3 2 4 8 4 7 7 3 6 3 8 3 1 9 2 5 3 7 0 5 8 2 3 5 3 5 7 6 5 1 1 6 9 3 2 5 5

6 3 3 2 2 3 3 7 3 0 1 3 4 5 8 1 2 1 8 5 5 7 5 7 1 4 2 2 4 0 4 6 7 6 3 8 6 1 8 2 1 4 4 5 5 7 1

2 8 5 6 5 8 5 5 7 9 0 7 4 8 7 7 2 2 8 7 7 8 8 9 1 4 7 5 6 8 0 7 4 8 3 8 4 2 2 2 6 7 8 7 5 7 8

9 8 9 1 7 9 4 6 4 3 1 0 4 8 8 2 8 5 2 5 2 5 9 7 1 3 6 8 8 3 4 0 3 4 5 8 5 5 3 9 8 4 8 9 4 7 2

3 8 4 9 4 6 3 1 5 9 7 9 0 5 9 6 1 3 9 9 6 8 6 8 7 8 8 3 8 1 1 3 0 3 2 5 1 1 5 9 2 3 4 2 6 6 6

7 4 5 9 5 9 8 7 4 7 3 2 1 0 5 8 8 3 6 2 7 4 9 5 3 6 1 8 2 7 2 1 1 0 9 1 7 1 5 5 9 2 5 2 7 3 1

4 2 5 6 6 7 4 5 3 1 7 7 6 7 0 9 9 1 2 1 7 3 3 2 1 6 2 7 2 3 2 3 5 3 0 1 2 2 1 4 7 3 7 8 3 3 4

2 4 1 3 3 7 8 7 6 1 7 6 6 2 1 0 5 9 1 8 3 6 7 2 5 6 6 9 6 5 5 9 6 1 2 0 7 6 6 9 5 3 5 6 8 9 6

7 7 3 1 6 6 4 2 6 8 1 9 6 8 5 6 0 9 7 2 6 7 8 2 4 2 1 6 9 5 4 1 8 2 8 9 0 3 8 8 2 3 7 7 5 8 7

9 6 3 9 6 5 1 7 8 4 1 8 7 2 1 9 6 0 8 6 6 1 2 2 9 3 2 6 8 3 1 6 2 1 6 1 5 0 6 3 9 8 1 4 1 5 3

1 6 2 1 5 2 3 9 2 2 5 6 6 6 3 5 8 2 0 6 7 2 6 9 5 5 9 6 6 5 6 6 4 1 7 2 5 9 0 6 5 5 4 3 2 5 6

1 1 7 9 8 5 3 6 2 3 6 4 2 1 2 7 9 3 6 0 9 3 6 2 8 5 7 5 1 5 4 3 5 5 3 6 5 8 8 0 9 3 8 6 1 5 4

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

5 3 1 8 3 6 2 8 7 2 5 2 3 6 8 9 3 4 9 6 5 2 3 1 1 7 M5 0 6 1 0 9 9 6 8 2 3 2 3 9 2 6 6 6 3 4 8 4 4 9 4 2 1 1 3 4 1 3 4 4 8 9 6 6 8 4 7 M6 0 1 9 0 7 5 6 9 6 9 5 5 8 1 5 5 9 2 9 3 4 8 8 7 6 4 3 1 2 8
491

2 6 8 2 7 2 1 9 6 7 8 6 8 9 5 0 1 3 6 5 5 9 6 5 9 4 6 2 4 6 4 1 1 2 5 0 7 3 6 4 9 7 4 4 3 1 1 6

2 2 8 1 5 6 5 6 8 2 3 5 4 2 1 3 0 2 9 1 3 9 4 6 9 3 5 5 7 6 9 8 9 4 6 1 0 8 5 2 1 7 2 8 4 1 3 7

1 9 9 5 2 4 6 6 9 4 6 9 4 1 4 9 8 0 9 2 4 1 2 5 6 1 2 6 3 3 7 6 7 5 4 9 3 0 6 2 8 5 4 1 9 4 2 5

9 2 3 7 8 1 9 4 3 9 8 5 2 2 2 5 3 1 0 7 2 9 5 3 4 4 2 5 4 5 7 5 5 2 8 1 6 3 0 6 1 7 8 6 9 9 8 1

1 3 3 8 1 5 9 4 3 6 8 5 6 2 2 5 8 1 9 0 2 4 4 4 4 7 8 2 6 5 4 2 6 5 6 1 6 7 3 0 4 1 5 4 1 6 1 5

0 5 1 2 9 6 5 3 1 1 8 8 9 5 8 3 2 6 4 7 0 8 8 8 4 4 4 8 1 8 2 2 9 3 6 6 9 7 3 7 0 3 5 9 6 1 6 1

9 0 4 8 6 9 2 9 4 1 1 2 6 1 8 6 8 6 1 4 7 0 9 7 3 1 3 7 1 7 1 3 2 6 2 7 6 6 1 7 5 0 9 7 6 4 1 4

8 3 0 8 5 1 9 4 9 7 4 1 1 5 3 3 2 9 8 4 6 3 0 3 3 2 7 2 3 3 6 2 6 3 6 8 9 2 2 7 7 8 0 9 3 5 8 3

4 9 7 0 1 4 6 1 5 3 4 4 6 8 8 1 5 6 9 6 2 9 8 0 1 1 1 9 8 3 9 9 2 8 4 2 2 7 1 1 7 3 8 0 4 4 8 6

6 5 2 6 0 9 3 8 7 3 8 3 2 9 1 3 3 9 3 3 7 1 5 5 0 3 9 4 5 3 5 5 9 3 6 2 5 4 4 8 9 1 9 5 0 2 8 9

2 2 5 6 9 0 6 8 8 6 5 8 2 3 5 3 8 6 9 8 6 4 5 7 8 0 8 6 1 9 4 4 3 3 2 7 4 6 6 8 4 3 2 5 2 0 3 9

7 2 1 1 8 5 0 3 6 6 3 8 3 2 2 4 8 4 5 9 7 1 3 6 5 5 0 3 1 6 6 6 4 1 2 8 3 8 5 4 8 8 3 6 7 7 0 6

1 4 4 6 3 4 8 0 9 4 4 5 2 4 1 8 4 4 1 8 2 4 3 2 4 8 6 0 7 6 1 1 1 9 4 1 6 4 1 3 8 1 9 1 1 6 3 0

2 2 6 3 3 1 6 3 0 8 6 6 1 5 7 5 9 3 3 4 6 6 8 7 8 4 2 6 0 2 9 2 5 1 8 1 2 7 1 1 9 4 8 6 9 1 4 9

5 3 6 6 6 9 9 7 2 0 4 9 5 1 3 2 4 2 7 4 5 9 3 2 8 6 5 2 7 0 1 7 3 5 1 3 8 6 5 6 4 8 9 9 7 3 4 6

8 8 3 8 4 7 4 5 3 9 0 3 8 2 2 4 2 9 9 4 7 1 7 3 7 2 5 2 9 4 0 2 5 4 5 8 9 6 3 7 7 5 1 9 5 2 4 5

2 3 5 5 8 3 6 3 4 4 3 0 7 4 7 2 6 1 2 6 1 2 5 1 2 7 7 6 6 7 3 0 1 8 6 9 7 2 6 9 4 4 2 6 4 6 1 4

6 4 7 8 5 6 4 3 3 9 7 5 0 6 2 1 2 8 7 6 9 1 3 8 7 7 2 7 2 6 1 1 0 7 6 4 1 9 7 5 4 3 7 4 2 3 8 7

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 2 3 5 4 8 4 5 6 9 1 M7 0 7 7 0 2 6 8 2 9 3 2 8 8 5 2 9 3 5 6 2 3 9 4 6 2 5 3 4 6 9 9 2 7 6 7 7 8 7 3 4 8 7 8 3 5 9 2 0 4 1 4 3 1 6 6 6 2 2 3 6 4 3 6 5 1 4 2 6 7 9 4 7 6 0 6 7 4 2 1 3 3 5 5 4 1 3 4 7 1 1 6 4 5 8 5 2 2 9 4 0 2 5 9 9 1 7 2 7 8 7 5 1 8 3 8 9 4 3 7 7 8 8 2 6 1 0 8 2 8 4 4 8 4 9 1 8 3 9 1 3 6 6 7 7 3 9 6 2 6 2 9 0 5 4 1 1 4 7 4 7 9 8 9 1 8 6 5 3 2 8 1 1 6 8 4 9 1 0 3 6 7 9 4 5 5 4 5 1 9 6 3 9 2 1 2 4 4 8 8 5 5 3 9 0 2 6 5 7 4 6 2 8 5 4 9 2 8 7 9 6 8 3 6 6 5 2 5 7 5 0 4 6 9 9 9 2 5 8 8 6 4 2 4 5 1 4 4 1 2 1 6 3 8 7 5 0 3 1 7 8 6 2 7 7 3 8 3 9 8 4 6 4 8 6 2 7 3 9 6 2 1 0 3 5 3 3 6 7 3 2 6 6 9 3 8 3 8 2 6 2 1 6 8 3 4 5 8 0 6 7 1 4 4 9 3 9 9 2 2 5 2 3 5 6 3 4 8 1 3 6 2 1 7 0 5 1 1 3 3 3 4 1 8 8 6 8 3 1 3 6 6 7 2 9 4 9 7 5 7 0 7 9 4 5 7 0 8 2 7 2 1 5 7 4 5 6 3 2 5 4 4 6 5 5 8 0 2 6 2 7 4 0 6 2 1 4 3 4 2 7 6 6 2 9 8 2 9 4 7 5 9 0 6 4 3 1 7 0 1 9 2 6 8 1 1 3 7 4 5 7 1 2 5 9 9 7 1 0 2 2 6 8 4 0 2 8 5 3 3 4 7 9 8 3 5 1 7 8 7 5 9 8 9 0 1 1 7 1 2 0 7 2 7 5 3 7 3 5 6 4 1 1 7 3 6 9 2 3 4 0

Tabla86.EjemplodeejemplardelgrupoSSD10_P13paraTaillard009,generadapor(Vallada,E.etal.2003).

Igualqueocurreconeljuegodedatosanteriorexistenunosresultadospublicados.Enelanexo II,lastablaII.3atablaII.14,muestranlosmejoresresultadosobtenidosparaelproblemade minimizacin del Cmax en un Taller de Flujo Hbrido con Tiempos de Cambio de Partida DependientesdelaSecuenciautilizandoelbancodedatosproporcionadopor(Vallada,E.etal. 2003). Se ha considerado que si bien, el juego de datos propuesto por (Vallada, E. et al. 2003) es vlido en su composicin, ya que permite analizar un amplio conjunto de escenarios, posiblementelautilizacincompletadelmismopuedaobligaraemplearuntiempoexcesivo para la ejecucin de los experimentos. Como se comentar posteriormente, la ejecucin de algoritmosqueincluyentecnologabasadaenAgentes,puedesuponerunincrementoenlos tiemposdeejecucindelosmismosrespectoalatecnologatradicional.Porestemotivo,slo sehanempleadoparaelprocesoexperimentallosdatoscorrespondientesalacolumnaunoy tres de la Tabla 85 (marcadas en gris), que se consideran suficientemente representativas paraelobjetivodelestudio.Setratadelconjuntodeejemplarescorrespondientesaloscasos relacionadosconentre1y3mquinasporetapa,ylosquepresentan3mquinasporetapa.
492

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Cada uno de ellos con los 4 juegos de datos de los distintos tiempos de cambio de partida dependientesdelasecuencia(SSD10,SSD50,SSD100ySSD125).Quedafuerandelanlisislos ejemplarescon2mquinasporetapa. Dado que el objetivo del diseo experimental es establecer el conjunto de parmetros del algoritmoSMAGAmsadecuadoparadiversasconfiguraciones,esimportantedividireljuego dedatosenbloquesdeconfiguracionesrepresentativas.Enestesentidohayquerecordarque esnecesarioquelaparametrizacincubra,almenos,aquellosproblemasquesepuedandar enelcasoIndustrialCermico,ysiesposible,algncasoadicionalquepermitaunanlisisms general sin comprometer el proceso de anlisis. Por este motivo se ha dividido el juego de datos en bloques que permitan, no slo discernir entre diversas situaciones en relacin al tiempo de cambio de partida y mquinas asignadas por etapa, sino tambin en cuanto al nmerodetrabajosquesedeseaprogramar.ConesteobjetivoseestablecidolaTabla87que constade16entradas,cadaunadeloscualesserreferidacomoConjuntoExperimental. Elajustedeparmetrosserealizardeformaindividualizadaparacadaunodelosconjuntos experimentalesindicadosenlaTabla87. Ejemplares Entre1..3 Mquinaspor Etapa y20Trabajos. P13_20 SSD10_P13_20 SSD50_P13_20 SSD100_P13_20 SSD125_P13_20 Entre1..3 Mquinaspor Etapa y50Trabajos. P13_50 SSD10_P13_50 SSD50_P13_50 SSD100_P13_50 SSD125_P13_50 3Mquinaspor Etapa y20Trabajos. P3_20 SSD10_P3_20 SSD50_P3_20 SSD100_P3_20 SSD125_P3_20 3Mquinaspor Etapa y20Trabajos. P3_50 SSD10_P13_50 SSD50_P13_50 SSD100_P13_50 SSD125_P13_50

Tiempos cambio10% Tiempos cambio50% Tiempos cambio100% Tiempos cambio125%

Tabla87.Resumendelosconjuntoexperimentalesempleadaseneldiseoexperimental(elaboracinpropia).

Con el objeto de realiza un mejor ajuste de los parmetros cada tipo de configuracin relacionada con las mquinas disponibles en cada etapa (P13 y P3) se ha desdoblado con el objetodediferenciarloscasosenlosqueseconsideranveintetrabajos,yloscasosenlosque se consideran cincuenta trabajos. De esta manera las filas de la tabla marcan las diferentes opcionesencuantoatiemposdecambiodepartida(SSD10,SSD50,SSD100ySSD125),ycada columna diferencia entre diversas configuraciones de taller y nmero de trabajos (P13_20, P13_50,P3_20yP3_50).
493

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Pararefinarelanlisisypoderconsiderarcualeselcomportamientodelalgoritmoenfuncin del nmero de etapas del taller se han seleccionado y agrupado los ejemplares de cada conjunto experimental. Cada conjunto experimental dispone de hasta 110 ejemplares, como seindicaenlaTabla82(exceptuandolaentrada500x20quenoseincluyeenestecaso),pero estsslosonlassesentaprimeraslasqueconsideranloscasosdeveinteycincuentatrabajos. Entre stas se ha decidido utilizar slo los treinta primeros ejemplares pares (ejemplares ta002,ta004..ta060),pararealizarelexperimentomsgilmentesinperderrepresentatividad. Estosuponedisponerdequinceejemplaresparaunaconfiguracinde20trabajos,distribuidos ungrupodecincoejemplaresparauntallerconcincoetapasdenominadoG20_5,ungrupode cinco ejemplares para un taller con diez etapas denominado G20_10, y otro grupo de cinco ejemplares para un taller con 20 etapas denominado G20_20, y de otros quince ejemplares para una configuracin de 50 trabajos con la misma distribucin que en el caso anterior, es decircompuestaporlosgruposG50_5,G50_10,yG50_20.EnlaTabla88semuestra,como ejemplo, una distribucin por grupos para los conjuntos experimental SSD10_P13_20 y SSD10_P13_50. Dado que cada conjunto experimental est compuesto por 3 grupos y cada grupopor5ejemplaresseemplearnuntotalde240ejemplaresencadatratamiento.

SSD10_P13_20 G20_5 G20_10 G20_20

SSD10_P13_50 G50_5 G50_10 G50_20

ta_002 ta_004 ta_006 ta_008 ta_010

ta_012 ta_014 ta_016 ta_018 ta_020

ta_022 ta_024 ta_026 ta_028 ta_030

ta_032 ta_034 ta_036 ta_038 ta_040

ta_042 ta_044 ta_046 ta_048 ta_050

ta_052 ta_054 ta_056 ta_058 ta_060

Tabla88.DistribucindeEjemplaresengruposparadosconjuntosexperimentales(elaboracinpropia).

ElobjetivoesencontrarlosparmetrosmsadecuadosdelalgoritmoSMAGAparacadauno de los 16 conjuntos experimentales. Y posteriormente emplear los resultados obtenidos con los parmetros elegidos para ser comparados, por grupos, con otras propuestas sobre los mismos ejemplares para determinar la eficiencia del algoritmo SMAGA. Se ha tenido en cuenta,yassereflejaenlastablascorrespondientesdelanexoII,quelosresultadosobtenidos sobredichojuegodedatossehaidomejorandoprogresivamentedesdealao2003.

8.2.3.2 LaMedidaparalaEvaluacindelosAlgoritmos Entodoprocesodeconfiguracinyanlisisdeunalgoritmoesnecesarioestableceralmenos una variable que permita su evaluacin. En este apartado dicha variable, que en la terminologaexperimentalsedenominavariableexplicadaoendgenadelmodelo,podraser elmakespandecadaProgramaProductivoobtenidoconelalgoritmoSMAGA.Sinembargoen
494

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

estatesisseutilizarcomomedidacomparativaelIncrementoPorcentualSobreelptimo,o lacotamnimaconocida,delValorExaminadoPromedio(IPSOVEP)deunproblemaoejemplar dado.Estamedidasepuedeexpresarcomo: La variable Actual_sol representa al valor del makespan obtenido con el algoritmo que se desea evaluar con un ejemplar determinado. La variable Mejor_sol representa al valor del mejormakespanconocidoparadichoejemplar.Asporejemplo,paraelejemplarta002del conjuntodeproblemasSDST10_20_P13empleadoenelTallerdeFlujoHbridoconTiemposde CambiodePartidaDependientesdelaSecuenciaelmejorresultadoconocidoes1.029,yporlo tantounejecucinqueobtuviera1.050alcanzaraunIPSOVEPde2,04,esdeciresun2,04% peorquelamejorsolucinconocida.ValorespositivosdeIPSOVEPimplicanqueelalgoritmo valorado presenta un makespan peor que la referencia utilizada, y valores de IPSOVEP negativosimplicanquesehamejoradolareferencia. Atendiendo a una subdivisin realiza en grupos de ejemplares y conjunto experimentales se han introducido otras dos variables. La variable IPSOVEPG tendrn en cuenta el IPSOVEP promedioparauntodoslosejemplaresdeungrupo,ylavariableIPSOVEPTtendrencuenta elIPSOVEPpromedioparaunconjuntoexperimentalcompleto. ElobjetivoquesepersiguealestablecerIPSOVEPcomoreferenciaenlacomparacinesdoble: Porunlado,seconsideraqueestaformadeexpresarelresultadofacilitamuchola compresindelhechofundamentalquesepersigue,queessabercomodebuenoo maloeselresultadoalcanzado. Por otro lado, se dispone de un amplio y pormenorizado anlisis presentado por (Ruiz, R. 2003) en el cual se aportan los resultados obtenidos con varios de los mtodosmsrelevantesempleadosenelclculodeProgramasPredictivosparael tipodetallerquesevananalizaryconelmismojuegodedatos.Estosresultadosse han publicado empleando una variable denominada IPSO que es equivalente a la queseproponeenestatesis,IPSOVEP.

IPSOVEP =

Actual _ sol Mejor _ sol *100 Mejor _ sol

En el proceso de Parametrizacin se trabajar con la variable IPSOVEPT, mientras que el anlisiscomparativosetrabajaconlavariableIPSOVEPTGqueproporcionamayordetalle.

495

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

8.3

Diseo de un Nuevo Algoritmo Gentico basado en Sistemas Multiagente Aplicado al Taller de Flujo Hbrido con Tiempos de CambiodePartidaDependientesdelaSecuencia.

Caberecordarqueenestecaptulosedeseaabordarsolamenteelproblemadeobtencino clculode unProgramaPredictivoapartirdeuna condicionesdefinidasyconocidasdeante mano. Y como se ha desarrollado en los captulos dedicados al estado del arte existen un conjuntodetcnicasquehansidoempleadasenrepetidasocasionesparalaProgramacinde laproduccindeTalleresdeFlujoensusdiversasconfiguraciones,yquehandemostradoser muyeficaces.EntredichassolucionesseencuentranlosAlgoritmosGenticos(AG). A continuacin se comentar en primer lugar cual es la estructura y funcionamiento de un Algoritmo Gentico general, para posteriormente introducir un nuevo Algoritmo Gentico basado en Sistemas Multiagente. El algoritmo propuesto se denomina SMAGA (Scheduling MultiAgent Genetic Algorithm). El algoritmo se desarrolla en base al concepto de Sistemas Multiagenteconlaintencindeproporcionarunvaloraadido.

8.3.1 EstructuraTradicionaldelAlgoritmoGentico
Un Algoritmo Gentico es un procedimiento basado en la analoga con la evolucin de los seres vivos. La premisa que subyace en este tipo de enfoques es, que se puede encontrar soluciones aproximadas a problemas de gran complejidad computacional mediante un procedimiento de evolucin simulada matemticamente en un ordenador (Holland, J. H. 1975),(Goldberg,D.E.1989). Un Algoritmo Gentico bsico consta de cuatro fases bien definidas: Generacin de la Poblacin, Seleccin, Operacin Gentica, y Actualizacin de la Poblacin. Se puede ver un esquemafuncionaldelmismoenlaFigura82.

496

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Generacin de la Poblacin Inicial

Seleccin de progenitores Aplicacin de los operadores genticos Actualizar la poblacin

No Se cumple la condicin de parada? Si Mostrar la mejor solucin de la poblacin final. Fin

Figura82.EsquemadeunaAlgoritmoGentico(elaboracinpropia).

En primer lugar se genera una poblacin de individuos formada por un conjunto de soluciones al problema que pueden ser creadas de manera aleatoria o mediante alguna heurstica conocida. Aunque en general, existen tantos procedimientos para generar solucionesinicialescomoprocedimientosexistenparatratarunproblema,sesueledescartar todos aquellos que impliquen un elevado coste computacional. La informacin relevante de cadaindividuoesalmacenada. A continuacin se realiza un proceso de seleccin de individuos padres donde una o ms solucionessonescogidasmediantealgnprocedimientobasadoenmayoromenormedidaen elazar,peroteniendoencuentaelvalordelafuncindebondad(fitness),quemideelgrado de adaptacin del individuo a su entorno y que usualmente depende de la funcin objetivo. Esto significa que, en la mayora de las propuestas, antes de la seleccin se realiza una evaluacindelosindividuos,ytambinqueelprocesodeseleccinutilizaelvalordebondad para favorecer la probabilidad de elegir individuos buenos en trminos de la funcin objetivo. Despusseaplicaalosindividuoselegidosalgnoperadorgentico.Losoperadoresgenticos por excelencia son el Cruce y la Mutacin. Ambos operadores se aplican con un cierto gradodealeatoriedad.
497

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica El operador de cruce tiene como objetivo explorar en el espacio de soluciones mediante la generacin de nuevos individuos mediante combinacin de individuos ya existentes en la poblacin. Existen mltiples operadores de cruce desarrollados, aunque para el tipo de representacinqueserealizarenesteproblemalosmejorescandidatossonaquellosquese basanenelintercambiodeposicionesenunasecuenciadegenesdada.Entreestospodemos encontrar desde los ms simples como el Order Crossover (OX) de (Davis, L. 1985), o el Partially Matched Crossover (PMX) de (Goldberg, D. E. & Lingle, Jr. R. 1985), y algunas propuestas ms elaboradas y recientes como los operadores Similar Job Order Crossover (SJOX), Similar Block Order Crossover (SBOX), Similar Job 2point Order Crossover (SJ2OX) o SimilarBlock2PointOrderCrossover(SB2OX)de(Ruiz,R.2003). Dos operadores ampliamente utilizados en el desarrollo de Algoritmos Genticos son el Uniform Order based Crossover (UOBX) propuesto por (Syswerda, G. 1996) y Generalizated Position Crossover (GPX) propuesto (Mattfeld, D. C. 1996). A continuacin se va a ilustrar el funcionamientodeunoperadordecrucedescribiendoeloperadorGPX. El operador GPX propuesto por (Mattfeld, D. C. 1996) se puede emplear para combinar dos individuoscuyarepresentacingenticaestbasadaenunasecuenciadetrabajos,ygeneraa suvezotrosindividuos.steconstadedospasos:

Punto1
1 2 3 4 5 6 7 8 9 10 11 12

Punto2
13 14 15 16 17 18 19 20

Padre1

12

15 18

16

11 10 14

17 13

19

10

11

12

13

14

15

16

17

18

19

20

Hijo1

15 18

16

11

10

11

12

13

14

15

16

17

18

19

20

Hijo2

8
1 2 3 4 5 6

13 18
7 8

1
9

11
10

9
11

4
12

14
13 14 15 16 17 18 19 20

Padre2

16

15 10

8
Punto1

13 18

11

14 12
Punto2

17

19

Figura83.PrimerpasodeloperadorGPX(elaboracinpropia).

498

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

1. Elprimerpasoconsisteendeterminardospuntosdeformaaleatoria,detalformaque, todos los genes del progenitor o padre 1, situados entre ambos puntos, son transferidosaldescendienteohijo1.Delamismaformaelpadre2transfiereelmismo bloquealhijo2.EstaoperacinsepuedeverenlaFigura83iii. 2. El segundo paso consiste en que el padre 1 transfiere todos los genes no pertenecientes al bloque determinado por los puntos 1 y 2, al hijo 2. De la misma formaactuarelpadre2,enestecasotransfiriendosucargagenticalahijo1.Enla Figura84sepuedeverunailustracindeestepaso.

10

11

12

13

14

15

16

17

18

19

20

Padre1

12

15 18

16

11 10 14

17 13

19

10

11

12

13

14

15

16

17

18

19

20

Hijo2

12

15

13 18

11

14 16

10

17

19

10

11

12

13

14

15

16

17

18

19

20

Hijo1

3
1

10 13
2 3

9
4

4
5

7
6

15 18
7 8

1
9

8
10

16
11

6
12

11 14 12
13 14 15

5
16

0
17

17 19
18 19

2
20

Padre2

16

15 10

13 18

11

14 12

17

19

Figura84.SegundopasodeloperadorGPX(elaboracinpropia).

Existen otras propuestas como el operador Neighborhood Orthogonal Crossover (NOX) de (Zhong,W.C.,Liu,J.,Xue,M.Z.,&Jiao,L.C.2004),queaunquenosepuedenaplicarsobreel tipoderepresentacingenticaescogidaparaesteproblemasugiereunaformadeorientarlos cruceshaciacompeticioneslocalescomoseverposteriormente. Laaplicacindeloperadordemutacinimplicalamodificacinunindividuoyaexistenteenla poblacinmedianteunaoperacinquenormalmentesuelesersencilla,porejemplomodificar el valor de gen. El objetivo que se persigue con la aplicacin de este tipo de operadores es evitarunarpidaconvergenciadelapoblacinprovocandoalteracionesgenticasqueimpidan

iii

Larepresentacindelosindividuossecomentaenelapartado8.3.2.2.1.

499

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica que los individuos se asemejen entre s rpidamente. Igual que ocurre con el operador de cruce,laformadeaplicareloperadordependemuchodeltipoderepresentacingenticaque seemplee.Paraelcasobasadoenunarepresentacin,comoseindicenlasituacinanterior, sepuededecirqueexistendostendenciasclarasencuantoaltipodeoperadordemutacin: las basadas en un intercambio de posiciones (SWAP Mutation) y las basadas en un desplazamientodelasecuencia(SHIFTMutation).EnlaFigura85sepresentaunejemplode mutacin por intercambio de posiciones en la que las posiciones 8 y 14 intercambian sus valores.YenFigura86semuestraunejemplodemutacinmediantedesplazamientoenla quelaposicin14ocupaellugardelaposicin8ydesplazalosvalores18,1,8,9,6y11una posicinaladerecha.

10

11

12

13

14

15

16

17

18

19

20

12 13

16

15 18

11 10 14

17

19

10

11

12

13

14

15

16

17

18

19

20

12 13

16

15 10

11 18 14

17

19

Figura85.EjemplodeSWAPMutation.

10

11

12

13

14

15

16

17

18

19

20

12 13

16

15 18

11 10 14

17

19

10

11

12

13

14

15

16

17

18

19

20

12 13

16

15 10 18

11 14

17

19

Figura86.EjemplodeSHIFMutattion(elaboracinpropia).

El ltimo paso de un Algoritmo Gentico es la evaluacin de la bondad de las nuevas solucionesgeneradas(individuoshijos),ylamodificacindelapoblacinenfuncindealgn criteriopreviamenteestablecido. El procedimiento descrito se repetir en mltiples ocasiones hasta que se alcance una condicindefinalizacin.

500

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

En general los AG tienen como objetivo buscar una solucin para lo cual mantienen un conjunto de soluciones que, como se ha comentado, se van mezclando de manera que se intenta favorecer la generacin de nuevas y mejores soluciones. De esta forma se pretende conseguirunamejoraenlabondaddelosindividuosquecomponenlapoblacinalolargode las generaciones. En el diseo de un buen Algoritmo Gentico hay que tener en cuenta dos cuestionesclave,queson:Ladiversidaddelapoblacinylapresindelprocesoselectivo. La diversidad de la poblacin es una caracterstica que est relacionada con la similitud o diferenciacindelosindividuos.Unapoblacindiversificadaimplicaindividuosquemuestran diferencias significativas, y por el contrario una poblacin poco diversificada presenta individuos muy simulares. La importancia de este concepto estriba en que si se utilizan individuos muy parecidos en el operador de cruce lo normal es que se generen nuevos individuossemejantesasusprogenitores.Siestosucedealolargodemuchasgeneracioneslo queocurreesqueelalgoritmoestaranalizandosolucionesmuyprximasunasaotras,yque probablemente pertenezcan a un ptimo local. La diversidad de la poblacin es importante para evitar caer en ptimos locales. Aunque inicialmente la composicin de la poblacin es independiente del proceso de seleccin, a lo largo de la evolucin del algoritmo sta dependermuchodedichoproceso. La presin del proceso selectivo puede ser entendida como la capacidad, que el proceso de seleccin de individuos que se realiza antes de aplicar los operadores genticos, tiene para favorecerlaeleccindeunosodeotrosindividuos.Normalmente,losAGestnenfocadosa favorecerlaseleccindelosbuenosindividuos.Sinembargo,unafuertepresinimplicara quelaseleccinserealizasesobreunpequeogrupodeindividuos,unaelitedelapoblacin. Unafuertepresinimplicaraunarpidafaltadediversidad,yunaconvergenciaprematuraen unptimolocal.Noobstante,lafaltadepresinesdecir,quelabondaddelosindividuosno sea muy relevante en el proceso de seleccin, impide que se realice un proceso de refinamiento y mejora de algunas de las soluciones ms prometedoras, esta situacin se denominaconvergencialenta. Un Algoritmo Gentico debe mantener el equilibrio de manera que no caiga en una convergenciaprematuranienunaconvergencialenta. ElempleodeAlgoritmosGenticosimplicaelusodeunaseriedetrminosespecficosquees necesariocomentar.Algunosdelosmsrelevantesson: Cromosoma: Representa la solucin a un problema dado. Est compuesto por un conjunto de genes dispuestos en serie. Tambin es conocido por individuo o genotipo.

501

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Gen:Representalaunidaddeinformacinindivisibledeuncromosomaoindividuo. Alelo: Es el nivel de informacin que representa el valor que puede tomar un determinadogen. Poblacin:Escomosedenominaaunconjuntodecromosomasoindividuos. Representacin Gentica: Es la forma de codificar las soluciones, es decir, de representar los cromosomas y elementos dependientes de estos (genes, alelos, etc.). Fenotipo:Esunconceptorelacionadoconelsignificadodelosindividuos.Enelcaso de este trabajo, sera equivalente al valor del makespan que se obtiene con cada solucin. ValordeAdecuacinoFitness:Esunamedidadelobuenoomaloqueresultaun individuoenrelacinconelrestodeindividuos.Elfitnessestmuyrelacionadocon lafuncinobjetivoperonotienequecoincidirnecesariamenteconsta. Generacin: Este trmino se refiere a la composicin de una poblacin en un instantedado.

UnacaractersticaimportantedelosAlgoritmosGenticosesquemientrasquelamayorade las metaheursticas generan una nica solucin en cada iteracin, los AG trabajan sobre un conjunto de soluciones (poblacin), alterando la poblacin en cada iteracin. Por lo general, sonalgoritmosneutralesalcontexto,ynoconsideranniexplotanlainformacindelproblema dentro del proceso de bsqueda. La generacin de nuevas soluciones es aleatoria por naturaleza.LosAGutilizanunaeleccinalazarparaguiarlabsqueda,repitiendoelproceso duranteunnmerorelativamentelargodeiteracionesparadarlugaraunnmeromuygrande desoluciones. Como ya se coment en el captulo 3, este tipo de algoritmo ha sido ampliamente utilizado para resolver problemas de Programacin de la produccin en mltiples tipos de taller y circunstancias.NotodaslastentativassehanbasadoenlaestructuratradicionaldelAlgoritmo Gentico,sinoqueseharealizadodiversaspropuestasinnovadorascomoson: Algoritmomacroevolucionarios(Marin,J.&Sole,R.V.1999). Algoritmos Genticos innumes (Zhang, R. & Wu, C. 2009;Zuo, X. Q., Mo, H. W., & Wu,J.P.2009).

502

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Algoritmos ortogonales Genticos (Naderi, B., Zandieh, M., & Roshanaei, V. 2009;Zhong,W.C.,Liu,J.,&Jiao,L.C.2005). Algoritmosmicrogenticos(Coello,C.A.C.&Pulido,G.T.2005;Zhou,Z.F.&Harris, K.D.M.2008).

Sobreestabaseconceptualsepresentaunanuevapropuestaquetambinrealizaunaseriede modificacionessobrelabasedelAlgoritmoGenticotradicionalquepermitelaincorporacin de los Sistemas Multiagente, y que a su vez, favorece mejoras en las prestaciones del AG aplicado a la Programacin de la Produccin en un Taller de Flujo Hbrido con Tiempo de CambiodePartidaDependientedelaSecuencia.

8.3.2 AlgoritmoSMAGA
La propuesta que a continuacin se presenta tiene como antecedentes los trabajos de los profesoresWeicaiZhongyJingLiudelaUniversidaddeXidian(R.P.China)ysuscolaboradores. Dicho equipo tiene entre sus publicaciones un conjunto de comunicaciones y artculos enfocadosaproblemasdeoptimizacinenlosqueempleantcnicasbasadasenlaevolucin delossistemasnaturales.Algunosejemplosrelevantesson(Liu,J.,Zhong,W.C.,&Hao,L.C. 2007;Liu, J., Zhong, W. C., & Jiao, L. C. 2006;Liu, J., Zhong, W. C., Jiao, L. C., & Liu, F. 2004;Zhong, W. C. et al. 2005;Zhong, W. C. et al. 2004). Entre stos, fue su propuesta para afrontarproblemasgeneralesdeoptimizacinnumrica(Zhong,W.C.etal.2004),enlaque losautorestienencomoobjetivoplantearunmtodoqueposibiliteelestablecimientodelos valores a los parmetros de mltiples funciones matemticas conocidas, no necesariamente lineales,laqueelautordeestetrabajohaconsideradointeresantecomopuntodepartidade unnuevoalgoritmo. En(Zhong,W.C.etal.2004)sepresentaunaarquitecturaenlaquesehibridanlosSistemas Multiagente y los Algoritmos Genticos. En ella se utilizan los Sistemas Multiagente como potenciadores de ciertas caractersticas de los Algoritmos Genticos. Por este motivo el enfoque general, es decir, la estructura del algoritmo, de la propuesta de Zhong, ha sido respetada casi en su totalidad. No obstante, sobre la estructura general de la propuesta de Zhongsehanincorporadounaseriedenovedadesrespectodelalgoritmooriginal.Sedebe remarcarqueeltipodeproblemaqueenestatesissepretendeabordaresmuydiferenteal abordado por Zhong, por lo que los procedimientos particulares que se implementan en (Zhong,W.C.etal.2004)parallevaracabofuncionescomolamutacin,elcruce,etc.hansido sustituidosporotroscompletamentediferentes.

503

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica En los apartados siguientes se realizar, en primer lugar, la identificacin de las ventajas competitivas que los Sistemas Multiagente deben aportar, a continuacin la descripcin del algoritmo SMAGA. Durante la exposicin de la propuesta se remarcarn cuales son los elementos originales, y cuales son las aportaciones realizadas. En apartados posteriores se realizar la parametrizacin de dicho algoritmo, y una vez ajustados los parmetros, se proceder a su comparacin con otros mtodos empleados para la resolucin del mismo problema.

8.3.2.1 PapeldelSistemaMultiagenteenelAlgoritmo En este apartado se pretende identificar el papel que el SMA debe jugar en el algoritmo SMAGA de forma especfica, y relacionar ste con las ventajas de carcter general que se subrayaronenelcaptulo4. Comopuntodepartida,ymanteniendolaideageneraldeaprovecharlascaractersticasdelos Sistemas Multiagente para dotar a los Algoritmos Genticos de mayor proximidad a los sistemasnaturales,seproponequeSMAGApotencie: La generacin de nuevos individuos basndose en una competencia local como ocurre en la naturaleza, y no global como se propone en la mayora de los AlgoritmosGenticos. Elajustedinmicodealgunosparmetrosenbasealacapacidaddeaprendizajede losindividuos. Aplicacindiferenciadadelosoperadoresgenticosmedianteladiferenciacinde losindividuos.

En la naturaleza, la evolucin de los individuos mediante las nuevas generaciones tiene una caracterstica destacable, como es que las nuevas generaciones contienen mltiples individuos, y que estos se obtienen fruto de una competencia directa en el entorno de cada individuo.Estaformadeactuarnosesueleverreflejadaenelprocedimientoseguidoporlos AlgoritmosGenticostradicionalesdondesesuelerealizarunaseleccinglobaldecandidatos a partir de los cuales obtener uno o varios individuos nuevos. Por este motivo se propone disponerdeunsistemaqueobtengaencadageneracinmltiplesindividuos,procedentes dediversosprogenitores,cuyaseleccinserealiceenunmbitoreducido,sumbitolocal. Elalcancedelmaterialgenticoapartirdelcualsecrearnnuevosindividuosserglobal,es decir, toda la poblacin podr disponer de aquella informacin gentica que se considere
504

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

relevante.Ladiferenciafundamentaldelapropuestaqueseplanteadeberesidirenlaforma de hacer llegar dicho material gentico. Para que la informacin gentica de un individuo ubicadoenunentornollegueaotroubicadoenotroentornodiferente,stadebeirpasando pocoapocoentreorigenydestinoatravsdembitoslocalescontiguos.Mientrasqueconun sistema basado en una competencia global podra producirse la transferencia gentica de formamsdirecta.Lapropuestabasadaencompetencialocalpuedeprovocar,asuvez,que se examinen de forma ms exhaustiva soluciones prximas a una dada. Obviamente, como desventajafundamentaldeesteenfoqueseencuentralaposibilidaddequeseproduzcauna homogenizacindelapoblacin,yunaconvergenciarpidaaunptimolocal,paraloquehay queponermediosqueevitendichasituacin. Por lo que se refiere a la posibilidad de ajustar los valores de algunos parmetros, hay que indicar que esta caracterstica se ha vinculado a la capacidad que tienen ciertos sistemas de reconocerquedurantesufuncionamientolascondicionesdetrabajopuedencambiar.Yque en algunos casos, es mejor modificar la configuracin inicial con el objeto de reconducir al sistema,yobtenermejoresresultadosfinales.Enestesentidosehaincorporadounsencillo sistema de observacin que permite aprender sobre los resultados obtenidos en ciertas funciones y modificar los valores de los parmetros que las regulan si es necesario. En concreto, se trata de parmetros que tienen que ver con el tipo de algoritmo aplicado en la generacindeunanuevasolucin,eltipodeoperadordecrucequeseaplica,yelvalordela probabilidad de cruce que se aplica. El conjunto de parmetros ajustable de forma dinmica medianteelaprendizajepodraextenderseaotrasvariablesperosehaconsiderado,mediante experimentosprevios,quelosparmetrosindicadossonlosmsindicados. En lo referente a la gestin diferenciada de los individuos, se pretende que no exista un comportamientonicoparatodoslosindividuosdelsistema.Estoseproducehabitualmente enentornoscuyoselementossondeporsdiferentes.PorejemplodentrodelosAlgoritmos Genticos se puede asumir que no toda la informacin gentica evoluciona con el mismo patrndecomportamiento,comoocurreconlosindividuosreales.Enestecaso,lapropuesta serefierealcomportamiento,esdeciralhechodequematerialesgenticosidnticospueden sertratadosdeformadiferenciadaencircunstanciasigualesodiferentes.Laincorporacinde los Sistemas Multiagente facilita enormemente el diseo e implementacin de roles que facilitan esta forma de trabajar. No obstante, en este caso la diferenciacin se extiende tambin,yfundamentalmente,aelementoscuyafuncionalidadeslamisma.Comoanticipode la arquitectura del sistema propuesto, se puede avanzar que un individuo gentico se correspondeconunasolucin,yquestasecorrespondeconunAgente.Enestecontextose ha aplicado la diferenciacin posibilitando que cada Agente contemple una parte de su aprendizaje de forma individualizada, y establezca de forma independiente a la del resto de Agentes (soluciones) los valores que correspondan a la aplicacin del operador, y la

505

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica probabilidad de cruce. Se puede decir que la capacidad de aprendizaje se aprovecha para diferenciaralosindividuosyalcanzarlaciertaindependenciaenlosAgentes.

VentajasGenerales Permitedeformanaturalla convivenciadediferentes roles(gestiones).

CaractersticasDeseadas

Comentarios Permiteestablecerindividuoscon diferentesfuncionesyfacilitasu ejecucinenunentornodondecada Agenteactaenbaseasurol. Aunquenosebuscalaoptimizacin demltiplesmedidas,elprocesode aprendizajepermitequecada individuoseadapteasunuevo estado(representadoporuna solucin),exploresusposibilidadesy seadaptealoqueesmejorencada momento. Laevolucindeproduceenun entornoreducido,talycomoocurre enlanaturaleza.Estosuponequeen unageneracinsehanproducido mltiplessituacionesdecompetencia local.Asuvezcadaindividuoacta enfuncindesuscircunstancias (entorno). Soncapacesdeidentificardiversos estadosyactuarenconsecuencia. LosSMApermitenimplementar medianteunnicocdigoindividuos idnticosqueposteriormente evolucionandeformaindependiente.

Diferenciacin

Permitenlaobtencinde valoresadecuados,ensu casoptimos,dediversas medidasdeforma simultneayadaptndoseal entornocambiante

AprendizajeyDiferenciacin

Representandeforma naturallaevolucin temporaldelos acontecimientos.

CompetenciaLocaly Diferenciacin

SonSistemasidneospara entornosconIncertidumbre FacilitanelDiseoyla Implementacindeuna Solucin

Aprendizaje

Diferenciacin.

Tabla89.Relacinentrelasventajasgeneralesylascaractersticasdeseadas(elaboracinpropia).

En la Tabla 89 se estable una relacin entre las caractersticas que se desean incorporar (evolucin, aprendizaje y diferenciacin) al algoritmo mediante los Sistema Multiagente con lasventajasfuncionalesgeneralesdelosmismosdestacadasenelcaptulo4.

506

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Sonporlotanto,ladiferenciacin,elaprendizajeylaevolucinlocallaesenciabsicaquelos Sistemas Multiagente deben aportar al algoritmo SMAGA. No ser la nica aportacin que realicen.Debidoalaformadeenfocareldesarrollodelapropuestasepodrndaraconocer algunascaractersticassecundarasdelprocesodehibridacin.Estasconsecuencias,positivasy negativas, se resumirn una vez determinada la estructura del algoritmo implementado, y analizadasuefectividad.

8.3.2.2 FuncionamientoGeneraldelAlgoritmo ElobjetodeesteapartadoesdarunavisingeneraldelfuncionamientodelalgoritmoSMAGA. Deestaforma,ybasndoseenunlenguajenatural,ellectorpodrtenerunaideadeconjunto delapropuestaqueseplantea. EnlaFigura87semuestraunesquemageneraldelalgoritmoSMAGA.Enelsemuestranlos pasosmsrelevantesenlaejecucindelmismo.Sisecomparaconelesquemageneraldeun Algoritmo Gentico, ver Figura 82, con esquema propuesto para SMAGA se puede observar que existe un elemento funcional innovador destacado en SMAGA, como es el aprendizaje genticoiv.Otroaspecto,diferenciadoraunquemenosnovedoso,eselestablecimientodeuna condicin para la regeneracin de la poblacin si se cumple cierta restriccin. No obstante, existe multitud de apreciaciones en lo referente a la aplicacin del resto de elementos funcionalesqueseirndesvelandoposteriormente.

Sepuededecir,alhilodelafiguraanterior,queexistencuatrograndesactividadesfuncionales destacablesyuntipodetomadedecisinfundamentalenlaejecucindelalgoritmoSMAGA. Las actividades fundamentales son: La generacin de la poblacin inicial, la seleccin de los progenitoresparalaaplicacindeloperadordecruce,ysupropiaaplicacin,laaplicacindel operador de mutacin y la aplicacin de un proceso de aprendizaje gentico. El tipo de decisin ms importante que se debe tomar durante la ejecucin del algoritmo es la de establecerelrelevogeneracional,esdecir,elcambiodesolucionesexistentesenlapoblacin porotrasnuevas.Estadecisinsedebetomardespusdelaaplicacindeloperadordecruce, en el que se puede llegar a obtener un nuevo individuo, la aplicacin del operador de mutacin, en el que se puede producir la modificacin de un individuo existente, y la

iv

En el algoritmo SMAGA existen varios procesos de aprendizaje diferentes al aprendizaje gentico propuestopor(Zhong,W.C.etal.2004).

507

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica aplicacindelprocesodeaprendizajegentico,enelquedenuevo,sepuedellegaraobtener unnuevoindividuo.

ElegirlaMejorSolucinObtenida

GenerarPoblacinInicial Si SeleccinProgenitorBy OperarCruce No

Secumplela condicinde parada?

OperarMutacin

AprendizajeGentico ReiniciarPoblacin Si
Eslanesima generacin sinmejorar?

No

Figura87.EsquemageneraldelosprocesoscorrespondientesalalgoritmoSMAGA(basadoen(Zhong,W.C.etal. 2004)).

Comosepuedededucirdelocomentadoenelprrafoanterior,enelalgoritmoSMAGAseha decididoqueenaquelloscasosenlosqueseapliqueunoperadordegenticodirectamente (cruce o mutacin) o indirectamente (aprendizaje gentico), slo se obtendr un individuo nuevoomodificado.Engeneral,enlosAlgoritmosGenticosesnormalquelosoperadoresde cruceofrezcanlaposibilidaddegenerarmsdeunnuevoindividuo,ylomismopuedeocurrir conlosoperadoresdemutacin.Noobstante,enestealgoritmosereducealageneracinde unsoloindividuo.Encaso,dequeeloperador,porsunaturaleza,ofrezcamsdeunasolucin elconjuntosereducirauna,eliminadolosindividuosquepeorfitnessposean.

Los diversos procesos (operadores de cruce, mutacin o aprendizaje) se aplican siguiendo el esquemapropuestoenlaFigura88.Estoimplicaquecuandoseaplicaunoperadorsehacede forma secuencial a todos los elementos de la poblacin, y hasta que no se ha finalizado su aplicacinentodoslosindividuosnoseejecutalasiguienteoperacin.
508

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

SeleccinProgenitorA (Agentesolucin)

AplicarOperadoro Aprendizaje

RelevoGeneracional SiguienteAccin Si
Existenms solucionesen lapoblacin?

No

Figura88.AmpliacindelasactividadesdelosoperadorescorrespondientesalalgoritmoSMAGA(elaboracin propia).

A lo largo de la descripcin del algoritmo se irn proponiendo diversas alternativas de funcionamiento a partir de la configuracin que se realice en algunos parmetros. Dichas alternativas sern analizadas como factores en el anlisis que se realizar para el ajuste paramtrico del algoritmo, cada uno de los cuales podr contar con varios niveles. Hay que resaltar que en la configuracin de un Algoritmo Gentico pueden influir un conjunto de factores que puede llegar a ser muy elevado. Con la premisa de conseguir un algoritmo competitivo,peroconlanecesidadderealizarunanlisisabordable,sehadecidoreducirlos factores sujetos a estudio fijando inicialmente aquellas opciones que han alcanzado buenos resultados en experimentos preliminares. En este sentido se ha procedido a profundizar aquellasopcionesfundamentalmenteasociadasalascaractersticaspeculiaresdelapropuesta queserealiza.

8.3.2.2.1.

RepresentacindelosIndividuos

Un Algoritmo Gentico trabaja sobre los individuos o cromosomas, que son una representacin o codificacin de las soluciones del problema, no necesariamente las soluciones en s. Una solucin para un Programa de un Taller de Flujo Hbrido, con o sin TiemposdeCambiodePartida,vienedadaporlaProgramacindetodaslastareas,esdecir, necesitaramos saber los instantes de comienzo y finalizacin de cada tarea, as como la identificacin de la mquina sobre la que se realiza. En definitiva, una solucin debe ofrecer informacintantosobrelasecuencia,comolaasignacin,ylostiemposdeinicioyfindelas operaciones.

509

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Porloqueserefierealosproblemasdesecuenciacinyasignacin,enlaliteraturasepueden encontrar aproximaciones en donde en la fase de resolucin se han abordado ambos problemas,yaproximacionesendondeenlafasederesolucinsehaafrontadoelproblema de secuenciacin siendo en la fase de valoracin de los resultados donde se ha tenido en cuenta el problema se asignacin. Segn las referencias analizadas en el captulo 3 se ha podido constatar como la aproximacin de ambos problemas de forma conjunta suele ser compleja,yengeneral,noofrecebuenosresultados.Porestemotivo,sehapreferidodesdeel inicio considerar la segunda aproximacin, abordando los dos problemas de forma diferenciada. Alplanteardeformadiferenciadaelproblemadesecuenciacindelproblemadeasignacin, sehaconsideradoadecuadoquelarepresentacindelasolucinestfuertementevinculadaa la secuencia. Tomando la secuencia como elemento bsico de informacin, y mediante la aplicacin de un simple procedimiento, se realiza la asignacin a las mquinas, y la temporizacin de los instantes de inicio y fin de cada trabajo en las diferentes etapas y mquinas requeridas. Con el planteamiento propuesto, la informacin necesaria para representar una solucin para el caso concreto del Taller de Flujo Hbrido es sencilla. Es suficiente con que la representacin gentica de un individuo se realice mediante una secuencia de n genes, uno por cada trabajo. En dicha secuencia el orden que ocupa cada trabajo es relevante. Este tipo de representacin se denomina ordinal. Se puede ver un ejemploparaveintetrabajosenFigura89.Enestafiguraseobservacomoexisten20genes, que se corresponden con cada posicin de la secuencia, y en cada gen se almacena el identificadordecadaunodelos20trabajosdisponibles.Segnestarepresentacineltrabajo 14 sera el primero de la secuencia, el trabajo 3 el segundo, y as sucesivamente hasta el trabajo12queseraelvigsimoyltimo.

10

11

12

13

14

15

16

17

18

19

20

14

19 11

13 16 15 10

18 17

12

Figura89.Representacingenticaordinalparauncasode20trabajos(elaboracinpropia).

Es destacable como la configuracin del taller, es decir el nmero de etapas y mquinas, no influyeenlacodificacindelasolucin.Serelprocesodeasignacinelquetengaencuenta la configuracin del taller. El procedimiento que se seguir para la asignacin consistir en elegir los trabajos de la secuencia configurada, de uno en uno y en el orden determinado previamente, y establecer la mquina con la que se realizar cada operacin por orden de precedencia.Lamquinaseleccionadaencadaetapadebeseraquellaquepermitafinalizarlo antes posible la operacin correspondiente en dicha etapa. Una vez completadas todas las operacionesdeuntrabajoseeligeelsiguientedelasecuenciahastafinalizar.
510

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Como muestra prctica de la transformacin de un individuo, y por lo tanto, una solucin expresada como secuencia en un Programa Productivo, se ofrece el diagrama Gantt de la Figura810.Endichafigurasepuedeobservarcomolasecuenciacorrespondientealindividuo de la Figura 89 se repite en cada una de las etapas de la que consta el taller que sirve de ejemplo.Existentiemposdeprocesoindicadosencolorytiemposdecambiodepartida,entre cada trabajo, indicados en gris claro. Se puede decir que el clculo del diagrama Gantt es el procesodedecodificacinoclculodelfenotipo,enestecasoelvalordelmakespanobtenido. EnelejemplodelaFigura810elvalordelfenotipoomakespanesde1.436uds.

Figura810.DiagramaGanttvparaunalarepresentacingenticadelindividuodelaFigura89(elaboracin propia).

En el ejemplo anterior existen cuatro etapas, cada una de ellas con tres mquinas (etapa 0: mquinas 0, 1 y 2; etapa 1: mquinas 10, 11 y 12; etapa 2: mquinas 20, 21 y 22; etapa 3: mquinas30,31y32).

UtilidadparalarepresentacindeDiagramasGanttobtenidagraciasalacolaboracindesinteresada de Jos ngel y Francisco Gmez Gmez programadores pertenecientes al Grupo de Investigacin ROGLE.

511

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Por ltimo, se debe remarca que la representacin gentica propuesta no se basa en la propuestade(Zhong,W.C.etal.2004),debidoaqueeltipodeproblemaquedichosautores plantean solucionar es sustancialmente diferente del que se plantea en este trabajo. La eleccindelarepresentacinordinariasehafundamentadoenlasexperienciasmanifestadas pordiversosautoresenlaliteraturarevisada.

8.3.2.2.2.

IdentificacindelosAgentesyelSistemaMultiagente

En el caso del algoritmo SMAGA se ha seguido el criterio establecido en (Zhong, W. C. et al. 2004)encuantoalaidentificacindeunasolucinconunAgente.Sinembargo,esrelevante indicarqueenlapropuestaSMAGAelAgentecontienealasolucin.Estematizimplicaqueel Agentesegenerarenlafasedeinicializacindelalgoritmo,yquestesercaracterizadopor un conjunto de parmetros que determinarn su forma de actuar durante la ejecucin del algoritmo, dejando de existir cuando el algoritmo finalice. Sin embargo, la vida de las solucionessermscorta,siendonormalqueunAgentecontengaalolargodesuvidaavarias soluciones diferentes. En todo caso, en un instante dado un Agente contendr slo a una solucin, y una solucin slo existir contenida en un Agente. La idea subyacente es que el Agente sea quien gestione a la solucin que contiene aplicando sobre ella los diferentes operadores genticos, y dando lugar, si procede, a una nueva solucin. En este sentido, el Agenteesunaentidadactivamientrasquelasolucinespasiva,simplementeunainformacin gestionadaporelAgente. Desde el punto de vista, del diseo del Sistema Multiagente, se ha considerado que deben existirdostiposdeAgentes,talycomosemuestraenlaFigura811.Estosson:

ElAgenteSolucin:EselAgentequecontieneaunasolucin,ylagestiona. ElAgenteGestor:EselAgenteresponsabledecoordinaralapoblacindeAgentes Solucin.

EnlaFigura811sepuedeverunarepresentacindelSistemaMultiagente,dondesedestaca que la comunicacin se produce entre los AgentesSolucin, y entre Agentessolucin y AgenteGestor. Si bien, la comunicacin entre AgentesSolucin es limitada como posteriormentesecomentar. SinentrareneldiseosoftwaredelSistemaMultiagentesehaconsideradoqueesnecesario avanzar una visin simplificada de la configuracin bsica de la arquitectura del Sistema Multiagente,conelfindedarunaideadeconjuntodelmismo,yfacilitaraslacomprensin delpropioalgoritmo.
512

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Coordinacin AgenteGestor

Poblacinde AgentesSolucin

Figura811.RepresentacindelSistemaMultiagente(elaboracinpropia).

Por lo que se refiere al nmero y configuracin de los agentessolucin, tal y como se establece en (Zhong, W. C. et al. 2004), se ha definido una poblacin en la cual los agentes estndispuestosenformaderejillaomatrizbasedetamaoLxL,comoseintuyeenlaFigura 811.Enestamatrizbaselosagentessolucinsecomunicanentres,peronicamenteconsus vecinos. Se considera que un agentesolucin situado en la posicin (i,j) de la matriz base, y representadoporLi,j,tieneporvecinosalconjuntoformadopor{(i,j),(i,j),(i,j`),(i,j)},tal que:

i - 1 si i 1 i' = L si i = 1

i + 1 si i L i' ' = 1 si i = L

j - 1 si j 1 j' = L si j = 1

j - 1 si j L j' ' = 1 si j = L

En la Figura 812 se puede ver una representacin de la matriz de AgentesSolucin y la conectividaddelosmismos. Por conectividad entre los AgentesSolucin se debe entender la posibilidad de establecer algntipoderelacinentreellos.Porlotanto,segnelesquemapropuestopor(Zhong,W.C. et al. 2004) cada AgenteSolucin se puede relacionar con cuatro vecinos (superior, inferior, derecha e izquierda).En el algoritmo SMAGA la aplicacin de la conectividad se reduce al mbitodeloperadordecruce.

513

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

1,1

1,2

1,

1,L

2,1

2,2

2,

2,L

,1

,2

,L

L,1

L,2

L,

L,L

Figura812.ModelodeAgentesSolucinenrejillaomatrizbase(elaboracinpropia).

Estadisposicinenrejilla,juntoconeltipodeconexinpermitido,posibilitaquecadaAgente Solucintrabajeenunentornoreducido,yquesusrelacionespuedanserconsideradaslocales. Es decir, esta arquitectura es una forma de implementar la competencia local que se ha identificadocomounadelascaractersticasbsicasdelsistemapropuesto.

8.3.2.2.3.

GeneracindelaPoblacin

Dossonlosaspectosquedebendefinirseenrelacinalapoblacin:Sutamaoyelmtodode generacindelamisma. En primer lugar se abordar cual debe ser el tamao de la poblacin. Aunque en general, el tamao de una poblacin no tiene porque ser constante a lo largo de la ejecucin de un Algoritmo Gentico en este caso se ha decidido que el nmero de individuos se mantenga invariable. Dicho tamao, en este caso invariable durante la ejecucin del algoritmo, condiciona la intensidad de las interacciones, y por lo tanto de la exploracin de soluciones. Sueleserhabitualqueseidentifiquenlaspoblacionesconnumerososindividuosconentornos defuertecompetenciaygranpresingentica.Asmismo,esfrecuentequeseidentifiquenlas poblaciones reducidas con entornos de competencia reducida. En el caso del algoritmo SMAGA,sehaseguidolapropuestade(Zhong,W.C.etal.2004),deformaqueexistentantas soluciones como elementos existen en la matriz, en este caso AgentesSolucin. Y en este sentido, la definicin de la matriz implica el establecimiento de un determinado tamao de poblacin.En(Zhong,W.C.etal.2004)serecomiendauntamaodematrizentre5x5y10x10. En este caso, y despus de un estudio preliminar, se ha decidido establecer el tamao de matrizen6x6.Estetamaohademostradoproporcionarunbuenequilibrioentreresultados
514

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

obtenidos y el coste computacional. El estudio preliminar se ha realizado mediante experimentos no formales, con un conjunto reducido de problemas, y no se ha podido observar ningn tipo de mejora significativa con el incremento del tamao de la matriz. En concretosehaanalizadolaopcindeltamao8x8y9x9,ademsdelaopcinelegida. EnrelacinconeltamaodelamatrizbasesedebeconsiderarquecadaunodelosAgentes Solucindefinidosenlamatriztendrlaoportunidaddeaccederaunprocesodeaprendizaje, que como posteriormente se explicar, implicar la ejecucin de una versin reducida del propioalgoritmoSMAGA.ComosepuedeverenlaFigura813porcadaindividuodelamatriz baseexistirotranuevamatrizcuadrada,queenestecasosedenominardeaprendizaje.La dimensindelamatrizdeaprendizajeessLxsL,ysuelesermenoraldelamatrizbase.Porlo tanto, el incremento unitario en la matriz base supone un incremento computacional sustancialdelesfuerzodestinadoatratarlosnuevosindividuos.

MatrizAprendizaje sL xsL

MatrizBase LxL

Figura813.RelacinentreMatrizBaseyMatrizdeAprendizaje(elaboracinpropia).

En segundo lugar, y por lo que se refiere a la generacin de las soluciones, se ha intentado mantener la filosofa que tiene como objetivo el equilibrio entre el coste computacional y la calidad de las soluciones obtenidas. Hay que tener en cuenta que los procedimientos de generacin de nuevas soluciones no slo sern empleados en la fase de inicializacin del algoritmo,sinotambinenunprocedimientoadicionalparalaregeneracindelapoblacina gran escala. Este procedimiento de regeneracin se utilizar en caso de que durante un nmerodeterminadodegeneracionesnosemejoreelvalordelamejorsolucin.Esteltimo procedimientosecomentarcondetalleposteriormente.Entodocaso,desdeelpuntodevista del impacto computacional, lo relevante es que el procedimiento se emplear en mltiples ocasiones,yaseaparalageneracininicialoregeneracinposteriordelapoblacin.

515

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Paralaobtencindesolucionessehaescogidounprocedimientodegeneracindesoluciones basado en un algoritmo vorazvi. Se han valorado otros tres mtodos alternativos como son: generacinaleatoriadesoluciones,elalgoritmoNEHpropuestopor(Nawaz,M.,Enscore,E.E., &Ham,I.1983)yelalgoritmoNEHmodificadopropuestopor(Ruiz,R.2003).Sinembargo,se ha considerado que en el balance entre calidad de las soluciones y coste computacional, la propuestaescogidasesitaentrelasmscompetitivas.

Ilustracin81.PseudocdigocorrespondientealalgoritmovorazparaelTallerdeFlujo(elaboracinpropia).

vi

Unalgoritmovorazsecaracterizaporintentarsolucionarunproblemaempleandounprocedimiento que consistente construir una solucin paso a paso, donde cada paso supone aadir un nuevo elemento,conlaesperanzadequecadadecisinparcialconduzcaaunasolucinptimaalfinaldel procesoconstructivo.

516

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

AlgoritmovorazEmpleado Inicialmentesedefineelalgoritmovorazaplicadoauntallerdeflujo.Elmtodoconsisteenel establecimiento de dos conjuntos, trabajos no secuenciados (TNS) y trabajos secuenciados (TS),yenlaaplicacindeuncriteriodeseleccinparaextraerlostrabajosdelconjuntoTNSy transferirlos al conjunto TS. El orden en que se realiza el transvase del conjunto TNS al conjunto TS coincide con el orden asignado al trabajo en la secuencia. El funcionamiento se muestradeformamsdetalladaenlaIlustracin81. El procedimiento se inicia incluyendo un trabajo cualquiera en el conjunto TS, y dejando el restoenelconjuntoTNS.Dichotrabajoserconsideradocomoelprimerodelasecuencia.A partirdeestaestadoelprocedimientodeseleccintienecomoobjetivoexplorarntodaslas combinaciones entre el ltimo trabajo seleccionado (ti) y el conjunto de trabajos no secuenciados an. Calculando para cada combinacin el tiempo de cambio de partida correspondiente. Resultar elegido el trabajo con menor tiempo de cambio de partida. El trabajo seleccionado se eliminar del conjunto TNS y se incluir en el conjunto de TS, considerndose el trabajo ti+1, y ocupando el puesto i+1 en la secuencia. El proceso de seleccin se realizar hasta que el conjunto TNS est vaco. En dicho instante el conjunto TS incluiratodoslostrabajos,quesedeseasecuenciar,yelordenenelquehansidoelegidos definirlasecuencia. Dadoquelasecuenciaobtenidadependeexclusivamentedeltrabajoseleccionadoenprimer lugarelalgoritmoprescribequeserealiceelprocedimientopreliminariniciandolasecuencia contodosycadaunodelostrabajosexistentes.Lasecuenciaelegidafinalmenteseraquella quepresentemenormakespanentretodaslassecuenciasgeneradas. Apartirdelalgoritmovorazplanteadoserealizaunamodificacinconelfindeposibilitarsu aplicacin a un Taller de Flujo Hbrido. Dicha modificacin consiste en aplicar el algoritmo a una mquina ubicada en una etapa elegida aleatoriamente. En concreto se ha decidido que por simplicidad la mquina elegida sea siempre la primera mquina que se identific en el momentoderecogerlainformacindecadaetapa.Existenotrasposiblesmodificacionesdel algoritmo, pero todas las opciones barajadas implicaban un incremento importante del esfuerzo computacional con respecto a la propuesta original. La modificacin que se indica mantieneelcostecomputacionaloriginal. Una vez conocido el procedimiento propuesto para la obtencin de soluciones, tanto en la poblacininicialcomoensucesivasregeneracionesdesta,sedeseallamarlatencinsobrelo siguiente:

517

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica El proceso de generacin de soluciones se realiza de forma independiente en cada AgenteSolucin.Asuvez,cadaAgenteSolucinaplicarelalgoritmovoraztomando como referencia una etapa, probablemente diferente, en cada ocasin. Por lo tanto, durante la ejecucin del algoritmo SMAGA, se podra disponer de una muestra de cuales han sido los resultados de la ejecucin del algoritmo voraz en las diferentes etapas,yporlosdiferentesAgentesSolucin.Dichamuestrapuedeserempleadapara tomardecisionesmsacertadasqueunasimpleeleccinaleatoria. Elresultadoqueseobtienedelaejecucindelalgoritmovorazesunasolucin,queen ningncasoesdependientedelaherenciaquepudieraportarelAgenteSolucinque lo ejecuta, como por ejemplo la secuencia anterior, o sus vecinos. El resultado dependebsicamentedelostiemposdecambiodepartidaqueseestablecieronenla mquina elegida, y por lo tanto, son dependientes de la etapa seleccionada e independientesdelAgenteSolucinqueloejecuta. El algoritmo voraz basa la secuencia generada en los tiempos de cambio de partida, buscandoestablecerlasecuenciaqueacumulemenorcantidaddelosmismos.Eneste sentido, su aplicacin puede ser muy interesante realizarla sobre una etapa que supongaunclarocuellodebotellaencuantoalostiemposdecambiodepartida.

Analizandolasreflexionesquesehandestacadoanteriormentesehallegadoalaconclusin de que puede ser til establecer un proceso de aprendizaje que permita orientar al Agente Solucin en la aplicacin del algoritmo de generacin de soluciones. Se trata fundamentalmentedeunprocesodeaprendizajecolaborativoenelqueparticipantodoslos AgentesSolucin,ycuyosresultadosseancompartidos.Elobjetivodelprocesodeaprendizaje es detectar si existe una etapa con tiempos de cambio de partida que puedan implicar una situacin de cuello de botella para que esta sea elegida como referencia en la ejecucin del algoritmovoraz. Sepermitirqueelaprendizajeseaunaopcinparametrizableporelusuario.Deacuerdocon esta posibilidad se ha configurado un parmetro denominado Generador Dinmico que puedetomardosvalores:activadoodesactivado.Siestactivadoseposibilitaelaprendizaje,y si est desactivado se trabaja sin aprendizaje. La configuracin de los diferentes parmetros que se identifiquen durante la descripcin del algoritmo SMAGA se realizar durante el procesodeajusteparamtricoquesedescribirenunapartadoposterior. En caso de permitir el aprendizaje se habilitar a todos los AgentesSolucin para que estos recojan informacin sobre el comportamiento del algoritmo voraz en las distintas etapas, y
518

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

paraqueestainformacinseatratadaporelAgenteGestor,ypuestaadisposicindetodos losAgentesSolucindemaneraquesecompartalainformacinobtenida. Eldiseoqueserealizadoenrelacinconelprocesodeaprendizajesemuestraenformade pseudocdigoenlaIlustracin82ylaIlustracin 83.Este consisteenestablecer unaetapa deltallerdeFlujoHbridocomodominante.Inicialmenteestaetapadominantesedesignarde forma aleatoria. Cada vez que un AgenteSolucin aplique el algoritmo voraz realizar un sorteobasadoenunadistribucinuniformeentre0y1.Sielresultadodelsorteoesmenoro igual al parmetro Cuota de Dominio establecido en 0.80, es decir en el 80% de las ocasiones, se aplica el algoritmo sobre la etapa dominante. En caso de que el sorteo proporcioneunnmerosuperiora0.8,el20%delasopcionesrestantes,lasposibilidadesde aplicacinsedividenapartesigualesentrelasetapasnodominantes.Porejemplo,sieltaller tiene6etapas,ylaetapa3esladominante,seleasignaun80%deopcionesalaetapa3un 4% de posibilidades a las etapas 1, 2, 4, 5 y 6. Cada vez que se ejecuta el algoritmo en una etapa,cuandoseobtienelasolucin,seguardaelmakespanvinculadoadichasolucin,quees elqueservirparamedirlacalidaddelresultado.
//AprendizajesobrelaaplicacindelAlgoritmoVoraz //EncadaAgente Si(Sorteo(0,1)<=0.8)etapa_seleccionada=Obten_Etapa_Dominante() Sino{Etapa_seleccionada=Sorteo_entero(1,numero_etapas) }Mientras(etapa_seleccionada<>Etapa_Dominante) Secuencia=AlgoritmoVoraz(etapa_seleccionada) makespan=Calcula_makespan(Secuencia) Guarda(makespan,etapa_seleccionada)

Ilustracin82.PseudocdigocorrespondientealaaplicacindelalgoritmooriginalvorazenunAgenteSolucin (elaboracinpropia).

ElalgoritmovorazseejecutaraliniciodelalgoritmoSMAGA,cuandosegenerenlosAgentes Solucin,ysedefinaunasolucinvinculadaacadaunodeellos.Tambinseejecutarcuando serealiceelprocedimientoderegeneracindelapoblacinordenadoporelAgenteGestor.La aplicacin del algoritmo voraz es masiva, en el sentido que afecta a toda o gran parte de la poblacin, y sincronizado, en tanto que es el AgenteGestor de SMAGA quien decide el instante. Justo antes de la ejecucin generalizada, que se produce en un procedimiento de regeneracin de la poblacin, es cuando el AgenteGestor realiza un anlisis de los datos obtenidos por la aplicacin del algoritmo voraz en las diferentes etapas, y por los diferentes AgentesSolucin,yestablecelaetapadominanteparalasiguientetandadeejecuciones(lade menormakespanpromedio).EnlafaseinicializacindelosAgentesSolucin,dadoqueanno
519

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica existen dados, se aplicar el algoritmo voraz en una etapa seleccionada aleatoriamente por partedecadaunodelosAgentesSolucin.

Ilustracin83.PseudocdigocorrespondientealaaplicacindelalgoritmovorazenelAgenteGestor (elaboracinpropia).

Se puede considerar, por lo tanto, que existe una variable dinmica, que se ha denominado EtapaDominante,quecondicionafuertementelaaplicacindelalgoritmodegeneracinde soluciones. Otra posibilidad, en relacin con la aplicacin del algoritmo voraz es la de no posibilitar que los Agentes aprendan, y que por lo tanto, cada AgenteSolucin fije aleatoriamente la Etapa Dominante. Esta segunda forma de trabajar, Sin Aprendizaje consisteactuarenloscasosderegeneracindelamismaformaqueactanquelosAgentes Solucinensufasedeinicializacin.

8.3.2.2.4.

ProcedimientodeSeleccin

El proceso de seleccin de individuos es aquel que tiene como objetivo discriminar entre la poblacinalosindividuosqueparticiparnenlaproduccindeunanuevageneracin,esdecir en la aplicacin del operador de cruce. En este caso, la esencia del procedimiento se ha heredado de (Zhong, W. C. et al. 2004). El proceso se basa en que cada AgenteSolucin pertenece a un entorno con el que puede interactuar, y que slo en dicho entorno puede establecerlacompetenciaparaconseguirserprogenitordeunnuevoindividuo.Elprocesode seleccinestbasadoenelcumplimientodelassiguientespremisas: Seruniversal,esdecir,todoslosindividuospodrnsercandidatosaprogenitor. Conimplementacinlocal.Cadaindividuoslocompetirconlosindividuosdesu entornoparaalcanzarelderechoaserprogenitor. Con seleccin mltiple. En cada generacin se escogen mltiples parejas de individuosparageneraraunnuevoindividuo.Porlotanto,enunasolaiteracines

520

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

posible incorporar a varias nuevas soluciones a la matriz. Se trata de nuevas soluciones que sustituirn a otras que hasta ese momento formaban parte de la poblacin.

ElprocedimientoconsiderarqueencadaiteracindelalgoritmotodoslosAgentesSolucin soncandidatosaconvertirseenprogenitores.Elprocedimientobsicoseposicionaenlacelda (1,1) de la matriz bsica, y recorre todos los AgentesSolucin de izquierda a derecha, y de arriba a abajo. Para cada AgenteSolucin situado en (i,j) se calcula el makespan (mkij), as comoelmakespandetodossusvecinos.Seidentificaelvecinoconmenormakespan(mkim,jm). Sielmkijresultasermenorquemkim,jmseconsideranquenoexistencandidatosseleccionables. En otro caso, se selecciona la pareja ((i,j),(im,jm)) como progenitores de un nuevo individuo que podr formar parte de la nueva generacin. En la Ilustracin 84 se expresa en pseudocdigoelprocedimientocomentado.

Ilustracin84.Pseudocdigocorrespondientealprocedimientobsicodeseleccinycruce(elaboracinpropia).

Comosehapodidoobservarlaseleccinserealizamedianteinterrogacindirectaatodoslos individuos,unoauno,dandoaslaopcinaquecadaunodeellospuedaserunodelosdos progenitoresnecesariospararealizarelcruce.EnelpseudocdigodelaIlustracin84,seha denominado progenitor A al AgenteSolucin actual, es decir (i,j). El otro progenitor, el denominado progenitor B, se elije mediante competencia como ya se ha dicho. Para la eleccin del progenitor B se debe de tener en cuenta la calidad de los individuos. La competenciaenbasealacalidaddelosindividuosserealizaexclusivamenteentreloscuatro vecinosdelprogenitorA,esdecirporcompetencialocal.Estacompetencialocalesmucho ms relajada que la competencia global dando as la oportunidad de ser progenitores a individuosdecalidadmedia.

521

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Este procedimiento de seleccin permite que las buenas soluciones locales puedan ser empleadas como material gentico en todos sus vecinos, y mediante el paso de las generaciones,quedichassolucionessedistribuyanatodalapoblacinenalgunamedida.Una delasdiferenciasqueseesperaenelcomportamientodeestapropuestaeselrelacionadocon lacomposicindelapoblacin.Seesperaquelacomposicindelapoblacin,porloqueasu calidadserefiere,seamuchomshomogneaqueconprocedimientosdeseleccinbasados en competencia global. Obviamente, este comportamiento de la poblacin sugiere la puesta en marcha de una serie de medidas que eviten la convergencia prematura, y garanticen la existencia de un cierto grado de heterogeneidad en la poblacin. Estas medidas se han introducidoenelpropiooperadordecruce,yseexplicarnposteriormente. Un aspecto adicional a tener en cuenta es que si el procedimiento proporciona a todos los individuos la oportunidad de participar en la generacin de una nueva solucin esto pueda provocardossituacionesnodeseadas: Queelciclodevidadeunasolucinseamuycorto.Esdecir,quesegenereunanueva solucin, y sin haber participado en ningn tipo de intercambio gentico sea sustituida por otra nueva solucin. Dicha solucin habra supuesto un coste computacionalquenoestransformadoenunaaportacingenticadeningntipo. Si participan todos y cada uno de los individuos en un proceso de transformacin gentica el coste computacional puede ser muy elevado, y hacer poco operativo el algoritmodebidoasulentitud.

Por eso, a este procedimiento bsico, se le ha introducido una modificacin de elaboracin propia que se puede considerar una aportacin para el algoritmo SMAGA. Esta consiste en emplearunaversindeltradicionalfactordecruce,peroenestecasovinculadoalciclodevida delassoluciones,quesehadenominadofactorderiesgo.Antesdeexplicarenqueconsiste, ycomoseaplicaelfactorderiesgo,esimportanterecordarqueunAgenteSolucinpuede modificar la solucin que contiene dando lugar a una nueva. El factor de riesgo es una variableasignadaalAgente,ynoalasolucin,aunqueelvalordelfactorpuedaevolucionaren funcindelasolucin. ElfactorderiesgoconsisteenasignarunaprobabilidadacadaAgenteSolucinparapoder participar en el proceso de seleccin. Dicha probabilidad se establece inicialmente en cada AgenteSolucin de forma aleatoria entre cuatro valores posibles (0.2, 0.4, 0.6 0.8). Cada AgenteSolucintieneporlotantounvalorenelfactorquenotieneporqueserigualaldesus vecinos.Laasignacindeprobabilidadsehacesiguiendounadistribucinuniformeentrelos valores1y4,yaquesoncuatrolosposiblesvaloresiniciales.Elfactorderiesgoseemplea cadavezquesedeseaaplicareloperadorgenticodecruce,deformaqueantesdeprocedera
522

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

su aplicacin de realiza un sorteo. Dicho sorteo consiste en obtener de forma aleatoria, mediante una distribucin uniforme entre 0 y 1, un valor que si resulta ser menor que el factorderiesgoposibilitalaaplicacindeloperadorgentico,ysinoimpidesuaplicacin. Elvalorasignadoalfactorderiesgopuedeevolucionardurantelaejecucindelalgoritmo SMAGA.ElvalordelfactorderiesgoasignadoaunAgentesereduceen0.05unidades en cada generacin. Esto implica que en cada generacin se reducen las probabilidades de ser seleccionado. No obstante, cuando un Agente modifica la solucin el factor de riesgo se vuelve a situar en el valor original. Esto supone que cuando una solucin es nueva la probabilidad de participar en operaciones es mayor que cuando lleva cierto tiempo en el sistema.Enresumen,elfactorderiesgoesunparmetroqueinicialmentesefijadeforma aleatoria, para favorecer comportamientos heterogneos en la poblacin, y que posteriormentefavorecealassolucionesquellevanmenostiempoenlapoblacin.Entodo caso,elusuariopuedefijarelvalormnimoquepuedallegaraalcanzarelfactorderiesgo,ya queunfactormuybajosupondraqueunAgentedeterminadotienemuypocasopcionesde ser seleccionado. Dicho valor mnimo ser establecido como un parmetro, denominado RiesgoMnimo.AunqueelvalordeRiesgoMnimo,ocotamnima,escomnparatodos los AgentesSolucin, la evolucin del valor del factor de riesgo sigue una evolucin independienteencadaAgenteSolucin. EnlaIlustracin85semuestraelprocedimientomodificadodeseleccindeprogenitorespara laaplicacindeloperadordecruce,enelqueseincluyelaaplicacindelfactorderiesgo.

Ilustracin85.Pseudocdigocorrespondientealprocedimientomodificadodeseleccinycruce(elaboracin propia).

523

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica SerelAgenteGestorelresponsabledeaplicarlareduccinenelvalordelavariablefactor de riesgo en cada AgenteSolucin, ya que se trata de una accin vinculada al concepto de evolucin de la poblacin, en concreto, es necesario conocer cuando se ha finalizado una generacin. Se considera que se ha alcanzado el fin de una generacin cuando todos los AgentesSolucinhanexploradolaposibleaplicacindelosoperadoresdecruce,mutacin,y elaprendizajegentico. Igualqueocurraconelprocesodeaprendizajeempleadoparalageneracindesolucionesse ha considerado que la reduccin del valor del factor de riesgo puede estar vinculado a un parmetro denominado, en esta ocasin, Evolucin del Factor de Riesgo, cuyos valores puedenseractivadoodesactivado.Encasodeestaractivadosepermitelaevolucin,encaso contrarionoexistedichaevolucin,yporlotantoelparmetroRiesgoMnimonoseutiliza.

8.3.2.2.5.

EvaluacindelaSoluciones

La actividad de evaluacin consiste en valorar de forma cuantitativa cada solucin de la poblacin. El objetivo es sencillo, se trata de poder disponer de un criterio objetivo que permitaelegirentredosomsAgentesSolucinosolucionesgeneradasencompetencia.En concretolacompetenciaseproducecuando: Un AgenteSolucin debe elegir a un vecino para que este se convierta en progenitor. UnAgenteSolucinobtienemsdeundescendienteydebequedarsesloconuno deellos. Un AgenteSolucin debe decidir si sustituye la solucin que contiene por otra despusdeunprocesodecruce,mutacinoaprendizajegentico.

Sehadecididosimplificarestaactividadempleandodeformadirectaelvalordemakespande las soluciones. Por lo tanto, el valor de adecuacin o fitness de una solucin ser el makespan calculado a partir de la secuencia que representa a la solucin. El clculo ms costoso de este proceso es, sin duda, el clculo del Programa Productivo a partir del cual se estableceelmakespan.Todaslaspropuestasanalizadas,quecuentanconbuenosresultados, proponan el empleo del makespan. Las ms sencillas con una aplicacin directa y otras empleandoprocesodeescaladocomoen(Ruiz,R.2003).EnelcasodelalgoritmoSMAGAse noseempleaescaladodeningntipo.

524

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

8.3.2.2.6.

OperadoresdeCruce

La aplicacin del operador de cruce es una de las funciones que ms se repite durante la ejecucin de un Algoritmo Gentico. Por lo tanto, es una de las funciones que ms impacto tieneenelresultadofinal.Sinembargo,laeleccindeuntipodeoperadordecruceadecuado, entrminosderesultadosobtenidos,esenormementedifcil. Normalmente,enfuncindelarepresentacingenticadelasolucinsesueleaplicaruntipo de operador gentico u otro. En el caso de la representacin ordinal es habitual emplear operadores genticos basados en el intercambio de posiciones de los genes. Dentro de este tipodeoperadoresexisteunagranvariedad,ysinembargonosepuededeciraprioricualesel operador que mejor se adapta a un determinado problema. Suele ser necesario un estudio experimental,loquesindudaescostosodeplantearfueradelentornoinvestigador.Unavez seleccionadounsubconjuntoaquellosoperadoresqueseconsideranmsadecuados,porqu nodejarqueseaelpropioalgoritmoquiendecidacualesmejor?Sueleserdifcildeterminara priori que operador va a proporcionar los mejores resultados. Normalmente, y ms en un entorno que depende en gran medida del azar, las decisiones, en este caso el operador de cruce que se aplica, pueden decantarse hacia un tipo de operador u otro en funcin de las circunstancias temporales que se den en cada momento. Ello implicara que no sera malo plantearseunaaplicacinmixtadelasdecisiones,esdecir,aplicaralgunasvecesunoperadory otrasvecesotrooperador. EnbasealrazonamientoanteriorsehaconsideradolahiptesisconsistenteenqueelAgente Solucintengalacapacidaddeelegirporsimismocualeselmejoroperadordecrucedelos quetienedisponibles,yaplicarencadacasoaquelqueconsideremejor.Laexperimentacin queseproponeparaeloperadordecrucedelalgoritmoSMAGAvadirigidaadeterminarsies adecuadalahiptesisconsideradaonoloes. Se ha optado por la implementacin de dos tipos de operadores de cruce diferentes cuya aplicacingestionarcadaunodelosAgentesSolucin.AldotaralosAgentesSolucindela posibilidaddeelegirentredosalgoritmos,sehapretendidoseguirapostandoporlalneade aprendizajeycapacidaddeautogestindelosAgentes.Propiedadesquesonhabitualesenel mbito de los Sistemas Multiagente. Se ha reducido el campo de decisin a slo dos operadores de cruce, ya que se considera un nmero adecuado, para la observacin experimental.CondosoperadoressepodrobservarfcilmentesiefectivamentelosAgentes soncapacesdeaprender,ydecantarseporaquelalgoritmoquemejorvalordeadecuacinles proporcione. Un nmero ms elevado de operadores de cruce puede ayudar a obtener mejoresresultados,peroestenoeselobjetivoprincipal.

525

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica AlosAgentesSolucinselesproporcionar,deformadeliberada,unoperadordecrucequese consideramuybueno,yotrocuyosresultadosnohansidocontrastados,yqueporlotanto,no garantiza buen comportamiento. Con ello se desea ver si efectivamente los Agentes saben detectareloperadormsadecuado,ysirealmenteexistegrandiferenciaentreellos.Unode los operadores de cruce es el denominado Similar Block 2point Order Crossover (SB2OX), quefueempleadopor(Ruiz,R.2003)congranxito.Elotrooperadoresunaadaptacindel denominadoNeighborhoodCompetitionOperator(NCO)empleadopor(Zhong,W.C.etal. 2004), cuya aplicacin no est contrastada para el problema del Taller de Flujo Hbrido con TiemposdeCambiodePartidaDependientesdelaSecuencia. SimilarBlock2pointOrderCrossover(SB2OX) El operador de cruce SB2OX fue propuesto y empleado por (Ruiz, R. 2003) en un Algoritmo Gentico que tena como objetivo resolver diversos problemas de Programacin de la ProduccinenunTallerdeFlujoHbridoconTiemposdeCambiodePartidaDependientesde laSecuencia.Enconcreto,eljuegodedatos(problemas)paralosqueseemplecoincidencon los que se propone resolver con el algoritmo SMAGA. Es decir, el operador SB2OX ya fue utilizadoenunAlgoritmoGenticodiferentealpropuestoenestetrabajo,peropararesolver el mismo tipo de problema, y con el mismo juego de datos para el que se plantea emplear SMAGA.Losresultadosobtenidospor(Ruiz,R.2003)fueronexcelentesalsituarelalgoritmo quepropusocomoelmseficazentrelosquesecontrast. Para la aplicacin del operador de cruce SB2OX se necesita disponer de dos progenitores, progenitor A (padre 1) y Progenitor B (padre 2). La seleccin de los mismos se realiza, tal y como,sedescribienelapartado8.3.2.2.4.EloperadorSB2OXgeneradosnuevassoluciones (hijo1ehijo2).Lospasosaseguirparasuaplicacinson: 1. Los bloques con al menos dos valores idnticos en ambos padres se copian directamentealoshijos.EnlaFigura814sepuedeobservarcomolasposiciones8y9, y16y17sonidnticasenambospadres,yporlotantosetransfierendirectamentea loshijoscorrespondientes.

526

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Padre1

12

15 18

16

11 10 14

17 13

19

10

11

12

13

14

15

16

17

18

19

20

Hijo1

18

17

10

11

12

13

14

15

16

17

18

19

20

Hijo2

18
1 2 3 4 5 6 7 8

1
9 10 11 12 13 14 15

0
16

17
17 18 19 20

Padre2

16

15 10

13 18

11

14 12

17

19

Figura814.PrimerpasodeloperadorSB2OX(elaboracinpropia).

2. Segenerandospuntosdecrucedeformaaleatoria(punto1ypunto2).Ambosvalores seobtienenmedianteunadistribucinuniformeenelrangoentre1yeltamaodela secuencia.Elhijo1heredatodoslosvaloresdelpadre1situadosentreambospuntos decruce,ylomismoocurreconelhijo2conrespectoalpadre2.Enelejemplodela Figura815,elpuntodecorte1secorrespondeconlaposicin6,yelpuntodecorte2 secorrespondeconlaposicin13.Losvalores7,15,18,1,8,16,6y11delpadre1se transfierenalhijo1,ylosvalores8,13,18,1,11,9,4,y14setransfierendelpadre2al hijo2.

Punto1
1 2 3 4 5 6 7 8 9 10 11 12

Punto2
13 14 15 16 17 18 19 20

Padre1

12

15 18

16

11 10 14

17 13

19

10

11

12

13

14

15

16

17

18

19

20

Hijo1

15 18

16

11

17

10

11

12

13

14

15

16

17

18

19

20

Hijo2

8
1 2 3 4 5 6

13 18
7 8

1
9

11
10

9
11

4
12

14
13 14 15

0
16

17
17 18 19 20

Padre2

16

15 10

8
Punto1

13 18

11

14 12
Punto2

17

19

Figura815.SegundopasodeloperadorSB2OX(elaboracinpropia).

527

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 3. Elhijo1heredatodaslasposicionesfaltantesdelpadre2yelhijo2heredatodaslas posicionesfaltantesdelpadre1.EnlaFigura816sepuedeobservarcomoelpadre1 inicia la transferencia de genes al hijo 2 tomando como punto de partida la primera posicin de la secuencia. Si el valor a transferir ya se encuentra en el destino, por ejemplolaposicin2delpadre1,entoncessesaltaalasiguienteposicin.

10

11

12

13

14

15

16

17

18

19

20

Padre1

12

15 18

16

11 10 14

17 13

19

10

11

12

13

14

15

16

17

18

19

20

Hijo2

12

15

13 18

11

14 16

17 10

19

10

11

12

13

14

15

16

17

18

19

20

Hijo1

3
1

10 13
2 3

9
4

4
5

7
6

15 18
7 8

1
9

8
10

16
11

6
12

11 14 12
13 14 15

0
16

17
17

5
18

19
19

2
20

Padre2

16

15 10

13 18

11

14 12

17

19

Figura816.TercerpasodeloperadorSB2OX(elaboracinpropia).

Sedebeconsiderarquelasolucinestformadaporunasecuenciacclicaporloqueserefiere alempleodelospuntosdecorte.Se deberemarcarquelaaportacindelprocedimientode seleccinycruceparaeloperadorSB2OXdebesuponerunimpulsopositivoparaelAlgoritmo GenticoSMAGA. NeighborhoodCompetitionOperator(NCO) ElalgoritmoNeighborhoodCompetitionOperator(NCO)espresentadoen(Zhong,W.C.et al. 2004) como un operador gentico exploratorio que permite generar y analizar nuevas soluciones,queenelcasoreferenciadoseempleabaparaestablecerelvalordeunaseriede parmetrosdeunafuncinobjetivo.Elvalordelosparmetrospodasituarsedentrodeun rangocontinuodenmerosreales,yconesteoperadorsepretendaestablecer,yanalizarel efectodevaloresintermediosparaalgunosparmetrosentrelosvaloresprximosalosfijados por una solucin progenitora. La solucin progenitora que se elige para explorar los nuevos valoreseslasolucinconmejorfitnessdentrodeunentornolocal. Enelcasodeunarepresentacinordinaldelasolucinelobjetivoperseguidooriginalmente nopuedeserasumido,yaqueenelcasoanteriorelvalordecadaposicindelasolucinera independientedelresto.Sinembargo,cuandosetratadeunasecuenciaalvariarelvalorde
528

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

unaposicinhayquevariarobligatoriamenteelvalordeotraposicindelrestodelasolucin, esdecir,haydependencia.LadependenciacomplicaramucholaaplicacindelNCO,yadems elefectodeuncambioonoequivaldraalamodificacindeunparmetro,esdecir,noexiste lamismarelacincausaefectoenlosdosproblemas. Loquesehaconsideradointeresantedelapropuestade(Zhong,W.C.etal.2004)esqueno proponeunoperadordecrucetpicoenelquesegenerannuevassolucionesapartirdedos progenitores,sinoquesegeneraunasolasolucinapartirdeunanicoprogenitor,yqueeste eselmejordesuentorno.Setrata,porlotanto,desustituirunasolucinporunaevolucinde lamejorsolucindelentorno,estaeslanovedad.Porestemotivo,losautoresnoloidentifican directamente como un operador de cruce sino como un operador gentico competitivo. En todo caso, supone una evolucin de una determinada solucin. Otro aspecto interesante es quelabsquedalamejorsolucinserealizamedianteunacompetencialocal. Paralapropuestaactuallaseleccinserealiza,talycomo,propone(Zhong,W.C.etal.2004), ycomosehaexplicadoenelapartado8.3.2.2.4.UnavezsehaseleccionadoaunAgente,que inicialmenteseidentificacomoprogenitorA,seprocedeaseleccionaralprogenitorB.Segnel algoritmo descrito en el apartado 8.3.2.2.4 el progenitor B es el ganador en el proceso de competencia local. En el ejemplo de la Figura 817 se muestra como si el algoritmo est evaluandolaposibilidaddeaplicareloperadordecruceenelAgenteSolucindelaposicin (2,2)delamatrizbasesteestablecerunacompetencialocalconlosAgentessolucin(1,2), (2,1),(2,3)y(2,3).LasolucindelAgenteSolucinconmenormakespanserconsideradoel progenitorB.EnelcasodeloperadordecruceNCOelnicoprogenitorqueseutilizaeselB, porloqueelprogenitorAserignorado,anoserqueseaelquemenormakespanpresenteen cuyocasoserconsideradoatodoslosefectoscomoprogenitorB.

1,1

1,2

1,

1,L

2,1

2,2

2,3

2,L

,1

3,2

,L

L,1

L,2

L,

L,L

Figura817.CompetidoreslocalesenlamatrizbaseparaelAgenteSolucin(2,2)(elaboracinpropia).

529

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Como consecuencia de lo descrito en el prrafo anterior se ha adaptado el procedimiento establecido en el apartado 8.3.2.2.4 para clarificar que el procedimiento de cruce NCO slo requieredelprogenitorconmejormakespan.LaIlustracin86proporcionaelpseudocdigo correspondientealprocedimientodeseleccinycruceparaeloperadorNCO.

Ilustracin86.PseudocdigodelprocedimientodeseleccinycruceparaeloperadorNCO(elaboracinpropia).

Laimplementacindeloperadorvariasensiblementerespectodelapropuestade(Zhong,W. C.etal.2004),yaquelosautoresrealizanprimerounamodificacindelosvaloresdelosgenes y posteriormente una alteracin en el orden de los mismos. De la propuesta original slose respeta la forma de alterar el orden de los genes. A continuacin, y una vez establecido el procedimiento de seleccin de progenitores, se define el funcionamiento del operador de cruceNCO.Esteconsisteen: 1. Seeligedeformaaleatoriadospuntosdecruce.Medianteunadistribucinuniforme entre1yeltamaodelasecuencia.Seobtienendosvalores.
Punto1 Punto2

10

11

12

13

14

15

16

17

18

19

20

Padre 0

15 18

16

11 10 14 12 17 13

19

Hijo

0
1

4
2

5
3

2
4

9
5

7
6

15
7 8 9 10 11 12 13 14 15

12 17 13
16 17 18

3
19

19
20

Figura818.PrimerpasodeloperadorNCO(elaboracinpropia).

530

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

2. Setransfieretodalainformacingenticaquenoseencuentraentreelpuntodecorte 1yelpuntodecorte2,desdeelpadrehastaelhijo. 3. Lainformacingenticaqueseencuentraentreambospuntosdecorte,configurauna secuenciaparcialque,setransfieredesdeelpadrehastaelhijo,detalformaquela posicindelosgenesenelhijosecorrespondeconelordeninversodelaposicinde losgenesdelpadreenlasecuenciaparcial.

Punto1

Punto2

10

11

12

13

14

15

16

17

18

19

20

Padre 0

15 18

16

11 10 14 12 17 13

19

Hijo

0
1

4
2

5
3

2
4

9
5

7
6

15 14 10 11
7 8 9 10

6
11

16
12

8
13

1
14

18 12 17 13
15 16 17 18

3
19

19
20

Figura819.SegundopasodeloperadorNCO(elaboracinpropia).

Igual que en el caso del operador de cruce SB2OX, se debe considerar que la solucin est formadaporunasecuenciacclicaporloqueserefierealempleodelospuntosdecorte. Una vez finalizada la descripcin del el procedimiento de seleccin y cruce para el caso del operadorNCO,sedeberemarcarquesteseplanteaconundesconocimientopreviodecual puedesersucomportamiento,yporlotantosuaportacinalAlgoritmoGentico. La forma en la que se combinan ambos operadores de cruce, SB2OX y NCO, para realizar la funcin de cruce empleando cierta capacidad de aprendizaje se describe con detalle en el apartadosiguiente.

8.3.2.2.7.

SeleccindelosOperadoresdeCruce

Enesteapartadosedetallacomosedecidequeoperadordecruceseaplicaencadaocasin, cuestinqueesrelevantealdisponerdedosopciones.

531

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Se aborda el mtodo para la seleccin de los operadores de cruce dentro de la lgica establecida en el Algoritmo Gentico, esquematizada en la Figura 87. El mtodo que se proponesebasaendejarqueelAgenteSolucintengadisponiblesiemprelaopcindeaplicar eloperadordecruceSB2OXyNCO,peroquecadavezquetengaquerealizaruncruceevale cual es la opcin ms adecuada. Dicha evaluacin es realizada de forma individual por cada AgenteSolucin, y depende de lo que ste ha aprendido en funcin de su experiencia aplicandooperadoresdecruce.Conesteenfoquesepretendealinearlafuncionalidaddelos Agentes con sus caractersticas bsicas, y en este caso, con su autonoma y capacidad de aprendizaje. LaaplicacindelmtodoseiniciacuandoelAgenteSolucinrealizaunsorteoempleandouna distribucinuniformeentre0y1,paraobtenerunvalor.Elrango[0,1]sedivideendossub rangoscontinuos,elprimeroeseldefinidopor[0,factorlmite]yvinculadoaloperadorNCO,y el segundo es el definido por ]factor lmite, 1] y vinculado al operador SB2OX. Si el valor obtenido en el sorteo pertenece al primer subrango se aplica el operador NCO, y sino el operadorSB2OX.Lavariablefactorlmiteesdefinidaporelusuario,einicialmentetieneun valorde0.5paraelalgoritmoSMAGA.Porlotanto,inicialmenteambosoperadorestienenlas mismasoportunidadesdeseraplicados. Una vez se ha finalizado de aplicar el operador de cruce correspondiente, en funcin del sorteo,seguardaelvalordelmakespanobtenidoconlanuevasolucinviigeneradavinculadaal operadorconelquesehaobtenido.Asmismo,alfinalizarlaaplicacindeloperadordecruce, se verifica si se ha aplicado diez veces el operador NCO o SB2OX, si alguno de los dos ha alcanzadodichovalorseprocedeamodificarelvaloractualdelavariablefactorlmite.La modificacindelavariablefactorlmiteconsisteenincrementaren0.01unidadeselvalorsi se observa que el operador de cruce NCO ha obtenido un makespan medio mejor que el operadorSB2OX,promediandolosvaloresobtenidosdemakespandelasdiversassoluciones generadasdesdelaltimavezquesemodificelvalordedichavariable.Siporelcontrarioel operadorNCOhaobtenidounmakespanmediopeorqueeloperadorSB2OXentonceselvalor defactorlmitesereduceen0.01unidades.Unavezmodificadoelvalordefactorlmite losvaloresdemakespanobtenidoenelltimoperiodo(desdelaltimamodificacindelvalor de la variable factor lmite), se borran para iniciar otro periodo con una valoracin independientedelaanterior.

vii

Comosecomentarposteriormentelosoperadoresdecrucesloproporcionarnunasolucin.

532

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Comosehaindicadoenelprrafoanteriorlavariablefactorlmitevamodificandosuvalor deformaqueeloperadorconmejorcomportamiento,encuantoalvalordemakespandelas soluciones generadas, va progresivamente ampliando sus posibilidades de ser elegido. Para garantizarquelosdosoperadoresmantienenopcionesdeserseleccionadosencualquiercaso, yasdisponerdeinformacinsobresucomportamiento,sehaestablecidounacotainferiorde 0.1 y una cota superior de 0.9 para la variable factor lmite. Hay que destacar que al realizarseunavaloracindelcomportamientodelosoperadores,ymodificacindelavariable factorlmite,cadavezqueunoperadorseaplicadiezveces,esdecircuandoeloperadorde cruce se ha aplicado entre 10 y 20 veces, se garantiza que esta modificacin se realiza un nmeromuyelevadodeveces.Lafrecuenciaconlaqueserealizaelcambioenelvalordela variable factor lmite es importante, ya que una frecuencia baja impedira que el Agente Solucinseposicioneenelvalormsadecuadodeformarpida,impidiendodeesaforma,que eloperadorquemejorsecomportaobtuvieralacuotaquelecorrespondeduranteunperiodo significativo de la ejecucin del algoritmo, vindose de esa forma desvirtuado el enfoque propuesto. Para poder gestionar el proceso de aprendizaje, se ha creado un parmetro denominado Evolucin del Factor Lmite al cual el usuario puede darle el valor de activado o desactivado.Encasodeestaractivadoelvalordelfactorlmitesemodifica,talycomose haexplicado,enfuncindelaevolucindelosresultadosobtenidosenlaaplicacindecada operador de cruce. En caso, de estar desactivado el valor del factor lmite no se modifica nunca,yporlotanto,seconservaelvalorinicialde0.5.EnesteltimocasoelAgenteSolucin se considera que no aprende. El empleo de este parmetro permite al usuario utilizar de la formaqueconsideremsoportunoelalgoritmo,yenelcasodelaexperimentacin,permite analizarelcomportamientodelalgoritmoSMAGAenambassituaciones.

Ilustracin87.Pseudocdigocorrespondientealaseleccindeloperadordecruce(elaboracinpropia).

533

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Elpseudocdigocorrespondientealaaplicacindeloperadordecruce,quesepuedeverenla Ilustracin87,seeselqueserainvocadoporlafuncindenominadaCrucequeseemple enelprocedimientomodificadodeseleccinycrucedeprogenitoresdelaIlustracin85.

8.3.2.2.8.

AplicacindelosOperadoresdeCruce

En este apartado se describe el mtodo mediante el cual se realiza la incorporacin de la nuevaolasnuevassolucionesalapoblacin,esdecirmtodoparaelrelevogeneracional. SehadecidoqueenelalgoritmoSMAGAlosoperadoresdecrucegenerennicamenteuna solucin nueva o hijo. Como ya se explic en el apartado anterior el operador SB2OX proporciona dos soluciones nuevas, y el operador NCO slo una. Por lo tanto, es necesario establecer un procedimiento adicional de seleccin para el operador de cruce SB2OX, que permita escoger una de las dos soluciones generadas. En el caso del operador NCO no se necesita realizar ninguna modificacin por lo que se refiere al nmero de soluciones generadas. El mtodo propuesto para reducir la descendencia del operador SB2OX se ha diseado para que este en lnea con la filosofa que se propone para realizar el relevo generacional.Estafilosofaconsisteen: Intentarnorepetirsolucionesenlapoblacinconelobjetodeemplearelespacio desolucionesconelmayornmerodesolucionesdiferentes. Intentarrealizarunasustitucindesolucionesquepermitaqueelnivelpromedio debondaddelasmismasseacadavezmejor.Seproponesustituirlassoluciones existentes por otras mejores si es posible o por otras peores siempre que no se alejenmuchodelniveldebondadexistentes.Paradarunmargenenlaexploracin desolucionessepermitequeunasolucindadasecambieporotrapeor,siempre quenoexistamuchadiferenciaentreelfitnessdeambas.Estopermitequepueda producirse un relevo de soluciones incluso cuando estas estn muy prximas al ptimo, lo que permite seguir explorando el espacio de soluciones incluso en situacionesdondeesdifcilmejorar.

Cuando se plantea como objetivo no repetir soluciones se hace de una forma flexible. No repetir soluciones implica verificar si una secuencia nueva existe ya en la poblacin. Este procesoescomputacionalmentecostoso,porloquesehadecidorealizardichacomprobacin empleandosloelvalordelmakespanqueseobtieneconcadasolucin.Dichovalorsecalcula siemprequesegeneraunanuevasolucinporloquenosuponeuncosteadicionalexcesivo. Se sabe que dos soluciones pueden tener el mismo valor de makespan y poseer secuencias
534

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

diferentes,peroestasituacinesentrminosdeprobabilidadesbaja.Asumiendoelriesgode consideraradossolucionesigualessiendodiferentessehaoptadoporemplearelmakespan comomediodediscriminarentresoluciones. LamodificacinpropuestaparaeloperadorSB2OXconsisteenseleccionaralhijocuyovalorde makespanseamenorsiemprequedichovalornoseencuentrerepetidoenlosvecinosviiicon los que se comunica (izquierda, derecha, arriba y abajo). Si el valor el valor de makespan de ambos hijos se encuentra ya entre sus vecinos se elige como descendiente al de menor makespan. TantoenelcasodeloperadordecruceSB2OX,despusdelaseleccindeundescendiente, como en el caso del operador de cruce NCO, que slo proporciona un descendiente, es necesarioplantearsecualeseldestinodelmismo.EnelalgoritmoSMAGAsehadeterminado queelrelevogeneracionaldebeconsistirenlasustitucindeunasolucinexistenteporuna nueva solucin siempre que se cumplan una serie de requisitos. Los requisitos exigidos para realizarlamodificacindelasecuenciaquerepresentaalasolucinenunagentesolucinson los que deben garantizar la aplicacin de la filosofa propuesta para el relevo generacional. Estosson,porelordenindicado,lossiguientes: 1. Se verifica que el makespan de obtenido con la secuencia de la nueva solucin generada con el operador de cruce del AgenteSolucin en curso es diferente al de todossusvecinos.SeentiendoporvecinosdeunAgenteSolucindelamatrizbsicaa losAgentesSolucindelaizquierda,deladerecha,dearribaydeabajo.Sielvalordel makespanserepiteenalgncasosedescartaaldescendienteynoserealizaelrelevo generacional. 2. Sisehapasadoelfiltrodelpuntoanterior,severificaqueelvalordelmakespandela nueva solucin generada es menor o igual al valor corregido del makespan de la solucinactual.Seentiendeporvalorcorregidoamultiplicarelvalordelmakespanpor un factor denominado Factor Margen. El valor del margen siempre es mayor que uno,porloqueloquesehacemedianteestacomprobacinesverificarquelanueva solucin presenta un fitness mejor que la anterior o, en el caso de ser peor, se encuentraprximoalasolucinactual.Lavariablefactormargenesunparmetro quefijaelusuario,yqueserestablecidoenlafasedeParametrizacindelalgoritmo. En todo caso, es necesario resaltar que valores altos del factor margen implican

viii

Elconceptodeagentevecinoseabordaenelapartado8.3.2.2.2.

535

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica facilidad en el proceso de relevo generacional, y anlisis de un amplio espectro de soluciones,queincluyelassolucionesconbajaomuybajabondad.Lassolucionescuyo valor de makespan supera el valor corregido del makespan de la solucin actual son rechazadasynoserealizaelrelevogeneracional. 3. Sisehapasadolarestriccindelpuntoanterior,severificaqueelvalordelmakespan delanuevasolucinnoseencuentrerepetidoenelconjuntodelapoblacin,ynoslo enlosvecinos.Estarestriccinnoseaplicadeformaestricta.Dadoquesesabequelas soluciones que llegan hasta este punto son soluciones relativamente buenas se ha decidido realizar esta verificacin slo para las soluciones con un valor que se diferenciaconelvalordelmejormakespandelapoblacinactualenunmximodeK unidades. Se genera una lista de K valores cuyo valor ms bajo es el del mejor makespanconocidoenelconjuntodelapoblacin.Endichalista,inicialmentetodos losvaloresestnlibres.Siemprequeunasolucincumpleestarestriccinlasecuencia querepresentaalanuevasolucinsustituyealasecuenciaconlaqueAgenteSolucin en curso representaba a la solucin actual. Adems se anota que el valor correspondientealmakespandedichasolucinsehaocupadoparaqueningunaotra nuevasolucinconelmismovalorpuedaintroducirseenlapoblacin.Sielvalordel makespan alcanzado con la nueva solucin es mejor (menor) que el mejor valor obtenidoenelconjuntodelapoblacinlalistadevaloresocupadosseborra.Tambin se borra la lista cuando se realiza un proceso de reinicio de la poblacin. La informacin contenida en la lista es pblica y accesible para todos los Agentes Solucindelamatrizbase. EnlaFigura820semuestraunesquemadelapropuestaempleadaparalasustitucindela actualporunanuevadespusdeunaoperacindecruce.

536

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Obtenerelmakespandela secuenciaactual(mkA)yel conjuntodemakespans de susvecinosmkV

Obtenerlamakespandela secuencianueva(mkN)

Mantenersecuenciaactual

No

mkN pertenecea mkV ?

Si

mkN >factor margen*mkA ?

No Si
mkN pertenecea Listademejores makespans ?

No
Sustituirsecuenciaactual

Figura820.Diagramadeflujoparasustitucindelasecuenciaactualporunanuevadespusdeuncruce.

En la Ilustracin 88 se muestra el pseudocdigo asociado al mtodo de relevo generacional utilizado en los operadores de cruce. Dicho cdigo se corresponde con la invocacin de la funcinlogica_de_cruce_NCOolgica_de_cruce_SB2OXempleadoenlaIlustracin87.

537

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

//AplicacindelalgicadecruceNCO/SB2OX descendiente=nulo descendiente1=nulo descendiente2=nulo Si(NCO){ descendiente=operar(progenitorB) Mk=Calcularmakespan(descendiente) Si(existe_en_vecindario(Mk)==cierto)retorna } Si(SB2OX){ (descendiente1,descendiente2)=operar(progenitorA,progenitorB) //Eligeaunodelosdosdescendientes. Mk1=Calcularmakespan(descendiente1) Mk2=Calcularmakespan(descendiente2) Si(Mk1<=Mk2) descendiente=descendiente1 Mk=Mk1 Si((existe_en_vecindario(Mk1)==cierto)y(existe_en_vecindario(Mk2)=falso)){ descendiente=descendiente2 Mk=Mk2 } Si(Mk1<=Mk2) descendiente=descendiente1 Mk=Mk1 Si((existe_en_vecindario(Mk1)==cierto)y(existe_en_vecindario(Mk2)=falso)){ descendiente=descendiente2 Mk=Mk2 } } //Enestepuntoyasedisponedeunsolodescendientequenoseencuentraenelvecindario(enelcaso deSB2OXesposiblequesiseencuentre). Si(Mk>=makespan_actual*Factor_Margen)retorna Si(Esta_en_lista(Mk)==cierto)retorna //SIsehallegadohastaaqusecambialasecuenciaactualporlanuevasecuencia. Sustituye_secuencia(progenitorA,descendiente)

Ilustracin88.Pseudocdigocorrespondientealmtododerelevogeneracionaldelosoperadoresdecruce (elaboracinpropia).

Acontinuacinseilustrarelprocedimientodescritoparaelrelevogeneracionalmedianteun pequeo ejemplo. Supngase que disponemos de una poblacin formada por una matriz bsicadedimensin4x4,yqueenesteinstanteseestejecutandoeloperadordecrucesobre
538

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

elAgenteSolucin(2,2).LaFigura821seempleacomorepresentacingrficadedichamatriz base. Como se puede ver en la figura cada AgenteSolucin est identificado por una dupla, que indica la fila y la columna que identifica su posicin en la matriz, y dispone de un valor asociado que representa al makespan o fitness de cada AgenteSolucin. En el ejemplo, el AgenteSolucin (2,2) tiene asociado un makespan de 1.800 unidades. Considrese un valor delparmetrofactormargende1.05.Independientementedecualseaeloperadordecruce empleado. Supngase que ya se dispone de un descendiente, una nueva solucin, cuya evolucinanalizaremosenfuncindelosdiferentesvaloresquepuedealcanzarsumakespan. Supngase un valor de makespan de la nueva solucin de 2.015. El procedimiento de aplicacindeloperadordecruceharalosiguiente: 1. Es2.015diferentedelvalordemakespandelosAgentesSolucin(1,2),(3,2),(2,1)y (2,3)? La respuesta es s, ya que: AgenteSolucin (1,2)=1.580, AgenteSolucin (3,2)=1.980, AgenteSolucin(2,1)=2.050yAgenteSolucin(2,3)=2.030.Porlotanto, secontinaanalizandolasrestricciones. 2. Dadoqueelfactormargenes1.05,yqueelvaloractualdemakespanesde1.800, Elnuevovalordemakespanesinferiora1.800*1.05=1.890?LarespuestaesNo.Ypor lotanto,lanuevasolucinserechazaynoserealizarelevogeneracional.

1,1
2.115

1,2
1.580

1,3
2.100

1,4
1.700

2,1
2.050

2,2
1.800

2,3
2.030

2,4
1.900

3,1
1.750

3,2
1.980

3,3
1.975

3,4
2.070

4,1
1.650

4,2
2.200

4,3
1.850

4,4
1.590

Figura821.Ejemplodepoblacinconmatrizbasededimensin4x4(elaboracinpropia).

Supngase ahora que el valor de la nueva solucin es 1.845. Si se vuelve a aplicar el procedimientoobtenemos:
539

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 1. Es1.845diferentedelvalordemakespandelosAgentesSolucin(1,2),(3,2),(2,1)y (2,3)? La respuesta es s, ya que: AgenteSolucin (1,2)=1.580, AgenteSolucin (3,2)=1.980, AgenteSolucin(2,1)=2.050yAgenteSolucin(2,3)=2.030.Porlotanto, secontinaanalizandolasrestricciones. 2. Dadoqueelfactormargenes1.05,yqueelvaloractualdemakespanesde1.800, Elnuevovalordemakespanesinferiora1.800*1.05=1.890?LarespuestaesS.Porlo tanto,secontinaanalizandolasrestricciones. 3. Para un valor de K=500, El valor de makespan de la nueva solucin existe ya en la poblacincuyomakespanestcomprendidoentre[1.580+1,1.580+500]?.Paradicho casoseanalizalalistadevaloresocupados.EnlaFigura822seharepresentadouna listadevaloresocupadosquepodracorresponderalejemploencurso.Enlalistacada individuodisponedeunndicequevadesde1hasta500paradistinguirlos500valores queseanalizan,asmismoseindicaelvalordelmakespanconelquesecorresponde cadaelemento,yporltimoseindicamedianteuncolorverdequeelvalornohasido ocupadoyuncolorrojoqueyaexiste.
1 1581 2 1582 9 1589 10 1590 11 1591 69 1649 70 1650 71 1651 119 1699 120 1700 121 1701 169 1749 170 1750 171 1751 219 1799 220 1800 221 1801

264 1844

265 1845

266 1846

269 1849

270 1850

271 1851

319 1899

320 1900

321 1901

394 1974

395 1975

396 1976

397 1977

398 1978

399 1979

400 1980

401 1981

449 2029

450 2030

451 2031

469 2049

470 2050

471 2051

489 2069

490 2070

491 2071

498 2078

499 2079

500 2080

Figura822.Desplieguedelalistadeposicionesocupadasparalaaplicacindeloperadordecruce(elaboracin propia).

Como se puede ver la posicin correspondiente al valor de makespan 1.815, ndice 265, est libre, y por lo tanto, puede ser introducido en la poblacin. En estas condicioneslasolucinactualconvalor1.800essustituidaporlanuevasolucincon valordemakespan1.845,queespeorqueelanterior. Amododeilustracin,sedeberesaltarcomoenelejemploanteriorlosvaloresdemakespan 1.977y2.079,correspondientesconlosndices397,499respectivamente, estnocupadosy sinembargonosonvaloresexistentesenlaactualconfiguracindematrizbase.Estosedebea queelborradodelalista,esdecirconsideraratodoslosvalorescomolibres(colorverde)slo sehacecuandosemejorarelmakespanmsbajodelapoblacinoexisteunaregeneracinde
540

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

la poblacin. Por lo tanto, pueden existir valores de makespan que en su momento fueron consideradosperoquedespusfueronsustituidosporotrasolucin,ynoporellosuvalorha sidoliberadodelalista.Eselcasodelosndices397y499.Esnormalqueelnmerodevalores ocupadosenlalistaseasuperioraldeAgentesSolucindelamatrizbase.Estoimplicaqueno sloseimpidequeserepitaunvalordemakespanexistente,sinocualquiervalordemakespan yaanalizadodesdelaltimamejoradelmakespanoregeneracindelapoblacin. Una vez finalizada la ilustracin del funcionamiento del procedimiento de aplicacin del operador de cruce hay que indicar que existe una situacin en el que deliberadamente se replicalasecuenciadeunAgenteSolucin.Enelcasodequedespusdeaplicareloperador de cruce el valor de makespan generado sea menor que el menor valor de makespan de la poblacin dicha solucin de implanta en un AgenteSolucin de la matriz base elegido aleatoriamentedentrodeladiagonaldelamatrizbase.Estasecuenciasustituiralasecuencia quehubiesehastaesemomentoenelAgenteSolucinelegidoalazar.Larplicasehace,de forma excepcional, para facilitar la participacin en la evolucin gentica de un individuo consideradoexcelentehastaesemomento.Sesitaenladiagonaldelamatrizporqueasse evitarqueseaunvecinodelAgenteSolucinencurso,yporqueporotroladolaubicacinde steesindiferente. Porltimo,esbuenorecordar,paradisponerdeunaideadeconjunto,queparapoderrealizar todo este procedimiento de aplicacin del operador gentico es necesario que se inicie la operacindecruce,yqueparaqueestaseiniciehacefaltaqueelAgenteSolucinsupereun sorteovinculadoalfactorderiesgoyexplicadoenelapartado8.3.2.2.4.

8.3.2.2.9.

ElOperadordeMutacin

Eloperadordemutacinactadeformaanlogaalprocesodemutacingenticadelosseres vivos. La mutacin provoca el cambio de algn gen del individuo sobre el que se acta. El operador de mutacin, junto al operador de cruce, son dos herramientas tradicionales de exploracin de las soluciones en busca del ptimo. Suele emplearse en combinacin con el operadordecruceparaevitarconvergenciaprematuradelapoblacinporlaexistenciadeun individuodominante. Eloperadordemutacinsesuelecaracterizarporsermuchomssimplequeeloperadorde cruce, ya que suele conseguir su propsito con una sencilla operacin. Existen dos enfoques diferentesencuantoalaformadedecidirsiaplicareloperadordemutacin.Hayautoresque en una primera decisin determinan si una solucin en su conjunto debe mutar, y con una

541

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica segundadecisindeterminaquegensemodifica. Otrosautoresrealizanlatomadedecisin sobrecadagen,estableciendoenesemomentosiserealizauncambioonosobredichogen. As mismo, por lo que se refiere a la forma de aplicar la mutacin, existen tambin dos enfoquesdiferenciados.Porunlado,estnlosautoresquealaplicareloperadorrealizanuna simplemodificacinenelvalordelgenogenes.Porotrolado,existenautoresqueaplicanun cambioenlaposicindelosindividuos.Porejemplo,(Zhong,W.C.etal.2004)optanporel primer enfoque, mientras que (Ruiz, R. 2003) opta por el segundo. Hay que tener en cuenta que la presentacin de las soluciones escogida condiciona en muchos casos el tipo de aplicacin del operador de mutacin. Una representacin ordinal impide la aplicacin de la mutacin por modificacin del valor del gen, ya que se pueden producir soluciones con secuenciasnofactibles. El operador de mutacin propuesto se basa en intercambio de posiciones, y la toma de decisionessobresuaplicacinesmixta,yseexplicarcondetenimientoposteriormente.Dicho operador consiste en una adaptacin propia del operador de mutacin por intercambio adyacente analizado por (Ruiz, R. 2003). En este caso se permite que el intercambio de posiciones se realice entre individuos prximos aunque no necesariamente adyacentes. En operadordemutacinporintercambioenproximidadconsistequedadoungencuyaposicin en la secuencia es la i, selecciona a otro gen con posicin j situado en una posicin aleatoriaentre[i+1,i+3].Enelclculodelaposicindelgenjsesuponequelasecuenciaen cclica,yquesiexistenntrabajoslaposicinn+1delasecuenciaeslaposicin1.
Posicinj Posicini

10

11

12

13

14

15

16

17

18

19

20

15 18

16

11 10 14 12 17 13

19

13
1

4
2

5
3

2
4

9
5

7
6

15 18
7 8

1
9

8
10

16
11

6
12

11 10 14 12 17
13 14 15 16 17

0
18

3
19

19
20

Figura823.Mutacinporintercambioenproximidad(elaboracinpropia).

En la Figura 823 se puede ver un ejemplo de aplicacin del operador comentado para una solucincon20trabajos.Enestecasodadoelgeni,siendosteelqueocupalaposicin18, se ha elegido aleatoriamente al gen j, en este caso el que ocupa la posicin 1 (i+3). La informacindelgen18sehatransferidoalgendeposicin1yviceversa.
542

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Porloqueserefierealamaneradetomarladecisinsobresuaplicacin,staeshbridacomo se ha dicho anteriormente. Ello quiere decir que existe un doble proceso de toma de decisiones.Existeunniveldedecisingeneralqueafectaalconjuntodetodoslosgenes,yun niveldetomadedecisionesqueserealizasobrecadagen.Laprimeradecisinquesetomaes laqueafectaalconjuntodelasolucin.Estadecisinseadoptaeligiendounnmeroalazar medianteunadistribucinuniformeentre0y1.Sidichonmeroesmenorqueelvalordeun parmetro previamente establecido, al que se le domina tradicionalmente factor de mutacin, entonces se aplica un segundo nivel de toma de decisiones. Este segundo nivel tienecomofindecidirsobrequegenseaplicaeloperadordemutacin.Paraelloseleasignaa cadagenunvaloridntico,quecoincideconunacuotaalcuotadelaunidad,yposteriormente se realiza una seleccin aleatoria de un valor basado en una distribucin uniforme comprendida entre 0 y 1. Si el valor obtenido aleatoriamente es inferior al valor asignado entonces se aplicar el operador de mutacin sobre el gen en curso en otro caso no. En la Ilustracin 89 se muestra el pseudocdigo donde se donde se desarrolla el procedimiento paralaaplicacindeloperadordemutacin.

Ilustracin89.Pseudocdigocorrespondientealprocedimientoparalaaplicacindeloperadordemutacin (elaboracinpropia).

Un valor bajo en el parmetro factor de mutacin implica reducidas posibilidades de aplicarlo, mientras que un valor alto implica mayor posibilidad de hacerlo. En general, los Algoritmos Genticos suelen asignarle un valor a dicho parmetro bastante menor que el factordecruce.Entodocaso,suvalordebeajustarseparaalcanzarsufin,esdecirregularla presingenticaparaevitarlaconvergenciaprematurafavoreciendolaexploracindeespacio de soluciones. La asignacin de los valores de dicho parmetro en SMAGA se realizar posteriormentemedianteunajusteparamtrico.

Otro aspecto a tener en cuenta durante la aplicacin del operador de mutacin es como se realizaelrelevogeneracional,delamismaformaqueseplanteeneloperadordecruce.En estecasosetratadedecidirsilanuevasecuencia,lasecuenciamutada,debesustituironoala secuencia actual. Con el fin de seguir manteniendo la filosofa establecida para el relevo
543

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica generacionaldescritoenelapartadocorrespondiente,peroalmismotiemponodificultaren exceso el proceso de mutacin, se ha definido un conjunto de restricciones muy similares, peronoiguales,alasmencionadas.Estasson:

1. Se verifica que el makespan de obtenido con la secuencia mutada generada con el operador de mutacin del AgenteSolucin en curso es diferente a la de todos sus vecinos. Se entiende por vecinos de un AgenteSolucin de la matriz bsica a los AgentesSolucin de la izquierda, de la derecha, de arriba y de abajo. Si el valor del makespanserepiteenalgncasosedescartaaldescendienteynoserealizaelrelevo generacional. 2. Sisehapasadolarestriccindelpuntoanterior,severificaqueelvalordelmakespan delanuevasolucinnoseencuentrerepetidoenelconjuntodelapoblacin,ynoslo enlosvecinos.Estamedidaseaplicaexactamenteigualqueenelcasodeloperadorde cruce. 3. Si se ha pasado el filtro del punto anterior, se verifica si el valor del makespan de la solucinactualesmenoroigualalvalorcorregidodelmakespandelamejorsolucin delapoblacin,yentoncessloserealizaelrelevosilasecuenciamutadapresentaun makespanmejorqueeldelasecuenciaactual.Sielvalordelmakespandelasolucin actual es mayor que el valor corregido del makespan de la mejor solucin de la poblacin,entoncessloserealizaelrelevogeneracionalsielmakespandelanueva solucinesmenorqueelvalorcorregidodelmakespandelasolucinactual.Enambos casossedebeentenderqueelvalorcorregidoeslamultiplicacindelvalorindicado porlavariableFactorMargen,yamencionadaenelcasodeloperadordecruce.Un resumenvlidoparaestaltimarestriccinesquesilasolucinperteneceaungrupo deliteslosecambiasilanuevasolucinesmejor,sinosepermiteelcambioaunque empeorelasolucinactualsiemprequelohagadentrodeunmargendeproximidad razonable. En la Ilustracin 810 se resume, mediante un pseudocdigo, la aplicacin del conjunto de restricciones descrito anteriormente. Dicho cdigo se corresponde con la ejecucin de la funcinoperadordemutacinindicadaenlaIlustracin89.

544

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Ilustracin810.Pseudocdigocorrespondientealmtododerelevogeneracionaldeloperadordemutacin (elaboracinpropia).

8.3.2.2.10.

AprendizajeGentico

SedenominaaprendizajegenticoalaetapadelAlgoritmoGenticoplanteadoenlacualse realizaunanlisisexploratoriodelespaciodesolucionesenelentornodeunasolucindada. En cada generacin se desarrolla dicha actividad para cada uno de los AgentesSolucin que componen la matriz base. Este aprendizaje ya se planteaba en el algoritmo desarrollado por (Zhong,W.C.etal.2004),yloquesehahechoesrescatardichaideaparaincorporarlaala propuestaactual.Lapropuestade(Zhong,W.C.etal.2004)consisteengenerarunapoblacin inicial a partir de la secuencia de un AgenteSolucin dado y aplicar sobre ella el algoritmo SMAGA simplificado. Se trata de ejecutar un Algoritmo Gentico dentro de otro, donde ademsambosalgoritmossonmuysimilares.EnlaFigura824semuestraunresumendelas etapasenlaquesedivideelprocesodeaprendizajegenticooSMAGAreducido.

GenerarPoblacinInicial APartirdelaSolucin Actual

ElegirlaMejorSolucinObtenida

Si SeleccinProgenitorBy OperarCruce No
Secumplela condicinde parada?

OperarMutacin

Figura824.Esquemageneraldelosprocesoscorrespondientesalprocedimientodeaprendizajegentico(basado en(Zhong,W.C.etal.2004))

545

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica El algoritmo SMAGA simplificado que se aplica en esta etapa, y al que denominaremos procedimientodeaprendizajegentico,sehaadaptadoparatrabajarcon: Unapoblacinmsreducidaformadaporindividuosmuysimilaresgenticamente, yqueprocedentodosdeunamismasecuenciacuyoespaciodesolucionessedesea explorar. Sinunaetapadeaprendizajegentico.Elprocesodeaprendizajegenticonovuelve aincluirasuvezotroprocesodeaprendizajegentico. Con un conjunto de operadores de generacin de la poblacin, cruce y mutacin sobre los que se han realizado modificaciones que slo afectan a esta etapa. Normalmente estas modificaciones han sido en un sentido tendente a reducir complejidady/orestricciones.

Lasmodificacionesrealizadassehanintroducidodebidoaqueelprocesodeaprendizajetiene un objetivo exploratorio en un espacio de soluciones reducido. En este aspecto es menos ambicioso, y por lo tanto busca un enfoque primado por una ejecucin de corta duracin, y con la mayor libertad de accin posible. Este enfoque debera implicar la eliminacin de algunas restricciones que se han planteado hasta el momento. Tambin ha influido en la modificacinelaspectorelacionadoconelesfuerzocomputacional.Hayquetenerencuenta este procedimiento se podra ejecutar tantas veces como AgentesSolucin hay en una poblacin, y tantas generaciones como se produzcan. Esto podra implicar multiplicar por el tamaodelapoblacineltiempodeejecucindelalgoritmo. ConelfindereducirelnmerodeAgentesSolucinsobrelosqueseaplicaelprocedimiento deaprendizajegentico,yporconsiguientereducirelesfuerzocomputacionaldedicadoaesta tarea, se han impuesto unas condiciones que deben ser verificadas antes de proceder su aplicacin.Enconcretosedebeverificarqueelvalordelmakespandelasolucinencursoes menoroigualalvalorcorregidodelmakespandelamejorsolucinexistenteenlapoblacin. Se entiende por valor corregido a multiplicar el valor del makespan por factor margen. La variable factor margen es el mismo parmetro definido para los operadores de cruce y mutacin. Con este filtro se impide que soluciones que no se encuentra entre las mejores, hastaesemomento,inicienunprocesodeaprendizaje.Estaaccinserealizabajolasuposicin de que a partir secuencias malas es difcil llegar a secuencias buenas, lo cual es difcil de afirmarcuandoelnmerodegeneracionesesbajo,peromsacertadocuandoelnmerode generacioneseselevado. Una vez descrito el criterio para la aplicacin del procedimiento se va a proceder a explicar brevemente cada unas las acciones o mdulos en los que se ha dividido, tal y como se ha
546

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

hecho con el resto del algoritmo. Para ello se va a seguir el enfoque conceptual comentado basado en la Figura 824. La propuesta de procedimiento de aprendizaje gentico que se realizaenestetrabajosediferenciadelade(Zhong,W.C.etal.2004)enlaimplementacin queserealizadelasdiferentesfuncionalidadesdelalgoritmoencadacaso. GenerarPoblacin El nuevo Algoritmo Gentico establece su propia poblacin, que se estructura tambin en AgentesSolucinqueformanunamatrizdetamaosLxsL.Paradiferenciarladelamatrizbase oprincipalaestanuevamatrizseledenominamatrizdeaprendizaje.Elvalorestablecidopara sL es 4 en este caso. Se ha considerado que este tamao permite alcanzar una velocidad de ejecucinaltaalmismotiempoqueseexaminaunconjuntoelevadodesolucionesprximasa lasolucinoriginal. Para originar las secuencias que van a representar a las soluciones de los diecisis nuevos AgentesSolucin que forman parte de la matriz de aprendizaje no se emplea el algoritmo vorazcomosehacaenelcasogeneral.Eneste caso,seelijela secuenciaquerepresentaal AgenteSolucin para el cual se realiza el aprendizaje gentico, y se realizan diversas modificacionessobrelamismahastadotaracadaAgenteSolucindelamatrizdeaprendizaje deunasecuencia.Elprocedimientoempleadoseraelsiguiente: 1. Enlaprimeracolumnadelamatrizdeaprendizajeelelementodelaprimerafilaesuna copialasecuenciadelAgenteSolucinparaelcualserealizaelprocesodeaprendizaje gentico. Para obtener la secuencia de la fila 2 se realiza un desplazamiento a la derecha de la secuencia empleada en la fila 1, ver Figura 825. Para obtener la secuencia de la fila 3 se realiza un desplazamiento a la izquierda de la secuencia empleadaenlafila1,verFigura826.Paraobtenerlasecuenciadelafila4serealiza un intercambio entre las posiciones pares e impares de la secuencia empleada en la fila1,verFigura827.

10

11

12

13

14

15

16

17

18

19

20

14

19 11

13 16 15 10

18 17

12

10

11

12

13

14

15

16

17

18

19

20

12 14

19 11

13 16 15 10

18 17

Figura825.Desplazamientoaderechasdelasecuenciaoriginalparalaobtencindelelementodelafila2 (elaboracinpropia).

547

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

14
1

3
2

9
3

7
4

8
5

19 11
6 7

6
8

13 16 15 10
9 10 11 12

5
13

18 17
14 15

2
16

1
17

4
18

0
19

12
20

19 11

13 16 15 10

18 17

12 14

Figura826.Desplazamientoaizquierdasdelasecuenciaoriginalparalaobtencindelelementodelafila3 (elaboracinpropia).

10

11

12

13

14

15

16

17

18

19

20

14
1

3
2

9
3

7
4

8
5

19 11
6 7

6
8

13 16 15 10
9 10 11 12

5
13

18 17
14 15

2
16

1
17

4
18

0
19

12
20

14

19

11 16 13 10 15 18

17

12

Figura827.Intercambiodeposicionespareseimparesdelasecuenciaoriginalparalaobtencindelelementode lafila4(elaboracinpropia).

2. Enelrestodecolumnasdelamatrizdeaprendizajeelelementodelaprimerafilase obtienemedianteunintercambioaleatorioentredosposicionesdelasecuenciadela columna1,fila1,verFigura828.Paraobtenerlassecuenciasdelrestodefilasdecada columna se realizan las mismas operaciones que en la columna uno, es decir: Para obtener la secuencia de la fila 2 se realiza un desplazamiento a la derecha de la secuencia empleada en la fila 1. Para obtener la secuencia de la fila 3 se realiza un desplazamiento a la izquierda de la secuencia empleada en la fila 1. Para obtener la secuenciadelafila4serealizaunintercambioentrelasposicionespareseimparesde lasecuenciaempleadaenlafila1.Siempretomandocomoreferencialafila1decada columna.

10

11

12

13

14

15

16

17

18

19

20

14

19 11

13 16 15 10

18 17

12

10

11

12

13

14

15

16

17

18

19

20

14

19

13 16 15 10

18 17

11

12

Figura828.Intercambiodedosposicionesdelasecuenciaoriginalparalaobtencindelelementodelafila1,en lascolumnas2,3y4(elaboracinpropia).

548

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Conestapoblacininicialloquepretendeesobtenerunconjuntodesolucionesmuysimilares alasolucinqueseestanalizando,ydelacualsedeseaexplorarunespaciodesoluciones prximo.Noimportasiconvergeenunptimolocal,yaqueenrealidad,eseeselobjetivo. OperadordeCruce En el caso del proceso de aprendizaje gentico no se da opcin a que los Agentes aprendan cualpuedesereloperadordecrucemsrecomendableenfuncindesuexperiencia.Estoes asdebidoaquesepreveeunaaplicacinenlaqueseobtendrnpocasgeneraciones,yporlo tantolaexperienciaquepuedeacumularlapoblacinesreducida,yquizspocosignificativa. Lomsinteresanteenestecasoesaplicarunoperadorrpidoensuejecucinyqueporsus caractersticastiendaaconvergerrpidamenteaunptimolocal.Enestecasosehaoptado poraplicareloperadorNCO,yaquedelosdosdescritospareceseruncandidatoqueencaja bastantebienconlosrequerimientos. El operador de cruce NCO que se emplea tiene un funcionamiento idntico en cuanto a la generacindesoluciones.Noobstante,enloquealaaplicacindelmismoenrelacinconel relevogeneracionalexisteunadiferencia:Nosegestionaningunalistadevaloresocupados,y por lo tanto, los valores de makespan de la poblacin, y en general las secuencias de las soluciones, se pueden repetir. El resto de condiciones que se deben cumplir para realizar el relevogeneracional,descritasenelapartado8.3.2.2.8,sedebencumplir. OperadordeMutacin El operador de mutacin que se emplea tiene un funcionamiento idntico al descrito en el apartado8.3.2.2.9encuantoalageneracindemodificacionesenlasecuencia.Noobstante, en lo que a la aplicacin del mismo en relacin con el relevo generacional existe una diferencia. No se gestiona ninguna lista de valores ocupados, y por lo tanto, los valores de makespandelapoblacin,yengenerallassecuenciasdelassoluciones,sepuedenrepetir.El restodecondicionespararealizarelrelevogeneracional,descritasenelapartado8.3.2.2.9,se debencumplir. CondicindeFinalizacin La condicin de finalizacin o fin del algoritmo del procedimiento de aprendizaje se ha establecido en funcin de la capacidad de mejora de las soluciones encontradas. El procedimiento finalizar cuando se contabilice un nmero de generaciones determinado sin

549

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica mejorarlamejorsolucinalcanzaenuninstantedado.Dichovalorserestablecidoenlafase deparametrizacin. RelevoGeneracional Se debe entender por relevo generacional a la decisin que se debe tomar una vez ha finalizado el procedimiento de aprendizaje gentico, y se ha obtenido una solucin, posiblemente diferente de la original. Una vez el procedimiento de aprendizaje gentico ha terminadosteproporcionarunasecuenciaquesecorresponderconlasolucindemenor makespanencontradadurantelaejecucindel mismo.Dichasolucinpodr sermejor,igual que la solucin inicial, ya que el proceso de aprendizaje debe garantizar que el makespan nuncaempeorar.Entodocaso,sedebedecidirsilasolucinobtenidasustituyealaoriginalo no. Igual que ocurra en los procesos de cruce y mutacin se han establecido una serie de condiciones para realizar el relevo generacional. Se entiende que si la mejor solucin encontrada en el proceso de aprendizaje gentico cumple una serie de condiciones, sta ocupar el lugar de la actual solucin. Las condiciones son las mismas que se establecieron paraeloperadordecrucegeneral,esdecir: 1. Severificasielmakespandeobtenidoconlasecuenciadelanuevasolucingenerada conelprocesodeaprendizajegenticodelAgenteSolucinencursoesdiferentealde todos sus vecinos. Si el valor del makespan se repite en algn caso se descarta la solucinencontrada,ynoserealizaelrelevogeneracional. 2. Sisehapasadoelfiltrodelpuntoanterior,severificaqueelvalordelmakespandela nueva solucin generada es menor o igual al valor corregido del makespan de la solucinactual.Seentiendeporvalorcorregidoamultiplicarelvalordelmakespanpor factormargen.Lavariablefactormargeneselmismoparmetrodefinidoparalos operadoresdecruceymutacin. 3. Si se ha superado la restriccin del punto anterior, se verifica que el valor del makespan de la nueva solucin no se encuentre repetido en el conjunto de la poblacin, y no slo en los vecinos. Para ello se emplea la lista de valores ocupados queyahasidocomentadayempleadaenlosoperadoresdecruceymutacin. Asuvez,enesteprocedimientoseproducelaactualizacindedosvariablesqueseemplean endiferentesetapasdelalgoritmo.Enprimerlugar,elfactorRiesgoMnimovuelveatomar
550

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

su valor original para el AgenteSolucin en curso, slo por el hecho de encontrar, en el proceso de aprendizaje, una solucin diferente que la actual. Esto se hace as porque se consideraquesisehapodidoencontrarunasolucindiferente,esnecesariamenteporquees mejorquelaactual,yesosignificaqueelmaterialgenticoquesecontieneendichasecuencia tiene en potencia capacidad de generar soluciones mejores. Por este motivo se restituye el valor original de riesgo mnimo para favorecer la aplicacin del operador de cruce. En segundolugar,siseproduceunasustitucinquelleveacarreadalamejoradelamejorsolucin delapoblacinseborralalistadevaloresocupados.

8.3.2.2.11.

OperadordeReiniciodelaPoblacin

Laoperacindereiniciodelapoblacinesaquellaporlacualgranpartedelassecuenciasque representanalassolucionesdelapoblacinsonreemplazadasporotrasnuevas.Elobjetivode este operador es crear un cambio sustancial en la composicin de la poblacin que permita que el algoritmo salga de un ptimo local en el que puede haberse situado. Los Algoritmos Genticossuelentenderahomogeneizarlacomposicindelapoblacinllegandoacentrarsu exploracin en un rea muy reducida del espacio de soluciones. Para evitar esta situacin, entreotrasaccionessueleserrecomendableaplicarunoperadordereiniciodelapoblacin. Esteoperadorseaplicacuandosedetectaquelamejorsolucindisponibleenelconjuntode lapoblacinnosehamodificadoenunnmerodeterminadodeiteraciones.Adichonmero deiteracionesdelehadenominadoGeneracionessinMejora,considerndolounparmetro que debe introducir el usuario. Dicho parmetro ser seleccionado en la etapa de parametrizacindelalgoritmo.Unavezquesehaalcanzadoelvalorumbraldegeneraciones sinmejorar,eloperadordereinicio,seaplicaatodosloselementosdelapoblacindeforma secuencial,talycomoserepresentaenlaFigura88.Setratadeiranalizandoacadaunode los AgentesSolucin, y si cumple los requisitos establecidos, se genera una nueva secuencia quesustituyealaactualendichoAgenteSolucin. Elprocedimientoporelcualseobtienelanuevasecuenciaeselmismoqueseestablecipara la generacin de la poblacin inicial, descrito en el apartado 8.3.2.2.3. Pero como ya se ha dicho, antes de obtener una secuencia es necesario saber si el AgenteSolucin en cuestin cumplelosrequisitos.Estossonlossiguientes: 1. SielmakespandelasolucindelAgenteSolucinesmayorqueelvalorcorregidodel makespan de la mejor solucin de la poblacin, se genera siempre una nueva secuencia,ysesustituyelaactualporlanueva.

551

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 2. En caso de no cumplirse la restriccin anterior, se realizar un sorteo en el cual el AgenteSolucin tiene un 70% de posibilidades de ser ganador. Si el AgenteSolucin ganasegeneraunanuevasecuencia,ysesustituyelaactualsecuenciaporlanueva.En cualquierotrocaso,noserealizaningncambioenelAgenteSolucinencurso. Hayquerecordarquesiseiniciaelprocesodereiniciodelapoblacin,independientemente de cuantos individuos sean sustituidos, la lista de valores ocupados que se emplea en el operadordecruceydemutacinseborra.

Ilustracin811.Pseudocdigoparalaaplicacindeloperadordereiniciodelapoblacin(elaboracinpropia).

LaIlustracin811contieneelpseudocdigocorrespondientealaaplicacindeloperadorde reinicio. Con las restricciones impuestas para realizar el cambio de secuencia, se pretende reservar algunas de las soluciones de mejor calidad para no iniciar una nueva fase con la mismainformacingenticaquesetenaenelinstanteinicial.Engeneral,enunprocesode sustitucinsedebeverificarquenoeliminaalamejorsolucindelapoblacin.Estotambin ocurreenelprocedimientodereinicioparaprevenirlaprdidadelmejormakespandetodala poblacin.

552

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

8.3.2.3 ImplementacindelAlgoritmo Para la implementacin del algoritmo SMAGA ha sido necesario combinar dos elementos fundamentales:UnLenguajedeProgramacinyunaPlataformadeAgentes. ElalgoritmoSMAGAhasidoimplementadoutilizandoellenguajedeprogramacinJAVApara sudesarrollo,enconcretosehautilizadoelentornodedesarrollodelibredistribucinECLIPSE versin3.4,disponibleenhttp:\www.eclipse.org\platform.Sehaseleccionadoellenguajede programacin JAVA por ser en el cual estn desarrollando la mayora de las Plataformas de Agentes que se han encontrado. Esta eleccin permite la posibilidad de realizar cambios futurosenlaPlataformadeAgentesconunamenorinversindetiempo. En cuanto a la Plataforma de Agentes seleccionada esta ha sido JADE, en concreto se ha empleadolaversin3.5.EstaPlataforma,comoyasecomentenelcaptulo4,esunadelas ms completas en cuanto a funcionalidad proporcionada, al mismo tiempo que cumple los estndaresinternacionalesqueregulaneldesarrollodeaplicacionesconAgentes. El proceso de desarrollo se puede considerar como relativamente rpido dentro de la dificultad. Se destaca como la comprensin del funcionamiento asncrono de los Agentes ha sido el aspecto en el que ha sido necesario invertir ms tiempo. Durante el proceso de implementacinsedesarrollaronvariasversionesparciales(borradores)delalgoritmoSMAGA, cadaunadelascualessuponaunamejorasobrelaanterior.

8.4

DesarrollodelDiseoExperimental

Una vez diseado e implementado el algoritmo SMAGA propuesto para realizar la Programacin de la Produccin Predictiva, en un Taller de Flujo Hbrido con Tiempos de CambiodePartidaDependientesdelaSecuencia,yqueporlotantoestdisponibleelobjeto de anlisis, es cuando el experimentador est en condiciones de seguir desarrollando los diferentespasosdequeconstaeldiseoexperimental.Serecuerdaqueelprimerpasoyase hadesarrollado,dadoquesetratabadeentenderelproblema,sinelcualnosehubierapodido implementarelalgoritmoSMAGA.Elsiguientepasoconsisteenestablecerlosparmetrosque potencialmentepuedeninfluirenelproceso,aspectoquesedesarrollarenelapartado8.4.1, posteriormenteseestablecerunplanexperimental,aspectoqueseabordarenelapartado 8.4.2, y el ltimo paso del proceso de experimentacin consistir en el anlisis de los resultadosobtenidos,queserealizarenelapartado8.4.4.

553

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

8.4.1 Parametrizacin
En este apartado se desarrolla en segundo paso de los cinco de que consta el diseo de experimentos, tal y como se defini en el apartado 8.2.3. Se trata de de identificar aquellos factores que se consideran relevantes o que potencialmente pueden influir en la funcin objetivo que se desea estudiar. En este caso los factores se han expresado en forma de parmetros. Dado que durante la descripcin del algoritmo se han introducido un amplio conjunto de parmetros lo primero que se presenta es un resumen de los mismos. Se puede decir que stossedividenendosgrupos:Parmetrosfijosyparmetrosajustables. Los parmetros fijos son aquellos para los cuales se ha decidido establecer un nico valor, y queporlotantonoesnecesarioexaminaralternativasposibles.EnlaTabla810semuestra unarecopilacindeaquellosparmetrosquesehanconsideradosfijos.Enlatablasemuestra elnombredelparmetro,elprocesoalqueestvinculadoyelvalorasignado.

ParmetrosFijos TamaodelaMatriz

ProcesoalqueestVinculado Establecimientodelapoblacin

ValoresEstablecidos

Matrizbase(LxL):6x6 MatrizAprendizaje(sLxSL):4x 4 CuotadeDominio Algoritmo de generacin de 0,8 soluciones(Kauffman) EvolucindeRiesgoMnimo Aplicacin del operador de Permite primar las soluciones cruce. nuevasfrentealresto. Valores Iniciales del Factor de Restriccin en la aplicacin del (0,2, 0,4, 0, 6 y 0,8) elegidos Riesgo operadordecruce. aleatoriamente ValordelareduccindelFactor Restriccin en la aplicacin del 0,05encadageneracin deRiesgo operadordecruce. ValorInicialdelFactorLmite Seleccindeloperadordecruce. 0,5 Valor de Incremento del Factor Seleccindeloperadordecruce. 0,01 Lmite CotaInferiordelFactorLmite Seleccindeloperadordecruce. 0,1 CotaSuperiordelFactorLmite Seleccindeloperadordecruce. 0,9 Longitud de la Lista de Valores Relevogeneracional 500 Ocupados Condicin de Finalizacin del Aprendizajegentico 0,5*GsM AprendizajeGentico (GsM est definido en la tabla deparmetrosajustables)
Tabla810.Conjuntodeparmetrosfijos(elaboracinpropia).

554

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

DelamismaformaenlaTabla811semuestraunarecopilacindetodoslosparmetrosque sehanconsideradoajustables,yqueporlotantonecesitandeunanlisisparaidentificarcual es la respuesta del algoritmo SMAGA frente a diversos valores. En el caso de la tabla de parmetrosajustablessedetallaelnombredelmismo,elprocesoconelquetienerelacin,y elobjetivoquesepersigueconste.
ProcesoalqueestVinculado Objetivo Aprendizaje en la aplicacin del Permitironoelaprendizaje Algoritmo de generacin de soluciones(AlgoritmoKauffman). EvolucindelFactorLmite Aplicacin de la seleccin del Permitironoelaprendizaje operadordecruce.Aprendizajeen laaplicacindeloperadordecruce (NCO/SB2OX) EvolucindeRiesgoMnimo Aplicacindeloperadordecruce. Permite primar las soluciones nuevasfrentealresto. RiesgoMnimo(RM) Restriccin en la aplicacin del Establece un valor mnimo, es operadordecruce. decir, la probabilidad ms baja que se puede asignar para permitironouncruce. Generaciones sin Mejora Se aplica en el operador de Indica cada cuantas (GsM) Reinicio generaciones sin mejorar el mejor resultado se reinicia la poblacin. FactordeMutacin(FdM) Restriccin en la aplicacin del Establece un valor relacionado operadordemutacin. conlaprobabilidadenbaseala cual se permitir o no mutar a unasolucin. FactorMargen(FmG) Aplicacindeloperadordecruce y Restringe el mbito de mutacin. exploracin de las nuevas soluciones respecto las solucionesexistentes.
Tabla811.Conjuntodeparmetrosajustables(elaboracinpropia).

ParmetrosAjustables GeneradorDinmico

Antesdeconsiderarlosvaloresqueseanalizarnparacadaparmetroajustableesnecesario precisar,queconelfinderealizarunestudiomsclaro,sehanconsideradodosversionesdel algoritmo SMAGA, en funcin de los valores asignados a dicho conjunto de parmetros: SMAGA1ySMAGA2.Estadivisinsejustificadebidoaqueenlafasedeanlisiscomparativo, que se realizar posteriormente, se desea contrastar los resultados que se obtengan con la nuevapropuestaensuversinsinaprendizaje,yenlaversincompletaconelempleodelas capacidades de aprendizaje. Desde el punto de vista del paradigma de los Sistemas Multiagente, se puede decir que la no incorporacin de los procesos de aprendizaje en el
555

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica algoritmo SMAGA equivale, en este caso concreto, al desarrollo de un software basado en Agentes,peronoaunsoftwarebasadoenunSistemaMultiagenteix.Aunqueenamboscasos sediseanlaspropuestasenbasealascaractersticaselementalesdelosAgentes,ladiferencia fundamentalesquelosprimerosnocontemplan,nieneldiseonienlaimplementacin,las conductas sociales propias de la pertenencia a un grupo, que es precisamente una de las caractersticasquesedeseabaincorporaralapropuestaquesepresenta. Se denomina algoritmo SMAGA1 a la versin que considerar las opciones indicadas en la columnacorrespondientedelaTabla812.Setratadeunalgoritmoquenoaplicaningunade las capacidades de aprendizaje incorporadas al Sistema Multiagente, excepto el proceso de aprendizajegentico,queesimplcitoalalgoritmoy,quesiempreserealiza.Porestemotivo los parmetros Generador Dinmico, Evolucin del Factor Lmite y Evolucin del Riesgo Mnimo estn siempre desactivados, al mismo tiempo que el parmetro Riesgo Mnimo (RM) no necesita tener asignado ningn valor, al no realizarse modificaciones en la variable factor riesgo. Se denomina SMAGA2 a la versin del algoritmo que aplica todas las capacidadesdeaprendizaje,porloquelosparmetrosGeneradorDinmico,Evolucindel Factor Lmite y Evolucin del Riesgo Mnimo estarn siempre activados. As mismo, el parmetro Riesgo Mnimo (RM) debe disponer de un valor, permitindose que la probabilidaddeaplicacindeloperadordecrucesereduzca,bienhastael20%,obienhastael 40%.SMAGA1serconsideradocomounsistemabasadoenAgentes,situadoenunescaln inferior o menos desarrollado desde el punto de vista de la tecnologa de Agentes, que SMAGA2queseconsiderarunSistemaMultiagente. Valores de los Parmetros Ajustables GeneradorDinmico EvolucindelFactorLmite EvolucindeRiesgoMnimo RiesgoMnimo(RM) GeneracionessinMejora(GsM) FactordeMutacin(FdM) FactorMargen(FmG) SMAGA-1 Desactivado Desactivado Desactivado Valores Valores Valores SMAGA-2 Activado Activado Activado Valores SMAGA1 SMAGA1 SMAGA1

Tabla812.EstructuradelosfactoresajustablesparalosalgoritmoSMAGA1ySMAGA2(elaboracinpropia).

ix

La diferencia entre un algoritmo basado en agentes y uno basado en un Sistema multiagente se describeenelcaptulo4.

556

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Ademsdelosparmetrosquediferencianaambosalgoritmos,existenotrosparmetros,que debenajustarse.ComosepuedeobservarenlaTabla812,SMAGA1disponede3parmetros en los que se indica Valores, lo que significa que en el desarrollo del plan experimental se deben establecer los niveles que se desean analizar de los mismos. El algoritmo SMAGA2 dispone tambin de los 3 parmetros mencionados, pero en este caso se ha elegido la estrategia de asignarle los mismos valores, en cada conjunto experimental, que en su momento sean seleccionados para SMAGA1 por su idoneidad. De esta forma se podr considerar, en la fase de evaluacin comparativa, que la nica diferencia que existe entre SMAGA1ySMAGA2essucapacidaddeaprendizaje,queeselobjetivoconelqueserealizla diferenciacinentreambos.Otraopcin,quenosecontempladoenestetrabajo,hubierasido laparametrizacincompletadeSMAGA2,independientedeSMAGA1.Estaltimaopcinno fue la contemplada porque se pens que no mostrara con claridad cual es el peso de los diferentesgradosdeincorporacindelatecnologadeAgentesenelalgoritmo.Hayquetener siempreencuentaqueunodelosobjetivosfundamentalesdeestecaptuloesidentificarla validez del uso de Sistemas Multiagente, y no tanto el refinamiento del propio algoritmo propuesto.

8.4.2 PlandeExperimentacinyCondicindeFinalizacin
Establecer y ejecutar el plan experimental constituye el tercer paso en el diseo de experimentos,ysuponeladeterminacindelascondicionesenlasqueposteriormentesevan aejecutarlosexperimentos. En este caso el plan experimental est condicionado por el enfoque que se ha realizado del estudiocentrndoseenelanlisisde3factoresparaelalgoritmoSMAGA1,deunsolofactor para el algoritmo SMAGA2. El resto de parmetros de cada algoritmo indicados en la Tabla 810setomanunvalornicodeterminadoenfuncindelalgoritmo. Para el algoritmo SMAGA1 se ha establecido un plan factorial (23) de forma que se examinarncadaunodelostresfactoresquesedeseaanalizarGsM,FdM,yFmG,cadaunode loscualesdispondrdedosniveles(Gsm:50,200;FdM:0.1,0.3;FmG:1.05,1.2).Elparmetro Generaciones sin Mejora (GsM) que provocar una reinicio de la poblacin si han pasado, bien50,obien200generacionessinqueelvalordelmejormakespannosehayamejorado.El parmetroFactordeMutacin(FdM)queestableceelporcentajedexitodeloperadorde mutacin,obienenel10%,bienenel30%delasocasiones.YelparmetroFactorMargen (FmG) permitir establecer el margen empleado en el operador de cruce, de mutacin o de aprendizaje gentico en el relevo generacional situndolo, bien alrededor del 5%, o bien alrededor del 20% del valor de la solucin estudiada. Dicho plan se ejecutar de forma independienteparacadaunodelos16conjuntoexperimentalesestablecidosenlaTabla87.
557

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Debindosedeterminarqueparmetrossonsignificativos,yensucaso,losvaloresconlosque mejormakespanpromedioseobtieneparacadaunodelosconjuntosexperimentales. En el caso del algoritmo SMAGA2, dado que slo existe un factor a analizar, RM, ya que el restotomanvaloresfijadosconanterioridad,sehaplanteadounsimpleanlisiscomparativo entre los dos niveles o valores de dicho factor. Seleccionando el valor que mejor resultado proporcione en trminos de makespan promedio. En todo caso,e igual que se ha planteado paraSMAGA1,seejecutarelalgoritmoconcadaunodelosdosvaloresparalos16conjuntos experimentalesdeformaindependiente. La Tabla 813 es una rplica de la Tabla 812 en la que se han incluido los valores que se deseananalizarparacadafactoroparmetro.
ValoresdelosParmetrosAjustables GeneradorDinmico EvolucindelFactorLmite EvolucindeRiesgoMnimo RiesgoMnimo(RM) GeneracionessinMejora(GsM) FactordeMutacin(FdM) FactorMargen(FmG) SMAGA1 Desactivado Desactivado Desactivado 50,200 0.1,0.3 1.05,1.2 SMAGA2 Activado Activado Activado 0.2,0.4 SMAGA1 SMAGA1 SMAGA1

Tabla813.NivelesasignadosalosparmetrosajustablesparalosalgoritmoSMAGA1ySMAGA2(elaboracin propia).

En ambos casos, parmetros fijos o ajustables, los valores elegidos podan haber sido mltiples, y seguramente cada diseador hubiera elegido su propio conjunto de valores. No obstante, en funcin de la descripcin realizada del algoritmo, en donde se especifica con detalle la funcin de cada parmetro, se considera que se han seleccionado valores razonables. Ser en todo caso el anlisis de los resultados obtenidos el que determine la bondaddedichosvalores. CaberecordarquetantoparaelalgoritmoSMAGA1,comoparaelalgoritmoSMAGA2,cada conjuntoexperimentalconstade3grupos,ycadagrupoconstade5ejemplares.Tambinen ambos casos, se ha decidido realizar dos repeticiones de cada ejecucin, lo que supone un totalde3ejecucionesporejemplarycombinacindenivelesdelosfactores.Estoimplicaque para el caso de SMAGA1 se realizarn 16 (conjuntos experimentales) x 3 (grupos) x 5 (ejemplares)x8(tratamientos)x3(ejecuciones)=5.760ejecuciones.EnelcasodeSMAGA2 serealizan16(conjuntosexperimentales)x3(grupos)x5(ejemplares)x2(tratamientos)x3 (ejecuciones)=1.440ejecuciones.

558

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Aunqueyasemencionenelapartado8.2.3.2,seinsisteenquelavariablederespuestaque sedeseaevaluareslavariableIPSOVEPT,quetendrencuentaelIPSOVEPpromedioparaun conjuntoexperimentalcompleto.Porlotanto,elresultadofinalserlaidentificacindelos parmetrosqueresultensignificativosparacadaconjuntoexperimental,ylaidentificacin, en su caso, del valor que proporciona un IPSOVEPT ms bajo, y por lo tanto un makespan msreducido. Finalmenteunaspectoquedebeconsiderarseconlamismarelevanciaqueeltratamientode los parmetros, y que no ha sido comentado hasta este momento es el de la duracin de la ejecucin del algoritmo. Se trata de seleccionar el nmero de iteraciones que se van a ejecutar, que en este caso coincide con el nmero de generaciones. Despus de realizar diversasevaluacionessehadecididofijarladuracindelasejecucionesen5.000iteraciones. Dadaslascaractersticasdelalgoritmo,dondecaberecordarqueexisteunsistemadematrices que contiene a la poblacin, puede suponer alrededor de 250.000 ejecuciones de algn operador de cruce o mutacin, y alrededor de 10.000 sustituciones de la soluciones de la poblacin. Hay que tener en cuenta, que debido a la influencia del azar, los datos sobre las ejecuciones de los operadores y sobre los cambios en las soluciones pueden variar sensiblemente,porloquelascifrassonsimplementeorientativas.Loimportanteesqueseha observadoenlosestudiospreviosqueconestosvaloresexisteunequilibrioaceptableentrela duracindelaejecucinylaestabilidaddelosresultados.Sehaobservadoquelosresultados obtenidos,enciertaspruebas,nopresentabanunamejorasignificativaporelincrementodel nmerodeejecucionesrespectodelfijadoparaestetrabajo.

8.4.3 ProcedimientodeEjecucinlosExperimentos
Para el desarrollo de los experimentos se han utilizado cuatro ordenadores tipo PC con procesadorIntelCore2a2.66GHz,conmemoriade2GByte,ysistemaoperativoWindowsXP ServicePack3.Cadaconjuntoexperimentalsehaejecutadodeformaaleatoriaenunodelos cuatro ordenadores. El tiempo de ejecucin de cada ejemplar es variable, y podemos encontrarejecucionesquetardan1minutoyotrasquelleganatardarmsde10minutos.El tiempopromediodeejecucinesdeunos5minutos,loquehaimplicadodedicarmsde1 mesalarealizacindelosexperimentos.Obviamente,estetiemposepuedeconsiderarmuy elevadoconrespectoaotraspropuestasqueobtienenresultadosensegundos.Existenvarias alternativasquepermitiranreducireltiempodeejecucinnoobstanteestalneadetrabajo nohasidoconsideradaenestetrabajo.Enestesentidosehaconsideraaceptableeltiempoen relacin con la tecnologa empleada en la que existe una sobre carga adicional en la computacindeprocesos.

559

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Al final de la ejecucin de cada ejemplar el Programa desarrollado ha incorporado los resultadosenunficherodetexto.Endichoficherosehanescritodiversosdatos,algunosde loscualeshansidoempleadosparaelanlisisdelosresultados,otroscomosimpleselementos deidentificacin,yotrossehanobtenidoconesprituderealizarotrosanlisisquesirvande complementoaestetrabajo.Losdatosrecogidoshansidolossiguientes: ValordeIPSOVEPdelejemplar. Diferenciaentreelvalormsaltoyelmsbajoalcanzadodurantelaejecucindel algoritmoenelfactorlmitequeafectaalaprobabilidaddeseleccindeoperador de cruce. Se dispone de la media y de la desviacin tpica del promedio de los Agentesdelapoblacin. Porcentajedevecesquelaetapadominantealfinaldelaejecucindelalgoritmoha sido seleccionada como parmetro para el algoritmo de inicio o reinicio de la poblacin. Valordelmejormakespanobtenidoenelejemplar. Identificacindelejemplarydelconjuntoexperimentalejecutado. Identificacindelvalordelosparmetrosejecutados. Fechayhoradeinicioyfindelaejecucindelejemplar. Secuenciacorrespondientealmejormakespanalcanzado.

Este proceso se ha repetido para cada una de las rplicas de forma idntica. Una vez finalizadastodaslasejecucionesdecadaconjuntoexperimentallosdatossehanconsolidado en una hoja Excel en la cual se dispuesto el valor de IPSOVEPT para cada combinacin de nivelesdelosfactores,encadarepeticin. TantoparaelalgoritmoSMAGA1,comoSMAGA2losdatosseanalizanmedianteStatgraphics PlusparaWindowsversin5.0(verhttp://www.statgraphics.com).EnelcasodeSMAGA1,se hacreadoundiseodeexperimentosmediantelaopcindeScreening,conunavariablede respuestay3factores,eligiendoundiseofactorialde23,condosrplicas.Lacodificacinde los factores sigue la misma nomenclatura expresada hasta ahora es decir GsM, para el parmetroGeneracionessinMejora,FdM,paraelparmetroFactordeMutacin,yFmG, para el parmetro Factor Margen. En el caso de SMAGA2, se ha creado un diseo de experimentosmediantelaopcindeMultiFactorCategorical,conunavariablederespuesta ydosfactores,eligiendoundiseofactorialdepersonalizado,condosrplicas.Lacodificacin
560

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

delosfactoressiguelamismanomenclaturaexpresadahastaahoraesdecirRM,paraelfactor RiesgoMnimo,yConjunto,paraelfactorConjuntoExperimental.

8.4.4 Anlisisdelosresultados
Pararealizarelanlisisdelosresultadosobtenidos,esdecir,delosvaloresIPSOVEPTdecada conjunto experimental, se emplea el anlisis de laVarianza mediante ANOVA. Tal y como se indic en el apartado 8.2.3, antes de estudiar el significado de los resultados, es requisito imprescindiblecomprobarelcumplimientodelasdistintashiptesis,paralocualenestatesis seaplicarnfundamentalmentemtodosgrficos. Comoyaexplicenelapartado8.2.3,seemplearungrficodeprobabilidadnormal(Yi,Fi), paraelanlisisdelanormalidad,elgrficoderesiduos(Xt,t)y(t,t),paraelanlisisdela homocedasticidad y la linealidad, y el grfico de residuos (t, t), para el anlisis de la autocorrelacin. As mismo se utilizar la matriz de correlaciones para analizar la multicolinealidad. A modo de ejemplo se desarrollar el contraste de las hiptesis para la ANOVA correspondiente al conjunto experimental SSD10_P13_20. El conjunto de grficos correspondientesalrestodeconjuntosexperimentalesseencuentranenelanexoIII.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -0,02

percentage

0,03

0,08

0,13

0,18

0,23

0,28

IPSOVEPT20

Figura829.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD10_P13_20en relacinalasfrecuenciasrelativasacumuladas.

561

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ComosepuedeobservarenlaFigura829esdifcildescartarlahiptesisdequelavariablese distribuyecomounanormal.

Plot of SRESIDUALS vs IPSOVEPT20

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 -3,2 -0,02 0,03 0,08 0,13 0,18 0,23 0,28

IPSOVEPT20
Figura830.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD10_P13_20.

Como se puede observar en Figura 830 existe una estructura que puede considerarse aleatoria y libre de tendencia con respecto a la variable IPSOVEPT. No obstante, viendo la grficaysiendoestrictoannopuededescartarlanolinealidad.Entodocaso,paraanalizar mejor esta ltima hiptesis, es necesario verificar que no existe ningn efecto debido a los factores,yasconfirmarquelavarianzadeloserroresestocsticosessimilar.

562

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Plot of SRESIDUALS vs GsM

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 -3,2 0 30 60 90 120 150 180 210 240 270

GsM
Figura831.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 -3,2 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
Figura832.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

563

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs FmG

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 -3,2 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32 1,36 1,4

FmG
Figura833.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Los grficos de los residuos contra cada variable exgena, de la Figura 831, Figura 832 y Figura 833, permite descartar razonablemente que exista alguna variable que cause un incumplimiento en la hiptesis de homocedasticidad, ya que se puede observar una cierta aleatoriedadenladistribucindelosresiduosparacadanivel. LahiptesismsimportanteenelANOVAesladeindependencia,esdecir,quenoexistaun factor oculto que est afectando de una forma sistemtica a las pruebas. En principio, dado que las pruebas se ejecutan aleatoriamente en los ordenadores, y que el entorno de computacin se reinicia para cada algoritmo, es difcil que existan problemas de independencia.Analizandolamatrizdecorrelacinygraficandolosresiduosfrentealnmero uordendeejecucindelaspruebassepuedeversiexisteestructuraenelresiduo,yportanto una falta de independencia. En la Tabla 814 se muestra la matriz de correlaciones y en la Figura834muestraestegrficodeanlisisdelosresiduos.
(1) (2) (3) (4) (5) (6) (7) (8) ---------------------------------------------------------------------------(1)average 1,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 (2)A:GsM 0,0000 1,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 (3)B:FdM 0,0000 0,0000 1,0000 0,0000 0,0000 0,0000 0,0000 0,0000 (4)C:FmG 0,0000 0,0000 0,0000 1,0000 0,0000 0,0000 0,0000 0,0000 (5)AB 0,0000 0,0000 0,0000 0,0000 1,0000 0,0000 0,0000 0,0000 (6)AC 0,0000 0,0000 0,0000 0,0000 0,0000 1,0000 0,0000 0,0000 (7)BC 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 1,0000 0,0000 (8)block 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 1,0000

Tabla814.MatrizdecorrelacionesparaelconjuntoexperimentalSSD10_P13_20.

564

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Plot of SRESIDUALS vs Row

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 -3,2 0 4 8 12 16 20 24

Row
Figura834.Residuosestudentizadosfrentealordendeejecucin.

SepuedeobservarenlaTabla814sloexisteunvalorsuperiora0.5,queindicacorrelacin, enladiagonalporloquesepuededescartarlamulticolinealidad.AsmismoenlaFigura834 sepuedevercomonoexisteningntipodepatrnenelresiduo,porloquenohayrazones paranoasumirestahiptesis.Hemosvistocomosehancumplidotodaslashiptesisparael experimento. Llegadosaestepuntopodemosanalizarlosresultadosdelexperimentomediantelatabladel ANOVAquesemuestraenlaTabla.

-------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,0181661 1 0,0181661 4,26 0,0568 B:FdM 0,00597277 1 0,00597277 1,40 0,2550 C:GmF 0,00629737 1 0,00629737 1,48 0,2431 AB 0,0184553 1 0,0184553 4,33 0,0551 AC 0,00122302 1 0,00122302 0,29 0,6001 BC 0,0415501 1 0,0415501 9,74 0,0070 blocks 0,0131768 2 0,00658841 1,54 0,2454 Total error 0,0639671 15 0,00426447 -------------------------------------------------------------------------------Total (corr.) 0,168809 23

Tabla815.ANOVAcorrespondientealconjuntoexperimentalSSD10_P13_20.

Observando la Tabla 815 vemos que disponemos de 24 datos y como vemos, tenemos 15 grados de libertad residuales. ANOVA realiza un contraste de hiptesis sobre las medias y cuando el pvalue es menor que un determinado (la probabilidad de rechazar la hiptesis
565

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica nula cuando es cierta) significa que realmente existen diferencias estadsticamente significativasentrelasmediasdelosnivelesovariantesparaunfactorointeraccin.Eneste caso se establece un =0,05, lo que significa que slo es significativa la combinacin de factoresBC,esdecirFdMyGmF.

Main Effects Plot for IPSOVEPT20

(X 0,001) 127

IPSOVEPT20

117 107 97 87 77 67 50,0 200,0 0,1 0,3 GsM FdM 1,05 RM 1,2

Figura835.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD10_P13_20.

Interaction Plot for IPSOVEPT20

0,18

IPSOVEPT20

+ + + + + 50,0 AB 200,0 50,0 AC 200,0 0,1 BC 0,3 + -

0,15 0,12 0,09 0,06 0,03 0

Figura836.GrficodeinteraccinentrelosfactoresdelconjuntoexperimentalSSD10_P13_20.

566

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

AnalizandolagrficadelaFigura836sededucequeelvaloradecuadosonparaelfactorFdM es0.1,encombinacinconelvalormsaltodelparmetroGmF,esdecir,con1.2.Elvalordel factorGsM,sepuedeestablecerlibremente.Noobstante,elvalorelegidoparaGsMser50, ya que con este valor se obtienen mejores resultados teniendo en cuenta todas las interacciones, aunque no se pueda afirmar que stas sean significativas. Por lo tanto, los parmetrosquedaranGsM=50,FdM=0.1yFmG=1.2. Repitiendo el proceso descrito para el resto de conjuntos experimentales se obtiene la combinacin de parmetros para cada uno de ellos que se muestra en la Tabla 816. Dicha tablacontienelosvaloresqueseasignaranalosfactoresanalizadosenelexperimentopara alcanzar la mejor respuesta promedio en cada conjunto experimental. Como se explica a continuacin algunos factores son significativos y otro o lo son, pero en cualquier caso el algoritmorequieredeunvalorparasuejecucin. LaTabla816sedebeinterpretarteniendoencuentaquelacolumnaFactoresSignificativos contiene el nombre de aquellos factores, que segn el anlisis ANOVA, resultan ser significativos,deformaquesiseexpresanseparadosporunabarraquieredecirquepresentan interaccin entre ellos, y si se expresan de forma individual es que son significativos por s solos.
Factores Significativos FdM|FmG FdM|FmG FmG FmG FmG FmG GsM,GsM|FdM GsM,FmG GsM GsM,FdM,FmG FmG GsM FmG Generaciones sinMejora (GsM) 50 50 200 200 50 50 200 200 50 50 50 50 50 50 50 50 Factorde Mutacin (FdM) 0.1 0.1 0.3 0.3 0.1 0.1 0.1 0.1 0.1 0.1 0.3 0.3 0.3 0.3 0.1 0.1

Parmetros SMAGA1 SSD10_P13_20 SSD10_P13_50 SSD50_P13_20 SSD50_P13_50 SSD100_P13_20 SSD100_P13_50 SSD125_P13_20 SSD125_P13_50 SSD10_P3_20 SSD10_P3_50 SSD50_P3_20 SSD50_P3_50 SSD100_P3_20 SSD100_P3_50 SSD125_P3_20 SSD125_P3_50

FactorMargen (FmG) 1.2 1.2 1.05 1.05 1.2 1.2 1.2 1.2 1.2 1.2 1.2 1.2 1.2 1.2 1.2 1.2

Tabla816.Valoresseleccionadosparalosparmetrosdelosdiferentesconjuntosexperimentalesdelalgoritmo SMAGA1(elaboracinpropia).

567

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Porejemplo,enlafilacorrespondientealconjuntoexperimentalSSD10_P3_20seindicaqueel factorGsMessignificativoporsslo,yademspresentaunainteraccinconelfactorFdM. Asmismo,paraidentificardeunaformamsrpidalosfactoresquesonsignificativosseha sombreadoencolorgrislacasillacorrespondientealvalorseleccionadoparaelmismo. Laseleccindelvalordelosfactoressignificativosseharealizadoenfuncindecualeselque menor valor de IPSOVEPT produce empleando las grficas de efectos principales o de interaccinsegnloscasos.Laseleccindelvalordelosparmetrosnosignificativoshubiera podido ser cualquiera dentro de los valores analizados, y de hecho se hubiera podido elegir cualquieradelassiguientesestrategias: Unificaralmximoposiblelosvaloresdecadafactorintentadoqueelconjuntode valores elegidos hubiese sido el mnimo. Por ejemplo el factor GsM slo es significativo para el valor 50, pudindose por lo tanto establecer este valor para cualquierconjuntoexperimental. Elegirlosvaloresalazardentrodelosvaloresanalizados. Seleccionar la combinacin de valores que menor IPSOVEPT produzca aunque el resultadoalcanzadonosepuedademostrarqueseobtienepordichacombinacin.

En este caso se ha dudado ente la primera y la ltima estrategia. La primera presentaba la ventaja de simplificar el funcionamiento del algoritmo, y la segunda poda ofrecer la posibilidad de alcanzar buenos resultados estableciendo valores que en muchas ocasiones estabancercadesersignificativos.Dadoquenadahacerpensarquetengaquerealizarseuna Parametrizacingeneralparacualquiercasosehaoptadoporlaltimaestrategia. A partir de los valores seleccionados para el algoritmo SMAGA1 se puede ejecutar el algoritmoSMAGA2.EnestecasolosparmetrosGeneradorDinmico,EvolucindelFactor LmiteyEvolucindelRiesgoMnimodebenestarsiempreactivados,almismotiempoque elparmetroRiesgoMnimo(RM)necesitatenerasignadoningnvalor.Laexperimentacin paraelalgoritmoSMAGA2essencilla.TalycomosecomentenelPlanExperimental,sta consiste en un anlisis experimental para un solo factor, RM, que puede tomar dos valores posibles:0.20.4.EnlaTabla817semuestranlosvaloresdelosparmetrosdelalgoritmo SMAGA2paracadaconjuntoexperimental. Como se puede observar en la Tabla 817 los conjuntos experimentales con la misma configuracin de taller y de tiempo de cambio de partida, pero con diferentes nmero de trabajos se han podido agrupar. Por ejemplo, el conjunto experimental SSD10_P13_20 y
568

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

SSD10_P13_50utilizanlosmimosvaloresysehanrepresentadocomoSSD10_p13.Estoesas, debidoaquenuncasehadadodelcasodequeunmismofactorseasignificativoyconvalores diferentes en ambos conjuntos (20 y 50 trabajos). De esta manera las 16 combinaciones de parmetrossehanreducidoaocho.
ParmetrosSMAGA2 GeneradorDinmico EvolucindelFactorLmite EvolucindeRiesgoMnimo GeneracionessinMejora(GsM) FactordeMutacin(FdM) FactorMargen(FmG) ParmetrosSMAGA2 GeneradorDinmico EvolucindelFactorLmite EvolucindeRiesgoMnimo GeneracionessinMejora(GsM) FactordeMutacin(FdM) FactorMargen(FmG) SSD10_P13 Activado Activado Activado 50 0.1 1.2 SSD10_P3 Activado Activado Activado 50 0.1 1.2 SSD50_P13 Activado Activado Activado 200 0.3 1.05 SSD50_P3 Activado Activado Activado 50 0.3 1.2 SSD100_P13 Activado Activado Activado 50 0.1 1.2 SSD100_P3 Activado Activado Activado 50 0.3 1.2 SSD125_P13 Activado Activado Activado 200 0.1 1.2 SSD125_P3 Activado Activado Activado 50 0.1 1.2

Tabla817.ResumendelosvaloresasignadosalosparmetrosdelalgoritmoSMAGA2paracadaconjunto experimental(elaboracinpropia).

Pararealizarelanlisisdelosresultadosobtenidos,esdecir,delosvaloresIPSOVEPTdecada conjuntoexperimental,delalgoritmoSMAGA2,seempleaelanlisisdelaVarianzamediante ANOVAconelanlisispreviodelascondicionescorrespondientes,quesepuedeconsultaren el Anexo III. Para realizar el anlisis se han agrupado por un lado todos los conjuntos experimentalesconconfiguracinentre1y3mquinasporetapa,yporotrolado,todaslas configuracionesconunaconfiguracinde3mquinasporetapa.Delanlisisdelavariablede respuestaseobtienenlosvaloresindicadosenlaTabla818paralaprimeraagrupacinyenla Tabla819lasegunda.
-------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:Conjunto 7,10645 7 1,01521 14,04 0,0000 B:RM 0,0749496 1 0,0749496 1,04 0,3162 INTERACTIONS AB 0,35273 7 0,05039 0,70 0,6742 RESIDUAL 2,31365 32 0,0723015 -------------------------------------------------------------------------------TOTAL (CORRECTED) 9,84778 47 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

Tabla818.ANOVAcorrespondienteIPSPPVEPTdelaconfiguracinP13.

569

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ComosepuedeverenlaANOVAdelaTabla818seindicaqueelfactorRMnoessignificativo, mientrassiloeselConjuntoExperimental.
-------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:Conjunto 26,3796 7 3,76851 19,69 0,0000 B:RM 1,85508 1 1,85508 9,69 0,0039 INTERACTIONS AB

1,44438

0,20634

1,08

0,4000

RESIDUAL 6,1255 32 0,191422 -------------------------------------------------------------------------------TOTAL (CORRECTED) 35,8045 47 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

Tabla819.ANOVAcorrespondienteIPSPPVEPTdelaconfiguracinP3.

En la ANOVA de la Tabla 819 se observa como tanto el factor RM, como el factor Conjunto Experimental es significativo. Y atendiendo a los valores de la Figura 837 se establecer 0.4 comovalordelfactorRMparalosconjuntosexperimentalesP3.

Means and 95,0 Percent LSD Intervals

2,5

IPSOVEPT

2,3 2,1 1,9 1,7 0,2 0,4

Figura837.GrficodelefectoprincipaldelfactorRMdelaconfiguracinP3.

570

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

8.5

EvaluacinComparativa

Comoyasehaexpuesto,especialmenteenelcaptulo3,casinoexistenmtodosqueaporten soluciones competitivas al tipo de problema propuesto por lo que se propone emplear adaptaciones de heursticas y Metaheursticas utilizadas en la literatura para resolver problemassimilares.Laevaluacincompetitivaqueserealizaenestetrabajosebasaengran medida en el trabajo desarrollado en (Ruiz, R. 2003), cuyo autor seleccion, program y publiclosresultadosobtenidosparaunconjuntodeheursticasymetaheursticasadaptadas alproblemadelTallerdeFlujoHbridoconTiemposdeCambiodePartidaDependientesdela Secuencia. Adems, el autor emple los mismos conjuntos experimentales que se han empleado en este trabajo, de hecho esta fue una de las razones importantes por las que se seleccion el conjunto de datos de Taillard como ya se coment en el apartado 8.2.3.1. El nmerodeiteracionesdelosalgoritmoseneltrabajodeRuizfueronde5.000evaluacionesel makespan,quecoincideconlasiteracionesrealizadasparaelalgoritmoSMAGA1ySMAGA2. Dada la coincidencia del desarrollo experimental con el empleado en este trabajo para el ajustedelosparmetrostansloesnecesarioindicarlosalgoritmosconlosqueserealizarel anlisiscomparativo,paraposteriormenteinicialelanlisisdelosresultados. El primer mtodo que se incluye es el denominado GAH, que fue introducido por el propio Ruiz,en(Ruiz,R.2003)yquenonecesitaningntipodemodificacinyaquefiguraentrelos mejoresprocedimientoparaelproblemaqueseanaliza. ElprimermtodoqueRuizadaptfueelprocedimientoderecocidosimuladode(Osman,I.H. & Potts, C. N. 1989) que se adapt sustituyendo tan slo el clculo del makespan, a este mtodoselellamSAOPH.Elalgoritmobasadoenbsquedatabde(Widmer,M.&Hertz,A. 1989) tambin se adapt. En este caso se modific la inicializacin, que se realiza por la heursticaNEHadaptadaaesteproblema(NEHH),deigualmanera,laevaluacindelasolucin encadapasodelalgoritmosehaceconlasfuncionesdeclculodelmakespan adaptadas.Ala adaptacin de este algoritmo se denomin SpiritH. Se modific la heurstica original NEH de (Nawaz,M.etal.1983).Elcambioqueserealizestribaenabordarlaasignacin,yelclculo delmakespan paraelproblemaampliado,envezdecalcularelmakespan comoenelTallerde Flujo estndar. La heurstica NEH adaptada para el problema que nos ocupa se denominar NEHH. El Algoritmo Gentico de (Reeves, C. R. 1995) se adapt modificando la funcin de evaluacin,ascomolainicializacin,queahoraserealizamediantelaheursticaNEHH envez de utilizar la heurstica NEH estndar. Ruiz se refiere a este mtodo como GAReevH. De manera similar se modificaron los Algoritmos Genticos de (Chen, C. L., Vempati, V. S., & Aljaber, N. 1995), (Murata, T., Ishibuchi, H., & Tanaka, H. 1996) y (Ponnanbalam, S. G., Aravindan, P., & Chandrasekaran, S. 2001) que son referidos como GAChenH, GAMITH y GAPACH respectivamente, y para los que simplemente se cambiaron las funciones de evaluacindelosindividuos.Entotalsehanreflejadolosdatosobtenidosen(Ruiz,R.2003)
571

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica para8algoritmos.Esosochoalgoritmosservirnparacontrastarlosresultadosobtenidospara laspropuestasSMAGA1ySMAGA2queserealizanenestatesis. En la Tabla 820 y Tabla 821 se muestran los resultados promedio obtenidos en todos los conjuntosexperimentalesparacadaunodelos10algoritmosempleados.EnlaTabla820se muestran los resultados para el caso del Taller de Flujo Hbrido con Tiempos de Cambio de PartidaDependientesdelaSecuenciaentre1y3mquinasporetapa(tipoP13),yenlaTabla 821cuandodichotallersiempredisponede3mquinasporetapa(tipoP3).Paraelcasode SMAGA1ySMAGA2sehanaprovechadolosresultadosobtenidosenlaParametrizacinde los algoritmos slo para las ejecuciones con los valores seleccionados para los diversos parmetros en cada conjunto experimental. En ambas tablas, el color rojo se utiliza para destacarelmejorresultado,elazulparaindicarelsegundomejorresultado,yelnegroparael restoderesultados.

572

SpiritH 2,8533 2,7967 6,5100 6,1100 9,9567 8,0233 11,0433 9,1767 3,6000 7,8767 15,9767 35,5633 4,8533 9,6100 12,1167 28,5933 11,7533 15,9200 3,3033 6,8733 13,9067 31,8767 15,0867 4,5567 8,8933 11,0633 25,7433 9,9067 1,2152 0,7263 1,3766 0,7604 2,2933 18,2833 8,9100 21,4233 10,5267 0,9201 2,5267 6,0233 6,7167 17,2300 7,0033 0,8300 0,7300 2,6333 3,7900 10,3933 5,0500 0,8515 0,4434 0,8761 0,9957 1,275 0,7283 1,1714 0,5061 0,6967 2,5900 3,0300 8,2967 2,7100 0,0213 0,0417 GAReevH NEHH GAChenH GAPACH GAMITH SMAGA1 SMAGA2 SpiritH 10,9433 11,2000 12,3533 10,1700 12,9867 10,2267 14,1100 10,7733 7,1867 4,7067 4,1033 6,2000 12,6733 7,0933 14,2633 7,8167 3,2633 6,2500 5,1000 10,3667 2,7000 5,4133 4,7300 8,2467 4,3833 8,7033 4,9333 8,9600 5,8133 3,1967 7,6433 7,0233 GAReevH NEHH GAChenH GAPACH 17,1133 18,2933 18,5133 17,0067 20,1333 17,0967 21,0300 17,7900 GAMITH 12,7467 11,6033 10,8967 11,2033 12,0733 11,5733 13,3867 11,9900 SMAGA1 1,7744 0,1285 2,8240 1,7773 2,6651 2,2260 3,2635 2,5469 SMAGA2 1,3981 0,1703 2,4393 1,7207 2,5837 1,9767 2,6329 2,1792

Resultados

GAH

SAOPH

SSD10_P13_20

0,1467

1,0933

SSD10_P13_50

0,2200

1,6067

SSD50_P13_20

0,5933

3,6900

SSD50_P13_50

0,7933

3,6367

SSD100_P13_20

1,1900

6,1700

SSD100_P13_50

0,8233

5,3767

SSD125_P13_20

1,3333

7,4267

SSD125_P13_50

Tabla820.ValordeIPSOVEPTparacadaunodelosconjuntosexperimentalesdetipoP13paralosdiezalgoritmosseleccionados(elaboracinpropia).

0,7133

5,8767

Resultados

GAH

SAOPH

SSD10_P3_20

2,1433

6,8100

SSD10_P3_50

1,7200

10,4867

SSD50_P3_20

3,1033

9,5867

SSD50_P3_50

1,9000

10,2700

SSD100_P3_20

3,3000

11,8833

SSD100_P3_50

2,4600

10,1133

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

573

SSD125_P3_20

3,6700

12,3133

Tabla821.ValordeIPSOVEPTparacadaunodelosconjuntosexperimentalesdetipoP3paralosdiezalgoritmosseleccionados(elaboracinpropia).

SSD125_P3_50

2,9133

10,3667

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Para el anlisis comparativo se ha seguido la misma metodologa que para el ajuste paramtrico. De esta manera se ha diseado un plan experimental con dos factores y una variable de respuesta. Los dos factores analizados han sido el tipo de algoritmo empleado (ALG),yelconjuntoexperimentalsobreelqueseaplica(Conjunto).Parasimplificarelanlisis losalgoritmosanalizadoshansidoslolosmejores,queparaeltipodeproblemasP13sontres algoritmos, ya para el tipo de problemas P3 son dos, como se justificar en cada caso. En cuantoalconjuntoexperimentalseanalizanlos16planteadosparaelajusteparamtrico.No obstante,elanlisissedivideendosbloquesunoparalos8conjuntosexperimentalesdeltipo P13,yotroparalos8conjuntosexperimentalesdelconjuntoP3.Lavariablederespuestaesla mismaqueenelajusteparamtrico,IPSOVEPT. El objetivo del anlisis es identificar si existe algn algoritmo que se diferencie del resto en cada conjunto experimental, es decir identificar si el factor ALG es significativo. Para ello se emplearelanlisisdelavarianzamedianteANOVA. Los datos se analizan mediante Statgraphics Plus para Windows versin 5.0 (ver http://www.statgraphics.com).Enamboscasos,tipoP13ytipoP3,sehacreadoundiseode experimentosmediantelaopcindeMultiFactorCategorical,conunavariablederespuesta ydosfactores,eligiendoundiseofactorialdepersonalizado,condosrplicas.Lacodificacin delosfactoressiguelamismanomenclaturaexpresadahastaahoraesdecirALG,paraelfactor Algoritmo, y Conjunto, para el factor Conjunto Experimental. Para el anlisis se ha utilizado losdatosdeobtenidosen cadaiteracin, apartirdeloscualessehanobtenidolos promediosdelaTabla820yTabla821. Statgraphicsslopermiteanlisisexperimentalesconunmnimode2factores,comoeslgico, porestemotivoseincorporadoelfactorConjunto,yaqueenrealidadsetienendatospara poderdeciraprioriqueeltipodeconfiguracindetalleressignificativa.

8.5.1 AnlisisdelosresultadosparaelCasoP13.
El caso P13 representa al conjunto de resultados correspondientes a los Talleres de Flujo Hbrido que disponen entre 1 y 3 mquinas por etapa. Se trata de una configuracin que puedepresentaralgunoscuellosdebotelladebidoaqueexistenetapascongrancapacidadde proceso y a continuacin otras con mejor capacidad. Donde adems puede existir una gran descompensacin entre las capacidades de etapas contiguas. Obviamente, esto ocurre al tratarse de unos datos experimentales que no reflejan una realidad concreta, ya que se entiende que en el proceso de diseo del sistema productivo de una empresa real este inconvenientesehubierasuavizado.
574

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Figura838.DiagramaGanttdeunProgramaProductivoparauntallerdeflujohbridodeltipoP13(elaboracin propia).

En la Figura 838 se muestra un diagrama Gantt correspondiente a un Programa Productivo con20trabajosconunamquinaenlaetapacero(0),dosmquinasenlaetapauno(10,11), unamquinaenlaetapados(20),tresmquinasenlaetapatres(30,31,32)ytresmquinas enlaetapacuatro(40,41,42).Encolorgrisaparecenloscambiosdepartidaylostiemposde operacinenotroscolores.Sepuedeverconclaridadcomolamquina0ylamquina20,que sonnicasensuscorrespondientesetapas,actandecuellodebotella. Para una mejor visualizacin de los resultados de la Tabla 820 estos se han representado grficamente en la Figura 839. En esta grfica se han incluido los resultados de todos los algoritmos considerados menos los del algoritmo GAPACH, que presenta el peor valor de IPSOVEPTparacualquierconjuntoexperimentalconunadiferenciasustancial,quellegaenel caso del conjunto SDD125_P13_20 a la mxima diferencia con respecto al mejor algoritmo, siendo70,27%peor.

575

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

20,0000 18,0000 16,0000 14,0000 12,0000 10,0000 8,0000 6,0000 4,0000 2,0000 0,0000 GAH SOAPH SpiritH GAReevH NEHH GAChenH GAMITH SMAGA1 SMAGA2

Figura839.RepresentacingrficadelosvaloresIPSOVEPTparalosconjuntosexperimentalesP13.

Engeneralhay3aspectosquesonllamativosaprimeravista.Enprimerlugarlasdiferencias relativasentrelosalgoritmossonmuysimilaresparacualquierconjuntoexperimental.Sibien, escierto,queelalgoritmoNEHHmuestraunempeoramientobruscoenelcasodelconjunto SDD50_P13_50, en que pasa a ser el peor algoritmo despus de GAMITH. Y en alguna otra ocasin, algoritmos con resultados muy similares intercambian posiciones en el ranking, por ejemplo los algoritmos GAChenH y GAMITH. El segundo aspecto destacable es como los algoritmosmscompetitivos,esdecirtodosmenosGAPACH,GAChenHyGAMITH, presentan mejores resultados para los casos de 50 trabajos que para los casos de 20 trabajos en los conjuntoexperimentalescontiemposdecambiodepartidaelevados(SSD100ySSD125).Yel terceraspectodestacable,esquelosalgoritmosGAH,SMAGA1ySMAGA2seencuentranen todos los casos en 3 mejores algoritmos, excepto para el conjunto experimental SSD10_P13_50, en el que el algoritmo GAReeVH se sita en tercera posicin y SMAGA1 en cuarta. Este dominio se produce, en la mayora de las ocasiones, con clara diferencia con respectoalrestodealgoritmosanalizados. Por lo tanto, se puede afirmar que para los conjuntos experimentales analizados siempre se elegira obtener un nuevo Programa Productivo Predictivo empleando el algoritmo GAH,

576

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

SMAGA1oSMAGA2.En cualquiercasoseharealizadounarepresentacin detalladadelos resultadossloparalosalgoritmosmencionadosenlaFigura840. Del anlisis de los datos de la Tabla 822 y de la Figura 840 se puede decir que las nuevas propuestasrealizadas,SMAGA1ySMAGA2,seranseleccionadosenlamitaddelasocasiones por ser el mejor algoritmo estudiado, y que por lo tanto, estos algoritmos representan una aportacininteresanteenlaresolucindelproblemaestablecido.Noobstante,paraelcasode talleres entre 1 y 3 mquinas por etapa la diferencia entre cualquiera de los tres algoritmos conelmejorparacadaconjuntoexperimentalesmuyreducidaencontrndosepordebajode 0,03 en todos los casos, excepto para el ya mencionado conjunto SSD10_P13_50 donde SMAGA1 es no se encuentra entre los 3 primeros y la diferencia llega a 0.6315. En la Tabla 822 se indican los valores obtenidos para la diferencia IPSOVEPT entre GAH, SMAGA1 y SMAGA2 y el mejor algoritmo, que siempre es una de ellos (identificado por ). Se puede observarcomoenmuchoscasosladiferenciaesmenora0,01. SSD10_P13_20 SSD10_P13_50 SSD50_P13_20 SSD50_P13_50 SSD100_P13_20 SSD100_P13_50 SSD125_P13_20 SSD125_P13_50 GAH SMAGA1 SMAGA2 0,1254 0,0204 0,6315 0,2234 0,2367 0,2828 0,1267 0,2023 0,0252 0,0850 0,0970 0,0020 0,1620 0,2052 0,2072 0,2543

Tabla822.DiferenciasentreelmejorIPSOVEPTyeldecadaalgoritmoenproblemasP13(elaboracinpropia).

DesdeelpuntodevistadelaaplicacindelosalgoritmosGAH,SMAGA1ySMAGA2alclculo deProgramasProductivossepuededecirquenoexisteunaventajaclaradeningunodeellosy que podran formar un conjunto ms o menos homogneo respecto en la calidad de sus Programas Productivos. De hecho se ha realizado un anlisis ANOVA con dos factores (ver AnexoIII),losalgoritmosGAH,SMAGA1ySMAGA2ylos8conjuntoexperimentales,frentea la variable de respuesta IPSOVEPT, y ningn factor ha resultado significativo. Este dato se puedecontrastarenlaFigura840.

577

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Interaction Plot
1,5

IPSPPVEPT

1,2 0,9 0,6 0,3 0 SD10_20 SD10_50 SD50_20 SD50_50 D100_20 D100_50 D125_20 D125_50

ALG GAH SMAGA-1 SMAGA-2

Figura840.RepresentacingrficadelosvaloresIPSOVEPTdelosalgoritmosGAH,SMAGA1ySMAGA2para losconjuntosexperimentalesP13.

Desde el punto de vista del anlisis de la respuesta obtenida con SMAGA1 y SMAGA2 se puededecir,queessatisfactorio,yaquesesitanenelentornodelalgoritmomscompetitivo quesehaencontradoenlaliteraturaparaelproblemapropuesto.Perotambinesimportante destacar que el algoritmo SMAGA2 no resulta ser significativamente mejor que SMAGA1. Dichodeotraforma,laincorporacindelconjuntodecaractersticaspropiasdelossistemas Multiagente que se introducen en el algoritmo SMAGA2 no son determinantes. Aunque es cierto,sinsersignificativo,quecuantomayoreselTiempodeCambiodePartidalaposicin relativadeSMAGA2conrespectoasusdoscompetidoresmejora. Sedeberesaltarqueenlaejecucindelosalgoritmos,SMAGA1hamejoradoen78ocasiones el mejor valor del makespan conocido hasta el momento. Por su parte, SMAGA2 lo ha superadoen52ocasiones.Entotaldelos120ejemplaresempleadoseneltipodeproblema P13, SMAGA1 dispone del mejor makespan alcanzado para 70 de ellos, y SMAGA2 para 16 ejemplares.LosmejoresvaloresobtenidosmediantelaejecucindeSMAGA1ySMAGA2yel correspondientevalorIPSO,asociadoalosejemplares,semuestraenelanexoII.

8.5.2 AnlisisdelosresultadosparaelCasoP3.
El caso P3 representa al conjunto de resultados correspondientes a los Talleres de Flujo Hbrido que disponen de 3 mquinas por etapa. Se trata de una configuracin que por su
578

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

topologa no debera presentar problemas de cuellos de botella debido a que el nmero de mquinas es similar en cada etapa. Aunque igualdad de mquinas no implica igualdad de capacidadessquereduceelriesgodedisponerdeuntallerexcesivamentedesequilibrado.La Figura841muestraunProgramaProductivoparaunTallerdeFlujoHbridocon3mquinas por etapa y 20 trabajos, y en ella se puede apreciar como los trabajos estn mucho ms agrupadosqueparaelmismocaso,queelcasoenelquesedisponeentre1y3mquinaspor etapa,quesemuestraenlaFigura838.

Figura841.DiagramaGanttdeunProgramaProductivoparauntallerdeflujohbridodeltipoP3(elaboracin propia).

Para una mejor visualizacin de los resultados de la Tabla 821 estos se han representado grficamente en la Figura 842. En esta grfica se han incluido los resultados de todos los algoritmosconsiderados.

579

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

25,0000 GAH 20,0000 15,0000 10,0000 5,0000 0,0000 SOAPH SpiritH GAReevH NEHH GAChenH GAPACH GAMITH SMAGA1 SMAGA2

Figura842.RepresentacingrficadelosvaloresIPSOVEPTparalosconjuntosexperimentalesP3.

En general hay 3 aspectos que reseables. En primer lugar, igual que en el caso P13, las diferenciasrelativasentrelosalgoritmosesmuysimilarparacualquierconjuntoexperimental. Sibien,esciertoqueelalgoritmoNEHHmuestraunempeoramientobruscoparalosconjuntos con20trabajos,enqueincrementabastantesuvalorIPSOVEPTypierdepuestosenelranking dealgoritmos,sinllegaraserelpeor.Yenalgunaotraocasin,aunqueenmenormedidaque elcasoP13,algoritmosconresultadosmuysimilaresintercambianposicionesenelranking.En este caso queda prcticamente reducido a SpiritH y GAMITH. El segundo aspecto destacable queenelcasoSSD100ySSD125todoslosalgoritmospresentanunmejorIPSOVEPTenelcaso de50queende20trabajos.ParaelcasodeSSD50semantieneestatendenciaexceptoparael algoritmo SOAPH y GAMITH. Y en el caso SSD10 se mantiene la tendencia excepto para el algoritmosSOAPH,SpritHyGAPACH.Yelterceraspectodestacable,esquelosalgoritmosGAH, SMAGA1ySMAGA2seencuentranentodosloscasosen3mejoresalgoritmos,enlamayora de las ocasiones con clara diferencia con respecto al resto de algoritmos analizados, y el algoritmoGAPACHesentodosloscasoselpeortambinaunaampliadistanciadelresto. Para un mejor anlisis de los mejores algoritmos los resultados de los mismo se han representadoenlaFigura843.

580

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Interaction Plot
4

IPSPPVEPT

3 2 1 0 SD10_20 SD10_50 SD50_20 SD50_50 D100_20 D100_50 D125_20 D125_50

ALG GAH SMAGA-1 SMAGA-2

Figura843.RepresentacingrficadelosvaloresIPSOVEPTdelosalgoritmosGAH,SMAGA1ySMAGA2para losconjuntosexperimentalesP3.

Enestecaso,losalgoritmosSMAGA1ySMAGA2sonsiemprelosdosmejores.Porlotanto,se puede afirmar que para los conjuntos experimentales analizadossiempre se elegira obtener unnuevoProgramaProductivoPredictivoempleandoelalgoritmoSMAGA1oSMAGA2.Pero en el caso P3 el domino de SMAGA2 frente a SMAGA1 es bastante significativo, siendo el mejoren7delos8conjuntosexperimentales.SloenelconjuntoSSD10_P3_50SMAGA1es mejor que SMAGA2. En todo caso, para poder disponer de una idea clara de cual es la diferenciadeGAH,SMAGA1ySMAGA2conrespectoalvalorIPSOVEPTdelmejoralgoritmo (identificadopor)encadaconjuntoexperimentalsepuedeverlaTabla823. SSD10_P3_20 SSD10_P3_50 SSD50_P3_20 SSD50_P3_50 SSD100_P3_20 SSD100_P3_50 SSD125_P3_20 SSD125_P3_50 GAH SMAGA1 SMAGA2 0,7452 0,3763 1,5915 0,0418 0,6641 0,3847 0,1793 0,0565 0,7163 0,0814 0,4833 0,2493 1,0371 0,6306 0,7341 0,3676

Tabla823.DiferenciasentreelmejorIPSOVEPTyeldecadaalgoritmoenproblemasP3(elaboracinpropia).

581

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica AtenordeloobservadoenlaTabla823elalgoritmoSMAGA2dominaalresto,Entodocaso seharealizadoelanlisisdelavarianzaconlosalgoritmosGAH,SMAGA1ySMAGA2como nivelesuopcionesdelfactorALG,quesepuedeverenelAnexoIII.Unavezcomprobadaslas hiptesis bsicas de normalidad, homocedasticidad y linealidad, se deduce que el valor adecuadosonparaelfactorALGesSMAGA2encualquiercaso,siendoademssignificativoel tipo de configuracin de taller. Sin embargo, no se puede establecer ninguna relacin entre algoritmoyconjunto,loqueimplicaqueSMAGA2essiempreelmejor.

Enestetipo deproblemas,P3,elplanteamientodeunSistemaMultiagentequeincorpore lascaractersticasintroducidasenlapropuestaimplementada conSMAGA2ssupone una ventajaquepermitesuperarentodosloscasosalmejoralgoritmoconocidoGAH.Aunquelos problemasdeltipoP13yP3sonenamboscasoscomplejidadNPCompleta,comoseindicen elcaptulo3,esreseablequeentodocasosiempreesmssencilloprogramaruntallerenel cualexistenunaovariasetapasidentificadascomocuellodebotellaaldisponerdeunaslo mquina,queaqueltallerqueseencuentramejorbalanceado.Sinquesupongaunaevidencia cientfica,elhechodequeelalgoritmoSMAGA2secomportecomparativamentemejorenlos problemas de tipo P3, este dato puede servir de punto de partida para una lnea de investigacinfuturaqueintenteanalizarenprofundidadelcomportamientodeSMAGA2 en diferentesgradosdecomplejidadenfuncindelaconfiguracindeltaller.

Sedeberesaltarqueenlaejecucindelosalgoritmos,SMAGA1hamejoradoen57ocasiones el mejor valor del makespan conocido hasta el momento. Por su parte, SMAGA2 lo ha superadoen37ocasiones.Entotaldelos120ejemplaresempleadoseneltipodeproblema P3, SMAGA1 dispone del mejor makespan alcanzado en 46 de ellos, y SMAGA2 en 25 ejemplares.LosmejoresvaloresobtenidosmediantelaejecucindeSMAGA1ySMAGA2yel correspondientevalorIPSOVEP,asociadoalosejemplares,semuestraenelanexoII.

8.6

Conclusiones

EnestecaptulosehatratadoelproblemadeProgramacindelaProduccinconunenfoque Predictivoenbasealadefinicindelmismorealizadaenloscaptulo5y7,yenelmarcodeun Proceso de Negocio de Programacin Predictiva que tiene como objetivo dar soporte a la ProgramacindelaproduccinenunentornodeincertidumbreparalaIndustriaCermica.No slosehaempleadoeltrabajorealizadoenelcaptulo7paradefinirelentornodetrabajosino que se referenciado el modelo matemtico, desarrollado en el captulo, para centrar el problemaenuntallerconcreto,elTallerdeFlujoHbridoconTiemposdeCambiodePartida Dependientes de la Secuencia. Una vez establecido el marco de trabajo se ha diseado un

582

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

nuevo Algoritmo Gentico hibridado entre un Algoritmo Gentico y el paradigma de los SistemasMultiagentequepermitaofrecerunasolucinadichoproblema. Desde el principio se persigui la idea de que la tecnologa basada en Sistemas Multiagente poda por su forma de enfocar los problemas aportar una visin que permitiese superar en trminoseficiencialosalgunosdelosresultadosquesehabanpublicadohastalafecha.Por este motivo, para el diseo e implementacin del nuevo algoritmo se han empleado una metodologa y una Plataforma de desarrollo propia del desarrollo de Sistemas Multiagente. Adems, con el fin de diferenciar la posible aportacin de los Sistemas Multiagente, se dividi el proceso en dos pasos, que aunque se han trabajado casi simultneamente, han proporcionado dos algoritmos diferenciados, SMAGA1 y SMAGA2. El algoritmo SMAGA1 basa su diseo en la tecnologa Multiagente pero que no incorpora el conjunto de caractersticas propias de los Agentes en sociedad, y que por lo tanto no aprovechan una condicin que les es propia, el trabajo en equipo. Sin embargo, SMAGA2 si incorpora caractersticasquelepermitensacarunmayorpartidoaltrabajoconjuntoenlasociedad. Una vez diseados e implementados los algoritmo SMAGA1 y SMAGA2 se ha realizado un exhaustivo anlisis experimental dividido en dos fases. En la primera fase se ha realizado el ajuste del conjunto de parmetros, que as lo requeran, de ambos algoritmos. Con la peculiaridad,quedeformadeliberada,SMAGA2empleasiemprelosmismosvaloresqueha establecido SMAGA1, a excepcin de los que le son propios que son los que se han parametrizadodeformaespecfica.Enlasegundafase,laversinmscompetitivadeSMAGA 1ySMAGA2sehaempleadoparasercomparadaconalgunosdelosmejoresalgoritmosque sehanencontradoenlaliteraturaparaestetipodeproblema. En la fase de ajuste paramtrico se establecieron los valores de los parmetros para el conjuntodeconfiguracionesmsprximasalasempleadasenlasempresasdelaIndustria Cermica.Elnmerodeejecucionesdelosalgoritmosfuemuyelevado,aunquebasadosenun sencilloplanexperimenta.SedestacacomoenestafaseSMAGA1haestablecidounnuevo valormnimodelmakespanen106ejemplares,ySMAGA2en41ejemplaresdeuntotalde 240deljuegodedatosempleado. EnlafasedeanlisiscomparativoseidentificaronlosalgoritmosGAH,SMAGA1ySMAGA2 como los ms competitivos para el tipo de problemas P13 y P3. Aunque en el caso de los problemas de tipo P13 no existe un predominio claro de ninguno de estos 3 algoritmos en ningunodelosconjuntosexperimentalesanalizados.EnelcasodelosproblemasdetipoP3se puso de manifiesto el predomino del algoritmo SMAGA2 en todos los conjuntos experimentales.EnestafaseelalgoritmoSMAGA2,yenmenormedidaelalgoritmoSMAGA 1,sehanreveladocomoaltamentecompetitivos.AdemselalgoritmoSMAGA2haalcanzado
583

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica el mejor resultado promedio en 9 de los 16 conjuntos experimentales, y siempre entre los casosmscomplejos,mientrasqueelalgoritmoSMAGA1loesen3ocasiones. A partir de los resultados comparativos obtenidos se ha preparado la Plataforma IPSUMAS para realizar el proceso de Programacin Predictiva de la Programacin mediante la integracindelosalgoritmosseleccionados,ysulgicadeaplicacin,endichaPlataforma. Como conclusin final, y resumida del captulo, se puede considerar que tanto SMAGA1, como SMAGA2 han supuesto una aportacin relevante como algoritmos para la Programacin Predictiva de la Produccin en un Taller de Flujo Hbrido con Tiempos de Cambio de Partida Dependientes de la Secuencia, y pueden ser empleados como elementos activosdelaPlataformaIPSUMAS.

8.7

Bibliografa

Brucker,P.,Heitmann,S.,&Hurink,J.2003.Flowshopproblemswithintermediatebuffers.Or Spectrum,25(4):549574. Chen,C.L.,Vempati,V.S.,&Aljaber,N.1995.AnApplicationofGeneticAlgorithmsforFlow ShopProblems.EuropeanJournalofOperationalResearch,80(2):389396. Coello,C.A.C.&Pulido,G.T.2005.Multiobjectivestructuraloptimizationusingamicrogenetic algorithm.StructuralandMultidisciplinaryOptimization,30(5):388403. Conway, R. W., Maxwell, W. L., & Miller, L. W. 1967. Theory of Scheduling. AddisonWesley PublishingCompany. Davis, L. Applying Adaptative Algorithms to Epistatic Domains. Aravin K.J. Proceeding of 9th International Joint Conference of Artifical Intelligence (IJCAI) , 162164. 1985. Los Angeles, MorganKaufmann. Goldberg, D. E. 1989. Genetic Algorithms in Search, Optimization and Machine Learning. AddisonWesley. Goldberg, D. E. and Lingle, Jr. R. Alleles, loci, and the traveling salesman problem. GrenfenstetteJ.J.Proceedingofthe FirstInternationalConferenceonGeneticAlgorithms and theirApplications,154159.1985.Hillsdale,LawrenceErlbaumAssociates. Holland, J. H. Adaptation in Natural and Artificial Systems. Report of the Systems Analysis Research Group SYS1/92, University of Dortmund, Department of Computer Science. 1975. UniversityMichiganPress,AnnArbor.

584

Algoritmos para la Programacin Predictiva de la Produccin en un Taller de Captulo8 FlujoHbrido

Liu,J.,Zhong,W.C.,&Hao,L.C.2007.Anorganizationalevolutionaryalgorithmfornumerical optimization. Ieee Transactions on Systems Man and Cybernetics Part BCybernetics, 37(4): 10521064. Liu, J., Zhong, W. C., & Jiao, L. C. 2006. A multiagent evolutionary algorithm for constraint satisfactionproblems.IeeeTransactionsonSystems Man andCyberneticsPart BCybernetics, 36(1):5473. Liu, J., Zhong, W. C., Jiao, L. C., & Liu, F. 2004. Multiobjective optimization based on coevolutionaryalgorithm.RoughSetsandCurrentTrendsinComputing,3066:774779. Marin, J. & Sole, R. V. 1999. Macroevolutionary algorithms: A new optimization method on fitnesslandscapes.IeeeTransactionsonEvolutionaryComputation,3(4):272286. Mattfeld, D. C. 1996. Evolutionary Search and The Job Shop; Investigations on Genetic AlgorithmsandProductionScheduling.ProductionandLogistics:Berlin:Springerverlag. Murata, T., Ishibuchi, H., & Tanaka, H. 1996. Genetic algorithms for FlowShop Scheduling Problem.ComputersandIndustrialEngineering,30(4):10611071. Naderi, B., Zandieh, M., & Roshanaei, V. 2009. Scheduling hybrid flowshops with sequence dependentsetuptimestominimizemakespanandmaximumtardiness.InternationalJournalof AdvancedManufacturingTechnology,41(1112):11861198. Nawaz, M., Enscore, E. E., & Ham, I. 1983. A Heuristic Algorithm for the MMachine, NJob Flowshop Sequencing Problem. OmegaInternational Journal of Management Science, 11(1): 9195. Osman, I. H. & Potts, C. N. 1989. Simulated Annealing for Permutation Flowshop Scheduling. OmegaInternationalJournalofManagementScience,17(6):551557. Pavon,J.& GomezSanz, J.2003.Agentorientedsoftware engineeringwithINGENIAS. Multi AgentSystemsandApplicationsII,Proceedings,2691:394403. Ponnanbalam,S.G.,Aravindan,P.,&Chandrasekaran,S.2001.ConstructiveandImprovement Flow Shop Scheduling Heuristics: An extensive Evaluation. Production Planning and Control, 12(4):335344. Reeves, C. R. 1995. A Genetic Algorithm for Flowshop Sequencing. Computers & Operations Research,22(1):513. Ruiz, R. 2003. Tcnicas Metaheursitcas para la Programacin Flexible de la Produccin. DepartamentodeEstadsitcaeInvestigacinOperativa.UniversidadPolitcnicadeValencia. Ruiz,R.,Maroto,C.,&Alcaraz,J.2005.Solvingtheflowshopschedulingproblemwithsequence dependent setup times using advanced metaheuristics Discrete optimization. European JournalofOperationalResearch,165(1):3454.

585

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Syswerda, G. 1996. Scheduling Optimization using Genetic Algorithms. In L. Davis (Ed.), HandbookofGeneticAlgorithms:332349.London:InternationalThomsonComputerPress. Taillard,E.1993.BenchmarksforBasicSchedulingProblems.EuropeanJournalofOperational Research,64(2):278285. Vallada,E.,Ruiz,R.,and Maroto,C.SyntheticandRealBenchmarksforComplexFlowShops Problems. Informe Tcnico. 2003. Grupo de Investigacin Operativa (GIO). Universidad PolitcnicadeValencia(Spain). Watson, J. P., Barbulescu, L., Whitley, L. D., & Howe, A. E. 2002. Contrasting structured and random permutation flowshop scheduling problems: Searchspace topology and algorithm performance.InformsJournalonComputing,14(2):98123. Widmer,M.&Hertz,A.1989.ANewHeuristicMethodfortheFlowShopSequencingProblem. EuropeanJournalofOperationalResearch,41(2):186193. Zhang,R.&Wu,C.2009.ADecompositionBasedOptimizationAlgorithmforSchedulingLarge ScaleJobShops.InternationalJournalofInnovativeComputingInformationandControl,5(9): 27692780. Zhong,W.C.,Liu,J.,&Jiao,L.C.2005.JobshopschedulingbasedonMultiagentEvolutionary Algorithm.AdvancesinNaturalComputation,Pt3,Proceedings,3612:925933. Zhong,W.C.,Liu,J.,Xue,M.Z.,&Jiao,L.C.2004.Amultiagentgeneticalgorithmforglobal numericaloptimization.IeeeTransactionsonSystemsManandCyberneticsPartBCybernetics, 34(2):11281141. Zhou,Z.F.&Harris,K.D.M.2008.Counteractingstagnationingeneticalgorithmcalculations byimplementationofamicrogeneticalgorithmstrategy.PhysicalChemistryChemicalPhysics, 10(48):72627269. Zuo,X.Q.,Mo,H.W.,&Wu,J.P.2009.Arobustschedulingmethodbasedonamultiobjective immunealgorithm.InformationSciences,179(19):33593369.

586

Captulo
AlgoritmosparalaProgramacin ReactivadelaProduccinenunTaller deFlujoHbrido

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

Tabladecontenido
9. Captulo9.....................................................................................................................593 9.1 Introduccin.................................................................................................................593 9.2 mbitodeAplicacinyMetodologa...........................................................................594 9.2.1 9.2.2 IdentificacindelProblema..............................................................................594 DiseodelExperimento....................................................................................597 EntornoExperimental:IdentificacindelosFactores.............................599

9.2.2.1

9.2.2.1.1. PolticadeReprogramacin......................................................................599 9.2.2.1.2. ElJuegodeDatos......................................................................................602 9.2.2.1.3. IdentificacindelosParmetrosdelosAlgoritmos.................................604 9.2.2.2 9.2.2.3 DefinicindelosFactores.........................................................................605 PlandeExperimentacin ..........................................................................607 .

9.3 DescripcindelosAlgoritmosAnalizados...................................................................610 9.4 DesarrollodelDiseoExperimental.............................................................................614 9.4.1 9.4.2 ProcedimientodeEjecucinlosExperimentos.................................................614 Anlisisdelosresultados..................................................................................615 AnlisisdelosresultadosensituacindeAdelantodelasOperaciones..616

9.4.2.1

9.4.2.1.1. CasosconProgramacinPredictivaSMAGA2.........................................616 9.4.2.1.2. CasosconProgramacinPredictivaSMAGA2Modificada......................621 9.4.2.2 AnlisisdelosresultadosensituacindeRetrasodelasOperaciones....622

9.4.2.2.1. CasosconProgramacinPredictivaSMAGA2.........................................623 9.4.2.2.2. CasosconProgramacinPredictivaSMAGA2Modificada......................628 9.5 Conclusiones................................................................................................................629

589

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 9.6 Bibliografa...................................................................................................................631

590

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

ndicedefiguras
Figura 91. Diagrama de Funcional del Proceso de Negocio de Programacin Reactiva (elaboracinpropia).........................................................................................................595 Figura92.Diagramadeflujodelprocesodeseleccindeltrabajoyoperacinafectadosporun evento...............................................................................................................................600 Figura93.Ejemplodeseleccindeoperacionespararetrasooadelantodelamisma. ........601 . Figura 94. Representacin de los diferentes mbitos en los que se realiza en anlisis de los factores.............................................................................................................................607 Figura95.EjemploenlaimplementacindelalgoritmoRightShift(RS)................................611 Figura 96. Ejemplo en la implementacin del algoritmo Affected Operations Rescheduling (AOR)................................................................................................................................611 Figura 97. Ejemplo en la implementacin del algoritmo Same Sequence Different Schedule (SSDS)................................................................................................................................612 Figura98.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)y entreelfactorKyALG(derecha)delbloqueAdelantoPredictivaSMAGA2P13_20. ..617 . Figura99.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)y entreelfactorKyALG(derecha)delbloqueAdelantoPredictivaSMAGA2P13_50. ..618 . Figura910.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)y entreelfactorKyALG(derecha)delbloqueAdelantoPredictivaSMAGA2P3_20. ....618 . Figura911.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)y entreelfactorKyALG(derecha)delbloqueAdelantoPredictivaSMAGA2P3_50. ....618 . Figura912.GrficodelefectodelainteraccinentreelfactorVAyelfactorALGdelbloque AdelantoPredictivaSMAGA2P3_50..............................................................................619 Figura913.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)y entreelfactorVAyALG(derecha)delbloqueRetrasoPredictivaSMAGA2P13_20(K=0). ..........................................................................................................................................624 Figura914.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)y entre el factor VA y ALG (derecha) del bloque RetrasoPredictiva SMAGA2P13_20 (K=0.01)............................................................................................................................624 Figura915.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)y entreelfactorKyALG(derecha)delbloqueRetrasoPredictivaSMAGA2P13_50(K=0). ..........................................................................................................................................625 Figura916.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)y entre el factor K y ALG (derecha) del bloque RetrasoPredictiva SMAGA2P13_50 (K=0.005)..........................................................................................................................625 Figura 917. Grfico del efecto de la interaccin entre el factor CEX y el factor ALG con K=0 (izquierda)yconK=0.01(derecha)delbloqueRetrasoPredictivaSMAGA2P3_20.....626
591

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Figura918.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)y entreelfactorKyALG(derecha)delbloqueRetrasoPredictivaSMAGA2P3_50conK=0. ..........................................................................................................................................627

ndicedetablas
Tabla91.Conjuntodebaterasdeeventossimples................................................................601 Tabla92.Resumendelosconjuntoexperimentalesempleadaseneldiseoexperimental..603 Tabla93.NivelesasignadosalosfactoresenelexperimentodeProgramacinReactiva.....609 Tabla 94. Resumen del anlisis de los resultados del bloque experimental P13 y P3 para el adelantoenlafinalizacindelasoperaciones.................................................................620 Tabla 95. Resumen del anlisis de los resultados del bloque experimental P13 y P3 para el adelantoenlafinalizacindelasoperaciones.................................................................622 Tabla 96. Resumen del anlisis de los resultados del bloque experimental P13 y P3 para el retrasoenlafinalizacindelasoperaciones....................................................................627 Tabla 97. Resumen del anlisis de los resultados del bloque experimental P13 y P3 para el retrasooenlafinalizacindelasoperaciones.................................................................629

592

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

9. Captulo9

9.1

Introduccin

Enestecaptuloserealizaunanlisisexperimentalsobreunaseleccindealgoritmosyconel findeanalizarsucomportamientoenrelacinconelprocesodeProgramacinReactivadela Produccin.Estatareaformapartedeltercerpasodelametodologapropuestaenelcaptulo 6,yconsurealizacinsedebedarporfinalizadoelmismo.Enelprocesoexperimentalsevaa configurar un entorno de trabajo similar a aquel en el que se pretende que trabaje la plataforma IPSUMAS. En este entorno se va a estudiar el comportamiento de diversos algoritmosparalaReprogramacinparcialycompletadeunProgramaProductivo,algunos deloscualessebasanenpropuestaselaboradasenestatesis. En este captulo se plantea una estructura similar a la que se propone habitualmente en el desarrollodelDiseodeExperimentos.Unavezseidentificaelproblemaaresolvereldiseo de experimentos determina que es necesaria la identificacin de los factores, despus de la cualseestablecerunplandeexperimentacin.EnelprocesodeProgramacinReactivadela Produccin, en un entorno con Incertidumbre, se considera que tanto los algoritmos de reprogramacin como las condiciones del contorno pueden influir significativamente en los resultados,yqueporlotantoenellosresidenlosfactoresaanalizar. Debido a que el problema de la Reprogramacin se origina por la existencia de eventos, un entornoincierto,esfundamentalestablecerelmtodoparasimulareventosylaspolticasde reprogramacin que se aplicarn en dichas situaciones. Los eventos pueden afectar a los trabajosencualquierdesusoperaciones,peroquizsnoentodasconlamismaprobabilidadni con la misma duracin. As mismo es necesario considerar que pueden existir eventos que aceleren o que retrasen las operaciones en curso. Todas estas son cuestiones que se debe definir. Tambin es importante considerar que posiblemente el grado de degradacin del ProgramaProductivoencursopuedainfluirenelresultadofinal. Por lo que se refiere a los algoritmos que se proponen para ser analizados se considera importante disponer, tanto de los algoritmos que ante un evento vuelvan a programar los trabajos an no finalizados sin tener en cuenta el programa anterior (reprogramacin completa), como de los algoritmos que tengan como referencia el programa anterior y que sloalterenlostrabajosafectados(reprogramacinparcial).Seempleanalgoritmosbasados en heursticas y en metaheursticas, algunos de uso generalista y otros de carcter ms especfico.AunquedesdeelpuntodevistadeldiseodelaplataformaIPSUMASelfindeeste captulo es la obtencin de un criterio de seleccin que permita aplicar el mejor mtodo en
593

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica cadacircunstanciaseponendemanifiestoqueelverdaderointersdeestetrabajoresideen lacomprensindelasreaccionesquecadatipodeprocedimientoprovocaenlosresultados del problema. Por este motivo se ha planteado un nmero de algoritmos reducido. Adicionalmente,hayquesubrayarquenoesfcilencontrarpropuestaparalareprogramacin aplicadaacasosdeempresasindustriales. Por lo que refiere al diseo del plan experimental se debe poner de manifiesto la dificultad paraconciliarlosinteresesrelativosalaobtencindeunmodelosencilloyfcildeinterpretar conlosrelativosalcumplimientodelascondicionesmarcadasporeltipodeanlisisestadstico que se sigue. En concreto se avanza que con el fin de buscar una distribucin de la varianza homogneasehatenidoquedividirelanlisisenmltiplesbloquesindependientes. Eltrabajodesarrolladoenelpresentecaptuloseorganizadelasiguienteforma:Enprimer,en el apartado 9.2 lugar se expondr el mbito de aplicacin y la metodologa con la que se desarrollarlapropuesta,enesteapartadosedefinirnelproblemayserealizareldiseodel experimento.Ensegundolugar,enelapartado9.3sedescribirnbrevementelosalgoritmos propuestos.Enelapartado9.4,seabordareldesarrollodelexperimentoyelanlisisdelos resultados. Y finalmente, en el apartado 9.5 se comentarn brevemente las conclusiones del captulo.

9.2

mbitodeAplicacinyMetodologa

Enesteapartadosedefinirelproblemaquesedeseaabordarascomolametodologaquese vaaseguirparaello.

9.2.1 IdentificacindelProblema
Segn se coment en el captulo 7, Anlisis, Diseo e Implementacin de una Plataforma SoftwarebasadaenMultiagentesparalaProgramacindelaProduccinPredictivoReactiva, deestatesis,seproponeintegrarunconjuntodemtodosycriteriosquepermitanafrontarel problema de la Programacin de la Produccin, en un entorno de incertidumbre en coordinacinconelProcesodePlanificacindelaProduccin.Unavezdefinidosydiseados dichosmtodosseimplementarnenunaplataformasoftware.Enelmencionadocaptulose identificaron los requerimientos de la plataforma mediante la aplicacin de la propuesta CIMOSA. Dentro del amplio conjunto de responsabilidades que se la atribuyeron a dicha plataforma se destacan dos grandes Procesos de Negocio (BP): El BPProgramacin Predictiva,yelBPProgramacinReactiva.
594

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

Figura91.DiagramadeFuncionaldelProcesodeNegociodeProgramacinReactiva(elaboracinpropia).

En la Figura 91 se muestra el diagrama funcional del proceso completo, dentro del cual se describen las responsabilidades de lo que CIMOSA denomina Actividades Empresariales, que son:
595

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica EA5:Identificacinyvaloracin. EA6:EstablecimientodelaestrategiadeReprogramacin EA7:Ajustes/ControldelaestrategiadeReprogramacin. EA8:Revisinycargadedatos. EA9:ClculodelProgramaReactivo. EA10:Validar/Rechazar.

Elobjetivodeestecaptuloeslaseleccindeunoovariosalgoritmosquepuedanformarparte del ncleo del Proceso de Negocio para la Programacin Reactiva. El algoritmo o algoritmos queseseleccionendebenasumirlasfuncionesatribuidasalaactividadempresarialEA9enla quesesitalafuncinasociadaalclculodelProgramaReactivo.Lasaccionescomprendidas en la actividad empresarial EA6 estn orientadas al establecimiento de los parmetros que determinarn la funcin objetivo, y que se han denominado parmetros estratgicos o estrategiadeReprogramacin.EnlaEA7serealizaelajustedelosparmetrosestratgicosdel algoritmoquesedecidautilizarylavalidacinfinaldelProgramaProductivo.LaEA10,esuna actividadintermedia,cuyocometidoeselregistroytransferenciadelosresultadosobtenidos alaActividadEmpresarialAE7. Se desea resaltar que aunque lo que en captulos anteriores se denomin Gestin del Programa Productivo es una funcin que asumirn el conjunto de procesos que forman la plataforma,recaerdeformaespecialenelProcesodeNegocioBPProgramacinReactiva. Dado que el objetivo de este captulo es el anlisis de diversos algoritmos que permitan el clculodeunProgramaReactivoeldesarrollodelmismosecentrarenlaEA9,porloquese aislarelprocesodeReprogramacinparaevitarinfluenciadelaestrategiaenelrendimiento delosalgoritmos. ElproblemaReactivoalqueharfrentelaactividadEA9,yporlotanto,elalgoritmoquese seleccioneenestecaptulo,fuedefinidoenunlenguajenaturalymatemticoenelcaptulo5. Enconcretoenelapartado5.2.2.3secomentanlashiptesisqueseplanteanparaelmodelo reactivo, y en el apartado 5.4.3 y 5.4.4 se desarrolla el modelo matemtico que define sin ambigedades el problema se pretende revolver en este captulo. Cabe recordar que la funcinobjetivoes:

[8.1]

NX NX Minimizar Z = max{c(i, RX )} + (at (i ) af (i )) i i

596

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

NosreferiremosalavariableZdelafuncinobjetivocomomakespanreactivopenalizado. En los apartados indicados del captulo 5 se describe el significado de la nomenclatura empleada.Asmismocaberecordarquebasndoseenlanotacinestablecidapor(Conway,R. W., Maxwell, W. L., & Miller, L. W. 1967) para identificar los problemas de secuenciacin, el Problema Reactivo Determinista que se pretende resolver podra ser representado como n/r/F/k1,..krparallel/setup,preasig/B.EsdecirsetratadeunTallerdeFlujoconretapas,yk1 mquinaenparaleloenlaprimeraetapa,k2enlasegundaykrenlaltima.Dondeexisteun TiempodeCambiodePartidaoSetupDependientedelaSecuenciayunaseriedetrabajospre asignados a mquinas (preasig), cuya funcin objetivo es B (balance), un balance entre el makespanyeladelantodelasfechasdeiniciodeciertostrabajos. El objetivo es por lo tanto seleccionar un conjunto de algoritmos para la Programacin Reactivaeidentificarsiexistealgunainfluenciadelosmismos,yenquecondiciones,conelfin deincluirlosenlaactividadEA9delaplataformaIPSUMAS.

9.2.2 DiseodelExperimento
Talycomosedefinienelapartado8.2.3delcaptulo8,elDiseodeExperimentosesuna metodologa basada en herramientas matemticas y estadsticas cuyo objetivo es ayudar al experimentador a seleccionar la estrategia experimental ptima que permita alcanzar, y evaluar los resultados obtenidos, con el mnimo coste y la mxima fiabilidad en las conclusiones. La aplicacin del diseo de experimentos requiere considerar las etapas que se indican a continuacin: Comprenderelproblemaydefinirclaramenteelobjetivo. Identificarlosfactoresquepotencialmentepodraninfluirenlafuncinobjetivo,y losvaloresquestospuedentomar.Entreestosvaloressebuscarlainformacin necesaria. Establecerunaestrategiaexperimental,llamadaplandeexperimentacin. Efectuarlosexperimentosconlosvaloresdelosfactoresdecididosenelpuntotres paraobtenerlosvaloresdelasrespuestasestudiadas. Responder las preguntas planteadas, sea directamente, sea utilizando un modelo matemtico.Siesnecesario,volveralaetapauno.

597

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Sepuededecirquelospasosunoatresestnmsligadosalpropiodiseodelexperimento,y lospasoscuatroycincoseencuentranvinculadosalaejecucinyanlisisdelmismo.Dentro de este apartado, aunque organizados en subapartados, se desarrollarn los aspectos relacionadosconlostresprimerospasos. En el primer paso se debe establecer que el problema que se desea abordar en la experimentacin es el de identificar el conjunto de factores significativos y determinar, para cada combinacin de factores significativos, el algoritmo con el que se obtenga los mejores resultadospromedioposiblesparaelproblemaespecificadoenelapartado9.2.1.Lavariable de respuesta o endgena que se emplear para evaluar los resultados ser la variable IPSPPVEP ligada a la funcin objetivo que los algoritmos desean minimizar definida en la ecuacin [8.1]. Esta medida proporciona el Incremento Porcentual Sobre el Programa Predictivo del Valor Examinado Promedio (IPSPPVEP) de un problema o ejemplar dado. Esta medidasepuedeexpresarcomo:

IPSPPVEP =

makespan _ reactivo _ penalizado makespan _ predictivo *100 makespan _ reactivo _ penalizado

La variable makespan_predictivo representa al valor del makespan obtenido para el Programa Predictivo del ejemplar que se desea evaluar. La variable makespan_reactivo_penalizadorepresentaalmejorvalorobtenidoparalafuncinobjetivo establecida para la Programacin Reactiva en dicho ejemplar. As por ejemplo, para un ejemplar con un makespan inicial o predictivo de 1.714 uds. que sufra una Reprogramacin obteniendounnuevomakespande1.724ydostrabajosadelantadosyunaK=10,alcanzaun makespanreactivopenalizadode1.744,yunIPSPPVEPde1,720. Laidentificacindelosfactoresserlaconsecuenciadelanlisisdelentornoexperimental.En estecasosontreslosaspectosquedefinendichoentorno:LapolticadeReprogramacin,la configuracin del sistema, y el valor de ciertos parmetros del modelo de Programacin Reactiva.Elentornoexperimentalse describe posteriormenteenelapartado 9.2.2.1. Porlo queserefierealpasotres,elplanexperimental,sedefineenelapartado9.2.2.3. Unaspectoquepertenecealdiseo,aunqueseempleeenlafasedeanlisis,eslaseleccinde una herramienta que permita establecer conclusiones claras y fiables. En este caso se ha consideradoqueexisteunavariableexplicada(dependienteoendgena)cuyovaloresfuncin de diversas variables explicativas (independientes o exgenas). Donde adems la variable explicadaesmtricaylasvariablesexplicativassonnomtricas.Enestecontexto,habitualpor otra parte en este tipo de comparativa de algortmicos, el uso de un test paramtrico es
598

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

fundamental.Unodelostestparamtricosmspotentes,yajustadosalascaractersticasde estecaso,eseldelanlisisdelavarianzaoANOVA.Elusodelanlisisdelavarianzaimplicala verificacin de una serie de hiptesis mediante un conjunto de tcnicas, que ya han sido indicadasenelapartado8.2.3delcaptulo8. Es importante, recordar que la informacin que se obtenga despus de la fase de anlisis formar parte de la EA5 en la cual se sita la FOInferir reglas y seleccionar algoritmo de ProgramacinReactiva,verlaFigura91.

9.2.2.1 EntornoExperimental:IdentificacindelosFactores Paraacabardedefinirelobjetivodelexperimentoquesevaarealizaresnecesariodefinircon claridad el entorno en el que va a llevar a cabo, y al cual quedarn circunscritas las conclusiones.

9.2.2.1.1.

PolticadeReprogramacin

Como se ha descrito en captulos anteriores, especialmente en los captulos 5 y 7, la Reprogramacin de la Produccin o Programacin Reactiva se origina cuando se detecta un eventoque,unavezanalizado,esconsideradosusceptibledeactivaresteproceso.Estaforma deactuarimplicalaexistenciadeunsistemadegestindeeventosiqueactadeacuerdocon una poltica determinada, que establece el instante y tipo de actuacin. Sin embargo, la gestindeloseventosimplicalaaplicacindeunaestrategia,ycomosehacomentadodesde uninicio,enesteexperimentotanslosepretendeidentificarlosmejoresalgoritmosparala EA9. Por este motivo, en el proceso experimental se aislar cualquier decisin sobre como actuar ante un evento que no sea la de decidir que algoritmo se debe aplicar. El funcionamientoconjuntodelProcesodeNegociodeReprogramacin,esdecirlacombinacin deestrategiayalgortmica,serealizarenelcaptulo10. Por este motivo, se ha decidido simular eventos que afecten a una nica operacin de un trabajoencursoyqueimpliquen:

La funcionalidad relacionada con la gestin de los eventos se ubica en la EA5 Identificacin y ValoracindelBPProgramacinReactiva.

599

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica LageneracindeProgramaReactivodebidoaunretrasoenlafechadefinalizacin deunaoperacindeuntrabajoencurso,obien, la generacin de un Programa Reactivo debida a un adelanto en la fecha de finalizacindeunaoperacindeuntrabajoencurso.

Sehaconsideradolaposibilidaddeanalizarelcomportamientodelosalgoritmosanteunasola modificacindelProgramaProductivo,oanteunconjuntosucesivodeReprogramaciones.No obstante, debido a las caractersticas de funcin objetivo y del problema se ha considerado que un sistema de Reprogramaciones no es un problema diferente al problema de una sola Reprogramacin,yqueadicionalmentecomplicaraelanlisisexperimental.Porestemotivo, tantoparaelcasoderetraso,comoeldeadelantosenlostiemposdeoperacinsegenerado siempreunnicoevento.

Generarunvaloraleatoriot entre[0..P]

Generarunvaloraleatorio eentre[1..E]

Identificareltrabajoy operacin

Si

Existeuntrabajoen cursoenlaetapae enelinstantet?

No
Actualizarelvalordeepara revisarlasiguienteetapa

Sehan examinadotodas lasetapas?

No

Si
Actualizarelvalordetpara revisarenelsiguienteinstante

Figura92.Diagramadeflujodelprocesodeseleccindeltrabajoyoperacinafectadosporunevento.

Laseleccindeltrabajoyoperacinafectadasporeleventoserealizamedianteeldiagramade flujodelaFigura92.Laoperacinafectadaesseleccionadadeterminandoaleatoriamenteun
600

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

instante en el Programa Productivo mediante una distribucin uniforme dentro del periodo programado. Tambin se determinar de forma aleatoria una etapa. Con estos datos se buscarunaoperacinqueestenprocesoendichoinstanteyetapa,siseencuentrastaser la seleccionada. En otrocaso, primero se busca en otras etapas en el mismo instante. Si no existe ningunaoperacin enprocesoenel instante determinado,steseincrementaenuna unidad y se vuelve a intentar buscar una operacin a partir de la etapa determinada inicialmente.ElinstantedeReprogramacinseincrementeenunaunidadhastaencontraruna operacinollegaralfinaldelprogramaencurso.
1 Mquina 11 Etapa 1 Mquina 12 B C 2 3 A 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

Etapa 2

Mquina 21

Etapa 3

Mquina 31 t1

B t2 t2+1

Figura93.Ejemplodeseleccindeoperacionespararetrasooadelantodelamisma.

ParaelcasodelaFigura93siseestablececomoinstantedeReprogramacinelt1ycomo etapa inicial la tres, al no existir ninguna operacin activa se busca en la siguiente etapa, la primera. En sta se detecta como en la primera mquina el trabajo A est en proceso, y dichaoperacinseseleccionaparaserretrasadaoadelantada.Siporelcontrario,sehubiese establecido como instante de Reprogramacin inicial el instante t2, y como etapa inicial la dos,alnoexistirningunaoperacinenprocesoenelinstantet2esteseincrementaenuna unidad. En el instante t2+1 se buscara una operacin en la etapa dos, y tampoco hay. Al examinarparat2+1laetapatressedetectaquelaoperacintresdeltrabajoAestactiva yseselecciona. Unavezdeterminadoelprocesodeseleccindeoperacionesesnecesariodefinirunespectro lo ms completo posible de casos, que se denominarn Bateras de Eventos, y que se muestranenlaTabla91.

Retraso Adelanto

Desviacionesdel10% Desviacionesdel50% Desviacionesdel100% BAT_RS_10 BAT_AS_10 BAT_RS_50 BAT_AS_50 BAT_RS_100 BAT_AS_80

Tabla91.Conjuntodebaterasdeeventossimples.

601

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Cadaalgoritmoserexperimentadoencadaunadelassituacionesquerepresentacadaunade las seis bateras definida en la Tabla 91. Se analizar el comportamiento de cada algoritmo siempre en casos de aparicin de un solo evento durante la ejecucin del Programa Productivo. Para ello se han definido tres posibles situaciones de retraso, y tres posibles situacionesdeadelantoconrespectoalasfechasdefinalizacinprevistasdelaoperacin. Paralassituacionesderetrasoenlafechadefinalizacindeunaoperacinsehanplanteado tresbaterasdeeventos(BAT_RS_10,BAT_RS_50,BAT_RS_100)querepresentanincrementos del10%,del50%odel100%deltiempodeprocesoprevistoinicialmente.Asmismo,paralas situaciones de adelanto en la fecha de finalizacin de una operacin se han planteado tres baterasdeeventos(BAT_AS_10,BAT_AS_50,BAT_AS_80)querepresentanunareduccindel 10%,del50%odel80%deltiempodeprocesoprevistoinicialmente.Enesteltimocaso,no se ha considerado una reduccin del 100% del tiempo de proceso, ya que ello equivaldra a eliminareltrabajoencurso.Ademsparaelcasodeadelantossehaconsideradoqueslose puede adelantar la fecha de finalizacin de una operacin hasta alcanzar el instante de reprogramacin.Porejemplo,enlaFigura93sseseleccionalaoperacinunodeltrabajoA, en ningn caso se puede reducir ms de una unidad, que es lo que le queda para finalizar desdeelinstantet2. Conlasimulacindeeventospropuestasecubrenunabanicodesituacionesprximasaloque pudieradarseenunasituacinrealdentrodelentornodelaIndustriaCermica.Estopermite evaluar las diferentes alternativas independientemente de la estrategia seguida para la GestindelProgramaProductivo.

9.2.2.1.2.

ElJuegodeDatos

Paralarealizacinexperimentoesnecesariodisponerdedostiposdedatosdiferenciados.Por un lado, igual que en el caso de la Programacin Predictiva, es necesario disponer de la informacinrelativaalaconfiguracindeltaller(nmerodeetapas,mquinasencadaetapa), tiempos de proceso de los trabajos en las diferentes mquinas, y los Tiempo de Cambio de Partida correspondiente. Y por otro lado, se debe disponer de un Programa Productivo PredictivoqueseaobjetodeReprogramacin. EncuantoalosdatosrelativosalaconfiguracindeltallerylostiemposdeejecucinyTiempo de Cambio de Partida se emplear el juego de datos definido en el apartado 8.2.3.1 del captulo8.SerecuerdaqueseempleandiecisisagrupacionesquesedenominaronConjuntos Experimentales.

602

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

Ejemplares

Entre1..3 Mquinaspor Etapa y20Trabajos. P13_20 SSD10_P13_20 SSD50_P13_20 SSD100_P13_20 SSD125_P13_20

Entre1..3 Mquinaspor Etapa y50Trabajos. P13_50 SSD10_P13_50 SSD50_P13_50 SSD100_P13_50 SSD125_P13_50

3Mquinaspor Etapa y20Trabajos. P3_20 SSD10_P3_20 SSD50_P3_20 SSD100_P3_20 SSD125_P3_20

3Mquinaspor Etapa y20Trabajos. P3_50 SSD10_P13_50 SSD50_P13_50 SSD100_P13_50 SSD125_P13_50

Tiempos cambio10% Tiempos cambio50% Tiempos cambio100% Tiempos cambio125%

Tabla92.Resumendelosconjuntoexperimentalesempleadaseneldiseoexperimental.

Para el conjunto de datos indicado en la Tabla 92 se ha realizado una agrupacin de los ejemplaresdecadaconjuntoexperimental.Sepresentantresgrupos,ycincoejemplarespor grupo en cada conjunto experimental. Atendiendo a la subdivisin realizada en grupos de ejemplares y conjunto experimentales se han introducido otras dos variables. La variable IPSPPVEPG tendrn en cuenta el IPSPPVEP promedio para un todas los ejemplares de un grupo, y la variable IPSPPVEPT tendr en cuenta el IPSPPVEP promedio para un conjunto experimentalcompleto. En cuanto a los Programas de Produccin Predictivos sobre los que se realizarn las Reprogramaciones se ha considerado que el resultado de la funcin objetivo debera ser robustoynodependerdeundeterminadotipodeProgramaProductivoPredictivo.Poreste motivosehadecididoqueexistaunconjuntodeProgramasProductivosPredictivosparacada ejemplar,paraquedeestamaneraquenoexistasiempreunamismasituacindepartidaque pudieracondicionarlosresultados.EnelapartadodedicadoalPlanExperimentalserealizar unamatizacinsobreesteaspecto. SedispondrdetresProgramasProductivosparacadaejemplar.Sehadecidiqueestostres ProgramasdeProduccinsean:ElProgramaProductivocorrespondientealamejorsecuencia obtenidaencadaejemplarapartirdeunalgoritmopredictivo,msdosprogramasobtenidosa partirdeunintercambioentredoselementosdedichasecuenciaelegidosdeformaaleatoria. ElProgramaPredictivoserealizarconelalgoritmoSMAGA2obtenidoenelcaptuloanterior, yseejecutarconunlmitede10.000generaciones. Paracadaejemplarseanalizarelvalorpromediodelavariablederespuestaobtenidoapartir decadaunodelostresProgramasPredictivosdelaProduccin.
603

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica El objetivo es encontrar los factores significativos, y dentro de estos los parmetros ms adecuadosparacadaunodelosdiecisisconjuntosexperimentales.Unodelosfactores,que posteriormente se definirn, ser el tipo de algoritmo. Este factor permitir determinar de forma comparativa el mejor algoritmo para cada conjunto experimental y para cada combinacindelrestodefactores.

9.2.2.1.3.

IdentificacindelosParmetrosdelosAlgoritmos

Durante la ejecucin de los diferentes algoritmos de Reprogramacin ser necesario establecerelvalordealgunosparmetrosquesecomentanacontinuacin: El valor de la variable K de la funcin objetivo. Dicha variable toma valores en basealacapacidadqueelprogramadorconsideraquetieneparahacerfrenteenun corto periodo de tiempo a trabajos previstos inicialmente para un instante ms lejanoeneltiempo.Enlaindustriacermicaestacapacidaddereaccinestmuy condicionada por la capacidad de los proveedores afectados por dichos cambios, quebsicamentesonlosproveedoresdefritas,esmaltesycolores. Valor de la Ventana de Avance (VA). La VA es un valor que permite definir un periodo que se situar entre t y t+VA. Siendo t el instante en el que se revisa el ProgramaProductivo.Porlotanto,elvalordeVAdeterminaelperiodooventana de tiempo en la cual se penalizar que los trabajos que siten, en el nuevo Programa Productivo, su primera operacin dentro de dicho periodo, siempre y cuando dicha fecha de inicio se hayan adelantado con respecto al programa en curso.SerecomiendarevisarelmodelodeProgramacinDeterministaReactivodel apartado5.4.3delcaptulo5.

Por lo que se refiere a la variable K se considera que la capacidad de reaccin del programador no evoluciona dinmicamente durante el transcurso de un programa. Por lo tanto,elvalordeKpuedeserconsideradoconstatedurantetodoelperiodoproductivo.No obstante,dadoquepuedenexistirdiversasposibilidadesseanalizarndiversosvaloresdeK. Enestecasosedeseacontemplartresposiblesvalores.SeestablecerunaKnulaparauna situacin que sirva de referencia en la que no se consideren penalizaciones. Una K baja relacionadaconunagranflexibilidadypocapenalizacineneladelantoexcesivodelasfechas de inicio de las operaciones. Y por otro lado, un valor de K alto relacionado con una baja flexibilidad y gran penalizacin en dicho adelanto de fechas de inicio. Se ha decidido que el valorKseaproporcionalalmakespandelProgramaPredictivoinicial.

604

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

En relacin a la VA sera conveniente considerarla como un factor a analizar, y estudiar el comportamiento de los algoritmos frente a diversos valores. En base a lo observado en las empresasdelaIndustriaCermica,sedeberaconsiderardosvalores.Unocorrespondientea una ventana reducida y otro asociado a una ventana de mayor duracin. Dado que en este estudio experimental se van a emplear un juego de datos estndar, y que se desconoce el periodo que se considera en para cada Programa Productivo se ajustar la consideracin anterior para realizarla en base al makespan obtenido en cada Programa Productivo Predictivo.

9.2.2.2 DefinicindelosFactores La experimentacin que se propone implica la segmentacin de la misma en varios experimentos parciales y complementarios. Esta segmentacin se detallar en al apartado dedicado al Plan Experimental. En cualquier caso, cada experimento parcial contemplar los factoresqueestnrelacionadosconlosparmetrosdelalgoritmo,conelalgoritmoempleado, yconelentorno,quesedescribenacontinuacin. Porloqueserefierealosparmetros,hayqueconsiderarelvalordelavariableKyeldela variable Ventana de Avance (VA). Para el parmetro K se utilizarn penalizaciones correspondientesal0,1%y2%delmakespandelProgramaPredictivo(0,0,5%y1%enelcaso de que la cantidad de trabajos programados sea 50). Para el parmetro VA se utilizaran ventanascorrespondientesal20%y40%delmakespandelProgramaPredictivo(10%y20%en el caso de que la cantidad de trabajos programados sea 50). En ambos casos, los valores indicados se refieren siempre a los Programas Productivos con 20 trabajos, como se indica, paraelcasode50trabajoslosvaloressedividirnporlamitadconelfindeestablecervalores absolutossimilares. SesospechaqueexisteunarelacinnolinealentrelosfactoresKyVAquepuedeafectar negativamenteenelprocesodeanlisisexperimental.Entodocaso,durantelafasedeanlisis seprestarespecialatencin,ysiesnecesario,seresolverestadificultadaadida. Unodelosfactoresmsrelevantesquesedeseaanalizareselalgoritmo(ALG)empleadopara la Programacin Reactiva o Reprogramacin. Este factor tendr cinco niveles, ya que sern cincolasopcionesempleadas.Losalgoritmosqueseanalizarn sonlaheursticaRightShift (RS) empleada por (Conway, R. W. et al. 1967;Sadeh, N. M., Otsuka, S., & Schnelbach, R. 1993), Same Sequence Different Schedule (SSDS) de elaboracin propia, Affected OperationsRescheduling(AOR)propuestopor(Abumaizar,R.J.&Svestka,J.A.1997),ylas metaheursitcasparalaReprogramacincompletaSchedulingMultiAgentGeneticAlgorithm
605

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica V.2 (SMAGA2) con restricciones en el avance de las operaciones, y SMAGA2 sin restricciones, ambas de elaboracin propia. Las heursticas seleccionadas son algoritmos especficos para la Programacin Reactiva y todos ellos sern descritos brevemente posteriormente. La Metaheurstica SMAGA2, con y sin restricciones, se emplear como mtodoparalaReprogramacincompletadelprogramapendientedeejecucin,ysuempleo sercomentadoposteriormente.

En relacin con el entorno se manejan dos factores: El Conjunto Experimental (CEX), y la Bateradeeventos(BAT).

ElprimerfactorrelacionadoconelentornoeselConjuntoExperimental(CEX)quereflejala composicindeltalleryqueestvinculadoaljuegodedatos.Aunqueestefactorpodrallegar a tener hasta 16 niveles, debido a la segmentacin que se va a realizar del anlisis slo se manejarunmximode4nivelesencadaexperimento.

Por lo que se refiere al segundo de los factores relacionados con el entorno se consider inicialmenteemplearlaBateradeEventos(BAT)comounfactorconelquepodervalorarel efecto de la duracin del evento sobre el resultado final. Esto implicaba que si el factor resultaba significativo, al menos, en relacin con el algoritmo empleado se podran tomar diferentesdecisionesencuantoalasolucinaaplicarenbasealaduracindelevento.Porun lado, dicha diferenciacin sera buena porque mejorara los resultados, pero por otro supondra un nivel mayor de dificultada en el proceso de toma de decisiones. Aunque el proceso decisional es perfectamente automatizable mediante la plataforma IPSUMAS, y en este sentido no habra ninguna dificultad en disponer de mltiples soluciones aplicadas en base a condicionantes complejos, sin duda un proceso decisional sencillo facilitara la comprensindelexperimentoysuimplantacinenunaEmpresa.Pararesolverestedilemase decidi realizar los experimentos diferenciando los resultados de los tres tipos de duracin, tantoparaloseventosqueimplicabanretraso,comoparalosqueimplicabanadelantodelas operaciones,yenfuncindelosresultadosestablecerlanecesidadonodemantenerlocomo parmetro.

Unavezrealizadounprimeranlisisseviocomodesdeelpuntodevistaingenierilladuracin del evento, tanto para el caso de retraso como adelanto de las operaciones, no influa en relacin con el algoritmo seleccionado. Descartado por lo tanto, un comportamiento del resultado final condicionado por el factor BAT se decidi emplear el promedio de los tres nivelesparaelcasodeadelantoenlafechadefinalizacindelasoperaciones,yelpromedio delostresnivelesparaelcasoderetrasoenlafechadefinalizacindelasoperaciones.
606

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

9.2.2.3 PlandeExperimentacin Elestablecimientoyejecucindelplanexperimentalconstituyeeltercerpasoeneldiseode experimentos,ysuponeladeterminacindelascondicionesenlasqueposteriormentesevan aejecutarlosexperimentos. Comosehacomentadopreviamentesehadecididodividirelprocesoexperimentalenvarios bloques complementarios. Hubiera resultado ms sencillo y ms rpido no realizar dicha divisin, no obstante esta decisin est basada en la necesidad mantener homogneas las varianzasii entre los diferentes subgrupos de individuos formados por la combinacin de factores.Ladivisinrealizadareflejasituacionesexperimentalesexcluyentes. La divisin se ha realizado de forma que el decisor, en este caso el programador de la produccin, obtenga las conclusiones que le puedan afectar, analizando slo uno o dos bloques.EnlaFigura94semuestraunarepresentacingrficadeladivisin.Comoseveen primerlugarsediferenciaentrelosdatosobtenidosgenerandoretrasosoadelantossobrela fechadefinalizacindelasoperaciones(AdelantooRetraso),ensegundolugarsediferenciael tipo de Programa Predictivo inicial (SMAGA2 o SMAGA2 Modificado), en tercer lugar la configuracin del taller (P13 o P3), y en cuarto y ltimo lugar el nmero de trabajos consideradosencadaperiodo(T20oT50).Enunasituacinprcticaconcretaelprogramador conocer de ante mano el Programa Predictivo empleado inicialmente, la configuracin del taller, y el nmero de trabajos, y por lo tanto su mbito de anlisis quedar reducido a dos bloques concretos. En funcin del evento que se produzca en un instante dado deber consultarelbloquerelacionadoconeladelanto(destacadosconrellenoenlaFigura94)ocon elretraso.

20T

50T

20T

50T

20T

50T

20T

50T

20T

50T

20T

50T

20T

50T

20T

50T

Figura94.Representacindelosdiferentesmbitosenlosqueserealizaenanlisisdelosfactores.

ii

Laexistenciadeunavarianzaheterogneaviolaunadelascondicionesmsimportantesqueseexigen paraelanlisisbasadoenlaANOVA.

607

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica En relacin a la divisin realizada en base al Programa Predictivo inicial, diferenciando entre SMAGA2, y SMAGA2 Modificado, es necesario indicar que esta separacin es consecuencia deunareflexinbasadaenunprimeranlisisdelosresultados.Comoseindicoenelapartado dedicadoalJuegodeDatos,inicialmentesepensefectuarlasReprogramacionespartiendo detrestiposdeProgramasPredictivosiniciales. UnodeellosseraSMAGA2,ylosotrosdos seran sendas alteraciones en la secuencia obtenida en el primero. Aunque inicialmente se plante realizar una media de los resultados y trabajar con dicho valor, cuando se inici el anlisis de los resultados se observ la posible existencia de un factor que afectaba a los resultados,yquenohabasidoconsideradoenelmodeloinicial. Despus de realizar diversas conjeturas se detect como el Programa Predictivo inicial presenta una influencia sumamente relevante, y que por lo tanto, no tena sentido alguno trabajar con las medias de los resultados obtenidos, sino ms bien considerarlos de forma diferenciada.Aunqueseintentincluiresteaspectocomounfactorexperimentaladicionalsu inclusinprodujosiempreunasituacinenlaqueseviolabanlascondicionesnecesariaspara realizar una ANOVA. Por este motivo se decidi separar los casos en bloques diferentes. En relacin con este hecho se ha considerado que el anlisis en profundidad se debe realizar sobrelasramasqueempleancomoalgoritmopredictivoSMAGA2. SMAGA2 sin modificaciones es una solucin que representa a los algoritmos de mayor eficiencia para el problema estudiado, y que en general no sera lgico plantearse una situacinenlaqueelProgramaPredictivoinicialnoseabuenoentrminosdemakespan.En todocaso,aunquesehaprofundizadoenelcomportamientodelosfactoresenrelacinala variableindependientesearealizadounresumendelosresultadosobtenidos. Sehaestablecidounplandeexperimentacindeformaqueparacadabloqueseexaminarn cadaunodeloscuatrofactoresquesedeseaanalizarCEX,K,VAyALG.Cadaunodeloscuales dispondr de diversos niveles (CEX: 4 niveles; K: 3 niveles mximo; VA: 2 niveles; ALGiii: 5 niveles como mximo). La Tabla 93 muestra los valores que se desean analizar para cada factor.

iii

Enlosexperimentosrelacionadosconadelantoenlafechadefinalizacindelasoperacionesslose empleanlosalgoritmosSSDSySMAGA2.

608

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

Factores ConjuntoExperimental (CEX) K Valores SSD10_X_Y;SSD50_X_Y;SSD100_X_Y;SSD125_X_Y X=P13oP3 Y=2050 (0,0;0,01;0;0,02)*MakespanPredictivo(conf.de20 trabajos)||(0,0;0,005;0;0,01)*MakespanPredictivo(conf. de50trabajos) (0,2;0,4)*MakespanPredictivo(conf.de20 trabajos)|(0,1;0,2)*MakespanPredictivo(conf.de50 trabajos) Retrasos:RS;SSDS;AOR;SMAGA2s;SMAGA2 Adelantos:SSDS;SMAGA2

VentanadeAvance(VA)

Algoritmo(ALG)

Tabla93.NivelesasignadosalosfactoresenelexperimentodeProgramacinReactiva.

Sepodanhaberconsideradootrasopciones,yseguramentecadadiseadorhubieraelegidosu propio conjunto de valores para cada factor. No obstante, en funcin de la descripcin realizada del experimento, en donde se especifica con detalle la funcin de cada factor, se considera que se han seleccionado valores razonables. Ser en todo caso el anlisis de los resultadosobtenidoselquedeterminelabondaddedichosvalores. La combinacin de factores no se aplica de la misma forma a todos los bloques experimentales. En el caso de los algoritmos, que sern descritos en el siguiente apartado, convienehacerunaaclaracin.EnelcasoderetrasoenlasoperacioneslosalgoritmosRS,AOR ySMAGA2snopermitenrealizaravancesenlaejecucindelasoperaciones,yporlotantono incurrirn en ningn tipo de penalizacin, por lo que no se ha considerado el valor de K superior a cero para dichos casos. En el caso de los adelantos en las operaciones, slo es razonableemplearelalgoritmoSSDSySMAGA2yaqueelrestodealgoritmosnuncaaceptan el adelanto de operaciones, y por lo tanto, nunca mejoraran el Programa Productivo Predictivo. As mismo los experimentos que parten del Programa Predictivo SMAGA2 slo realizan una ejecucin al ser este bastante estable, mientras que los que parten de un Programa Predictivo SMAGA2 Modificado ejecutan 2 Programas Predictivos diferentes. Por estemotivoelnmerodecombinacionesesdesigualencadabloque. Paralos4bloquesconretrasoyProgramaPredictivoSMAGA2lacombinacindefactoreses4 (CEX)x1(K)x2(VA)x3(ALG)+4(CEX)x3(K)x2(VA)x2(ALG),esdecir72tratamientos.Para los 4 bloques con retraso y Programa Predictivo SMAGA2 Modificado es el doble ya que se realiza una vez con cada programa inicial, es decir 144 tratamientos. Para los 4 bloques con adelantoyProgramaPredictivoSMAGA2lacombinacines4(CEX)x3(K)x2(VA)x2(ALG), esdecir48tratamientos.Yfinalmente,paralos4bloquesconadelantoyProgramaPredictivo SMAGA2ModificadoeseldoblequeelanterioryaqueserealizaunavezconcadaPrograma
609

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Predictivo,esdecir96tratamientos.Porlotantohayuntotalde360(tratamientosbloque)x4 (bloques),esdecir1.440. Caberecordarquecadaconjuntoexperimentalconstadetresgrupos,ycadagrupoconstade 5ejemplares.Sehadecididorealizar50ejecucionesporejemplarycombinacindenivelesde losfactores.Estoimplicaqueserealizarn3(grupos)x5(ejemplares)x1.440(tratamientos)x 50(ejecuciones)=1.080.000ejecuciones.

9.3

DescripcindelosAlgoritmosAnalizados.

Con los algoritmos propuestos se pretende examinar propuestas para la Programacin Reactiva que implican una modificacin parcial del Programa Productivo, y propuestas que emplean la fuerza ms propia de la Programacin Predictiva realizando una modificacin completadelProgramaProductivopendientedeprocesar.Enningncasosepretenderealizar un barrido exhaustivo ni de algoritmos de Reprogramacin parcial, ni de programacin completa. El objetivo es ms modesto. Tan slo se pretende realizar una aproximacin a las solucionesdetiporeactivoparaelproblemapropuesto,quepermitadisponerdeunasituacin de partida para futuras investigaciones, al mismo tiempo que se aprovechar la informacin queseobtengaparaimplementarunafuncionalidadconcretaalaAE9delaplataformaIPSU MAS. LaspropuestasparalaProgramacinReactivaparcialsonentodosloscasodetipoheurstico, yrelativamentesencillasdeimplementar.Comoyasecomentenelcaptulo3,laspropuestas decarcterReactivoparcialsuelenestarmuyadaptadasacadaalproblemaconcretoquese aborda, y difcilmente se encuentran propuesta de carcter general. Entre las de carcter generalsehanempleadodosdelasmsmencionadasenlaliteraturasonelenfoqueRight Shift (RS) y la el algoritmo Affected Operation Rescheduling (AOR). As mismo, se ha querido realizar una portacin heurstica para la Programacin Reactiva aplicable de forma especficaalproblemapropuesto,yquecomplementealasheursticasgeneralistas.Estaseha denominadoSameSequenceDifferentSchedule(SSDS). La tcnica RightShift (RS) (Conway, R. W. et al. 1967;Sadeh, N. M. et al. 1993) es una heurstica que consiste en mover toda la secuencia hacia el futuro, hasta que el evento es superadoeneltiempo.Lasecuenciaserespetayquedatalcualfueestablecidainicialmente, permitiendointroducirtiemposmuertos.

610

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

Figura95.EjemploenlaimplementacindelalgoritmoRightShift(RS).

SegnsemuestraenlaFigura95,dadounProgramaPredictivoenejecucin(izquierda)enel queenelinstantet1seproduceuneventoqueimplicaprolongarlaoperacin1deltrabajo A, A1, en dos unidades de tiempo hasta el instante t2, la solucin propuesta por RS adaptadaalcasodelTallerdeFlujoHbridoesladelgrficodeladerecha.EltrabajoA1se prorroga 2 unidades de tiempo, y los trabajos que se ejecuta en el resto de mquinas de la etapa1,mquina11y12,dondesehacerealizalaoperacinafectadatambinseprorrogan2 unidades.Enestecaso,eltrabajoB1noseinterrumpiradurante2unidadesdetiemposino queasufinalizacinhabraqueesperar2unidadesdetiempoantesdeempezarelsiguiente. Una vez desplazados los trabajos de las mquinas de la operacin afectada, el resto de operacionessemodificanconvenientemente. AffectedOperationRescheduling(AOR)(Abumaizar,R.J.etal. 1997;Hasle,G.&Smith,S.F. 1994;Leon,V.J.,Wu,S.D.,&Storer,R.H.1994)esunatcnicaheursticaenlacualslolas operacionesquesevenafectadasporlosefectosdeuneventosonmodificadas.Elconcepto bsico de esta tcnica es el desplazamiento hacia delante de las fechas de inicio de algunas operacionesmanteniendolassecuenciasdeiniciodecadamquina.

Figura96.EjemploenlaimplementacindelalgoritmoAffectedOperationsRescheduling(AOR).

611

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica SegnsemuestraenlaFigura96,dadounProgramaPredictivoenejecucin(izquierda)enel queenelinstantet1seproduceuneventoqueimplicaprolongarlaoperacin1deltrabajo A, A1, en dos unidades de tiempo hasta el instante t2, la solucin propuesta por AOR adaptada al caso del Taller de Flujo Hbrido es la del grfico de la derecha. La operacin afectadainicialmenteA1seprorroga2unidadesdetiempodesplazandoenesaetapasloal trabajoD1queseiniciabaenelinstante9yahoraseiniciaenel11.Enetapasposterioreslas operaciones afectadas del trabajo A y D se retrasan el tiempo necesario. Obsrvese como la operacin A2 comenzaba en el instante 10 y despus de Reprogramar comienza en el instante11,esdecirqueelretrasoinicialde2unidadesnosetrasladaatodoslasoperaciones, tansloseajustanlosiniciosyfinales,segnlasfechasdefinalizacindelostrabajosenlas etapasprecedentes. SepuedeconsiderarqueRSesuncasoespecialdeAORenelqueseinicialmentenohayuna operacin afectada sino tantas como recursos existen en la misma etapa. Se podr observar como tanto en RS, como en AOR, la asignacin de los trabajos a las mquinas permanece inalterada. El mtodo Same Sequence Different Schedule (SSDS), de elaboracin propia, propone la modificacin de la fecha de fin de la operacin afectada manteniendo la secuencia, pero permitiendo reasignar los trabajos pendientes en los recursos disponibles en cada etapa sin restricciones.Comoyasehamencionadoenvariasocasiones,laresolucindelproblema de Programacin de la Produccin en un Taller de Flujo Hbrido implica abordar dos aspectos: secuenciacinyasignacin.LaheursticaSSDSsepuedevercomounamodificacindeAOR,ya que igual que esta ltima SSDS propone actuar sobre la operacin afectada directamente, y sobre las afectadas indirectamente como consecuencia de la reparacin de la primera, respetandolasecuenciaoriginal.

Figura97.EjemploenlaimplementacindelalgoritmoSameSequenceDifferentSchedule(SSDS).

612

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

A diferencia de AOR, SSDS no mantiene la asignacin trabajomquina que inicialmente se estableci,permitiendolabsquedadenuevas combinaciones trabajomquinadentrodela misma etapa. Este tipo de Reprogramacin, es la ms intuitiva, y podra ser bastante adecuada, a priori, para aplicar en los talleres cermicos en el caso de tener que aplicar cambiosalProgramaProductivoencurso. EnlaFigura97semuestraunaReprogramacinempleandolaheursticaSSDS.Enestecasose retrasa2unidadeslaoperacinA1,yseanalizalasecuenciainicialA,B,D,Creasignando deformaparcialtodoslostrabajosqueenlasecuenciaseencuentrenpordetrsdeA,cuya operacin1nohayasidorealizadatotaloparcialmente,esdecirlasubsecuenciaD,C.Como seve,enestecasoserespetalasecuenciainicialperolaasignacinderecursoscambia,ypor endeelreajustedelasfechasdeinicioyfindelrestodeoperaciones.Enconcretoalretrasarel finaldelaoperacinA1hastaelinstante11laoperacinD1sehaasignadoalamquina 12,yentonceslaoperacinC1sehaasignadoallamquina11.Ladiferenciafundamental conAORyRSeslaposibilidaddemodificarlosrecursosasignadosinicialmente. Adems de las heursticas para la Reprogramacin parcial de la Produccin, tambin se han considerado un procedimiento metaheursticos para la Reprogramacin completa de la Produccin.Laraznquejustificasuinclusinesqueaprioriparecerazonableque,porloque se refiere a makespan, una Reprogramacin completa sea ms eficiente que una Reprogramacin parcial. Por lo tanto, se espera que cuando el valor de K sea cero el mejor algoritmo sea el de Reprogramacin completa. Por lo que el procedimiento de Reprogramacincompletapuedeservirdepuntodereferenciaparaelrestodesituacionesy algoritmos. En cuanto al algoritmo seleccionado no tiene relevancia, ya que se considera que cualquier algoritmo que proporcione buenos resultados es vlido para obtener la referencia esperada. Se ha seleccionado SMAGA2, ya que se demostr en el captulo 8 que se trata de un buen AlgoritmoPredictivo,yqueporlotantosepuedeemplearparalaReprogramacincompleta,y tambin porque el amplio conocimiento que se tiene sobre la implementacin del mismo facilita realizar algunas modificaciones necesarias. Efectivamente, para utilizar el algoritmo SMAGA2 en la Programacin Reactiva completa requiere modificar el algoritmo para que reprogrameencadaocasinunnmerodetrabajosvariable,manteniendosinalteraraquellos queyasehabanejecutadooqueestabanenproceso.Peroadems,sedeseaconsiderardos versiones de este algoritmo. La primera versin, que se denominar SMAGA2s, incluir una restriccin que impedir que se consideren movimientos de trabajos que pudieran suponer unapenalizacin,esdeciravancedetrabajoscuyaprimeraoperacinpendienteserealiceen el nuevo programa dentro de la Ventana de Avance. La segunda versin, se denominar SMAGA2, y consistir en una implementacin sin restricciones del algoritmo. Ambos algoritmosseejecutarnconunlmitede5.000iteraciones.
613

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Con las dos versiones de Reprogramacin completa, con y sin restricciones, incluyen alternativasquepuedenmostrarsubondadensituacionesdiferentes.Porunlado,unaversin SMAGA2 puede ser la mejor opcin a efectos de makespan, aunque si se penalizan los adelantospuedereducirsuefectividad.Porotrolado,sedisponedeSMAGA2s,queaunque no alcance un makespan mejor que SMAGA2, nunca se incurrir en penalizaciones, y por lo tantopuedeserinteresantecuandoelvalordeKseasuperioracero.

9.4

DesarrollodelDiseoExperimental

UnavezimplementadostodoslosalgoritmosseleccionadospararealizarlaProgramacindela Produccin Reactiva, en un Taller de Flujo Hbrido con Tiempos de Cambio de Partida Dependientes de la Secuencia, y que por lo tanto estar disponible el objeto de anlisis, es cuandoelexperimentadorestencondicionesdeseguirdesarrollandolosdiferentespasosde queconstaeldiseoexperimental.

9.4.1 ProcedimientodeEjecucinlosExperimentos
Paraeldesarrollodelosexperimentossehanempleado4ordenadorestipoPCconprocesador Intel Core 2 a 2.66 GHz, con memoria de 2 GByte, y sistema operativo Windows XP Service Pack3.Deformaquecadaconjuntoexperimentalsehaejecutadodeformaaleatoriaenuno de los cuatro ordenadores. Cada ejemplar de cada conjunto experimental se ha Programado Predictivamente,ycondichoprogramadereferenciaseharealizadounexperimentoparauna determinadacombinacindefactores,volviendoarecuperarelprogramadereferenciapara realizar otra repeticin con la misma combinacin, y as hasta cincuenta ejecuciones por combinacinyProgramadePredictivodereferencia.Unavezrealizadoslosexperimentospara cada Programa Predictivo y combinacin de parmetros se ha guardado el resultado en un fichero. En dicho fichero se han escrito diversos datos, algunos de los cuales han sido empleadosparaelanlisisdelosresultados,otrossehanempleadocomosimpleselementos deidentificacin,yotrossehanobtenidoconesprituderealizarfuturosanlisisquesirvande complementoaestetrabajo.Losdatosalmacenadoshansidolossiguientes:
614

ValordeIPSPPVEPdelejemplar. ValordelmakespanobtenidoparaelProgramaPredictivodelejemplar. Identificacindelejemplarydelconjuntoexperimentalejecutado. Identificacindelvalordelosparmetrosejecutados.

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

Fechayhoradefindelaejecucindelejemplar.

Una vez finalizados todas las ejecuciones de cada conjunto experimental los datos se han consolidado en una hoja Excel en la cual se dispuesto el valor de IPSPPVEPT para cada combinacindenivelesdelosfactores. Los datos se han exportado a Statgraphics Plus para Windows versin 5.0 (ver http://www.statgraphics.com). Previamente se ha creado un diseo de experimentos mediantelaopcindeMultiFactorCategorical,conunavariablederespuestayunmximo de cuatro factores (dependiendo del bloque), realizando un diseo personalizado con diferentes niveles por factor, con una rplica no aleatoria para el caso de los bloques correspondientesalProgramaPredictivoSMAGA2Modificadoysinrplicaencasodepartir delProgramaPredictivoSMAGA2.Lacodificacindelosfactoressiguelamismanomenclatura expresadahastaelmomento.

9.4.2 Anlisisdelosresultados
Engeneralelanlisisdelosresultadosimplicapoderdarrespuestasatisfactoriaalassiguientes cuestiones:

Culeselalgoritmoquemejorsecomportaengeneral? ExistealgunainteraccinentrealfactorALGycualquierotrofactor?Siesas,En queafectadichainteraccinalosalgoritmosconmejorcomportamiento?,Cules son los algoritmos con mejor comportamiento en cada combinacin de interaccionessignificativas? Existe alguna interaccin significativa entre los factores CEX, K y VA interesante? Culesefectoycomoafectaalasdecisionesdelprogramador?

Apartirdeestascuestionesbsicassepropondrnotrasmsconcretassegnseanecesario. En todo caso, las respuestas a estas y otras cuestiones estarn basadas en el anlisis de los datos obtenidos en la experimentacin. Algunas cuestiones podrn encontrar respuesta mediantelasimpleobservacindelastablasderesultadosyotrasnecesitarndeunestudio estadstico riguroso. En el anexo IV se muestran todos los resultados, as como el anlisis ANOVA de todos los bloques con su correspondiente verificacin de las hiptesis bsicas de normalidad, homocedasticidad y linealidad para lo cual se ha empleado el mismo tipo de grficasqueenelcaptulo8.
615

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Acontinuacinseabordarnlascuestionesplanteadasenparacadaunodelosbloquesenlos que se ha dividido el experimento para posteriormente realizar un resumen de las ms relevantes.

9.4.2.1 AnlisisdelosresultadosensituacindeAdelantodelasOperaciones Comoyasehacomentadoconanterioridadenestecaptulo,duranteelanlisispreliminarde losresultadosobtenidos,sedetectlaexistenciadeuncomportamientomuydiferentedela funcin objetivo en relacin con los factores considerados dependiendo de si el Programa Predictivodepartidaeraunprogramaconunmakespanlomsprximoalptimoposibleosi eraunProgramaPredictivoconunmakespannotanbuenocomoelanterior.Porestemotivo se ha diferenciado el anlisis de los resultados dependiendo del Programa Predictivo de partida. As mismo, tambin se debe hacer hincapi en el hecho de que de todos los mtodos propuestos para la Reprogramacin slo dos de ellos son capaces de proponer un programa alternativocuandolafechadefinalizacindeunaoperacinseadelanta.TantoelmtodoRS, como los mtodos AOR y SMAGA2s son incapaces de desplazar a la izquierda el diagrama Ganttdelasoperacionesdebidoasuformadeactuar.Porestemotivo,sloparaelcasode adelanto en las operaciones se estudian dos algoritmos: SSDS y SMAGA2. No obstante, se entiendenqueestetipodesituacionesconadelantoocurrenconmuchamenosfrecuenciaen laIndustriaCermicaquelassituacionesderetraso.

9.4.2.1.1.

CasosconProgramacinPredictivaSMAGA2

En este apartado se ha realizado un estudio estadstico en profundidad para intentar profundizar en el anlisis dando cobertura a todas las cuestiones generales planteadas, partiendosiempredelahiptesisdequeelProgramaPredictivoinicialalcanzaunosvaloresde makespanmuybuenos. Hansido4loscasosquepartiendodeunProgramaPredictivoaltamentecompetitivohansido posteriormente sometidos a eventos que les ha supuesto una alteracin de alguna de las operaciones en curso provocando una reduccin de la misma. El Programa Predictivo empleadohasidoSMAGA2,yloscasosestudiadossehandiferenciadoporsuconfiguracin detalleryporsunmerodetrabajos.Estosbloquesexperimentalesestncaracterizadospor el conjunto experimental seleccionado han sido los denominados como: P13_20, P13_50, P3_20yP3_50.Quesecorresponden conlas4alternativasdescritasparaladuracinde los
616

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

TiemposdeCambiodePartidadependientesdelasecuenciaylaconfiguracinlostallerescon una configuracin de entre 1 y 3 mquinas por etapas y 20 trabajos por periodo (SSD10_P13_20, SSD50_P13_20, SSD100_P13_20, y SSD125_P13_20), o bien la configuracin deentre1y3mquinasporetapasy50trabajosporperiodo(SSD10_P13_50,SSD50_P13_50, SSD100_P13_50, y SSD125_P13_50), o bien con 3 mquinas por etapas y 20 trabajos por periodo (SSD10_P3_20, SSD50_P3_20, SSD100_P3_20, y SSD125_P3_20) , o bien con 3 mquinasporetapasy50trabajosporperiodo(SSD10_P3_50,SSD50_P3_50,SSD100_P3_50, ySSD125_P3_50). Tanto para el caso P13_20iv, como para el P13_50v, P3_20 y P3_50 se muestra en los resultadosdelaANOVA(veranexoIV)queelfactorprincipalALGessignificativo.Yentodos loscasosenpromediolosmejoresresultadosseobtienenconelalgoritmoSSDS.Noobstante, laANOVAtambinindicacomosiempreessignificativalainteraccindelfactorALGtantocon CEX, como con K. Y en el caso P3_50 tambin lo es la interaccin entre VA y ALG. A continuacin se muestran las grficas de interaccin entre los diferentes factores para los bloqueexperimentalesanalizados.

Interaction Plot
2,8

Interaction Plot IPSPPVEPT

ALG SMAGA SSDS
4,9 3,9 2,9 1,9 0,9 -0,1 ALG SMAGA-2 SSDS

IPSPPVEPT

2,5 2,2 1,9 1,6 1,3 10 50 100 125

0,01

0,02

CEX

Figura98.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)yentreelfactorKy ALG(derecha)delbloqueAdelantoPredictivaSMAGA2P13_20.

iv

Paraestebloqueexperimental,yparaelbloqueP3_20,losfactores(yvalores)estudiadosson:CEX (10,50,100,125)iv,K(0,0.01,0.02),VA(0.2,0.4),ALG(SSDSySMAGA2). Para este bloque experimental,y para el bloque P3_50, los factores (y valores) estudiados son: CEX (10,50,100,125)v,K(0,0.005,0.01),VA(0.1,0.2),ALG(SSDSySMAGA2).

617

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Interaction Plot LOG(IPSPPVEPT+1)
LOG(IPSPPVEPT+1)
1,8 1,5 1,2 0,9 0,6 0,3 0 10 50 100 125 ALG SMAGA-2 SSDS
2 1,6 1,2 0,8 0,4 0 -0,4 0 0,005 0,01

Interaction Plot
ALG SMAGASSDS

CEX

Figura99.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)yentreelfactorKy ALG(derecha)delbloqueAdelantoPredictivaSMAGA2P13_50.

Interaction Plot LOG(IPSPPVEPT+2)

LOG(IPSPPVEPT+2)
2 1,8 1,6 1,4 1,2 10 50 100 125 ALG SMAGA-2 SSDS
2,1 1,9 1,7 1,5 1,3 1,1 0,9 0

Interaction Plot
ALG SMAGA-2 SSDS

0,01

0,02

CEX

Figura910.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)yentreelfactorKy ALG(derecha)delbloqueAdelantoPredictivaSMAGA2P3_20.

Interaction Plot LOG(IPSPPVEPT+2)

LOG(IPSPPVEPT+2)
2,5 2,3 2,1 1,9 1,7 1,5 1,3 10 50 100 125 ALG SMAGA-2 SSDS
2,6 2,3 2 1,7 1,4 1,1 0

Interaction Plot
ALG SMAGA-2 SSDS

0,005

0,01

CEX

Figura911.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)yentreelfactorKy ALG(derecha)delbloqueAdelantoPredictivaSMAGA2P3_50.

618

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

Interaction Plot LOG(IPSPPVEPT+2)

2,3 2,1 1,9 1,7 1,5 1,3 0,1 0,2 ALG SMAGA-2 SSDS

VA

Figura912.GrficodelefectodelainteraccinentreelfactorVAyelfactorALGdelbloqueAdelantoPredictiva SMAGA2P3_50.

En la Figura 98 (izquierda) se puede observa como existe una tendencia creciente del algoritmo SMAGA2 en relacin con el Tiempo de Cambio de Partida, mientras que la tendenciaes decreciente paraSSDS.EstopodraindicarquecuandolosTiemposdeCambio de Partida son elevados es mejor reasignar recursos sin modificar la secuencia (que era inicialmente buena), que reprogramarporcompletolos trabajospendientes.Enesamisma figura,aladerecha,seobservacomoambosalgoritmosempeorancuandoelvalordeKcrece, loqueeslgico,yaqueelloimplicaelincrementodelapenalizacinportrabajosadelantados dentro de VA. No obstante, se observa como parece que dicho crecimiento presenta una pendiente ms suave para SSDS que para SMAGA2, lo que se deduce que con fuertes penalizacionesseramejorusarSSDS. EnelladoizquierdodelaFigura99,Figura910yFigura911sepuedeobservacomoexiste unatendenciacrecientedelalgoritmoSMAGA2enrelacinalTiempodeCambiodePartida, mientras que SSDS es ms irregular, y flucta dentro de un margen, sin presentar una tendencia creciente. En todos los casos indicados es siempre ms interesante reasignar recursosquereprogramar.Asmismo,seobservacomoengenerallosvaloresobtenidosenel bloqueP13_50sonmenoresqueenbloqueP3_20,queasuvezsonmenoresqueenbloque P3_50. Sin embargo, los valores obtenidos en el primer bloque, P13_20, son en general superioresalostresbloquesrecincomentados.Porloqueserefierealapartederechadela figura,ambosalgoritmoscrecenconrespectoalincrementodeK,peroenestoscasoselvalor deSSDSessiempremenorqueeldeSMAGA2. La ANOVA muestra que para el caso P13_20, el caso P3_20 y el caso P3_50 tambin son significativos los factores principales CEX, K y VA. En cuanto a CEX y K se espera que sean significativosentodosloscasos,ynosloenestebloque,yaqueseintuyequeexisteunagran diferenciaentrelosresultadosquesepuedenalcanzarcondiferentesTiemposdeCambiode
619

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Partida,ascomocuandoseaplicandiversosgradosdepenalizacinporadelantodetrabajos dentrodeVA.Porlotanto,elfactorCEXyKposibilitanelaumentooreduccindelafuncin objetivo de forma directa. Sin embargo, la significacin de VA, y su interaccin con otros factoresesmsincierta.EnloscasosP13_20,P3_20yP3_50essignificativoyenelP13_50no essignificativo.Enprincipio,VApuedeafectaralresultado,enelcasodeadelantos,yaqueal aumentarlaventanasobrelacualestprohibidoadelantarlostrabajosaumentanelriesgode ser penalizados en el caso de reprogramacin. Por lo explicado, se puede deducir como es normal que K y VA por separado o ambos en combinacin condicionen el resultado. De hecho la ANOVA ha confirmado que la interaccin entre el factor K y el factor VA es significativaparaP13_20,P13_50,P3_20yP3_50. Adems en el nico caso en el que se ha podido confirma la significacin en la interaccin entre ALG y VA ha sido en el P3_50, en el resto de casos no se puede decir que existan diferenciasenelresultadoelegidodependiendodelacombinacindeambosfactores.Aunque enestecasoexisteunasignificacinestadstica,quenosllevaraapensarquedeberamosde tenerencuentacualeselvalordeVAantesdeelegirelalgoritmoaaplicar,desdeelpuntode vistadelaingenieranoserarelevante.

En la Tabla 94 se proporciona un resumen de los factores significativos para cada bloque experimental, as como el criterio de seleccin del algoritmo que proporciona mejores resultadosencadaocasin.

Bloque Experimental P13_20

Factores principales significativos CEX,K,VA,ALG

FactoresCombinados significativos CEX|ALG,K|ALG,K|VA

MejorAlgoritmo

P13_50 P3_20

K,ALG CEX,K,VA,ALG

CEX|ALG,K|ALG,K|VA CEX|K,CEX|ALG, K|ALG,K|VA,VA|ALG

P3_50

CEX,K,VA,ALG

CEX|K,CEX|ALG, K|ALG,K|VA,VA|ALG

K=0 SSDS K>0ySSD100|SSD125 SSDS K>0ySSD10|SSD50 SMAGA2 (exceptoconenSSD50conVA=0.4 SSDS) SSDS SSD10 yK=0 SSDS SSD50|SSD100|SSD125 SSDS K=0,02ySSD10 SMAGA2 K=0,01yVA=0,2ySSD10 SMAGA2 K=0,01yVA=0,4ySSD10 SSDS SSDS

Tabla94.ResumendelanlisisdelosresultadosdelbloqueexperimentalP13yP3paraeladelantoenla finalizacindelasoperaciones.

620

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

En base a las observaciones realizadas se pueden establecer algunas conclusiones generales, queson: El algoritmo SSDS proporciona unos resultados mejores en la gran mayora de los casos. Existe una fuerte interaccin entre el algoritmo (ALG) y el conjunto experimental (CEX). En este contexto, SMAGA2 slo es competitivo cuando los Tiempos de CambiodePartidasonreducidos(SSD10einclusoSSD50),yelnmerodetrabajos tambinreducido(20trabajos). Los peores valores del mejor algoritmo se obtiene para el bloque P13_20. Este bloquesehamostradocomounodelosquemsdistanciaexisteentreelPrograma PredictivoyelProgramaReactivo,yporlotantomsdifcilesdereprogramar. La interaccin entre el algoritmo y el parmetro K ha mostrado que en todos los bloquesSSDSySMAGA2incrementansuvalorcuandoseincrementaelvalordeK, y en todo los casos menos en el bloque P13_20 lo hacen con una pendiente my similar. Este ltimo dato, refuerza la conclusin de que en los bloques P13_20, P3_20yP3_50elalgoritmoSSDSesmejoralgoritmoenbasealaobtencindeun buen makespan en la funcin objetivo, ya que parece que la penalizacin por adelantartrabajosessimilaraladeSMAGA2.Porlotanto,enloscasosindicadosla reasignacin de recursos es preferible al reordenamiento de la secuencia de trabajos.

9.4.2.1.2.

CasosconProgramacinPredictivaSMAGA2Modificada

Tambinhansido4loscasosquepartiendodeunProgramaPredictivomejorable,esdecircon unmakespanquepodramejorardeformasignificativa,hansidoposteriormentesometidosa eventosqueleshasupuestounaalteracindealgunadelasoperacionesencursoprovocando una reduccin de la misma. El Programa Predictivo empleado ha sido SMAGA2, pero a la secuenciaobtenidaseleharealizadounintercambioentredosposicionesdelamisma,porlo queselehadenominadoSMAGA2Modificado.Losbloquesexperimentales:P13_20,P13_50, P3_20yP3_50.Estosbloquescontienenlosmismosejemplarsquelosindicadasenelapartado anterior. SehaconsideradoqueelhechodepartirconunProgramaPredictivoelaboradodeformaque inicialmentenoseaelmejorposiblenoesunpuntodepartidadeseable,yporlotanto,debe serpocoempleado.Porestemotivo,seharealizadounestudiobsicodelosresultados,conel
621

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica simpleobjetivodedetectarcual esel mejoralgoritmoposible enlasdiversascircunstancias, perosinentrarenunaanlisisfactorialsobrelainfluenciaeinteraccionesdeotrosfactores. En la Tabla 95 se proporciona un resumen del criterio de seleccin del algoritmo que proporcionamejoresresultadosparacadabloqueexperimental.
Bloque Experimental P13_20 P13_50 P3_20 P3_50 MejorAlgoritmo SMAGA2 SMAGA2 SMAGA2 SMAGA2,excepto: K=0.01ySSD100|SSD125 SSDSy K=0.01ySSD50yVA=0.1 SSDS

Tabla95.ResumendelanlisisdelosresultadosdelbloqueexperimentalP13yP3paraeladelantoenla finalizacindelasoperaciones.

Comosepuedeobservarelcriteriodeseleccinnoestenabsolutorelacionadoconeldelos casos cuyo algoritmo predictivo es un Programa Productivo con makespan reducido. En este casoelalgoritmoquepredominaesSMAGA2,esdecir,enlamayoradeloscasosesmejor reprogramardenuevofrentealaopcindereasignaraprovechandolasecuenciaexistente.

9.4.2.2 AnlisisdelosresultadosensituacindeRetrasodelasOperaciones Taly comoseharealizadoanteriormente,sevaa diferenciarentrelosresultadosobtenidos partiendodeunProgramaPredictivoconunmakespanprximoalptimo,ylosobtenidoscon unProgramaPredictivoconunmakespanalejadodelprimero. Enelcasoderetrasoenlasoperacionesseemplearn5algoritmosdiferentes:RS,AOR,SSDS, SMAGA2ySMAGA2s.Elretrasoenlafechadefindelasoperacionesesunodeloseventos mshabituales,secreequemuchomsqueeladelanto,porloquelasconclusionesdeeste apartadoseconsideranespecialmenteinteresantesparaelprogramadordelaproduccin.

Han que destacar que se sabe de antemano que no todos los mtodos propuestos son sensiblesalosfactoresKyVA.EnconcretoelalgoritmoRSyAORnuncasevenafectadospor losvaloresquepuedantomardichosfactores.ElalgoritmoSMAGA2ssloseveafectadopor elvalordeVA,yaquecontramsgrandesedichovalormenorserelnmerodetrabajosque podr reprogramar. Y los algoritmos SSDS y SMAGA2 se ven afectados por los valores que
622

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

tomen los factores comentados. En concreto SSDS y SMAGA2 alcanzan sus mejores valores conKiguala0,valoresquenopuedensersuperadosconvaloresdeKsuperioresa0,esmsel resultadoobtenidodeberaserpeorcuantomsaltoseaelvalordeK.

9.4.2.2.1.

CasosconProgramacinPredictivaSMAGA2

Las consideraciones realizadas en el apartado 9.4.2.1.1 son vlidas en este. Los bloques experimentales que se estudian son los mismos que en dicho apartado. Estos son: P13_20, P13_50,P3_20yP3_50. Debido a las dificultades encontradas en el proceso de tratamiento estadstico de los datos paraqueelanlisisANOVAcumplieralacondicindeigualdadenlavarianzaentregruposse haprocedidoanalizandoinicialmente,entodoslosbloquesexperimentales,sloelcasoenel queKtomaelvalor0.Estohapermitidosuperarlacondicinindicadasobrelasvarianzas.As mismohapermitidosimplificarelestudionoanalizandoelrestodevaloresdeKsiempreque los algoritmos que dependen de ste, que empeoran con su incremento, se han mostrado claramente dominados por otros, cuando el valor de K es 0. Hay que tener en cuenta que fundamentalmente el estudio experimental pretende conocer cual es el comportamiento de los diferentes algoritmos, siempre y cuando sean susceptibles de ser empleados. En este aspecto, ha sido necesario ampliar el estudio para valores superiores a 0, pero slo para el valorinmediatamentesuperior,conelfindeanalizaralgunosconjuntosexperimentalesdelos bloquesP13_20,P13_50yP3_20. Tanto para el caso P13_20vi, como para el P13_50vii, P3_20 y P3_50 se observa en los resultadosdelaANOVA(veranexoIV)queelfactorprincipalALGessignificativosiempre. Aunquenoexisteunalgoritmoclaramentedominadorenlasdiferentessituaciones.Poreste motivo hay que interpretar cuidadosamente las interacciones. En este aspecto la ANOVA muestra como tambin es siempre significativa la interaccin entre el factor ALG y el factor CEX.Yentodosloscasos,menosenelP3_20,tambinloeslainteraccinentreVAyALG.

vi

Paraestebloqueexperimental,yparaelbloqueP3_20,losfactores(yvalores)estudiadosson:CEX (10, 50, 100, 125), K (0, 0.01, 0.02), VA (0.2, 0.4), ALG (RS, SSDS, AOR, SMAGA2s y SMAGA2). Del factorKnosehatenidoencuentaelvalor0.02. Paraestebloqueexperimental,yparaelbloqueP3_50,losfactores(yvalores)estudiadosson:CEX (10,50,100,125),K(0,0.005,0.01),VA(0.1,0.2),ALG(RS,SSDS,AOR,SMAGA2sySMAGA2).Del factorKnosehatenidoencuentaelvalor0.01.

vii

623

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica A continuacin se muestran las grficas de interaccin entre los diferentes factores para los bloque experimentales analizados. En los casos en los que se ha estudiado por separado los resultadosobtenidosconK=0yK>0semuestranambasgrficas.

Interaction Plot
1,9

Interaction Plot IPSPPVEPT

ALG AOR RS SMG-2 SMG-2s SSDS
1,72 1,52 1,32 1,12 0,92 ALG AOR RS SMG-2 SMG-2s SSDS

IPSPPVEPT

1,7 1,5 1,3 1,1 0,9 0,7 10 50 100 125

0,2

0,4

CEX

VA

Figura913.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)yentreelfactorVA yALG(derecha)delbloqueRetrasoPredictivaSMAGA2P13_20(K=0).

Interaction Plot (IPSPPVEPT-0,2)^2

(IPSPPVEPT-0,2)^2
1,5 1,2 0,9 0,6 0,3 0 10 50 100 125 ALG AOR RS SMG-2s SSDS
0,96 0,86 0,76 0,66 0,56

Interaction Plot
ALG AOR RS SMG-2s SSDS

0,2

0,4

CEX

VA

Figura914.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)yentreelfactorVA yALG(derecha)delbloqueRetrasoPredictivaSMAGA2P13_20(K=0.01).

ElanlisisdelosresultadosobtenidosparaelbloqueexperimentalP13_20nospresentala posibilidaddeemplearhasta3algoritmosdiferentessegnlacombinacindeparmetros. En la Figura 913 (izquierda) se puede observa como en el bloque experimental P13_20 el mtodoSSDSobtieneelmejorvalorparatodoslosconjuntosexperimentalesmenosparaelde TiempodeCambiodePartidamsreducido(SSDS10_P13_20)enelqueelalgoritmoSMAGA 2sesunpocomejor.Entodocaso,SMAGA2ssevamostradocomounalgoritmomuypoco recomendable,quesepuededescartar.DadoqueelprocedimientoSSDSesdependientedel valor de K se ha analizado, en la Figura 914 (izquierda), lo que ocurre cuando este valor aumenta.Cuandoelvalorde Kes0.01el mtodo SSDSdeja de sercompetitivo,situando se entre los peores. Con este valor son los algoritmos SMAGA2s, para Tiempos de Cambio de Partida pequeos, y AOR, para Tiempos de Cambio de Partida grandes, los que presentan
624

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

mejoresresultados.NoesnecesarioanalizarloqueocurriraconK=0.02yaqueniSMAGA2s, niAORdependendelvalordeK. EncuantoalarelacinentreALGyVAseobservacomoexisteunaciertatendenciaaquelos algoritmos que son buenos en su interaccin con el factor CEX son tambin buenos en esta interaccin.TambinesrelevantecomoSMAGA2sesmejorcuandomayoreselvalordeVA, esdecir,cuantomenosopcionestienedemodificarlasecuenciaymssepareceensuforma de operar al procedimiento SSDS. El resto de mtodos presentan muy pequeas diferencias quepuedenserdebidasalazarimplcitoenlasimulacin.
Interaction Plot LOG(IPSPPVEPT)
ALG AOR RS SMG-2 SMG-2s SSDS
0,7 0,3 -0,1 -0,5 -0,9 0,1 0,2 ALG AOR RS SMG-2 SMG-2s SSDS

Interaction Plot LOG(IPSPPVEPT)

1,2 0,8 0,4 0 -0,4 -0,8 -1,2 10 50 100 125

CEX

VA

Figura915.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)yentreelfactorKy ALG(derecha)delbloqueRetrasoPredictivaSMAGA2P13_50(K=0).

Interaction Plot LOG(IPSPPVEPT)

LOG(IPSPPVEPT)
0,8 0,4 0 -0,4 -0,8 -1,2 10 50 100 125 ALG AOR RS SMG-2 SSDS
0,6 0,3 0 -0,3 -0,6 -0,9

Interaction Plot
ALG AOR RS SMG-2s SSDS

0,1

0,2

CEX

VA

Figura916.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)yentreelfactorKy ALG(derecha)delbloqueRetrasoPredictivaSMAGA2P13_50(K=0.005).

EnlaFigura 915(izquierda)sepuedeobservarcomoparaelbloque P13_50los algoritmos con Reprogramacin completa (SMAGA2 y SMAGA2s) son los peores en para todos los conjuntosexperimentales.Elrestodemtodossemuestranmuysimilaresdesdeelpuntode
625

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica vista ingenieril. Si se observa la parte derecha de la grfica se puede ver como ocurre exactamente lo mismo en relacin al factor VA. Sin embargo, cuando el valor de K se incrementa a 0.005 el mtodo SSDS deja de ser competitivo, dejando al algoritmo AOR y RS comolasmejoresalternativas,talycomosepuedeverenlaFigura916.Comoyasehadicho con anterioridad estos dos algoritmos seguiran siendo las mejores opciones incluso con K=0.01. Por lo que respecta a la interaccin entre el factor ALG y el factor VA, tanto la Figura 916, comolaFigura917muestranconclaridadcomolosalgoritmoRS,AORnodependendelvalor de VA, as como SMAGA2 para el caso de K=0. As mismo se mantiene el comportamiento observadenSMAGA2sproporcionadoresultadosinversamenteproporcionalesalvalordeVA.
Interaction Plot LOG(IPSPPVEPT-1)
ALG AOR SMG-2 SMG-2s SSDS
1,9 1,4 0,9 0,4 -0,1 -0,6 10 50 100 125 ALG AOR SMG-2 SMG-2s

Interaction Plot LOG(IPSPPVEPT-1)

1,8 1,4 1 0,6 0,2 -0,2 -0,6 10 50 100 125

CEX

CEX

Figura917.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGconK=0(izquierda)ycon K=0.01(derecha)delbloqueRetrasoPredictivaSMAGA2P3_20.

En elcaso delbloqueexperimental P3_20la nicainteraccinsignificativa eslaque existe entreelfactorCEXyelfactorALG.EnlaFigura917sepuedecomoelalgoritmoAOResel mejorparatodoslosconjuntoexperimentales,exceptoelconjuntoconTiempodeCambio dePartidamsreducido(SSD10_P3_20),paracualquiervalordeK.Sinembargo,elconjunto experimentalSSD10_P3_20presentamejoresresultadosconelmtodoSMAGA2sielvalorde Kes0,yconelmtodoSMAGA2ssiKesmayorde0.

626

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

Interaction Plot LOG(IPSPPVEPT)

LOG(IPSPPVEPT)
2 1,6 1,2 0,8 0,4 0 -0,4 10 50 100 125 ALG AOR RS SMG-2 SMG-2s SSDS
1,7 1,4 1,1 0,8 0,5 0,2 -0,1 0,1 0,2

Interaction Plot
ALG AOR RS SMG-2 SMG-2s SSDS

CEX

VA

Figura918.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALG(izquierda)yentreelfactorKy ALG(derecha)delbloqueRetrasoPredictivaSMAGA2P3_50conK=0.

Enelltimobloqueexperimental,P3_50,laFigura918(izquierda)muestracomoexisteun dominioabsolutodelmtodoAORparacualquierconjuntoexperimental,yquedebidoasu independencia de K se puede decir que esto ser as para cualquier valor de K. En la parte derechadelafiguraseobservacomoAORcontinuasiendoelmejoralgoritmoconrespectoa VA, y como SMAGA2s mantiene la tendencia observada en el resto de bloques experimentales.

Bloque Experimental P13_20 (K=0yK=0.01) P13_50 (K=0yK=0.005)

Factores principales significativos CEX,ALG

Factores Combinados significativos CEX|ALG,VA|ALG

MejorAlgoritmo

CEX,VA(slo conK=0),ALG

CEX|ALG,VA|ALG

P3_20 (K=0yK=0.01) P3_50 (K=0)

CEX,ALG

CEX|ALG

CEX,VA,ALG

CEX|ALG,VA|ALG

SSDS10 SMAGA2s K=0ySSD50|SSD100|SSD125 SSDS K>0ySSD50|SSD100|SSD125 AOR SSD10yVA=0.2 SMAGA2s SSD10yK=0yVA=0.1 SSDS SSD10yK>0yVA=0.1 RS SSD50 AOR SSD100|SSD125yK=0 SSDS SSD100yK>0 RS SSD125yK>0 AOR SSD50|SSD100|SSD125 AOR SSD10 SMAGA2s(excepto:K=0y VA=0.4 SMAGA2) AOR

Tabla96.ResumendelanlisisdelosresultadosdelbloqueexperimentalP13yP3paraelretrasoenla finalizacindelasoperaciones.

627

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica En la Tabla 96 se proporciona un resumen de los factores significativos para cada bloque experimental, as como el criterio de seleccin del algoritmo que proporciona mejores resultadosencadaocasin.

A tenor de lo observado se pueden extraer variar conclusiones generales para el bloque de retrasosenlasoperaciones: Se observa como los mtodos de Reprogramacin parcial suelen ser los ms adecuados,especialmentecuandoelproblemaesmscomplejo(mayornmerode trabajos combinado con mayor Tiempo de Cambio de Partida) y el nmero de mquinas de cada etapa est ms equilibrado. En concreto AOR es un O de los mtodosquemejoresresultadossueledarenestetipodeproblemas. Se ha detectado que en los problemas ms sencillos (menor nmero de trabajos combinado con menores Tiempos de Cambio de Partida) y con el nmero de mquinas desigual entre etapas, los algoritmos de Reprogramacin completa puedendarbuenresultado.EntreestoselalgoritmoSMAGA2seselmejor. Se ha detectado un resultado inversamente proporcional del algoritmo SMAGA2s respectoalvalordeVA.Queindica,engeneral,lafaltadeadecuacindelafilosofa de Reprogramacin completa a este tipo de problemas cuando se parte de un ProgramaPredictivoaltamentecompetitivo.

9.4.2.2.2.

CasosconProgramacinPredictivaSMAGA2Modificada

Las consideraciones realizadas en el apartado 9.4.2.1.2 son vlidas en este. Los bloques experimentales que se estudian son los mismos que en dicho apartado. Estos son: P13_20, P13_50,P3_20yP3_50. Comosepuedeobservar,enlaTabla97,talycomoocurraenelcasodelosadelantosenlas operaciones, el criterio de seleccin de algoritmo presentado difiere completamente al del casoenelqueelalgoritmopredictivoesunProgramaProductivoconmakespanreducido.En estecasopredominanlosprogramasquefuerzanunaReprogramacincompleta,SMAGA2y SMAGA2s,loqueimplicaquesiempreesmejorReprogramardenuevofrenteacualquierotra opcin.

628

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

Bloque Experimental P13_20 MejorAlgoritmo K<0.02 SMAGA2 K=0.02ySSD125 SMAGA2 K=0.02ySSD10|SSD50 SMAGA2s K=0.02ySSD100yVA=0.2 SMAGA2s K=0.02ySSD100yVA=0.4 SMAGA2 K=0 SMAGA2 K=0.01 SMAGA2s K=0.005 SMAGA2s(excepto:SSD100|SSD125yVA=0.2 SMAGA2) K<0.02 SMAGA2 K=0.02ySSD125 SMAGA2 K=0.02ySSD10|SSD50 SMAGA2s K=0.02ySSD100yVA=0.2 SMAGA2s K=0.02ySSD100yVA=0.4 SMAGA2 K=0 SMAGA2 K>0 SMAGA2s

P13_50

P3_20

P3_50

Tabla97.ResumendelanlisisdelosresultadosdelbloqueexperimentalP13yP3paraelretrasooenla finalizacindelasoperaciones.

9.5

Conclusiones

EnestecaptulosehatratadoelProblemadeProgramacindelaProduccinconunenfoque Reactivoenbasealadefinicindelmismorealizadaenloscaptulo5y7,yenelmarcodeun Proceso de Negocio Reactivo que tiene como objetivo dar soporte a la Programacin de la Produccin de empresas de la Industria Cermica en un entorno de Incertidumbre. Se ha empleado la labor realizada en el captulo 5 para referenciar el modelo matemtico, y en el captulo7paraconcretarelproblemasobreelTallerdeFlujoHbridoconTiemposdeCambio de Partida Dependientes de la Secuencia. Una vez establecido el marco de trabajo se han seleccionado algunos de los algoritmos existentes en la literatura que mejor encajan en el problema planteado, y se ha diseado una nueva heurstica (SSDS) que permita ofrecer una solucinadichoproblema.Entrelosalgoritmosseleccionadosseencuentrantantopropuestas de Reprogramacin parcial como completa, entre ellas la propuesta realizada en el captulo anteriorSMAGA2. El diseo experimental ha seccionado los experimentos en 16 bloques experimentales independientes. Estos se han dividido en base a tres criterios: Configuracin del problema (P13_20,P13_50,P3_20yP3_50),tipodeProgramacinPredictiva(makespancompetitivoo makespannocompetitivo),tipodeevento(adelantooretrasoenlasoperaciones).Encada
629

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica bloqueelexperimentosehancomparadolosalgoritmos(factorALG)quesehanconsiderado atendiendo al posible efecto de diversos factores, algunos correspondientes a decisiones del programador como el peso de la penalizacin (factor K) o el tamao de la Venta de Avance (factorVA),yotrosrelativosalTiempodeCambiodePartida(CEX)decadaconfiguracin.En todos, los casos se han contemplado eventos de diversa duracin cuyos resultados se han promediado. El anlisis comparativo es relevante y complejo, sin embargo a modo de resumen se puede decirquelaReprogramacinparcialpredominasobrelaProgramacincompletacuandoel ProgramaPredictivoescompetitivoenrelacinasumakespan.Laexcepcinaestanormase encuentraenlosproblemasconunnmeroreducidodetrabajosdelconjuntoP13(P13_20ya veces P13_50), ya sea con retraso o con adelanto en las operaciones, en cuyo caso los procedimientos de Reprogramacin completa predominan. El caso opuesto se da cuando el ProgramaPredictivonoparteconunbuenvalordemakespan.Sinconsiderarlouncorolario, simplemente un resumen aproximado, se poda decir, que tanto cuando el Programa Productivo que se encuentra lejos del su mejor Programacin, posiblemente por una modificacin parcial continuada, o bien cuando el sistema productivo no presenta claros cuellos de botella es preferible volver a realizar los clculos del Programa pendiente de ejecutar sin considerar el Programa en curso, y cuando el Programa a sufrido una pequea variacin respecto del original y el sistema productivo cuenta con algn cuello de botella en algunaetapaunpequeoajusteesmsadecuado. Como conclusin final, y resumida del captulo, se puede considerar que los resultados obtenidos en la experimentacin son relevantes, as como la heurstica SSDS propuesta en estecaptulo.YengenerallasdeduccionesobtenidassondegranutilidadenlaProgramacin ReactivadelaProduccinparaunTallerdeFlujoHbridoconTiemposdeCambiodePartida Dependientes de la Secuencia, y pueden ser empleados como elementos activos de la plataformaIPSUMAS.

Con este captulo finaliza el diseo, a partir de los resultados comparativos obtenidos se ha preparado la plataforma IPSUMAS para realizar el proceso de Programacin Reactiva de la Programacin mediante la integracin de los algoritmos seleccionados, y su lgica de aplicacin,endichaplataforma.Enelsiguientecaptuloseprocederarealizarunapruebade funcionamiento de la propuesta en su conjunto cumplimentando as el ltimo paso de la metodologapropuestaenelcaptulo6.

630

Algoritmos para la Programacin Reactiva de la Produccin en un Taller de Captulo9 FlujoHbrido

9.6

Bibliografa

Abumaizar, R. J. & Svestka, J. A. 1997. Rescheduling job shops under random disruptions. InternationalJournalofProductionResearch,35(7):20652082. Conway, R. W., Maxwell, W. L., & Miller, L. W. 1967. Theory of Scheduling. AddisonWesley PublishingCompany. Hasle,G.&Smith,S.F.1994.Directinganopportunisticscheduler:anempiricalinvestigationof reactivescenario.Artificialintelligenceinreactivescheduling:111.UK:ChapmanandHall. Leon,V.J.,Wu,S.D.,&Storer,R.H.1994.RobustnessMeasuresandRobustSchedulingforJob Shops.IieTransactions,26(5):3243. Sadeh,N.M.,Otsuka,S.,andSchnelbach,R.Redictiveandreactiveschedulingwithmicroboss schedulingandcontrolsystem.1993.CentreforIntegratedManufacturingDecisionSystems, CarnegieMelonUniversity.

631

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

632

Captulo
AplicacindelaPropuestade ProgramacindelaProduccin Predictivo/ReactivaaunaEmpresa Cermica

10

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica

Tabladecontenido
10. 10.1 10.2 Captulo10...................................................................................................................641 Introduccin..............................................................................................................641 DescripcinGeneraldelaEmpresaCermica..........................................................642 LaEmpresa........................................................................................................642 DescripcindelaPlantaSeleccionada..............................................................643 LosProductosFabricados..................................................................................645 ProcedimientoActualparalaGestindelProgramaProductivo.....................647

10.2.1 10.2.2 10.2.3 10.2.4

10.3 Configuracin de la Plataforma IPSUMAS para la Gestin del Programa Productivo enlaEmpresaCermica........................................................................................................651 10.3.1 Criterios para el Establecimiento del Programa Productivo Predictivo en la PlataformaIPSUMAS........................................................................................................651 10.3.2 MAS Poltica de Revisin del Programa Productivo en Curso en la Plataforma IPSU 654 CriteriosaplicablesalaRevisindelConjuntodeTrabajosenCurso.......655 SimulacinyGestindeEventosInternosyExternos..............................660

10.3.2.1 10.3.2.2 10.3.3 10.3.4 10.4

ProgramacinenlaPlanta:RestriccionesyM.O..............................................663 AproximacinalaRealidad:GeneracindeTrabajos ......................................667 .

AnlisisExperimental................................................................................................672 ElJuegodeDatos..............................................................................................672 DecisinPreExperimental:ParametrizacindeSMAGA1ySMAGA2...........673 DecisinPreExperimental:CriteriosdeAplicacindeAlgoritmoReactivos....676 DiseodelExperimento....................................................................................677 DesarrollodelExperimentoyAnlisisdelosResultados..................................682

10.4.1 10.4.2 10.4.3 10.4.4 10.4.5

635

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 10.4.5.1 10.4.5.2 10.5 10.6 AnlisisdelosResultadosSinConsiderarTurnosdeTrabajo...................682 AnlisisdelosResultadosConsiderandoTurnosdeTrabajo....................689

Conclusiones .............................................................................................................695 . Bibliografa................................................................................................................696

636

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica ndicedefiguras Figura101.ProcesoProductivo(GiretBoggino,A.S.2005)...................................................643 Figura102.RepresentacindelSistemaProductivosimplificadodelaEmpresasSeleccionada. ..........................................................................................................................................644 Figura103.DiagramaGanttcorrespondienteadosProgramasProductivos.........................649 Figura104.ControldelprocesodeModificacindelPrograma(elaboracinpropia)...........655 Figura105.RepresentacindelprocesodegeneracindeReprogramaciones.....................661 Figura106.DiagramaGanttcorrespondienteauntallercontresetapascondesplazamiento delafechadeiniciodelasoperacionesentreellas.........................................................664 Figura 107. Diagrama Gantt de mltiples Programas correspondiente a un taller con tres etapascondesplazamientodelafechadeiniciodelasoperacionesentreellas............665 Figura108.IncrementodelaTasadeProductividadobtenidaparalosdiferentesenfoquesde Programacin PredictivaReactiva sin considerar turnos de trabajo expresada como porcentajedemejoraconrespectoalosvaloresobtenidosporlaEmpresa..................684 Figura 109. Nmero de Trabajos Cancelados obtenidos para los diferentes enfoques de ProgramacinPredictivaReactivasinconsiderarturnosdetrabajo...............................688 Figura1010.IncrementodelaTasadeProductividadobtenidaparalosdiferentesenfoquesde Programacin PredictivaReactiva considerando turnos de trabajo expresada como porcentajedemejoraconrespectoalosvaloresobtenidosporlaEmpresa..................691 Figura 1011. Trabajos Cancelados obtenidos para los diferentes enfoques de Programacin PredictivaReactiva considerando turnos de trabajo expresada como porcentaje de mejoraconrespectoalosvaloresobtenidosporlaEmpresa.........................................694

637

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ndicedetablas Tabla101.TiposdeProductoenlafabricacindebaldosascermicas..................................646 Tabla 102. Cuadro resumen de los criterios establecidos para la ampliacin/reduccin del conjuntodetrabajosencurso..........................................................................................659 Tabla103.Conjuntodebaterasdeeventos...........................................................................662 Tabla104.PlandelaEmpresa.................................................................................................669 Tabla 105. Resumen de los conjunto experimentales empleadas en el diseo experimental. ..........................................................................................................................................673 Tabla 106. Niveles asignados a los parmetros ajustables para los algoritmo SMAGA1 y SMAGA2..........................................................................................................................674 Tabla 107. Valores seleccionados para los parmetros de los diferentes conjuntos experimentalesdelalgoritmoSMAGA1..........................................................................675 Tabla108.ResumendelosvaloresasignadosalosparmetrosdelalgoritmoSMAGA2para todoslosconjuntosexperimentales................................................................................675 Tabla 109. Resumen de los valores asignados a los parmetros del algoritmo SMAGA1 y SMAGA2paracualquierconjuntoexperimental............................................................676 Tabla 1010. Tasa de Productividad obtenida para los diferentes enfoques de Programacin PredictivaReactivasinconsiderarturnosdetrabajoexpresadaenm2/minuto.............682 Tabla1011.IncrementodelaTasadeProductividadobtenidaparalosdiferentesenfoquesde Programacin PredictivaReactiva sin considerar turnos de trabajo expresada como porcentajeconrespectoalosvaloresobtenidosporlaEmpresa...................................683 Tabla1012.RendimientoobtenidoparalosdiferentesenfoquesdeProgramacinPredictiva Reactivasinconsiderarturnosdetrabajo........................................................................685 Tabla 1013. Incremento de la Tasa de Productividad del prevista con el Programa inicial obtenida para los diferentes enfoques de Programacin PredictivaReactiva sin considerar turnos de trabajo expresada como porcentaje con respecto a los valores obtenidosporlaEmpresa. ...............................................................................................686 . Tabla 1014. Diferencia entre el incremento de la Tasa de Productividad alcanzado con el Programafinalmenteejecutadoyelprevistoaliniciodelperiodosinconsiderarturnosde trabajo..............................................................................................................................687 Tabla 1015. Nmero de Trabajos Cancelados obtenidos para los diferentes enfoques de ProgramacinPredictivaReactivasinconsiderarturnosdetrabajo...............................687 Tabla 1016. Tasa de Productividad obtenida para los diferentes enfoques de Programacin PredictivaReactivaconsiderandoturnosdetrabajoexpresadaenm2/minuto..............689 Tabla1017.IncrementodelaTasadeProductividadobtenidaparalosdiferentesenfoquesde Programacin PredictivaReactiva considerando turnos de trabajo expresada como porcentajedemejoraconrespectoalosvaloresobtenidosporlaEmpresa..................690
638

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica Tabla1018.RendimientoobtenidoparalosdiferentesenfoquesdeProgramacinPredictiva Reactivasinconsiderarturnosdetrabajo........................................................................692 Tabla 1019. Incremento de la Tasa de Productividad del prevista con el Programa inicial obtenidaparalosdiferentesenfoquesdeProgramacinPredictivaReactivaconsiderando turnosdetrabajoexpresadacomoporcentajeconrespectoalosvaloresobtenidosporla Empresa............................................................................................................................692 Tabla 1020. Diferencia entre el incremento de la Tasa de Productividad alcanzado con el Programafinalmenteejecutadoyelprevistoaliniciodelperiodoconsiderandoturnosde trabajo..............................................................................................................................693 Tabla 1021. Nmero de Trabajos Cancelados obtenidos para los diferentes enfoques de ProgramacinPredictivaReactivaconsiderandoturnosdetrabajo...............................693

639

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

640

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica

10. Captulo10

10.1 Introduccin
En este captulo se pondr en prctica la propuesta descrita, y compilada en la plataforma IPSUMAS,mediante lasimulacin de losresultadosquesealcanzaranempleando datos de una Empresa caracterstica del sector cermico espaol. Esta prueba de funcionamiento forma parte del ltimo paso de la metodologa descrita en el captulo 6. El objetivo que se persigueescontrastarlavalidezdelosplanteamientosrealizados,verificandoenprimerlugar el funcionamiento conjunto de los procesos de Programacin Predictivos y Reactivos, y comparandoensegundolugarlosresultadosobtenidosconrespectoalosalcanzadosconel procedimientotradicionalmenteempleadosendichaEmpresa. Comotodaexperienciaprcticaquedeseadesarrollarseenunentornorealista.Eltrabajoque se realiza en este captulo debe necesariamente dar un papel relevante a los elementos y decisiones directamente vinculadas a las aportaciones realizadas en captulos anteriores, sin olvidarqueexistenotroselementosydecisiones,quesoportanalosprimerosysinloscuales elsistemanofuncionaraensuconjunto.SedebetenerencuentaquelaProgramacindela Produccinsesitaenelmbitodecisionaldelcortoomuycortoplazo,yqueenestetrabajo sepretendequelasdecisionesdeestembitoestncoordinadas,hastaciertopunto,conlas decisionesquesetomenenelmbitodelaPlanificacindelaProduccinconunavisinams largo plazo. Por este motivo, para que la plataforma IPSUMAS funcione correctamente, es necesario determinar aspectos como la parametrizacin de los algoritmos Predictivos y Reactivos,lapolticaderevisindelProgramaencurso,perotambinotroscomolapoltica de seleccin de nuevos trabajos, o el nmero de turnos de las diferentes secciones, etc. Todosestosaspectosseirndesgranandoalolargodeestecaptulo. Parallevaracaboeltrabajoprevistoesnecesarioadaptarlosplanteamientosgeneralesala situacinconcretadelaempresaseleccionada.Paraellohasidonecesarioalcanzarunamplio conocimientodelaestructura,procesodecisionaltcticooperativoyconfiguracindeladicha empresa. El captulo se ha dividido en tres grandes bloques. En el apartado 10.2 se realiza una presentacin y descripcin de la Empresa sobre la cual se va realizar el contraste de la propuesta. En este mismo apartado se concretarn aspectos del problema que se desea abordar. En el apartado 10.3 se comentan aspectos de la implementacin necesarios para hacerposiblequelaplataformaIPSUMASofrezcasolucionesadecuadas.Enelapartado10.4 se plantear el diseo de un experimento y su anlisis para poder poner de manifiesto la
641

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica bondaddelapropuesta.Porltimoserealizarunabrevereflexinamododeconclusindel captulo.

10.2 DescripcinGeneraldelaEmpresaCermica
EnesteapartadosevaadaraconocercualeslarelevanciadelaEmpresaconlaquesevaa contrastar la propuesta que se ha presentado, as como su configuracin productiva y de producto, y una aproximacin a su manera de afrontar la gestin de la Programacin de la Produccin.

10.2.1 LaEmpresa
La Empresa seleccionada para la aplicacin de la propuesta realizada en esta tesis, e implementadaenlaplataformaIPSUMAS,esunadelascompaasproductorasdepavimento y revestimiento cermico ms importantes de Espaa. Por razones de confidencialidad, su nombrenoseexplicitar,yalgunosdelosdatossernmodificadosconelobjetodenohacer pblicasinformacionesdegranvalorestratgicoparalamisma.Entodocaso,esimportante destacar,noslosurelevanteposicinenelrankingporvolumenproducido,sinotambinsu largaycontinuadaapuestaporlainnovacinentodosloscamposquelesonpropios.Eneste sentido,sedeseasubrayarelgrannmerodeproyectosdeinvestigacineinnovacinenlos que la Empresa seleccionada ha participado junto a diversos miembros del Centro de Investigacin de Gestin en Ingeniera de la Produccin (CIGIP), as como colaboracin continuadaenlaelaboracindeproyectosfindecarreraytrabajosdeinvestigacin. La Empresa seleccionada est presente en el mercado desde hace ms de treinta aos,y en este tiempo ha ido afianzando su posicin como lder en productos de calidad. La Empresa seleccionada pertenece a un grupo empresarial que cuenta con ms de quinientos trabajadores, y dispone de varias plantas productivas en Espaa, todas ellas ubicadas en la provinciadeCastelln. Suposicinenelmercadosebasaenunaampliareddetiendasqueofrecendirectamentesus productosalosclientesfinales,loquenoexcluyeasucanaltradicionaldeventaatravsde mayoristas,oventadirectaalosgrandesclientes.Contodoelloestpresenteenmsde150 pasesycuentaconmillonesdeclientes.

642

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica

10.2.2 DescripcindelaPlantaSeleccionada
Paraconfirmarlavalidezdelapropuestapresentadaenloscaptulosanterioressehaelegido la planta de produccin de pavimento. Algunos de los datos obtenidos son fruto del trabajo realizadodentrodelproyectointerdisciplinarImplementacinyAplicacindeSistemasMulti Agente en Entornos Industriales con Restricciones Temporales financiado por el Vicerrectorado de Investigacin, Desarrollo e Innovacin de la Universidad Politcnica de Valencia (UPV). Este proyecto es una colaboracin del Grupo de Tecnologa Informtica e InteligenciaArtificial,GTIIAyelCentrodeInvestigacinGestineIngenieradelaProduccin, CIGIP,delaUPV.

Figura101.ProcesoProductivo(GiretBoggino,A.S.2005).

643

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Engeneral,elprocesodeproduccindeunabaldosacermicaescomplejo,yfuedescritocon detalle en el captulo 2. A modo de recordatorio se han resumido las operaciones ms relevantesqueserealizanenlaplantadepavimentoenlaFigura101. Dentro de las actividades que se realizan en la planta se ha considerado que son tres las operaciones que caracterizan al sistema productivo. Estas son las operaciones de prensado Esmaltado,Horneado,yClasificacinEmbalaje.Estassonlastresoperacionesmscomplejas que se realizan en el proceso productivo de una baldosa, y que en todo caso condicionan la programacin del taller. El resto de operaciones se suelen hacer en un segundo plano, y muchasdeellassonrealizasporproveedoresexternos,comoeselcasodelapreparacinde esmaltes. Enbasealastresoperacionesmencionadas,laplantadepavimentossepuedeconsiderarun TallerdeFlujoHbridoenelquelosmateriales,endiversosestadosdeterminacin,circulan desde la lnea de Prensado y Esmaltado, hasta la maquinaria de Clasificacin y Embalado, pasandoporelHorno.Enestecaso,sehanconsideradoseislneasdePresadoEsmaltadoque alimentanatresHornos,queasuvezalimentanaseismaquinasdeClasificacinyEmbalado. EnlaFigura102seharepresentadoladistribucindeltaller.Enelmomentoderealizareste documento la Empresa dispona de algunos recursos adicionales en la misma planta empleadosparafabricarproductosdegrantamao.Laconfiguracinseleccionadasuponaen dichoinstanteaproximadamenteel80%delacapacidadproductivadelamisma,yfueelegida porque, desde el punto de vista del programador, constitua un grupo homogneo de recursos.

Figura102.RepresentacindelSistemaProductivosimplificadodelaEmpresasSeleccionada.

644

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica Se ha determinado que el proceso productivo est compuesto por tres etapas que se corresponden con PrensadoEsmaltado, Hornos y ClasificacinEmbalaje. El material que finaliza su operacin en la primera etapa, o su segunda etapa, queda almacenado en estanteras mviles que son trasladadas entre el final de una etapa y el principio de otra mediante un sistema denominado Automated Guided Vehicle (AGV). En todo caso, la disponibilidad de elementos de almacenamiento y desplazamiento son ampliamente superadosporlasnecesidadesexistentes,porloquenoseconsideranunarestriccin. Lascapacidadesdelasetapasestnequilibradas.Laslneasde PrensadoEsmaltadotrabajan entreun50%yun60%desucapacidad,yadosturnosycincodasalasemana.Elrestode tiempo se dedica a mantenimiento, y sobre todo a reajustar la maquinaria necesaria para adaptarla a las necesidades tcnicas del lote siguiente. Cada Horno es alimentado por el equivalenteadoslneas,yademstrabajanatresturnos,ysietedasalasemana.Porsuparte lamaquinariadeClasificacinyEmbalajetrabajaademanda,siendoentodocasosucapacidad muysuperioralademandaexistente. Lafabricacindepavimentocermicosecaracterizaporincurrirenaltoscostes,temporalesy econmicos, debidos a los Cambios de Partida. Como ya se mencion en el captulo 2, y se recalcenelcaptulo5,loscambiosdepartidaenlaIndustriaCermicasecaracterizanporser Dependientes de la Secuencia. Se recuerda que existen dos tipos de coste, uno que viene motivado por el cambio en el diseo del producto, y otro que se debe al cambio en las dimensiones del mismo. El coste cuyo origen es un cambio en el diseo tiene un impacto relativamentebajoenlaslneasdePrensaEsmaltadoymuyescasoenelrestodeetapas.Sin embargo,elimpactodebidoalcambiodeformato(dimensiones)esmuyelevadoenlaetapa dePrensasEsmaltadoymediobajoenelrestodeetapas.Porestemotivo,cuandoseproduce uncambiodelotequeimplicaunamodificacindelformato,elrecursoafectadopuedeestar paradoduranteunperiododeentre4y8,oinclusomshoras. SegnladisposicinyformadeoperarsepuededecirquelaplantadepavimentosesunTaller de Flujo Hbrido con Tiempos de Cambio de Partida Dependientes de la Secuencia. En concreto,contresetapas,y636recursos(mquinas)poretapa.

10.2.3 LosProductosFabricados
Lascaractersticasquedefinenalproductofinalsonlassiguientes:Pasta,Formato,Esmalte, Calidad,Tono,Calibre.

645

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Existendostiposbsicosdepasta.Lapastablancaylaroja.EnlaTabla101semuestrauna clasificacindelostiposdeproductoexistentesenlaEmpresa.Comosepuedeobservar,enel casodepavimentocermico,existendostiposdeproductocomercializables,elporcelnicoy elgres.Labaldosadeporcelnicoserealizaconpastaroja,ypresentaunaporosidadmuybaja. La baldosa de gres se realiza con pasta blanca, y su porosidad es ligeramente superior a la anterior.Enamboscasoselacabadofinalserealizamedianteesmaltado.

TipodePasta

Porosidad

Uso

Tipo

AcabadoFinal

PorosidadAlta PorosidadMedia PastaBlanca Porosidadmuy Baja PorosidadAlta PorosidadMedia PastaRoja Porosidadmuy Baja

Revestimiento Pavimento

NOEXISTE COMERCIALMENTE

Esmaltado

Pavimento

Porcelnico.

Esmaltado

Revestimiento Pavimento Pavimento

Gres NOEXISTE COMERCIALMENTE

Esmaltado Esmaltado

Tabla101.TiposdeProductoenlafabricacindebaldosascermicas.

Desdeelpuntodevistacomercialelproductosepuedeclasificarconrespectoasucalidad,al menos, en dos categoras: Primera y Segunda. Existe un porcentaje, inherente al proceso productivo, de desperfectos que en general son clasificados como productos de segunda calidad en funcin de los defectos visuales y su frecuencia (roturas en las esquinas, grietas, manchasypequeoscrteres,araazos,etc.),yquenopuedenservendidoscomodeprimera calidad. Debidotambinalavariabilidaddelprocesoproductivo,sobretodoenlaetapadecoccinen elHorno,existenpiezasdeun mismoloteproductivoquesiendodeprimera calidadposeen tonos y calibres diferentes, lo que implica que una vez clasificados deben ser vendidos agrupadossegntonosycalibres.Alahoradeplanificarlacantidadaproducirdecadaunode los tems se tiene en cuenta tanto el porcentaje de rechazos por no ser de primera calidad comolasdistribucionesdeprobabilidadporcalibresytonos.
646

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica Existen piezas especiales y determinados formatos que son comprados directamente a proveedores,porloquenorealizanlaPlanificacindeProduccindelosmismos.LaEmpresa seleccionada subcontrata a otros fabricantes la produccin de aquellos productos de bajo valoraadido,principalmenterevestimientodepastaroja.Enningncaso,debidoapolticas internas de la propia empresa, se subcontratara la produccin de productos de alto valor aadido, como son los porcelnicos (principalmente porcelnico de gran formato y esmaltados),olosrevestimientosdepastablancadealtovalor. Para el contraste de la propuesta se han considerado un conjunto de productos representativos de la Empresas seleccionada, cuyos nombres han sido modificados. Un resumendelosproductosseencuentrarelacionadoenelanexoV.

10.2.4 ProcedimientoActualparalaGestindelProgramaProductivo
DespusdevariasreunionesconlosdiversosresponsablesdePlanificacin/Programacindela Produccinseharecopiladoinformacinsuficientecomoparatenerunaideadeconjuntode comoserealizaelprocesodeProgramacindelaProduccin,ycomosecoordinaesteconel readePlanificacindelaProduccin. LaPlanificacindelaProduccinsehaceadosmesesvista,yenellaseespecificaqueformato yquecantidad(m2)sevaaproducirencadalneadecadareferenciaparaunperiodoprximo alsemanali,queserelquesecorrespondaconelProgramaProductivo.ElPlanMaestrode Produccin se congela para las tres semanas ms prximas, lo que significa que la Planificacindetressemanasnosevaraporrestriccionesproductivasquehacencostososlos cambios de produccin en tan corto plazo de tiempo. Aunque en la realidad este plan se modifica por requerimientos no previstos anteriormente, aunque nunca se modifica para la semanasiguiente,sinocomomuytempranoadossemanasvistas. Se debe resear que se ha observado que existe una similitud muy alta en cuanto a la estructura de la informacin manejada entre el Plan Maestro y el Programa de Produccin. EstosedebeaqueyadurantelaPlanificacindelaProduccinserealizaunapreasignacin deproductosalneas.Comoseindicaenelcaptulos8enlosalgoritmospropuestos,SMAGA1

EnapartadosposterioresseespecificarunprogramaProductivoconlanzamientosemanalyduracin bisemanal.

647

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica oSMAGA2,noserealizaningntipodeasignacinpreviayenelmismoprocesodeclculose resuelve la asignacin y la secuenciacin. En este sentido el planificador realiza casi un ProgramaProductivoenelsloesnecesarioporfechasdeinicioyfinalasoperaciones.Para ello el planificador ha tenido en cuenta que el tamao de lote mnimo de produccin es de 1.500m2paratodoslosproductos.Nosepuedefabricarpordebajodelacantidadindicadaya quedesdeelpuntodevistadecostesdeproduccinnoserarentable. El Programa Productivo con la preasignacin de trabajos a mquinas es el documento de mayordetallealquesehatenidoacceso.Elestablecimientodelasecuencia,yasignacinde fechas es una tarea, se basa ms en la experiencia que en mtodos basados en tcnicas propiasdeProgramacindelaProduccin.Seintuye,queexistendosmotivosquehacenque esto sea as, en primer lugar existe personal con amplia experiencia en dicho trabajo, y en segundolugarenlaactualidadexisteunexcesodecapacidaddelaplanta. ElProgramaProductivosepuededecirquesebasaenunprocedimientodeasignacindelos lotes a las lneas de PrensadoEsmaltado. Este procedimiento de asignacin tiene como objetivo que cada lnea contenga aquellos lotes que en conjunto minimizan los Tiempos de Cambio de Partida. Una vez asignados los trabajos a las lneas estos se ordenan intentando minimizarelTiempodeCambiodePartidadelasecuencia.Comoyasehacomentado,cada lneaalimentasloaunhorno,peroaunhornolepuedenllegartrabajosdevariaslneas.En nuestro caso concreto los hornos reciben trabajos de 2 lneas. En los hornos se mezclan los trabajos atendiendo primero al trabajoque llega antes. En la etapa de clasificacin, se suele aplicarlaregladeatenderalquellegaantes,peroentodocasoesimportanterecordarqueen estaetapaexisteunacapacidadsuperioralaquesenecesita. Unaspectoquedeberesaltarseesquealexistirundesplazamientoentrelafechasdeinicio de la operacin del primer trabajo de la secuencia entre la primera etapa y la segunda, y entrelasegundaylatercera,laEmpresarealizavariosProgramasdeformasimultneaenla planta como se ve en la Figura 103. Es ms, para esta aplicacin se ha establecido un desplazamiento mnimo entre las diferentes etapas de tres das, que permite acumular un pequeo stock de producto intermedio que garantiza una ocupacin ms elevada de las mquinasqueenelcasodenoexistirdicharestriccin.Dicharestriccinpermitequeelusode losrecursosseconcentremseneltiempo,balanceandoaseltiempodeflujodelconjuntode lostrabajosenlasdiferentesetapas. Antes de la aprobacin de un Programa Productivo se realiza una reunin entre los responsables de las operaciones en la planta que asumen el papel de programadores, y que conocenlasituacinrealdelosrecursos,ylosplanificadores.Enestareuninsesueleaprobar el Programa a nivel de preasignacin de trabajos a recursos. A partir de ese momento se
648

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica considera que el Programa Productivo aprobado est o estar en marcha hasta la prxima reunin,esdecirhastalasiguientesemana.

ProgramaPeriodoP+1

ProgramaPeriodoP1
Figura103.DiagramaGanttcorrespondienteadosProgramasProductivos.

En caso de incidencias relevantes las soluciones se aportan siempre desde el lado en el que estas se producen. Por ejemplo, si existe la necesidad de introducir un trabajo urgente es Planificacin quien cambia su plan ms prximo sin que ello afecte nunca al Programa Productivoencurso.Siporelcontrario,setratadeunaaveraeselresponsabledelaplanta quien modifica el Programa en curso segn su experiencia intentando cumplir los plazos iniciales.Esexcepcionalqueseproduzcaunareuninparaabordarunconflictoqueafectea un Programa en curso o prximo a estarlo, y eso es as bsicamente por falta de procedimientos y herramientas orientados a dotar de Agilidad al Proceso de Toma de Decisiones. Sepuededecir,quelaformadeactuardelaEmpresa,relativasalosadelantosoretrasosenla fechadefindeunaoperacin,essimilaraaplicarelalgoritmoAORcomentadoenelcaptulo 9. Lo normal es que los responsables adelanten o retrasen el conjunto de operaciones afectadasdependiendodecualseaeltipodeevento(adelanto/retraso),manteniendoentodo casolaasignacinysecuenciapreestablecida.

649

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica La Empresa seleccionada se ha planteado realizar un proceso de puesta en marcha de una nueva aplicacin de Programacin de la Produccin coordinada con la Planificacin. Los objetivosdeesteproyecto,ordenadosdemayoramenorimportancia,son: AumentarlafiabilidaddelPlan. MantenerelPlanActualizado. Desvincularlasecuenciacindelosjefesdefbrica. Secuenciarmejoralargoplazo. Avanzarlosplazosdeentrega.

El proyecto tiene como objetivo resolver el problema de comunicacin/coordinacin actual entrePlanificacinyProgramacindelaProduccincambiandolasituacinactualenlaqueel planpierdefiabilidad,yaquenotiene capacidadde respuestaadecuadaante losincidentes, para alcanzar una situacin que permita su mantenimiento y aumente la Tasa de Productividad existente. Actualmente los fallos en la planta se detectan mediante partes informativos,yelobjetivoesquesedetectenenelSoftwaredeGestinIntegraldelaEmpresa mediantelacapturadedatosenplanta,yotrasfacilidades.LaEmpresaseproponequeconlas mejoraslaProgramacindelaProduccin: Siga trabajando en periodos semanales pero mejore el nmero de trabajos entregadosfueradeplazo. Facilite la respuesta a los clientes cuyos pedidos puedan suponer la incorporacin deuntrabajourgentenoplanificado. FacilitelaReprogramacinporcadasoproblemasenlosrecursosdelaplanta.

ComosepuedeverlalneadetrabajoquelaEmpresasehapropuestoencajaenmuchosde sus objetivos con la propuesta realizada en esta tesis. En el anlisis experimental que posteriormentesepropondrsepodrnconfrontarlasdosformasdeabordarelproblemade ProgramacindelaProduccin,esdecir,laqueactualmenteestempleandolaEmpresayla quepodraemplearsipusieraenmarchalapropuestapresentada.

650

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica

10.3 Configuracin de la Plataforma IPSUMAS para la Gestin del ProgramaProductivoenlaEmpresaCermica.

En este apartado se abordan todos aquellos aspectos necesarios para la implantacin de la plataforma IPSUMAS en la Empresa seleccionada. Como ya se ha comentado en la introduccin,ademsdelasaportacionesrealizadasenestatesissernecesarioapoyarseen unconjuntodeelementosydecisionescomplementariosquepermitanelfuncionamientode laplataformaIPSUMASensuconjunto.Enesteaspecto,enesteapartadoloquesepropone esdarunpasomseneldiseodelsistemaparaadaptarlaplataformaalcasoconcretoquese estudia.

Elapartadosedivideendosbloques.Elprimerbloqueestcompuestoporelpunto10.3.1yel punto10.3.2enlosquesedetallanaspectosquequedaronpendientesdeabordarenlafase dediseo,yquetienequeverconpequeosprocesosocriteriosparalaTomadeDecisiones. El segundo bloque est compuesto por los puntos 10.3.3 y 10.3.4 en los que se abordan aspectos ms relacionados con la configuracin del sistema en relacin con el entorno concretoqueseafronta.Encualquiercaso,ambosenfoquessonnecesariosparalapuestaen marchadelaplataforma.

10.3.1 CriteriosparaelEstablecimientodelProgramaProductivoPredictivo enlaPlataformaIPSUMAS

A partir del trabajo realizado en la fase de anlisis de requerimientos, del captulo 7, y del trabajo desarrollado en la fase de diseo de la plataforma, en ese mismo captulo, se detallarn aquellos aspectos vinculados con la implementacin del sistema en un caso concreto. Para facilitar la comprensin de apartado se establecern las oportunas relaciones entrelosaspectosdesarrolladosenrelacinconlaimplementacin,ylosyaestablecidosenlas fasesdeanlisisydiseo.

La plataforma IPSUMAS, tal y como se describi en el captulo 7, est compuesta por dos grandesbloquesoProcesosdeNegocio:ElProcesodeNegociodeProgramacinPredictiva,y el Proceso de Negocio de Programacin Reactiva. En la fase de diseo estos 2 procesos se asociaron a los flujos de trabajo Establecer produccin predictiva y Reajustar produccin reactivamente.Enamboscasosesnecesariorealizarunarevisinfuncionalyestablecercual eslaconfiguracinmsadecuadadelosmismos. ElProcesodeNegocioparalaProgramacinPredictivaesunelementocuyofuncionamientose basa en la recepcin de peticiones de Programacin Predictiva, para lo cual se emplea la
651

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica interaccinobtenerplanificacinperidicaidentificadaenelmodelodeobjetivosytareasiiy se desarrollado en el modelo de interacciones, y la entrega de Programas factibles a planta, quesebasaenlainteraccinreasignarproduccinidentificadaydesarrolladaenlosmismo modelos.Pero,talycomosedefinienloscaptulos5y7,estenoesunprocesopasivosino activo,enelquesebuscaquelosProgramasgeneradosprovoquenunaocupacineneltaller lo ms prxima posible a la capacidad que se ha considerado inicialmente. Por este motivo, segn el diseo realizado en el captulo 7, el Proceso de Negocio no slo realiza clculos de Programas Productivos sino que propone cambios en el conjunto de trabajos seleccionados paraelperiodoproductivo,siseobservaunaposibilidaddemejorarlaTasadeProductividad deltaller,enbasealainteraccinmodificarplanificacin.Parasucorrectofuncionamiento esteProcesodeNegocionecesitadisponerde:

Informacin sobre el Margen Operativo establecido y Duracin del Periodo Productivo junto con el calendario del mismo. En base a estos datos la Actividad Empresarial EA3 Ajuste podr calcular la capacidad productiva considerada y proponer cambios en el conjunto de trabajos seleccionados para el periodo mediantelamencionadainteraccin,modificarplanificacin,yexcepcionalmente mediantelainteraccinnotificarinconsistencias. Informacinsobreelconjuntodetrabajosseleccionadosparaelperiodoproductivo considerado. Esta informacin se obtiene inicialmente mediante la interaccin obtenerplanificacinperidica,peropuedesermodificadoenlaactividadEA3 Ajustemediantelascomentadasinteracciones. LosalgoritmosdisponiblesparaejecutarlaActividadEmpresarialdeEA2Clculo del Programa Predictivo, y obviamente que este o estos estn implementados y accesibles.Losalgoritmosquesedebenemplearsonaquellosqueseidentificaron como los ms eficientes en funcin de la configuracin del sistema analizado (conjunto experimental) en el captulo 8 de esta tesis. La aplicacin IPSUMAS dispondrdelosalgoritmosSMAGA1,SMAGA2yGAHimplementados,ascomola informacin relativa al conjunto de parmetros para su funcionamiento ms eficienteencadasituacin.

Adems de la informacin que se ha indicado el Proceso de Negocio para la Programacin PredictivanecesitadisponerdeuncanaldecomunicacinparalosAgentesqueformanparte

ii

Elmodelodeobjetivosytareas,ascomoelmodelodeinteraccionesfuerondefinidosenelcaptulo6 durantelafasededselodelaplataformaIPSUMAS.

652

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica del modelo de Agentes, que permita iniciar las diferentes interacciones definidas durante el diseodelaplataformaenelcaptulo7. Asmismo,comosehavistolaactividadEmpresarialEA3Ajustepuedegenerarmedianteun eventounanotificacindesolicituddereduccindelconjuntodetrabajosinicialalDominiode PlanificacindelaProduccin,obienpuedeponerenmarchalaaplicacindeuncriteriopara la ampliacin de dicho conjunto. Ello supondra la puesta en marcha de la interaccin modificarplanificacinoexcepcionalmenteladenotificarinconsistencias.Sinembargo,no sera posible que el Proceso de Negocio funcionase, si no se definiesen los criterios de reduccinyampliacindelconjuntodetrabajosinicialquesemanejarnendichosprotocolos. Este nivel de detalle fue deliberadamente evitado en la fase de diseo, para simplificar la misma.Estosaspectossedefinirnacontinuacin. La reduccin del nmero de trabajos del Programa inicial es debida a la inclusin de ms trabajos de los que pueden realizarse con un Programa factible en base a la capacidad productivaconsiderada.Estehechosepuededarenelinstanteinicial,cuandoslosetienen encuentalostrabajospropuestosporelplanificadorparaelperiodoanalizado,obienenuna fase ms avanzada del proceso de Programacin Predictiva, cuando se han incluido algunos trabajosadicionalesalospropuestosinicialmenteporelplanificador.Encualquiercaso,como sesugeraenelcaptulo5ysereflejenelcaptulo7,ladecisinsobreeltrabajootrabajosa cancelaroaaadirdebeserdelplanificador. Dadoqueestatesissehacentradoenlasfuncionesdelprogramadordelaproduccin,ynose handesarrolladomodelosdeactuacinparaelplanificador,sehadecididoimplementarenla plataformaIPSUMASunadecisinbasadaenelazarparaambassituaciones.Siemprequese detecte un exceso de trabajos en el proceso de Programacin Predictiva se realizar una reduccin de un trabajo elegido aleatoriamente. Y siempre que se detecte la necesidad de ampliar el nmero de trabajo se generar un nuevo trabajo aleatoriamente, con los mismos criteriosquesegeneraronlostrabajosiniciales.Estoscriteriosseaplicarnencadacasohasta alcanzar el nmero de trabajos deseado. De esta forma, cuando el Agente programador ejecute la actividad empresarial EA3 Ajuste, y detecte un desajuste y lance el protocolo correspondiente a la interaccin modificar planificacin, el Agente planificador contestara con un nuevo conjunto de trabajo a programar (el mismo que inicialmente se estableci menos un trabajo quitado aleatoriamente entre los que no han realizado operaciones de ningn tipo) en el acto reasignar planificacin del protocolo, o con un nuevo conjunto de trabajos a programar (el mismo que inicialmente se estableci ms un trabajo aadido aleatoriamente)enelactoasignartrabajonuevodelprotocolo. Por su lado, el Proceso de Negocio para la Programacin Reactiva de la Produccin debe quedarcubiertalafuncionalidadasociadaalaActividadEmpresarialconcebidaparaelEA9
653

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Calculo del Programa Reactivo. Esta actividad emplear los algoritmos propuestos en el captulo9deestatesis.Laseleccindelalgoritmomsadecuadoparacadaocasinsebasar en los factores analizados y los resultados obtenidos en dicho captulo. No obstante, este Proceso de Negocio contiene una Actividad Empresarial para el EA6 Establecimiento de la EstrategiadeReprogramacinyotraActividadEmpresarialparaelEA7Ajuste/Controldela EstrategiadeReprogramacinquedebensercomentadas.Elestablecimientoyrevisindela programacin en curso necesitan de la revisin detallada de algunos aspectos que se abordarnenelapartado10.3.2.

As mismo, en el apartado 10.3.3 se analizarn la existencia simultanea de varios Programas Productivos en la Empresa, y como esta cuestin puede afectar las restricciones de los algoritmospredictivosyreactivos,ascomoalaplataformaIPSUMAS.

10.3.2 Poltica de Revisin del Programa Productivo en Curso en la PlataformaIPSUMAS

LapolticaderevisindelProgramaencursodelaplataformaIPSUMASpuedetenersuorigen endostiposdecausasdenaturalezabiendiferentes.Laprimerapuedeserelpropiointers del programador o planificador de aprovechar claras oportunidades de mejorar la Tasa de ProductividadincorporandonuevostrabajosalProgramaencurso.Sepuededecirquesetrata deuneventointerno.Porelcontrario,puedenexistireventosquesegenerandeformaajena alprogramador,eventosexternos,yquepuedenimplicarunreajustedelProgramaencurso debido a un adelanto o retraso en la fecha de fin de una operacin de un trabajo en curso. Ambosrequierendeunarevisindiferenciada.

En la fase de diseo ya se identific un flujo de trabajo denominado ajustar la produccin reactivamente, en el que se contemplan los dos casos. Si se trata de un evento interno se estableceunainteraccinentreprogramadoryplanificadorenlaqueseempleaunprotocolo para solicitar una modificacin del conjunto de trabajos. Si se trata de un evento externo primero se establece una interaccin entre operario y programador denominada notificar problemadondeelprimeroleindicaalsegundoquealgunaoperacinnosehaajustadoalo previsto, en cuyo caso se genera una segunda interaccin, esta vez entre programador y planificador, denominada notificar inconsistencias donde se le avisa al ste ltimo de la necesidaddemodificarelplan.Enlosapartados10.3.2.1y10.3.2.2sedetallanaspectosque no se incluyeron en la fase de anlisis ni de diseo de la plataforma y que son necesarios especificarparasuimplementacin.

654

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica 10.3.2.1 CriteriosaplicablesalaRevisindelConjuntodeTrabajosenCurso En caso de que exista un evento interno la actividad EA 5 Identificacin y Valoracin se iniciacomoconsecuenciadelainteraccinnotificarproblema,encasodequeseaunevento interno esa misma actividad ser iniciada por un temporizador previamente programado. En cualquiercaso,serenlaactividadEA6EstablecimientodelaEstrategiadeReprogramacin donde se emplee la interaccin notificar inconsistencia si se trata de un evento externo, o modificarplanificacinsisetratadeuneventointerno.LaactividadEA7Ajuste/Controlde la Estrategia de Reprogramacin contienen la lgica que permite Gestionar el Programa Productivo, tal y como se estableci en el captulo 7, y que ser la que regule si se ha de volverarealizarlaactividadEA6denuevoono.SloalfinalizarlaactividadEA7seinicia lainteraccinreasignarproduccinparacomunicarelnuevoProgramaencurso.

CriteriodeSeleccin derdenes

M.O.

ValordeK (Adelanto)

rdenes Seleccionables

Programa Productivo

Figura104.ControldelprocesodeModificacindelPrograma(elaboracinpropia).

LaestrategiaasociadaalaGestindelProgramaProductivosetraduceengranmedida,enla gestin de los parmetros Margen Operativo, el valor de K (asociado a la penalizacin por adelanto de trabajo dentro de la ventana de adelanto), y el criterio de seleccin de trabajos quedebenserprogramados.DichosparmetrosseestablecernenlaEA6yserevisarnenla EA7.EnlaFigura104semuestraunarepresentacindelosparmetrosquesonnecesarios tenerencuentaenelprocesodemodificacindeunProgramaProductivosegnlapropuesta queserealiza,ycuyosvaloresestarndeterminadosporlaestrategiaqueseestablezca. DurantelaejecucindelProgramaencursosepuedeinterpretarquecuando seproduceun eventoseejecutaelProcesodeNegociorelacionadoconlaProgramacinReactivaquedebe contar con informacin respecto de los trabajos que puede manejar. En funcin de las decisionesquehayquetomarenesteProcesodeNegocio,lostrabajossepuedenclasificaren:
655

Trabajosencurso.Conjuntodetrabajosqueactualmenteestnprogramadospara realizarsusoperacioneseneltaller.

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Trabajos que en algn momento pertenecieron al Programa pero que fueron canceladosporlaimposibilidaddecumplirlafechadeentregaiii,DS(). Trabajos que nunca han sido programados pero que estn en la lista trabajos candidatosaserincorporadossiseaadennuevostrabajos.

La Reprogramacin puede conllevar la ampliacin o reduccin del conjunto de trabajos en curso. Si en el proceso de Reprogramacin se considera necesario ampliar el conjunto de trabajosencursolosnuevostrabajosprocedernsiempreobiendelconjuntoDS()obiendel conjunto de trabajos candidatos. Pero se debe tener en cuenta que existe una diferencia sustancial entre los trabajos pertenecientes al conjunto DS() y los trabajos candidatos. Los trabajosDS()fueronaceptadosporelprogramador,inicialmenteenelProgramaPredictivoo por una modificacin del Margen Operativo durante un proceso de Reprogramacin, lo que supuso en su momento una valoracin positiva del cumplimiento de las restricciones y la aceptacindeuncompromisodeejecucin.Mientrasquelostrabajoscandidatosannohan sidovalorados,nisehaalcanzadouncompromisoparasuejecucin.Porestemotivocuando seproduceuneventoysevaloraenconjuntodetrabajosnopertenecientesalProgramaen curso se debe dar una prioridad absoluta a los pertenecientes al conjunto DS() frente a los candidatos por lo que se refiere a la posibilidad de incluirlos en un nuevo Programa. Este problemanosedaenelprocesodeseleccindetrabajosparalaProgramacinPredictivaya queenesecasonoexistentrabajoscancelados. En este trabajo se emplear el criterio que acepta que debido a que los trabajos pertenecientesalconjuntoDS()yafueronvaloradosysobretodoaqueexistiuncompromiso de realizacin su incorporacin al Programa se realiza en cuanto sea posible y de forma automtica.EstosignificaqueentodaslasocasionesenlasqueseinicieunaReprogramacin, antesdefinalizarelproceso,laplataformaIPSUMASintentarincorporaratodoslostrabajos delconjuntoDS()porordeninversoaldesucancelacinantesdeanalizarlaincorporacinde cualquiertrabajocandidato.EsteprocesonorequierelamodificacindelMargenOperativoya queslosepuedecancelaruntrabajoencursocuandoelMargenOperativosehareducidoa cero como se dijo en el captulo 7. No obstante, formalmente se requiere el inicio de la interaccin modificar planificacin, aunque el planificador actuar, tal y como, se ha comentado, es decir dando prioridad a los trabajos cancelados, siempre que no haya reasignadoeltrabajoaotraplantaencuyocasoyasedaporcumplidoelcompromiso.

iii

Segnlanomenclaturadelcaptulo5elconjuntodetrabajosquehansidocanceladossedenominan DS().

656

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica Porelcontrario,segnelcriterioquesedeseaestablecerparalaplataformaIPSUMASpero que podra ser diferente en otros planteamientos, el proceso de Reprogramacin slo considerarlaposibilidaddereducirelconjuntodetrabajosencursosielMargenOperativose hareducidoacero,yanas,hasidoimposibleobtenerunProgramafactible.Encasodetener quecancelaralgntrabajo,aligualqueelProcesodeNegocioPredictivo,sedeberealizaruna notificacin al Dominio del Planificador mediante la interaccin modificar programacin paraquesteseleccionedichotrabajo.Noobstante,delamismaformaqueseplanteparael ProcesodeNegocioPredictivoenlaplataformaIPSUMAS,laseleccinserealizardeforma aleatoria,yaquelainteraccinmodificarplanificacinempleaelmismoprotocoloqueenel casoanterior. Queda pendiente el establecimiento del criterio mediante el cual son seleccionados los trabajoscandidatos,encasodequeunavezincorporadoslostrabajoscanceladosexistentes sea necesario aadir nuevos trabajos al Programa en curso. Esta decisin depende en gran medida del instante de tiempo en el que se valore. La incorporacin de un trabajo est vinculadaalagestinqueelprogramadorrealicedelMargenOperativo.TodoslosProgramas PredictivosserealizarnenbaseaunvalordeMargenOperativoinicialfijoyestablecidoporel programador.Segnsedeterminenelcaptulo7,elMargenOperativosemodificardurante la ejecucin del Programa en curso debido a dos causas diferentes. La primera debido a la aparicin de una perturbacin que afecte a las fechas programadas de las operaciones. Esta causaeslaqueoriginalanecesidaddecontarcondichomargendetiempo.Lasegundacausa porlaquedemodificaelMargenOperativoesdebidoaunadecisindelprogramador,cuando este observa una descompensacin entre el riesgo existente de que se produzca una perturbacinyelMargenOperativodisponibleparaatenderla. Estasegundacausaesla que puede dar lugar a la incorporacin de trabajos candidatos al Programa en curso, si el programadorreduceelMargenOperativoytransformadichotiempoentiempoproductivo.El procesodevaloracinderiesgospuedesersumamentesensiblealtipodeempresaenelque seimplante,einclusoalascircunstanciasqueseproduzcanencadaperiodo,yentodocaso, debeatenderadoscuestionesbsicas: Cundosepuedeincorporaruntrabajocandidato? CuleseltrabajocandidatoqueseaadealProgramaencurso?

Ambas cuestiones estn relacionadas con dos Operaciones Funcionales que es necesario configurar en la plataforma IPSUMAS. Establecer cuando se puede incorporar un trabajo candidato implica determinar la poltica de Reprogramacin y la valoracin del riesgo. La determinacindeestasoperacionesesensmismouninteresantecampodeinvestigacin.En todocaso,loscriteriosestablecidos,yaqueesnecesariodeterminaralguno,sehanbasadoen la experiencia obtenida en la observacin del proceso. En cualquier caso, el anlisis que se
657

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica planteado en este captulo no est comprometido por esta decisin, que en todo caso se admitequepuedesermejorable. La poltica de Reprogramacin elegida es la de revisin peridica, lo que implica que la plataformaIPSUMASquedarprogramadaparachequearlaposibilidaddeincluiruntrabajo candidato cada cierto tiempo. Se ha fijado realizar dos revisiones. La primera revisin se realizar una vez finalizada la primera operacin (PrensadoEsmaltado) para el 60% de los trabajos.Lasegundaserealizarcuandoacabelaprimeraoperacindetodoslostrabajosdel Programaencurso.Estadecisinsejustificaenbaseaque: Laprimeraoperacinesunadelasmssensiblesaloseventos,yaqueelTiempode Cambio de Partida es en esta etapa el ms elevado, y cualquier cambio puede reducirlaeficienciadelProgramaencurso. Se ha perseguido evitar que el Programa est sometido a un estrs adicional al que va a sufrir por causa de los eventos no deseados que impliquen adelantos o retrasosenlasoperaciones.Porestemotivosehareducidoadoslasrevisiones.

Encuantoalavaloracindelriesgosehaconsideradoqueenlaprimerarevisinnoexistir riesgo,yporlotantoseautorizarlaincorporacindenuevostrabajos,sielMargenOperativo enesemomentoesigualosuperioral50%delinicial.Enlasegundarevisinseexigequeel MargenOperativoexistenteseasuperioral10%delinicialparaautorizarlaincorporacinde nuevostrabajos.Tantoelprocedimientoderevisincomodevaloracinpuedeninfluirenel nmerodetrabajosautorizados,yporlotantoenlaTasadeProductividadfinal.Estadecisin se ha tomado teniendo en cuenta que, al seguir los eventos una distribucin uniforme, es lgico considerar que si quedan un 40% de trabajos por ejecutarse en la primera etapa se puedenecesitartambinun40%delMargenOperativo.Encualquiercasosehadecididoque sedebedejarun10%paraelrestodeOperaciones.El10%asignadoalrestodeoperacionesse ha planteado despus de analizar el comportamiento real las operaciones de Horneado y ClasificacinEmbalaje. El proceso de revisin y el anlisis de riesgo elegido se han mostrado eficaces en los test previosalexperimentorealizado.Entodocaso,seinsisteensuampliomargendemejora. Porloqueserefierealadecisinsobreeltrabajocandidatoquesedebeincorporar,estaest ligada a la poltica de seleccin de trabajos que ser adhoc. Es obvio, que cada empresa establecer un criterio diferente para conformar la lista de trabajos candidatos, y que ste estarmsvinculadoadecisionescualitativasquecuantitativas.Enestecaso,dadoqueno existeunclienterealalqueatender,eltrabajoaincorporarsehaconfiguradoseleccionando
658

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica aleatoriamente de la el tipo de producto y su tamao. Lo nico que se ha exigido es que el nuevotrabajosigaelpatrnusualenaEmpresaparaevitarasanomalas. Un resumen de los criterios aplicados en la plataforma IPSUMAS para modificacin del conjunto de trabajos en curso se muestra en la Tabla 102. Por lo que se refiere a la incorporacindetrabajosalProgramaencursosepuederesumirdiciendoquecadavezque sereprogrameseintentarreincorporaralProgramaalostrabajosquehansidocancelado en algn momento (DS()), mientras que en momentos puntuales se plantear la incorporacindetrabajoscandidatossiemprequenoexistaningntrabajopertenecientea DS(). En ambos casos la condicin de incorporacin es que exista capacidad disponible para realizareltrabajocompletoperomientrasqueparalostrabajosdelconjuntoDS()noserevisa elMargenOperativoparaelcasodelostrabajoscandidatosserealizaunamodificacinprevia delmismo. ModificacindelConjuntode TrabajosenCurso
Reduccin

CriterioaAplicar

InstantedeAplicacin

Slo se produce sino queda Se aplica cuando se produce el Margen Operativo (MO=0) evento, es decir de forma disponible y es imposible instantnea. realizarunProgramafactible. Se produce si una vez realizada la Reprogramacin se detecta que la capacidad productiva considerada permite rescatar algntrabajocancelado. Se aplica cuando se produce cualquier tipo de evento que implica realizar una Reprogramacin.

AmpliacinmedianteTrabajos Cancelados

AmpliacinmedianteTrabajos Candidatos

Se produce si una vez realizada Seaplicadeformaprogramada, la Reprogramacin se detecta al final de ciertos periodos que la capacidad productiva establecidos. considerada permite incluir algn trabajo adicional y todos los trabajos cancelados ya se hanincorporadopreviamente.

Tabla102.Cuadroresumendeloscriteriosestablecidosparalaampliacin/reduccindelconjuntodetrabajos encurso.

Con esta informacin (K, Margen Operativo, Trabajos) el programador debe establecer el nuevoProgramaProductivoteniendoencuentaelcriteriodeseleccindetrabajoscandidatos, el dato sobre Margen Operativo actual, y el valor de la penalizacin (K) por adelanto de trabajos.
659

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica PorloquerespectaaelvalordeKsedebeindicarqueesunparmetrodelsistemaquepuede influirenelalgoritmoseleccionadoparalaReprogramacin,ycuyovalorserestablecidopor el programador en funcin de su experiencia, y la capacidad de reaccin ante cambios inmediatosenelPrograma,teniendoencuentatantosuspropiascapacidadescomoladelos proveedores. Hay que recordar, que la relacin entre valor de K y algoritmos a emplear fue establecidaenelcaptulo9.

10.3.2.2 SimulacinyGestindeEventosInternosyExternos Como se ha descrito en captulos anteriores, especialmente en los captulos 5, 7 y 9, la ReprogramacindelaProduccinoProgramacinReactivasedesencadenacuandosedetecta un evento que, una vez analizado, es considerado susceptible de activar dicho proceso. Esta forma de actuar implica la existencia de un sistema de gestin de eventosiv que acta de acuerdo a una poltica ya definida ante una perturbacin externa, en la que se establece el instanteyelcriteriodeactuacin.Sedebeentenderqueunaperturbacinesexternacuando esajenaalavoluntaddelgestordelPrograma.Engeneral,todosloseventosqueseproducen en el taller que implican un adelanto o retraso de una operacin se deben considerar perturbacinexterna. Adems de las perturbaciones externas, el sistema de gestin de eventos debe ser capaz de canalizar las perturbaciones internas. stas ltimas son las que se ocasionan al solicitar una revisin del Programa en curso con objeto de decidir posteriormente si es posible o no incorporaralgntrabajocandidatoalProgramaencurso. Tanto para las perturbaciones externas como internas es fundamental definir cual ser la poltica de gestin del Programa en curso que condicionar el entorno sobre el cual intervendr la EA correspondiente al clculo del Programa Reactivo. En el caso de la plataformaIPSUMAS,dichapolticaquedodefinidaenelapartadoanterior,verTabla102. Debido a la necesidad de compatibilizar perturbaciones con dos respuestas diferentes en su aplicacin temporal la plataforma IPSUMAS trabajar con un sistema hbrido que permita considerar Reprogramaciones peridicas y Reprogramaciones guiadas por eventos. Las

iv

La funcionalidad relacionada con la gestin de los eventos se ubica en la EA5 Identificacin y ValoracindelBPProgramacinReactiva.

660

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica primeras vinculadas a revisiones el Programa o perturbaciones internas, y las segundas a adelantooretrasosdelasoperacionesoperturbacionesexternas.

Iniciodel Periodo

Findel Periodo

EventosProducidosenunPeriodo

IdentificacindelEventoyValoracindel Impacto
Reprogramaci ndebidaaun eventos Reprogramacin peridica programada

Iniciodel Periodo

Findel Periodo

Reprogramaciones Solicitadas

Figura105.RepresentacindelprocesodegeneracindeReprogramaciones.

EnlaFigura105semuestracomoduranteunperiodopuedensurgirdiversostiposdeeventos externos, como la AE5 Identificacin y Valoracin analiza las perturbaciones externas recibidas,ycomoalgunasdeestas(rojas),juntoconlasperturbacionesinternasprogramadas (azul),seconviertenensolicitudesdeReprogramacin.Sepuedeobservarcomoenelcasode queuneventoexternoestprximoaunarevisinperidicaprevistasepuedenunificarlos doseventos,generandounanicasolicituddeReprogramacin. Dado que la plataforma IPSUMAS no trabajar directamente sobre un entorno real se debe simularlageneracindeeventosexternos.UneventoquedardefinidoenIPSUMASportres variables:tipo(adelanto/retraso),duracineinstanteenelqueseproduce.Lageneracinde eventos consistir, por lo tanto, en la generacin de una batera de eventos repartidos en diversosinstantesdetiempoalolargodelperiodoproductivo,cadaunoconunaduracinyun efecto de adelanto o retraso. No obstante, para que una batera de eventos adquiera la consideracin de tal es necesario que cada evento o perturbacin que vinculada a una operacinqueseveaafectadaporste.

661

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Para generar una batera de eventos en primer lugar se calcular en nmero de eventos deseados.Posteriormenteseasignaruninstante deocurrencia acadaevento.Pararealizar estaasignacintemporalsedividirelProgramaendossubperiodos.Unsubperiodocubrir elProgramadesdesuiniciohastalafechadefindelltimotrabajoenlaprimeraoperacin.Y un segundo periodo de cubrir el Programa Productivo desde la finalizacin del primer sub periodohastaelfinaldelPrograma.EncualquierinstantedecadasubperiododelProgramase insertar un evento mediante una distribucin uniforme en dicho periodo. El 90% de los eventos se generarn en el primer subperiodo, y el 10% en el segundo, reflejando el comportamientodelprocesodefabricacin. Unavezloseventosestnrepartidosalolargodeltiemposedeterminadequetiposercada unodeellos,almismotiempoquesuduracin.Esteltimopasosellevaracaboenbaseal tipodecombinacinquesedeseesimularencadamomento.EnestecasolaplataformaIPSU MASpermitelasimulacinde21combinacionesquesemuestranenlaTabla103.

Desviacionesdel 20% BAT_MS20_100_00

Desviacionesdel 50% BAT_MS50_100_00

Desviacionesdel 100%(80%) BAT_MS100_100_00

Composicin 100%_00% Composicin 80%_20% Composicin 60%_40% Composicin 50%_50% Composicin 40%_60% Composicin 20%_80% Composicin 00%_100%

BAT_MS20_80_20

BAT_MS50_80_20

BAT_MS100_80_20

BAT_MS20_60_40

BAT_MS50_60_40

BAT_MS100_60_40

BAT_MS20_50_50

BAT_MS50_50_50

BAT_MS100_50_50

BAT_MS20_40_60

BAT_MS50_40_60

BAT_MS100_40_60

BAT_MS20_20_80

BAT_MS50_20_80

BAT_MS100_20_80

BAT_MS20_00_100

BAT_MS50_00_100

BAT_MS100_00_100

Tabla103.Conjuntodebaterasdeeventos.

662

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica Existen 3 posibles duraciones de un evento diferentes: una del 20%, otra del 50% y otra del 100% (80% para los adelantos) de la duracin de la operacin afectada. Y existen 7 posibles combinacionesdetiposdeeventosenbasealacombinacindelporcentajedeeventosque producen adelanto o retaso en una operacin, estos son: 100%_00% (todos los eventos son adelantos), 80%_20% (80% de los eventos son adelantos y el 20% son retrasos), 60%_40%, 50%_50%,40%_60%,20%_80%,00%_100%. Lavinculacinentreeleventoylaoperacinafectadaserealizaenelmomentoenelqueel simuladordisparaelevento.Laformadeactuarconsisteenseleccionardeformaaleatoriauna operacin, entre las que estn previstas finalizar prximas a la fecha asignada al evento en cualquiermquina,simulandounretrasooadelantodelafechadefinalizacindelamisma.En todocaso,siempresemantendrqueel90%delasveceslaoperacinafectadaserladela primeraetapayel10%endelrestodeetapas. En cuanto al nmero de eventos que contendr una batera se ha pretendido este sea relativamente alto para acentuar el efecto del proceso de Reprogramacin. Por este motivo, todaslasconfiguracionesestnformadasporunnmerodeeventosigualal40%delnmero detrabajosdelProgramaPredictivo. Conlasimulacindeeventospropuesta,tantoencuantoasuconfiguracincomoencuantoa su variedad,se cubre un amplio espectro de situaciones prximas a lo que pudiera darse en una situacin real dentro del entorno de la Industria Cermica que permite evaluar las diferentes alternativas independientemente de la estrategia seguida para la Gestin del ProgramaProductivo.

10.3.3 ProgramacinenlaPlanta:RestriccionesyM.O.
ElenfoquequeserealizadelaProgramacindelaProduccinsebasaenlaexistenciadeun conjunto de trabajos iniciales que deben de realizarse en un determinado periodo. Aunque dichoconjuntodetrabajospuedecambiardebidoalarevisindeProgramaencurso,siempre deberespetarselarestriccindequetodoslostrabajosdebenestarterminadosantesdeuna fechapreviamenteestablecidaDp.LafechaDpsecorrespondeconlafechadefindelPrograma P en curso. Esta restriccin, ya introducida en el modelo matemtico del captulo 5, encaja perfectamente con la aplicacin de la filosofa predictivareactiva. Lo que se expres en los modelosmatemticosPredictivosyReactivosdelcaptulo5,delamismaformaqueen[101]. [101] D p = d (i ) max{c(i, RX )}
NX i =1

663

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Si un Programa P se inicia en el instante Sp, el programador dispone del periodo DpSp para realizartodaslasoperacionesdetodoslostrabajos.ComosepuedeverenlaFigura106el periodoDpSpsecorrespondeconeltiempomximodeflujoquetienedisponibleunPrograma P.

DpSp=TiempodeFlujoMximodelProgramaProductivo Sp Dp

Figura106.DiagramaGanttcorrespondienteauntallercontresetapascondesplazamientodelafechadeinicio delasoperacionesentreellas.

LarestriccinqueobligaarealizarunProgramaenelquetodoslostrabajosterminenantesde lafechaDp,potenciasuefectocuandoasuvezsedesearealizarmltiplesProgramasdeforma simultnea, con el objeto de aprovechar los recursos disponibles y aumentar la Tasa de Productividad. Como ya se coment la Empresa seleccionada mantiene Programas de mltiples periodos, normalmente semanales, en ejecucin concurrente, aunque siempre en diferentesetapas. Para poder comprender la necesidad de mantener mltiples Programas se muestra el diagramaGanttdelaFigura106enelquesepuedeobservaruntallercontresetapas,yseis lneas de PrensadoEsmaltado en la primera etapa (0..5), tres Hornos (10..12) en la segunda etapa, y seis ClasificadorasEmbaladoras (2025) en la ltima etapa. Como se puede ver la segunda operacin no se inicia hasta pasado un tiempo del inicio de la primera (instante 4.320),yconlaterceraoperacinocurrelomismoconrespectoalasegunda.Estasituacin provoca que los hornos estn ociosos hasta el instante 4.320, y que las clasificadoras estn
664

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica ociosas hasta el instante 8.460. Se verifica por lo tanto, como efectivamente, si slo se consideraunProgramaProductivoseproducireldesajustecomentado. Unaempresadeberaatacarestasituacinparaintentarqueeltiempoociosofueseelmnimo posible,queesprecisamenteloqueseproponeconlosdiferentesalgoritmospresentados.No obstante,ellectordebedetenerencuentaqueenelcasodelTallerdeFlujo,yenconcreto cuandolostiemposdeocupacindelamquina(procesoyCambiodePartida),yporlotanto eldesplazamientoentrelasfechasdeinicioyfindelasdiversasoperacioneseselevado,suele sernecesarioqueenunmismoinstantedetiemposeestnejecutandoProgramasdiferentes sobreetapasdiferentes.ComoseveenlaFigura107setratadeconsiderar,quesepuededar el caso, de que mientras que en la etapa uno se ejecuta ya el Programa correspondiente al periodoP,enlaetapadosy/otressepuedeestarejecutandoasuvezelProgramadelperiodo P1.

Figura107.DiagramaGanttdemltiplesProgramascorrespondienteauntallercontresetapascon desplazamientodelafechadeiniciodelasoperacionesentreellas.

La plataforma IPSUMAS debe est preparada para soportar esta forma de trabajo y debe garantizar que no se producen solapamientos entre Programas Productivos de periodos contiguosenunamismaetapa.Silossolapamientosseevitanexclusivamentenopermitiendo queelProgramadelperiodoPseinicieenunaetapadeterminadahastaquesehayaacabado
665

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica el Programa P1 se podra provocar que el lanzamiento de Programas no fuese peridico debido a algn desajuste que condujera esperas excesivas entre Programas Productivos sucesivos.Sinembargo,ademsderespetareltiempodeflujomximoparacadaProgramase debe de respetar la existencia de una periodicidad en el lanzamiento de los mismos. En la Empresaseleccionadalaperiodicidadenellanzamientosuelesersemanal,aunqueeltiempo deflujomximoesaproximadamentededossemanasdebidoaldesacopleentreetapas,que comoyasesealsueleserde3das. Endefinitiva,laplataformaIPSUMASseconfigurarparaquelosProgramassepuedanlanzar cadasemana,conunaduracinmximadecadaProgramadedossemanas,yconunretrasoo desplazamiento mnimo entre etapas de 3 das. Para ello se exigir que se cumpla una restriccin adicional en el Programa Productivo, y es que el tiempo de flujo mximo de los trabajos de un Programa determinado en una etapa sea de una semana, es decir, igual al periododelanzamientosegnreflejaen[102].Conestarestriccinsegarantizaquenoexiste solapamiento entre Programas y que se puede mantener la cadencia de lanzamiento. En la Figura107semuestrantresProgramasProductivos(P1,PyP+1)dosellostienenuntiempo deflujomximoencadaetapaidntico(indicadoporunallave)queesigualalacadenciade lanzamiento. Y adems, como se seala en el Programa P, el tiempo de flujo mximo del ProgramacompletoesDpSp. [102] s (i, r ) + T max {c ( j , r )}
NX j =1 / i j

r v

Por otro lado, en la Figura 107 se muestra como el tiempo de flujo mximo para todos los trabajosdeunaetapa(indicadoconunallave)estcompuestoporunperiododetrabajoyun Margen Operativo, que al menos inicialmente es mayor que 0. El periodo de trabajo est determinado por la fecha de finalizacin del trabajo que ms tarde termina en dicha etapa (makespandelaetapa),yelMargenOperativosiempresereltiemporestante.Porlotanto, elprogramadordeberdecantarseporaquelProgramaProductivoquelepermitadisponerdel Margen Operativo que crea conveniente en la etapa ms crtica de cara a los riesgos relacionados con los eventos. En otras palabras, el Margen Operativo de la etapa crtica determinar el makespan mximo que puede alcanzarse en dicha etapa, y por ende, ste condicionarelProgramaProductivoenelrestodeetapas.Enelcasoquenosocupa,yaseha indicado, que la etapa crtica en relacin a los posibles eventos inesperados en la primera,

Laecuacinsiguelanomenclaturadelcaptulo5.Teselperiododecadenciadelanzamiento.

666

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica lneadePrensasEsmaltado.DeestaformaconcretaseestablecerenIPSUMASparaelcaso delaEmpresaseleccionadaelMargenOperativo. Engeneral,elprogramadordelaEmpresaseleccionadaesconocedordelamximacapacidad decargaconlaquecuenta,ycasideformaintuitivaescapazderealizarlaconfiguracindel conjunto de trabajos respetando el Margen Operativo. En todo caso, durante la experimentacindetrabajarcondiversosgradosdecarga,loqueenestecasoesequivalente adecircondiversosMrgenesOperativos.

10.3.4 AproximacinalaRealidad:GeneracindeTrabajos
Ya se ha comentado que existen ciertos datos que maneja el programador que deberan obtenersemediantealgntipodecomunicacin/coordinacinconelplanificador.Unodelos datosdemayorrelevanciaquedebeserproporcionadoporel planificador eselconjuntode trabajosaprogramar.Sinembargo,comosehavistoqueenlaplataformaIPSUMASsloseha implementadoelDominiodeProgramacindelaProduccin,yqueporlotantolasdecisiones que le corresponden al planificador se han resuelto aplicando reglas sencillas. En relacin al conjunto de trabajos inicial, en base al cual se realizar la Programacin Predictiva, se ha decididocrearunmduloque,aplicandoloobservadoenlaEmpresaseleccionada,realicela generacindeunPlandeFabricacinviquedeterminedichoconjuntoyquesimulealreal. Aunque se dispone de varios ejemplos con datos reales que podran ser empleados como PlanesdeFabricacin,yporlotantoserutilizadosensustitucindelgenerador,sehacredo msconvenienteabordarlaimplementacindelmismo.Losmotivosporlosqueseconsidera msadecuadaestasegundaopcinson: Aunque los Planes de Fabricacin disponibles son reflejo de un periodo concreto (25 semanas) en los que se identifican las combinaciones de trabajo ms habituales, sin embargo no constituyen un conjunto representativo de todas las combinaciones

Segn la nomenclatura establecida en el captulo 5 el Plan de Fabricacin contiene la informacin bsica que el programador necesita para iniciar su actividad, es decir la elaboracin del Programa de Produccin,yqueseobtienedespusdesometeralCRPalPlanMaestrodeProduccin.

vi

667

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica posibles.Unasimulacinpuedeincorporarsituacionesquenosehanobservadoenla muestradisponibleperoqueconelazarpuedendarse. DiseareImplementarelsimuladorpermiteprofundizarenelconocimientorelativoa laconfiguracindeunPlandeFabricacinendichaEmpresa. Sisedisponedeunsimuladorsepuedengenerarcuantosplanessedeseeahora,yen elfuturo,permitiendoasvolveragenerarnuevosplanessicambiasenlascondiciones actuales.

Dadoqueelsimuladorquesepretendeimplementardebeserunreflejodeloquesehaceen la Empresa seleccionada para la obtencin del Plan de Fabricacin se han seguido los siguientescriterios: El Plan generado debe dar lugar a un Programa Productivo factible aplicando el procedimientodeProgramacindelaProduccindelaEmpresaseleccionada. LaconfiguracindelasreferenciasempleadasencadaPlanvendrdeterminadaporla asignacindeestosalaslneasdePrensadoEsmaltado.Enconcretoserealizaruna asignacindeformatosalneasdetalformatodosloslotesdeunmismoformatose intentenrealizarenlamismalneaparaminimizarlosTiemposdeCambiodePartida. LaslneasdePrensadoEsmaltadoseagruparnde2en2unidades.Acadagruposele intentar asignar productos similares entre s en la medida de lo posible. Esta es la formadeoperarobservadaenlaEmpresa. LasreferenciasincluidasenunProgramaProductivo,dentrodeunmismoformato,y los tamaos de lote de dichas referencia vendrn determinadas por las ocurrencias determinadas por los datos disponibles, obtenidos mediante observacin en la Empresaseleccionada.

Guiadosporloscriteriosgeneralesrecinexpuestossehadiseadounsimuladorqueproduce PlanesdeFabricacindelasiguienteforma: 1. Se establecen 3 grupos de lneas formado cada uno por una lnea impar y otra lnea par.Sedeterminaelnmerodeformatosdiferentesquesedeseatenerencadagrupo de lneas de PrensadoEsmaltado. Para todos los grupos ser el mismo nmero. As
668

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica mismo,sedeterminalacapacidadmxima,medidaenm2,decadalneadePrensado Esmaltado. 2. En cada grupo de forma independiente se asigna a la lnea impar un nmero de formatos aleatorio que sea superior al 20% e inferior al 80% del nmero total de formatosasignadosalgrupodelneas.Yalalneaparseleasignarelresto. 3. Paracadaformato,deformaindependiente,seestableceraleatoriamenteelnmero dem2queserealizar.Serespetarsiemprequeelmnimoasignableacadaformato sea1.500m2,yquelacantidadtotaldetodoslosformatosasignadosaunalneano superenlacapacidaddesta. 4. De forma independiente cada formato se dividir en trabajos o lotes diferenciados cada uno de los cuales secorresponder con alguna referencia de las incluidas en el anexo V. La referencia se selecciona eligiendo de forma aleatoria un producto, respetandolasprobabilidadesrealesdedemandaobservadas,entrelosdisponiblesen el formato correspondiente. El nmero de referencias dentro de un formato dependerdeltamaodeloteasignadoacadareferencia.Cadareferenciadisponede unconjuntodetamaosdelotequehabitualmenteseempleanendichoproducto,as comolaprobabilidaddequedichotamaoseemplee.Porlotanto,unavezconocida lareferenciaserealizaunsorteoentrelosposiblestamaosdelote.Eltamaodelote asignadoauntrabajodebesercomomnimode1.500m2,yademslasumadetodos lostamaosdelotedetodaslasreferenciasdelmismoformatonopuedensuperarel nmerodem2asignadoalformatocorrespondiente. Comoresultadodeesteprocesoseobtieneunconjuntodereferenciasagrupadoenformatos demaneraquecadaformato,yenconsecuenciacadareferencia,seencuentraasignadaauna lneadePrensadoEsmaltado.Estarelacinlneatrabajoseslaqueproporcionaelplanificador alprogramadordelaEmpresaseleccionadasegnsecomentenelapartado10.2.4.Poreste motivodicharelacin,delacualsemuestraunejemploenlaTabla104,sedenominaPlande laEmpresa.

Lnea0: 0 1 Lnea 1: 2 3 4 5 6 7 Lnea 2: 8 9 10 11 Lnea 3: 12 13 14 Lnea 4: 15 16 17 Lnea 5: 18 19 20 21

Tabla104.PlandelaEmpresa.

669

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica AlmismotiempoquesegeneraundeterminadoPlandelaEmpresasegeneraunficheroen elquesecontienelaconfiguracindeltaller(etapasymquinasporetapa),eltamaodelote detodoslostrabajosgenerados,tiemposdeprocesodecadatrabajoencadamquina,ylos TiemposdeCambiodePartidadetodoslostrabajosentodaslasmquinas.Elformatodelos ficheros de configuracin es muy similar al empleado en el captulo 8. Se emplea una estructura en la cual, para poder considerar todas las restricciones, en la primera lnea aparecentresnmeros,elprimerorepresentaelnmerodetrabajos(n),elsegundoelnmero de mquinas totales (m) y el tercero el nmero de etapas (e). En la segunda lnea se ha indicadoelnmerodemquinasnorelacionadasqueexistenporetapa,queenestecasoson siempre 6 en la etapa 1, 3 en la etapa 2, y 6 en la etapa 3. En la tercera lnea se indica el tamaodelotedecadatrabajo.Trasestastreslneasapareceunamatrizconlostiemposde procesoporlotequetienetamaonxm,esdecir,seespecificantodoslostiemposdeproceso para todas las mquinas, no por etapas. Al terminar estas matrices aparecen m matrices adicionales de tamao nxn, que son las matrices de los Tiempos de Cambio de Partida para cada una de las m mquinas. Todos los tiempos de proceso y de Cambio de Partida se expresanenminutos. Aunque en este captulo se pretende realizar una aplicacin de la propuesta realizada a una Empresaconcreta,sehaconsideradooportunoconciliarlavisingeneralconlaparticular,yen lamedidadeloposiblegenerarvaloresparalostiemposdeprocesoydeCambiodePartida que sean asumibles no slo por la Empresa Seleccionada sino por un amplio espectro de empresasdelsector. Paralageneracindetiemposdeprocesosehaconsideradoqueunpromedioadecuadopara una lnea de PrensadoEsmaltado es que se tarde entre 0.21 minutos y 0.27 minutos en producirunm2.Ytomandocomoreferenciaestedatosehaprocedidodelasiguienteforma paragenerarlostiemposdeproceso: 1. Alaprimeradelas6lneasdeesmaltadodequeconstaeltallerselehaasignadoun tiempodeprocesounitario(TPU1)dentrodelrangodereferencia,esdecirentre0.21y 0.27minutos.Laasignacinseharealizadomedianteunadistribucinuniforme. 2. A cada una de las 5 restantes lneas del taller se le ha asignado aleatoriamente, medianteunadistribucinuniforme,untiempodeprocesodentrodelrangoqueoscila entreel90%yel110%delvalordelaprimeralnea(TPU1*[0.9..1.1]). 3. Acadaunodelos3Hornosdeltallerselehaasignadoaleatoriamente,medianteuna distribucinuniforme,untiempodeprocesodentrodelrangoqueoscilaentreel105% yel115%delvalordelaprimeralnea(TPU1*[1.05..1.15]).
670

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica 4. A cada una de las 6 mquinas de ClasificacinEmbalado del taller se le ha asignado aleatoriamente,medianteunadistribucinuniforme,untiempodeprocesodentrodel rango que oscila entre el 95% y el 105% del valor de la primera lnea (TPU1*[0.95..1.05]). Comosepuedeobservarlosvaloresdetodoslosrecursosfluctantomandocomoreferencia elvalordelaprimeralneadePrensadoEsmaltado,conlacaracterizacindequeelrestode lneaspresentanunadiferenciamximadel+/10%,lasmquinasdeClasificacinEmbalado puedenllegaraalcanzarunadiferenciade+/5%,ylosHornossuperandichovalorconuna diferencia que vara entre el 5% y el 15%. Este procedimiento de obtencin de tiempos unitarios se realiza tantas veces como trabajos existen, lo que permite obtener la matriz de tiempos de proceso para todos los trabajos en todas las mquinas. El paso final consiste en multiplicar el tiempo unitario por el tamao de lote, para obtener el tiempo de proceso por lote,queeselquesereflejaenelficherodeconfiguracin. Delamismaformaquesehanobtenidolostiemposdeprocesosehaestablecidouncriterio paragenerarlosTiemposdeCambiodePartidadependientesdelasecuencia.Unavezms,a partirdelaobservacin,setomocomoreferenciaqueelTiempodeCambiodePartidaentre referenciasdelmismoformatoenlaslneasdePrensadoEsmaltadodebadeoscilarentre90y 150minutos,mientrasquesisetratabadereferenciasdeformatodiferentedebadeoscilar entrelos360ylos660minutos.Asmismo,losTiemposdeCambiodePartidaentrecualquier referenciaenlosHornosyenlasmquinasdeClasificacinEmbalajedebandeoscilarentre los90ylos150minutos.Conestosvaloresdereferenciasehangeneradoparacadamquinay paracadaparejadereferenciaslosTiemposdeCambiodePartidaseleccionandodemediante unadistribucinuniformevaloresdentrodelosrangosindicados. Con los procedimientos y criterios establecidos se ha implementado un mdulo capaz de proporcionar el fichero con el Plan de la Empresa y el fichero de configuracin correspondiente,tomandocomoentradaslacapacidadmximadelaslneasydelnmerode formatos diferentes por cada grupo lneas. El fichero con el Plan de la Empresa slo se empleasisedesearealizarunProgramaProductivosiguiendoelmtodoqueutilizalaEmpresa seleccionada,yexplicadoenelapartado10.2.4.

El procedimiento seguido por la Empresa ha sido implementado y se ha empleado para calcular el Makespan que obtendra la Empresa. De esta forma para cualquier configuracin quesegeneresiempresepodrcompararelmakespandelProgramaPredictivoobtenidopor laEmpresayelMakespanobtenidoporlaplataformaIPSUMAS.

671

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

10.4 AnlisisExperimental
Una vez presentada la Empresa seleccionada, sus caractersticas productivas, y su forma de abordarlaPlanificacin/ProgramacindelaProduccin,ascomodefinidoslosprocedimientos yloscriteriosqueseemplearnenlaplataformaIPSUMASparaposibilitarelfuncionamiento conjuntodelosprocesodeProgramacinPredictivaydeProgramacinReactiva,talycomose han propuesto en los captulos anteriores, se desea plantear un anlisis experimental que permitaponerdemanifiestolaviabilidaddelapropuestaysueficienciaencomparacinconla empleadaenlaactualidadporlaEmpresaseleccionada. Se considerar que la plataforma IPSUMAS es viable si se consigue abordar con ella los problemas reales que se plantean en la Empresa seleccionada, y se obtienen resultados factibles.Laeficienciasemedir,talycomoyaseplanteenelcaptulo5,enbasealaTasade ProductividadalcanzadaconlosdiferentesProgramasProductivosobtenidos.Yenestecaso, se propone realizar una comparativa entre la Tasa de Productividad obtenida con los Programas generados con la plataforma IPSUMAS y los obtenidos con el mtodo empleado porlaEmpresastantoparalaProgramacinPredictiva,comoparalaProgramacinReactiva.

10.4.1 ElJuegodeDatos
Paraconfirmarlavalidezyeficaciadelapropuesta,implementadaenlaplataformaIPSUMAS, ser necesario analizar su comportamiento en diversos escenarios. En este caso la configuracin del taller ya est predeterminada, y no vara. Sin embargo existen otros elementos que al modificarlos configuraran escenarios diferentes. Se ha identificado que estoselementossonlacombinacindetrabajosdelPlandeFabricacinempleadoyelMargen Operativoestablecido. UnPlandeFabricacinquedadeterminado,asuvez,comocombinacindediversasvariables comosonelnmerodeformatosdiferentes,elnmerodetrabajos,eltamaodelotedelos mismos,ylostiemposdeprocesoydeCambiodePartidaestablecidos.Porestemotivo,seha decidido crear un amplio juego de datos, que constituya una muestra representativa de los diferentesPlanesdeFabricacinquepuedeserempleadosenlaEmpresaseleccionada,yen generalenunaempresaCermica.Enestesentidoseactasiguiendolamismaestrategiaque enlasexperimentacionesdeloscaptulos8y9,enlosquesedisponadeunampliojuegode datosquepermitieronanalizardiferentescasos.
672

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica MO005 (5%M.O.) MO010 (10%M.O.) MO015 (15%M.O.) MO020 (20%M.O.) 3formatos
MO_005_001 hasta MO_005_010 MO_010_001 hasta MO_010_010 MO_015_001 hasta MO_015_010 MO_020_001 hasta MO_020_010

4formatos
MO_005_011 hasta MO_005_020 MO_010_011 hasta MO_010_020 MO_015_011 hasta MO_015_020 MO_020_011 hasta MO_020_020

5formatos
MO_005_021 hasta MO_005_030 MO_010_021 hasta MO_010_030 MO_015_021 hasta MO_015_030 MO_020_021 hasta MO_020_030

6formatos
MO_005_031 hasta MO_005_040 MO_010_031 hasta MO_010_040 MO_015_031 hasta MO_015_040 MO_020_031 hasta MO_020_040

Tabla105.Resumendelosconjuntoexperimentalesempleadaseneldiseoexperimental.

En la Tabla 105 se muestran los nombres de los 160 conjuntos experimentales propuestos para realizar el anlisis experimental. Como se ve stos son fruto de la combinacin de 4 posiblesvaloresparaelnmerodeformatosdiferentesporgrupodelneas(3,4,56),yde4 posibles valores para el Margen Operativo (5%, 10%, 15% 20% del periodo). Para cada combinacin,cadaceldadelatabla,sehangenerado10ficherosdiferentes,loquerepresenta 10 combinaciones de Planes de Fabricacin diferentes, aunque todos ellos con el mismo nmero de formatos diferentes y para el mismo Margen Operativo. Para seguir la misma nomenclatura que en el captulo 8 denominaremos a este conjunto de 10 configuraciones conjunto experimental. Hay que recordar que los Tiempos de Cambio de Partida son superioresentrereferenciasdeformatosdiferentesqueentrereferenciasdelmismoformato, yporesoesrelevantedefinirelnmerodeformatosdiferentesporlneaogrupodelneas. Con el juego de datos obtenido se podr analizar el comportamiento de la plataforma IPSU MAS enfuncindelosdiferentes parmetrosocriteriosquese establezcan enel diseo del experimento.Estejuegodedatosempleadoseadjuntaaestetrabajoenformatodigital.

10.4.2 DecisinPreExperimental:ParametrizacindeSMAGA1ySMAGA2
LosalgoritmosSMAGA1ySMAGA2sondosmtodosrelevantesenelProcesodeNegociode Programacin Predictiva, y en el caso de SMAGA2 tambin en el Proceso de Negocio de Programacin Reactiva. En el captulo 8 se realiz la parametrizacin de los mismos para el juegodedatosdisponibleenesecaso.Enestecasosedisponedeunjuegodedatosdiferente, yaunqueinicialmenteseintentidentificaraquejuegodedatosdelosyaparametrizadosse ajustaba mejor el juego actual, y evitar as repetir el proceso de ajuste de parmetros, los
673

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica datosobtenidosenexperimentospreliminaresnofueronconcluyentes.Porestemotivoseha decididovolveracalcularelvalordelosparmetrosparalosdosalgoritmos.Parahacerloseha seguidoelmismocriterioqueenelcaptulo8.Enprimerlugarsehanestablecidolosvalores delosparmetrosFmG,FdMyGsM,quedeterminanelfuncionamientodelalgoritmoSMAGA 1, y posteriormente, ya con dichos valores identificados, se ha establecido el valor del parmetro RM, que junto con los anteriores determina el funcionamiento del algoritmo SMAGA2. En la Tabla 106 se muestran los posibles valores para los diferentes parmetros ajustables. ValoresdelosParmetros Ajustables GeneradorDinmico EvolucindelFactorLmite EvolucindeRiesgoMnimo RiesgoMnimo(RM) GeneracionessinMejora(GsM) FactordeMutacin(FdM) FactorMargen(FmG) SMAGA1 Desactivado Desactivado Desactivado 50,200 0.1,0.3 1.05,1.2 SMAGA2 Activado Activado Activado 0.2,0.4 SMAGA1 SMAGA1 SMAGA1

Tabla106.NivelesasignadosalosparmetrosajustablesparalosalgoritmoSMAGA1ySMAGA2.

Tanto para el algoritmo SMAGA1, como para el algoritmo SMAGA2, cada conjunto experimentalconstade10ejemplares.Tambinenamboscasos,sehadecididorealizaruna repeticin de cada ejecucin, lo que supone un total de 2 ejecuciones por ejemplar y combinacindenivelesdelosfactores.EstoimplicaqueparaelcasodeSMAGA1serealizarn 16 (conjuntos experimentales) x 10 (ejemplares) x 8 (tratamientos) x 2 (ejecuciones)= 2.560 ejecuciones. En el caso de SMAGA2 se realizan 16 (conjuntos experimentales) x 10 (ejemplares)x2(tratamientos)x2(ejecuciones)=640ejecuciones. Deformasimilaracomoseplanteenelcaptulo 8lavariablederespuestaqueseutilizar serunamedidacomparativarespetoelIncrementoPorcentualSobreelValordeReferencia delValorExaminadoPromedio(IPSVRVEP)de unproblemaoejemplardado.Estamedidase puedeexpresarcomo: [103]

IPSVRVEP =

Sol _ referencia Mejor _ sol *100 Mejor _ sol

674

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica La variable Actual_sol representa al valor del makespan obtenido con el algoritmo que se deseaevaluarconunejemplardeterminado.LavariableSol_referenciarepresentaal valor del makespan obtenido empleando el mtodo de la Empresa seleccionada para dicho ejemplar. Los valores de IPSVRVEP negativos implican que se ha mejorado la referencia. Atendiendoaunasubdivisinrealizaenconjuntoexperimentalessehaintroducidolavariable IPSVRVEPTtendrencuentaelIPSVRVEPpromedioparaunconjuntoexperimentalcompleto. Por lo que se refiere al nmero de iteraciones que se ejecutar el algoritmo se ha decidido mantenerelvalorempleadoenelcaptulo8,esdecir5.000iteraciones.

En las condiciones mencionadas, y una vez realizado en anlisis estadstico basado en el ANOVAdelosresultadosquesepuedeverenelanexoVI,lasignificacinylosvaloresms adecuadosdedelosparmetrosGsM,FdMyFmGsehanresumidoenlaTabla107.

Parmetros SMAGA1
MO_005_001/040 MO_010_001/040 MO_015_001/040 MO_020_001/040

Factores Significativos GsM FmG

Generaciones sinMejora (GsM) 50

Factorde Mutacin (FdM)

FactorMargen (FmG) 1.2

Tabla107.Valoresseleccionadosparalosparmetrosdelosdiferentesconjuntosexperimentalesdelalgoritmo SMAGA1.

Como se puede observar slo es significativo el parmetro GsM para los 4 conjuntos experimentales con Margen Operativo del 5%, y el parmetro FmG para los 4 conjuntos experimentales con Margen Operativo del 10%. En el resto de casos no existe ningn parmetro significativo. En este sentido el algoritmo es bastante insensible a las distintas configuracionesloquenospermiteutilizarlodeformamssencilla. ParmetrosSMAGA2
GeneradorDinmico EvolucindelFactorLmite EvolucindeRiesgoMnimo GeneracionessinMejora(GsM) FactordeMutacin(FdM) FactorMargen(FmG)

SSD10_P13
Activado Activado Activado 50 0.1 1.2

Tabla108.ResumendelosvaloresasignadosalosparmetrosdelalgoritmoSMAGA2paratodoslosconjuntos experimentales.

675

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica La Tabla 108 muestra la configuracin de parmetros con la que se ha realizado el experimento para identificar el valor del parmetro RM del algoritmo SMAGA2. Como se muestra, se le ha asignado a GsM el valor 50 y a FmG el valor 1.2 para todos los conjuntos experimentales.Enamboscasossehaempleadoelvalorqueharesultadomsfavorableenel conjuntoexperimentalenelqueharesultadosignificativo.AsmismosehaelegidoparaFdM elvalor0.1arbitrariamente,yaqueesnecesariodisponerdealguno. DespusderealizarelanlisisdelosresultadosobtenidosconelalgoritmoSMAGA2,quese puedenconsultarenelanexoVI,sehaobservadoquelosvaloresanalizados(0.2y0.4)parael parmetroRMnosonsignificativosenningnconjuntoexperimental.Porlotanto,SMAGA2 tambinmuestraunfuncionamientosimilarconcualquiervalordeRM. Parmetros
GeneradorDinmico EvolucindelFactorLmite EvolucindeRiesgo Mnimo GeneracionessinMejora(GsM) FactordeMutacin(FdM) FactorMargen(FmG) RiesgoMnimo(RM)

SMAGA1
Desactivado Desactivado Desactivado 50 0.1 1.2

SMAGA2
Activado Activado Activado 50 0.1 1.2 0.4

Tabla109.ResumendelosvaloresasignadosalosparmetrosdelalgoritmoSMAGA1ySMAGA2para cualquierconjuntoexperimental.

En funcin de las conclusiones alcanzadas, en relacin con la significacin de los parmetros determinadosparalosalgoritmosSMAGA1ySMAGA2,losvaloresqueseemplearnenesta experimentacinenlaplataformaIPSUMASsonlosquesemuestranenTabla109.

10.4.3 Decisin PreExperimental: Criterios de Aplicacin de Algoritmo Reactivos.

Como ya se ha comentado en el apartado anterior el juego de datos actual ha variado con respecto a la experimentacin previamente realizada en los captulos 8 y 9. Y aunque ello oblig a reparametrizar los algoritmos predictivos SMAGA1 y SMAGA2, en el caso de los algoritmos reactivos esto no es as. Se ha podido verificar mediante un breve experimento preliminarcomoconeljuegodedatospreparadoparaelexperimentoactualseobtieneunos resultados muy similares, en lo referente al tipo de algoritmo a aplicar, a los que se obtena para el conjunto P3_20_SSD50. Esto implica que en caso de adelanto en las operaciones se aplicarelprocedimientoSSDS,yqueencasoderetrasoenlasoperacioneselmtodoAOR.
676

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica Tanto en el caso de adelanto, como en el caso de retraso en la fecha de finalizacin de las operaciones el algoritmo aplicado no depende del valor del factor K. En este proceso experimental el valor de K hubiera podido influir en el algoritmo seleccionado, aunque finalmente no ha sido as, pero no en la funcin objetivo como luego se comentar no dependededichofactor.Entodocaso,elvalorestablecidoparaKes0.01.Encuantoalvalor delfactorVAstesehaestablecidoen0.2,yaquefrentealaopcinde0.4,elprimeroesms similaralempleadoenlaEmpresaseleccionada.

El ltimo aspecto que se ha valorado en relacin a la configuracin del proceso de ProgramacinReactivaeslaposibilidaddeanalizar,sienuncasoreal,sepuedeconsiderarque despus de un cierto nmero de Reprogramaciones el Programa resultante puede ser catalogadocomomejorableenrelacinalMakespanalcanzable.Sipuedesercatalogadocomo mejorable entonces el Programa sera similar al caso que en el captulo 9 se denomin SMAGA2modificado,esdeciraplicarlaReprogramacinsobreunProgramafactibleperono situadoprximoalptimoenelespaciodesoluciones.Porestemotivosehanplanteadodos variantes en la aplicacin de los algoritmos de Reprogramacin. Una primera variante en la que no se acepta esta hiptesis, y en la que se aplican siempre los algoritmos SSDS o AOR despus de cada evento e independientemente del Programa en curso, es decir con ReprogramacinParcial(RP).Yunasegundaenlaqueseaceptadichosupuestoyserealizaun Reprogramacin Completa (RC) cada cierto nmero de Reprogramaciones parciales. En concreto, y para la segunda variante, se ha decidido que sea cada 4 Reprogramaciones parcialescuandosecambiaelmtodoporunaReprogramacincompletabasadaenSMAGA2 queeslaquelecorrespondealjuegodedatosP3_20_SSD50.

10.4.4 DiseodelExperimento
En este apartado se trata de identificar el problema, definir claramente el objetivo de la experimentacin, identificar los factores que pueden influir y establecer la estrategia experimental. Laexperimentacinqueseplanteaenesteapartadotienecomoobjetivoponerdemanifiesto labondaddelapropuestadesarrolladaenestetrabajo.Estecontrastesedesearealizarms desde un punto de vista ingenieril que analtico. En concreto se debera mostrar tanto la eficaciadelprocedimientodeProgramacindelaProduccinbasadaenlacombinacinde Programaciones Predictivas y Reactivas con un elevado grado de integracin en el Sistema de Planificacin y Control de Operaciones como la eficiencia del mismo en base a los resultados obtenidosen elmarcode suaplicacinenuna Empresaseleccionadadelsector cermico.
677

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Encuantoalaeficaciaseasumirqueenlneasgeneralesquedardemostradaenelmomento en el que se aporten los resultados, que se debern entender consecuencia del correcto funcionamientodelmtodopropuesto,yqueenestecasoademsestarimplementadocon el software correspondiente a la plataforma IPSUMAS. No obstante, posteriormente se propondr un indicador que permita valorar un aspecto concreto relativo al adelanto de trabajosquepodraserconflictivoypodraimpedirlapuestaenmarchadelapropuesta.En estesentidosedebedestacarunavezmsqueelintersdeestetrabajoresideenlosmtodos yalgoritmosempleadosparalaProgramacindelaProduccin,peroqueprecisamenteporel enfoqueintegradorqueseharealizadodelosmismoenrelacinalasdecisionesquesetoman en el mbito de la Planificacin de la Produccin, ha sido necesario incorporar algunos procesos y criterios meramente funcionales pertenecientes a este ltimo mbito. Estos procesos y criterios del mbito de la Planificacin de la Produccin a los que se hacer referencia, nunca han formado parte de los objetivos de esta tesis, y slo son una forma de quelaplataformaseaoperativa,entodocasoconstituyenunalneademejorafutura. Encuantoalaeficienciadelapropuestasehaconsideradoqueestaquedarcontrastadasise puedeponerenevidenciaquelaTasadeProductividadquesealcanzaconstaesclaramente superioralaqueresultaempleandolosactualesmtodosdeProgramacindelaProduccin en la Empresa seleccionada. En este punto es donde los algoritmos de Programacin Predictivos y Reactivos que se han desarrollado y evaluado tienen un peso especifico ms elevado.Enningncasosetrataderealizarunademostracindelaeficienciadelapropuesta en general, ya que las variables del entorno hacen que este tipo de demostraciones sean bastante complicadas, al mismo tiempo que faltas de sentido, cuando se trata de procedimientosdegestincomplejos. Parapoderrealizarlaevaluacinrespectodelaeficienciadelapropuestasehanseleccionado dos variables bsicas que se endiente que proporcionan un reflejo adecuado de lo que se pretende mostrar. La primera variable ser la Tasa de Productividad promedio, es decir el nmeromediodem2fabricadoscadaminutoduranteunperiodoproductivovii. [104]

m 2 Fabricados en un Periodo Tasa de Productividad = Duracin del Periodo en Minutos

vii

Hay que incidir en que al ser la duracin de los periodos constante la nica forma de variar la Productividad es incrementando o disminuyendo el nmero de trabajos. No se admiten trabajos realizadosparcialmente.

678

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica Lasegundavariable,sehadenominadoRendimiento,yrepresentaelporcentajepromediode variacin la Tasa de Productividad al final de un periodo con respecto a la Tasa de Productividadprevistaaliniciodelmismo. [105]

Ren dim iento =

T . Pr oductividadAlcanzada T . Pr oductividad Pr evista T . Pr oductividad Pr evista

La Tasa de Productividad proporciona la informacin de mayor relevancia ya que es la que determina,segnelenfoqueplanteado,cualdelosdosprocedimientoseselmsadecuado. Sin embargo, el Rendimiento aporta informacin relativa a que parte de la Tasa de Productividad se ha obtenido debido a un buen proceso de Programacin Predictiva, y que parte de sta se debe al procedimiento de Programacin Reactiva, en la que se incluye la poltica de que se aplica a la modificacin del Margen Operativo e incorporacin de nuevos trabajos.Asmismo,sehaqueridoaadirunavariableadicionalqueindique elpromediode TrabajosCanceladosporperiodo,queserempleadaparavalorarlaviabilidaddelapropuesta, yporlotantosueficacia.Sehaconsideradoqueunaspectoimportantequedebetenerseen cuentaeslacantidaddetrabajosquesonincluidos enelProgramayqueposteriormentese cancelanporfaltadecapacidad.Elvalordeestavariableserrelevantecuandoseanalicela puesta en funcionamiento de la propuesta. Un nmero elevado de cancelaciones podra indicar un mal funcionamiento de la poltica de modificacin del Margen Operativo que da lugaralaincorporacindetrabajosqueposteriormenteacabananulndose.Siestoesas,yla propuesta se implementase, se podran generar graves problemas de gestin que no compensaranenningncasoelposibleaumentodelaTasadeProductividad. Asmismo,sepretendequeelprocesoexperimentalconsiderevariosentornosdetrabajo.Por unlado,pareceinteresanteincluirenesteproceso,basadoenuncasoreal,laconsideracinde los turnos de trabajo frente a la hiptesis habitual en un entorno terico de que todos los recursos estn disponibles 24 horas por jornada. Por este motivo se plantear un bloque experimentalsinlaconsideracindelosturnos,yotrodondesesupondrqueenlaetapade PrensadoEsmaltadoyenladeClasificacinEmbalajesetrabajaadosturnosde8horasyenla etapa de Hornos se trabaja a 3 turnos de 8 horas. El supuesto en el que se introducen los turnos de trabajo se ha implementado tomando como referencia la situacin en la Empresa seleccionada. Por otro lado, se desea distinguir entre los resultados obtenidos cuando la plataforma IPSUMAS trabaja sin restricciones (SR) e incluye la opcin de incorporar nuevos trabajosenlasrevisionesperidicasdelM.O.,oporelcontrariocuandoserestringe(R)esta posibilidad. La versin restringida de la plataforma podra considerarse una situacin intermediaqueservirparavalorarelpesodeestaopcinenelproceso.

679

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Por lo que a los objetivos de la experimentacin se refiere se trabajar con 8 entornos diferenciadosfrutodelacombinacinentrelasdosvariantesdeReprogramacin(RPoRC)y las dos variantes en la aplicacin de la inclusin de nuevos trabajos (SR o R), que se identificarn con las siglas R_RP, R_RC, SR_RP, SR_RC, que a su vez sern analizadas en dos tiposdeorganizacindeltrabajoenturnos(sinturnosoconturnos). Por lo que se refiere a los factores, en un primer anlisis se detect que los factores que potencialmente influyen en el experimento son: El Margen Operativo disponible (MO), el nmero de formatos diferentes en cada lnea (CARGA), y la batera de eventos a la que se somete a un Programa en curso (BAT). El factor MO puede influir ya que un mayor margen deberapermitirafrontarmejorloseventosycancelarmenostrabajosqueunmargenmenor, y por lo tanto variar la Tasa de Productividad final. El factor CARGA puede influir en la programacin,yaquestedeterminalacantidaddecambiosdepartidadelargaduracinque pueden producirse en un periodo, y al generar mayor cantidad de tiempos no productivos puedeafectaralaTasadeProductividadquesealcance.ElfactorBATtambinpuedeinfluiren la Tasa de Productividad ya que no es lo mismo quedar sometido a un conjunto de eventos quesloadelantenlasoperacionesqueaotroqueslolasatrase,oaunodondesemezclen ambas. Encualquiercaso,ydadoqueelfinltimodelexperimentoesrealizarunacomparativaentre dos formas de proceder (IPSUMAS y Empresa), y no tanto realizar una inferencia de los resultados para parametrizar el funcionamiento del sistema, se ha considerado oportuno reducirlostresfactoresaunoslo.ElfactorseleccionadoesMO,yaqueeselnicocuyovalor, que en todo caso, puede ser decidido por el programador de la produccin. Tanto el factor CARGAcomoelfactorBATsonconsecuenciadeloquelanaturalezadepareencadamomento. EnelcasodelaCARGA,elprogramadorpodrintentarequilibrarlaslneasdeformaquetodas tengan un nmero de formatos diferentes ms o menos similar, pero dicho nmero vendr determinadoporlaPlanificacinrealizada.EnelcasodelfactorBATesbastantemsintuitivo, yfcildeasumir,queloseventossonporsupropianaturalezaaleatorios.Noobstante,para cada nivel del factor MO se ejecutarn las 21 bateras de eventos indicadas en el apartado 10.3.2.2,ascomolos120conjuntosexperimentalescorrespondientesalos4tiposdeCARGA (1.5, 2, 2.5, y 3) indicados en el apartado 10.4.1., los resultados obtenidos en esas 2.520 combinacionessernpromediados.Enesteaspectoseasumequelorealmenteinteresantees detectarcualeslarespuestapromedioanteslosdiferentesformatosyeventosqueseanalizan conlosdiferentesMrgenesOperativos,queesteexperimentoserndel5%,del10%,del15% ydel20%delmakespandelperiodo. Por lo que se refiere a los valores elegidos para el factor MO, estos representan un nivel de ocupacin de la planta que oscilan entre el 80% (para un MO del 20%), que se puede considerar un valor normal para una planta madura y con gran demanda, y el 95% (para un
680

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica MOdel5%),quesepuedeasociaraunaplantasumamentesaturada.Sepretendeanalizar,por lotanto,diferentesopcionesperotodasellasdentrodeunniveldeocupacinaltoamuyalto. Estosehaplanteadoas,yaqueenlapropuestaqueseharealizadosehaestablecidoquese realice un ajuste del MO que permita ir incorporando trabajos planificados para periodos posteriores al actual, lo que influir de forma determinante en la Tasa de Productividad. Se entiende que con un MO muy elevado la plataforma IPSUMAS superara la Tasa de ProductividadquepuedaobtenerlaEmpresafcilmente,yaquelaprimeraincorporanuevos trabajos y la segunda no. Con el rango de valores propuesto en el experimento se entiende que los resultados que se obtengan sern consecuencia de un cierto equilibrio entre las aportacionesdelaProgramacinPredictiva,laProgramacinReactiva,incluidaenestaltima lapolticaderevisindelMOeincorporacindenuevostrabajos.Yquesienestascondiciones la propuesta realizada supera a la de la Empresas, sin duda, tambin lo har con Mrgenes Operativossuperiores. Elexperimentohasidoplanificadopararealizar3rplicas,esdeciruntotalde4ejecuciones, decadatratamiento,esdecirdelos4posiblesvaloresdeMargenOperativo.Noobstante,hay que recordar para cada Margen Operativo se han planteado 2.520 combinaciones correspondientes al cruce de 4 posibles valores de formatos diferentes por lneas y a los 21 tiposdebaterasdeeventosdisponibles.Estosuponequeentotalsevanarealizar4(valores en MO) x 2.520 (conjuntos experimentales) x 4 (lanzamientos) = 40.320 ejecuciones en cada variantedeentorno,ydadoquehay8variantesserealizanuntotalde322.560ejecuciones. Para el desarrollo de los experimentos se han utilizado cuatro ordenadores tipo PC con procesadorIntelCore2a2.66GHz,conmemoriade2GByte,ysistemaoperativoWindowsXP ServicePack3.Cadaconjuntoexperimentalsehaejecutadodeformaaleatoriaenunodelos cuatroordenadores.AlfinaldelaejecucindecadaejemplardelaplataformaIPSUMASha incorporadolosresultadosenunficherodetexto.Losdatosrecogidoshansidolossiguientes: TasadeProductividadalcanzadaalfinaldelperiodo. Tasa de Productividad prevista al inicio del periodo (slo con la Programacin Predictiva). Nmerodetrabajoscanceladosenelperiodo. Identificacindelaconfiguracindelexperimento(conjuntoexperimental,batera deeventos). Fechayhoradeinicioyfindelaejecucindelejemplar.

681

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Este proceso se ha repetido para cada una de las rplicas de forma idntica. Una vez finalizadastodaslasejecucionesdecadaconjuntoexperimentallosdatossehanconsolidado enunahojaExcelenlacualsedispuestolosvaloresdelaTasadeProductividad,Rendimiento yTrabajosCanceladosparacadacombinacindenivelesdelosfactores,encadarepeticin.

Unavezmssedesearecalcarqueparaelanlisisdelosdatosnosedesearealizarunenfoque tan analtico como en los experimentos de captulos anteriores, ampliamente soportado en herramientas estadsticas, sino una aproximacin ms ingenieril que permita poner en valor aquellosaspectosaportalasolucinpropuesta.

10.4.5 DesarrollodelExperimentoyAnlisisdelosResultados
Unavezdesarrolladoelexperimentosiguiendolaestrategiaexpuestaenelapartadoanterior se ha obtenido un amplio conjunto de datos, que una vez formateados en funcin de las variablesyfactoresaanalizar,sepuedenresumirenunaseriedetablasquesernmostradasy comentadasacontinuacin.

10.4.5.1 AnlisisdelosResultadosSinConsiderarTurnosdeTrabajo Enprimerlugarseprocederaanalizarlosresultadosobtenidosbajolahiptesisdequetodos losrecursosestndisponibles,yseempleanlas24horasdelda.EnlaTabla1010sepuede verificar como a medida que se incrementa el M.O. disminuye la Tasa de Productividad, independientemente del mtodo empleado para realizar el Programa productivo. Lo que es razonablesisetieneencuentaqueelloimplicaunareduccindelacapacidaddisponibleenel periodo. As mismo, se puede comprobar como el mtodo empleado por la Empresa es superadoporcualquieradelasdemsopciones. T.Productividad (m2/minuto) MO005 MO010 MO015 MO020 Empresa 7,2449 7,1207 6,8064 6,4038 IPSUMAS (R_RP) 8,8772 8,6362 8,1542 7,7153 IPSUMAS (R_RC) 8,7808 8,6130 8,1544 7,7192 IPSUMAS (SR_RP) 8,8737 8,6957 8,2815 7,9769 IPSUMAS (SR_RC) 8,7795 8,6785 8,2932 8,0131

Tabla1010.TasadeProductividadobtenidaparalosdiferentesenfoquesdeProgramacinPredictivaReactiva sinconsiderarturnosdetrabajoexpresadaenm2/minuto.

682

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica Para una mejor visualizacin de los resultados, en la Tabla 1011 y en la Figura 108, se muestranlosdatosdelaTasadeProductividadcomoelporcentajedeincrementodelaopcin correspondientedeIPSUMASconrespectoalaEmpresa.Sehaseguidolafrmula[106]. [106] Incrementodela T.Productividad (%) MO005 MO010 MO015 MO020 IPSUMAS (R_RP) 22,5703 21,3290 19,8314 20,4442 IPSUMAS (R_RC) 21,2383 21,0019 19,8347 20,5063 IPSUMAS (SR_RP) 22,5210 22,1645 21,7021 24,5287 IPSUMAS (SR_RC) 21,2203 21,9231 21,8746 25,0945

Incremento Productividad = 100 *

(Productividad IPSU -MAS - Productividad Empresa ) Productividad Empresa

Tabla1011.IncrementodelaTasadeProductividadobtenidaparalosdiferentesenfoquesdeProgramacin PredictivaReactivasinconsiderarturnosdetrabajoexpresadacomoporcentajeconrespectoalosvalores obtenidosporlaEmpresa.

Segn los datos de la Tabla 1011 existe un incremento de la Tasa de Productividad que oscila entre el 19,8% y el 25%. En la Tabla 1011 se puede comprobar como la opcin que incluyeReprogramacincompletacada4revisionesdelPrograma(_RC)slomejoralaTasade Productividad en los casos con mayor margen operativo, el MO015 y el MO020. Tambin se observacomolaopcinquecontemplalaposibilidaddeincluirnuevostrabajos(SR_),cuando seproduceunarevisindelM.O.quelopermite,producemejoresresultadossiemprequeel M.O. es del 10% o superior. Este ltimo resultado es fcilmente entendible, ya que con un margen operativo pequeo parece no haber resultado factible incluir ningn nuevo trabajo. Estopuedeserdebidoporquelacapacidadfinalmentedisponiblehayaresultadoinsuficiente teniendo en cuenta que haba una capacidad adicional slo del 5%. Con mrgenes mayores, queposibilitanmayorescapacidades,sihasidofactibleaplicarestaopcin. A su vez, se cree que el hecho de que la aplicacin de la Reprogramacin completa slo adecuadaenelMO015yMO020,sedebealacombinacinde2efectos.Porunlado,sedebe precisamente al hecho de que son el nico caso, de los estudiados, en el que el nmero de trabajosnuevoseslosuficientementeelevadocomoparamodificarlosuficienteelPrograma en curso. Por otro lado, cuando el margen operativo es reducido una mala Reprogramacin influye ms que cuando el margen operativo es mayor. El impacto de este ltimo efecto se podrevaluarmejorcuandoseanalicenel nmerodetrabajoscanceladosenloscasosRP y RC.
683

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Esimprescindibledestacarqueseobtienenmejoresresultadosconlapropuestarealizadasin incorporarnuevostrabajosqueconelmtododelaEmpresa,esmslaestaopcinsesita mucho ms prxima a la opcin de incorporar trabajos que a la opcin empleada por la Empresa. Esto que indica que la adicin de trabajos no es el nico aspecto importante en la ProgramacinReactiva

26,0000 25,0000 24,0000 23,0000 22,0000 21,0000 20,0000 19,0000 MO005 MO010 MO015 MO020
Figura108.IncrementodelaTasadeProductividadobtenidaparalosdiferentesenfoquesdeProgramacin PredictivaReactivasinconsiderarturnosdetrabajoexpresadacomoporcentajedemejoraconrespectoalos valoresobtenidosporlaEmpresa.

IPSUMAS(R_RP) IPSUMAS(R_RC) IPSUMAS(SR_RP) IPSUMAS(SR_RC)

Para el conjunto MO005 la diferencia mxima entre la mejor opcin y la peor opcin de la plataforma IPSUMAS es del 1,35%, para el conjunto MO010 es del 1,16%, para el conjunto MO015esdel2,04%,yparaelconjuntoMO020esdel4,65%.Loquedaunaideadelgradode magnitud en el impacto de las diferentes opciones de IPSUMAS. En el contexto de la experimentacin realizada las mejoras obtenidas indican que en el conjunto MO005, en donde ninguna de las dos opciones (trabajos nuevos o Reprogramacin completa) tienen efectolavariacinmximaentrelamejorylapeoropcinesslodel1,35%,peroenelcaso MO020 en el cual las dos opciones tiene una influencia significativa la diferencia llega al 4,65%. Por lo que se refiere al Rendimiento, que nos indica el porcentaje de Tasa de Productividad finalquesegana(positiva)opierde(negativa)conrespectoalaTasadeProductividadprevista si se ejecutara sin cambios el Programa Predictivo inicial, la Tabla 1012 nos muestra los resultados promedio relativos a los diferentes mrgenes operativos. Se observa que en este caso nuevamente los resultados, en este caso de Rendimiento, obtenidos siguiendo el
684

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica mtodo empleado por la Empresa son mejorados por cualquiera de las opciones de la plataforma IPSUMAS. Y al contrario de los que ocurra con la Tasa de Productividad, los resultados de los experimentos con M.O. ms amplio presentan mejores resultados, mayor Rendimiento, cualquiera que sea el mtodo empleado. Este ltimo aspecto se entiende cuandoseconsideraqueunM.O.msampliopermiteabsorberincrementosenelmakespan debidosalaaparicindeeventosreduciendolanecesidaddecancelartrabajosencurso. Rendimiento MO005 MO010 MO015 MO020 Empresa 6,1374 5,6206 4,6491 4,1682 IPSUMAS (R_RP) 0,0000 0,0000 0,0000 0,0000 IPSUMAS (R_RC) 1,1664 0,3614 0,0922 0,0094 IPSUMAS (SR_RP) 0,0773 0,3339 0,9016 1,8609 IPSUMAS (SR_RC) 0,9842 0,3358 1,5074 3,5097

Tabla1012.RendimientoobtenidoparalosdiferentesenfoquesdeProgramacinPredictivaReactivasin considerarturnosdetrabajo.

En la Tabla 1012 se observa como la opcin que contempla la posibilidad de incluir nuevos trabajos (SR_), cuando se produce una revisin del M.O. que lo permite, produce mejores resultadossiempre.Esteefectoesfcilmenteentendible,yaquelaincorporacindetrabajos es la nica forma de mejorar la Tasa de Productividad con respecto al Programa Predictivo previstoaliniciodelperiodo,encualquierotrocasolaTasadeProductividadsemantendro empeorar. Al cotejar los resultados de Tasa de Productividad con los resultados del Rendimiento se observa como existe una coincidencia casi completa en cuanto a este comportamiento.SinembargoenelconjuntoMO005sepuedevercomolamximaTasade Productividad se obtiene en un caso en el que no se incluyen nuevos trabajos (R_RP) el Rendimientoes0,yenelcasoSR_SPendondeelRendimientoespositivosealcanzaunaTasa de Productividad menor. La nica explicacin que se encuentra a este hecho es que en el resultado de la Tasa de Productividad final estn implicadas la Programacin Predictiva y Reactiva, y aunque el Rendimiento indica que la Programacin Reactiva es mejor en el caso SR_SP,yaqueexisteRendimientopositivo,puedequelaTasadeProductividadobtenidaconla ProgramacinPredictivainicialsealigeramentemejorenelcasoR_RP.Estopodrajustificarla diferenciade4milsimasdediferenciaentreamboscasos. EnlamismatablasepuedevercomolaopcinqueincluyeReprogramacincompletacada4 revisionesdelPrograma(_RC)mejoralaTasadeProductividadenloscasosconmayormargen operativo,queenestecasosonelMO010,elMO015yelMO020,ysloenlaopcinenlaque se incluyen nuevos trabajos (SR_RC). De estos slo existe una diferencia significativa para MO015 y MO020.Si se contrasta esta informacin con la de la Tasa de Productividad, se comprueba que existe bastante relacin entre ambos datos. La nica diferencia es que la inclusin de Reprogramacin completa en el caso de la Tasa de Productividad produca un
685

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica mejorresultado,nosloenelcasodeinclusindenuevostrabajos,sinotambinenelcasode no incluirlos, aunque la diferencia es del orden de milsimas. Esta pequea discrepancia nuevamentepuedeserdebidaalefectodelProgramaPredictivoinicial. Una vez analizada la Tasa de Productividad, y el Rendimiento, se puede decir que con la plataformaIPSUMASsiempreseobtienenmejoresresultadosqueconelmtodoempleado enlaEmpresa,yqueengeneral,cuandoexisteunaopcin(R_RP,R_RP,SR_RP,SR_RC)cuyo resultado en trminos de Tasa de Productividad indica que es significativa con respecto al resto de las opciones de la plataforma existe esa misma significacin en trminos de Rendimiento. Por lo tanto, se intuye que la propuesta implementada en la plataforma IPSU MAS mejora los resultados mediante una Programacin Predictiva que aporta un porcentaje delamejoraylacorrectagestindelprocesoderevisindelProgramaqueaportaunsegundo porcentaje. A continuacin se va a proceder a calcular en que porcentaje el incremento de la Tasa de Productividad final de la plataforma IPSUMAS con respecto a la Empresa se debe a la Programacin Predictiva y en que porcentaje al resto de acciones. En la Tabla 1013 se han calculadolosincrementosdeTasadeProductividadinicial,esdecirlaprevistasiseejecutara sin modificaciones el Programa Predictivo calculado al inicio del periodo, para las diferentes opcionesdelaplataformaIPSUMASconrespectoalobtenidoporelEmpresa. IncrementodelaT. ProductividadInicial (%) MO005 MO010 MO015 MO020 IPSUMAS (R_RP) 15,0111 14,4670 14,2319 15,4575 IPSUMAS (R_RC) 15,1038 14,5724 14,3404 15,5279 IPSUMAS (SR_RP) 14,8760 14,8716 14,9785 17,1921 IPSUMAS (SR_RC) 14,8749 14,6424 14,4544 15,8492

Tabla1013.IncrementodelaTasadeProductividaddelprevistaconelProgramainicialobtenidaparalos diferentesenfoquesdeProgramacinPredictivaReactivasinconsiderarturnosdetrabajoexpresadacomo porcentajeconrespectoalosvaloresobtenidosporlaEmpresa.

En la Tabla 1014 se ha calculado el porcentaje del incremento de la Tasa de Productividad finalquesedebealprocesodemodificacindelProgramaencurso,esdeciralaProgramacin Reactiva con el proceso de inclusin de nuevos trabajos. La suma de la aportacin debida al ProgramaPredictivodelareflejadaenlaTabla1013mslaaportacindebidaalprocesode modificacindelProgramareflejadaenlaTabla1014eslaquedemuestraenlaTabla1011.
686

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica IncrementodelaT. Productividadfinaldebidoa laProgramacinReactiva (%) MO005 MO010 MO015 MO020 IPSUMAS (R_RP) IPSUMAS (R_RC) IPSUMAS (SR_RP) IPSUMAS (SR_RC)

7,5592 6,8621 5,5995 4,9867

6,1345 6,4294 5,4942 4,9784

7,6450 7,2928 6,7235 7,3366

6,3453 7,2806 7,4202 9,2453

Tabla1014.DiferenciaentreelincrementodelaTasadeProductividadalcanzadoconelProgramafinalmente ejecutadoyelprevistoaliniciodelperiodosinconsiderarturnosdetrabajo.

ComoseveenlneasgeneraleselProcesodeNegocioasociadoalaProgramacinPredictiva aporta entorno al 75% de lo que se mejora con respecto al proceso actual que aplica la Empresa y el otro 25% se obtiene mediante el Proceso de Negocio de Programacin Reactiva. Como ya se coment en el diseo del experimento aunque la eficiencia pudiera ser elevada seraconvenienterevisarelnmerodetrabajoscanceladosenpromedioporperiodoyaque esteaspectopodrainfluirenlaviabilidaddelapropuesta,ysuposibleimplementacinenun entornoreal.Noseraadmisiblequeelincrementoenlaeficienciafueseacostadegenerarun excesivonmerodemodificacionesenelProgramaquetuvieraunafuerterepercusinfuera delmbitodelprogramador,comoeselcasodelacancelacindeuntrabajo.LaTabla1015 nosmuestralosresultadospromediorelativosalosdiferentesmrgenesoperativos.Losdatos indican que el nmero de trabajos cancelados es mnimo, aunque en este caso algunas opcionesdelaplataformasonpeoresquelasdelaEmpresa. NdeTrabajos Cancelados MO005 MO010 MO015 MO020 Empresa IPSUMAS (R_RP) 0,0000 0,0000 0,0000 0,0000 IPSUMAS (R_RC) 0,4288 0,1017 0,0270 0,0027 IPSUMAS (SR_RP) 0,9969 0,9556 0,8782 0,7787 IPSUMAS (SR_RC) 1,3743 1,0261 0,9250 0,7638

1,1206 1,0923 0,9602 0,7596

Tabla1015.NmerodeTrabajosCanceladosobtenidosparalosdiferentesenfoquesdeProgramacinPredictiva Reactivasinconsiderarturnosdetrabajo.

La informacin de la Tabla 1015 pone de manifiesto como la opcin que incluye Reprogramacin completa de forma espordica (_RC) produce en todos los casos menos en unomstrabajoscanceladosquelaReprogramacinparcial(_RP),aunquedesdeelpuntode
687

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica vista del programador la diferencia entre ambas opciones no es muy relevante en los conjuntosMO010,MO015yMO020.Estecomportamientosepuedeentender,sitenemosen cuenta, que ya se observ como para el conjunto MO005 el empleo de Reprogramacin completanoeselmsadecuado,yelloimplicaunpeoraprovechamientodelosrecursosyun aumentodelaprobabilidaddecancelartrabajos.Estoindicapocoapocosevaconsumiendo tiempo del M.O., que debido a una mala Reprogramacin (caso RC) se consume ms rpido queconRP,yseproducencancelacionesdelostrabajosmsfrecuentemente.Porestemotivo ahorasepuedeafirmalaobservacinqueserealizalanalizarlaTasadeProductividad,enla que se indic que el aumento de la misma con el mtodo que incluye Reprogramacin completa(RC)paraloscasosMO015yMO020podaserdebido,ademsdelalmayornmero detrabajosnuevosquesedaenestosconjuntosdebidoasumargen,aqueelefectonegativo desuaplicacinsenotamenosconmrgeneselevados. Sinembargo,anesmsrelevanteparaelprogramadorladiferenciaqueseproducecuando setrataposibilidad deincluirnuevostrabajos(SR_)ono (R_),yaquela primeraproduceun nmerocomparativamentemuchomaselevadodetrabajoscancelados.Estecomportamiento noesmsqueelefectolgicoqueproducelaopcindeincluirnuevostrabajos.Siaparecen trabajos nuevos el taller se carga ms, y cualquier evento inesperado puede tener como consecuencia la cancelacin de un trabajo, y con mayor probabilidad contra menos margen operativosetienendisponible.

1,6000 1,4000 1,2000 1,0000 0,8000 0,6000 0,4000 0,2000 0,0000 MO005 MO010 MO015 MO020
Figura109.NmerodeTrabajosCanceladosobtenidosparalosdiferentesenfoquesdeProgramacin PredictivaReactivasinconsiderarturnosdetrabajo.

EMPRESA IPSUMAS(R_RP) IPSUMAS(R_RC) IPSUMAS(SR_RP) IPSUMAS(SR_RC)

688

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica En la Figura 109 se puede ver como el nmero de trabajos cancelado en promedio por periodo en los casos con los que se alcanza mayor Tasa de Productividad similar a los que cancelalaEmpresaconsumtododetrabajo.Sinembargo,laplataformaofrecealternativas enelqueel nmerode trabajoscanceladosesceroovaloresmuyprximosaste,yenlos quelaTasadeProductividad,aunquemenorqueenlosmejorescasos,estmuyporencima de la que alcanza la Empresa. Esto permite al programador optar por enfoques ms conservadores, que eviten posible problemas de cumplimiento del Programa, u optar por enfoques ms agresivos, que permitan alcanzar altas cotas de la Tasa de Productividad sin llegaracomprometerlafiabilidaddelPrograma. Si el programador se enfrentara al problema de programacin de la produccin con un enfoqueagresivoenlosconjuntoMO010,MO015yMO020deberaoptarconlaopcinSR_RP o SR_RC, mientras que con un enfoque ms conservador, en esos mismos conjunto, podra optar por la opcin R_RP. En el conjunto MO005 la opcin R_RP sera las ms adecuada en cualquieradeloscasos. Se puede concluir el anlisis subrayando que el en caso estudiado la propuesta ha proporcionado mejores resultados tanto en su Proceso Predictivo como Reactivo que los empleadosporlaEmpresa,yquesuimplementacinparecefactibletantoporlosresultados alcanzados como por que ello no supone en ningn caso un incremento del nmero de trabajoscancelados,esmsenalgunoscasosessimilaromenor.

10.4.5.2 AnlisisdelosResultadosConsiderandoTurnosdeTrabajo Ensegundolugarseprocederaanalizarlosresultadosobtenidosbajolahiptesisdequeno todoslosrecursosestndisponiblesentodosloscasos,yseemplean2turnoscadaunode8 horasaldaparalaetapadePrensadoEsmaltadoyparalaetapadeClasificacinEmbalaje,y3 turnosde8horascadaunoparalaetapadeHorneado. T.Productividad m2/minuto MO005 MO010 MO015 MO020 Empresa 4,6657 4,3363 4,0305 3,7781 IPSUMAS (R_RP) 5,7014 5,3667 4,9252 4,5716 IPSUMAS (R_RC) 5,3683 5,3060 4,8945 4,5628 IPSUMAS (SR_RP) 5,7096 5,4388 5,0958 4,9061 IPSUMAS (SR_RC) 5,4716 5,3696 5,0180 4,9003

Tabla1016.TasadeProductividadobtenidaparalosdiferentesenfoquesdeProgramacinPredictivaReactiva considerandoturnosdetrabajoexpresadaenm2/minuto.

689

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica En la Tabla 1016 se puede comprobar que tal y como ocurra en el caso de no disponer de turnos a medida que se incrementa el M.O. disminuye la Tasa de Productividad, independientementedelmtodoempleadopararealizarelProgramaProductivo. Para una mejor visualizacin de los resultados, en la Tabla 1017 y en la Figura 1010 se muestranlosdatosdelaTasadeProductividadcomoelporcentajedeincrementodelaopcin correspondientedeIPSUMASconrespectoalaEmpresa.Sehaseguidolafrmula[106]. Incrementodela T.Productividad % MO005 MO010 MO015 MO020 IPSUMAS (R_RP) 22,2554 23,7334 22,1545 20,9966 IPSUMAS (R_RC) 15,1134 22,3330 21,3943 20,7628 IPSUMAS (SR_RP) 22,4310 25,3966 26,3868 29,8488 IPSUMAS (SR_RC) 17,3277 23,7994 24,4572 29,6947

Tabla1017.IncrementodelaTasadeProductividadobtenidaparalosdiferentesenfoquesdeProgramacin PredictivaReactivaconsiderandoturnosdetrabajoexpresadacomoporcentajedemejoraconrespectoalos valoresobtenidosporlaEmpresa.

EncomparacinconlosresultadosobtenidosenapartadoanteriorseobservacomolaTasa de Productividad se ha reducido, as como el porcentaje de mejora de la Tasa de Productividad con respecto a la Empresa por lo general ha aumentado. La primera observacin es consecuencia de la reduccin del tiempo de trabajo por jornada. La segunda puede deberse a que al tener en cuenta los turnos de trabajo se incluye una restriccin al problema que antes no exista, cuyo efecto sobre el problema se traduce en una mayor sensibilidad a los cambios. Un pequeo cambio en un Programa en curso puede suponer la aparicin de un turno de descanso, 8 horas adiciones sin realizar operaciones, dentro del periodo de ejecucin de una operacin. Este supuesto implicara que la aportacin con respectoalmtodoempleadoporlaEmpresadelprocesodeProgramacinReactiva,queesel quetrataesoscambiosenelProgramaencurso,enrelacinconelporcentajetotaldemejora es superior en este entorno que en el del apartado anterior. Esta hiptesis se verificar al tratarlosresultadosdelRendimiento. Respecto a la evolucin de la Tasa de Productividad alcanzada en este bloque de experimentos, en la Tabla 1017 se puede ver como la opcin que incluye Reprogramacin completacada4revisionesdelPrograma(_RC)nomejoralaTasadeProductividadenningn caso.Aunqueexisteunatendenciaaqueladiferenciaentreambassereduzcaamedidaque aumenta el M.O., siendo bastante amplia en el conjunto MO005 y muy reducida en el conjuntoMO020.Comoyasevioenelapartadoanterioraquinfluyendosefectos,yenambos
690

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica los mrgenes operativos amplios se ven beneficiados. Por un lado, un M.O. amplio permite incluirmstrabajos,yporotropuedeabsorbermejorunamalaReprogramacinprovocando menostrabajoscancelados.Tambinseobservacomolaopcinquecontemplalaposibilidad de incluir nuevos trabajos (SR_), cuando se produce una revisin del M.O. que lo permite, producemejoresresultadossiempre.Enestecasoladiferenciaentreambasopcionestambin aumenta a medida que lo hace el M.O. Este comportamiento est ligado al hecho de que nuevos trabajos incrementan la Tasa de Productividad. Sin embargo, es imprescindible destacarqueanasseobtienenmejoresresultadosconlapropuestarealizadasinincorporar nuevos trabajos que con el mtodo de la Empresa, es ms esta opcin se sita mucho ms prximaalosvaloresdelaopcinquepermiteincorporartrabajosquealaopcinempleada porlaEmpresa.Estoqueindicaquelaadicindetrabajosnoeselnicoelementorelevante enlaProgramacinReactiva.

32,0000 30,0000 28,0000 26,0000 24,0000 22,0000 20,0000 18,0000 16,0000 14,0000 MO005 MO010 MO015 MO020
Figura1010.IncrementodelaTasadeProductividadobtenidaparalosdiferentesenfoquesdeProgramacin PredictivaReactivaconsiderandoturnosdetrabajoexpresadacomoporcentajedemejoraconrespectoalos valoresobtenidosporlaEmpresa.

IPSUMAS(R_RP) IPSUMAS(R_RC) IPSUMAS(SR_RP) IPSUMAS(SR_RC)

Para el conjunto MO005 la diferencia mxima entre la mejor opcin y la peor opcin de la plataforma IPSUMAS es del 7,31%, para el conjunto MO010 es del 3,06%, para el conjunto MO015esdel4,99%,yparaelconjuntoMO020esdel9,08%.Loquedaunaideadelgradode magnitudenelimpactodelasdiferentesopcionesdeIPSUMAS,ycomoenestecasoexiste unadiferenciamsmarcadaentrelasdiferentesopciones. Por lo que se refiere al Rendimiento, la Tabla 1018 nos muestra los resultados promedio relativos a los diferentes mrgenes operativos. Se observa que en este caso nuevamente los
691

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica resultados obtenidos siguiendo el mtodo empleado por la Empresa son mejorados por cualquiera de las opciones de la plataforma IPSUMAS, excepto en la opcin RRC para el conjuntoMO005.YalcontrariodelosqueocurraconlaTasadeProductividad,losresultados delosexperimentosconM.O.msampliopresentanmejoresresultados,mayorRendimiento, cualquieraqueseaelmtodoempleado.Esteltimoaspectoseentiendecuandoseconsidera queunM.O.msampliopermiteabsorberincrementosenelmakespandebidosalaaparicin deeventosreduciendolanecesidaddecancelartrabajosencurso. Rendimiento MO005 MO010 MO015 MO020 Empresa 5,2277 4,8190 4,5042 3,5026 IPSUMAS (R_RP) 0,0000 0,0000 0,0000 0,0000 IPSUMAS (R_RC) 5,4298 1,2210 0,6461 0,0143 IPSUMAS (SR_RP) 0,1376 1,3582 3,4114 7,3185 IPSUMAS (SR_RC) 3,6956 0,2182 1,7644 6,9654

Tabla1018.RendimientoobtenidoparalosdiferentesenfoquesdeProgramacinPredictivaReactivasin considerarturnosdetrabajo.

En consonancia con los datos de la Tasa de Productividad se produce mayor Rendimiento cuandosepermiteincluirnuevostrabajos(SR)quecuandono(R),ytambincuandosiempre se aplica Reprogramacin parcial (RP), que cuando se mezcla con alguna Reprogramacin completa(RP). A continuacin se va a proceder a calcular en que porcentaje el incremento de la Tasa de Productividad final de la plataforma IPSUMAS con respecto a la Empresa se debe a la Programacin Predictiva y en que porcentaje al resto de acciones. En la Tabla 1019 se han calculadolosincrementosdeTasadeProductividadinicial,esdecirlaprevistasiseejecutara sin modificaciones el Programa Predictivo calculado al inicio del periodo, para las diferentes opcionesdelaplataformaIPSUMASconrespectoalobtenidoporelEmpresa. IncrementodelaT. ProductividadInicial (%) MO005 MO010 MO015 MO020 IPSUMAS (R_RP) 15,8085 17,7985 16,6923 16,7638 IPSUMAS (R_RC) 15,3039 17,9048 16,7202 16,5550 IPSUMAS (SR_RP) 15,8155 17,7821 16,7524 16,7611 IPSUMAS (SR_RC) 15,4055 18,1190 16,8306 17,0076

Tabla1019.IncrementodelaTasadeProductividaddelprevistaconelProgramainicialobtenidaparalos diferentesenfoquesdeProgramacinPredictivaReactivaconsiderandoturnosdetrabajoexpresadacomo porcentajeconrespectoalosvaloresobtenidosporlaEmpresa.

692

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica EnlaTabla1020sehacalculadoelporcentajedelincrementodeTasadeProductividadfinal que se debe al proceso de modificacin del Programa en curso, es decir a la Programacin Reactiva y a la inclusin de nuevos trabajos. La suma de la aportacin debida al Programa Predictivo de la reflejada en la Tabla 1019 ms la aportacin debida al proceso de modificacindelProgramareflejadaenlaTabla1020eslaquedemuestraenlaTabla1017. IncrementodelaT. Productividadfinaldebidoa laProgramacinReactiva (%) MO005 MO010 MO015 MO020 IPSUMAS (R_RP) IPSUMAS (R_RC) IPSUMAS (SR_RP) IPSUMAS (SR_RC)

6,4469 5,9350 5,4623 4,2327

0,1905 4,4282 4,6742 4,2079

6,6155 7,6144 9,6344 13,0876

1,9221 5,6804 7,6266 12,6871

Tabla1020.DiferenciaentreelincrementodelaTasadeProductividadalcanzadoconelProgramafinalmente ejecutadoyelprevistoaliniciodelperiodoconsiderandoturnosdetrabajo.

EnestecasolaportacindelProcesodeNegocio deProgramacinReactivaesmucho ms variablequeenelapartadoanterior,yenalgncasosuponehastael43%delamejora,yen otrapudesuponerinclusounempeoramiento.Entodocaso,dentrodelaopcinquemejores resultados ofrece en cuanto a la Tasa de Productividad, la SR_RP, el proceso de Reprogramacin aporta alrededor del 29% de la mejora en los conjuntos MO005 y MO010, aproximoel36%enelMO015ycercanoal43%enelMO020.Porloquesehaobservado,la ProgramacinReactivaesmsrelevantecuandosetieneencuentalosturnos,quecuando no.Yenelcasodedisponerdeturnos,esmsrelevantecuandoelM.O.esmayor. NdeTrabajos Cancelados MO005 MO010 MO015 MO020 Empresa IPSUMAS (R_RP) 0,0000 0,0000 0,0000 0,0000 IPSUMAS (R_RC) 1,6257 0,3252 0,1574 0,0030 IPSUMAS (SR_RP) 0,9952 0,9009 0,8277 0,6626 IPSUMAS (SR_RC) 2,0450 1,2648 1,0331 0,6198

1,0451 0,9321 0,7997 0,6482

Tabla1021.NmerodeTrabajosCanceladosobtenidosparalosdiferentesenfoquesdeProgramacinPredictiva Reactivaconsiderandoturnosdetrabajo.

Como ya se coment en el diseo del experimento aunque la eficiencia pudiera ser elevada seraconvenienterevisarelnmerodetrabajoscanceladosenpromedioporperiodoyaque esteaspectopodrainfluirenlaviabilidaddelapropuestaysuposibleimplementacinenun
693

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica entorno real. La Tabla 1021 nos muestra los resultados promedio relativos a los diferentes mrgenesoperativos.Losdatosindicanqueelnmerodetrabajoscanceladossonengeneral asumibles,aunqueenestecasoalgunasopcionesdelaplataformasonpeoresquelasdela Empresa. La informacin de la Tabla 1021 pone de manifiesto como la opcin que incluye Reprogramacin completa de forma espordica (_RC) produce en todos los casos, menos en uno, ms trabajos cancelados que la Reprogramacin parcial (_RP). Aunque la diferencia disminuye cuando aumenta el M.O. y pasa a ser casi despreciable para MO020. Adems la opcinRCproduceunaumentodecancelacionesqueencomparacinconlosqueobtienela Empresa son elevados, mientras que la opcin RP mejoran o estn a la par que los de la Empresa.Comoyasehadichoestoesdebidoaquepocoapocosevaconsumiendotiempo delM.O.,quedebidoaunamalaReprogramacin(casoRC)seconsumemsrpidamenteque conRP,yseproducencancelacionesdelostrabajosmsfrecuentemente.Porestemotivose justifica que la Tasa de Productividad empleando la opcin RC o RP se aproximen cuando el M.O.esamplioyseproduzcaunadiferenciamsacusadayfavorablealaopcinRPcuandoel M.O.esreducido. Sisecompralaopcindeincluirtrabajosnuevos(SR)frentealadenoincluirlos(R)sepuede observar como existe un incremente sustancial de los trabajos cuando se permite la incorporacin de nuevos trabajos. Que este caso, debido al nivel que se alcanza, se puede dudardelaviabilidaddelaopcinSR_RC.

2,5000

2,0000 EMPRESA IPSUMAS(R_RP) 1,0000 IPSUMAS(R_RC) IPSUMAS(SR_RP) 0,5000 IPSUMAS(SR_RC)

1,5000

0,0000 MO005 MO010 MO015 MO020

Figura1011.TrabajosCanceladosobtenidosparalosdiferentesenfoquesdeProgramacinPredictivaReactiva considerandoturnosdetrabajoexpresadacomoporcentajedemejoraconrespectoalosvaloresobtenidosporla Empresa.

694

Aplicacin de la Propuesta de Programacin de la Produccin Captulo10 Predictivo/ReactivaaunaEmpresaCermica En la Figura 1011 se puede ver como el nmero de trabajos cancelados en promedio por periodo en los casos con los que se alcanza mayor Tasa de Productividad, es decir la opcin SR_RP,similaralosquecancelalaEmpresaconsumtododetrabajo.Sinembargo,igualque ocurraenelapartadoanterior,hayquerecordarquelaplataformaofrecealternativasenel queelnmerodetrabajoscanceladosesceroovaloresmuyprximosaste,yenlosquela Tasa de Productividad, aunque menor que en los mejores casos, est muy por encima de la quealcanzalaEmpresa.Estopermitealprogramadoroptarporenfoquesmsconservadores, que eviten posible problemas de cumplimiento del Programa, u optar por enfoques ms agresivos, que permitan alcanzar altas cotas de la Tasa de Productividad sin llegar a comprometerlafiabilidaddelPrograma. Si el programador se enfrentara al problema de Programacin de la Produccin con un enfoque agresivo debera optar con la opcin SR_RP, mientras que con un enfoque ms conservadorpodraoptarporlaopcinR_RPparacualquierconjunto. Se puede concluir el anlisis subrayando que en el caso estudiado la propuesta a proporcionado mejores resultados tanto en su Programa Predictivo como Reactivo que los empleadosporlaEmpresa,yquesuimplementacinparecefactibletantoporlosresultados alcanzados como porque ello no supone en ningn caso un incremento del nmero de trabajoscancelados,esmsenalgunoscasosessimilaromenor.

10.5 Conclusiones
Enestecaptuloseharealizadolaimplementacindelapropuestaplanteadadesdeelcaptulo 6hastael9,medianteunsoftwaredenominadoplataformaIPSUMAS,quehasidoadaptadaa casorealdeunaEmpresaproductoradebaldosascermicasseleccionadacomopiloto. Paraeladecuadofuncionamientodelapropuestaenuncasorealhasidonecesario,noslo parametrizarlaplataforma,sinoincorporaralgunoscriteriosyprocesosquepornopertenecer al mbito en el que se ha centrado el anlisis de esta tesis no haban sido definidos. En concreto, han sido necesarios algunos criterios decisionales delmbito del planificador de la produccin. Por lo que se refiere, a parmetros propios del mbito del programador de la produccin se han establecido fundamentalmente los relacionados con los algoritmos PredictivosyReactivos. Por lo que se refiere a los resultados obtenidos, se ha demostrado que con la propuesta realizada siempre se alcanza la Tasa de Productividad mejor que con el actual mtodo empleadoporlaEmpresa.TantoparaelcasodeReprogramacincompletacomoparcial,con
695

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica o sin incorporacin de nuevos trabajos, con cualquier tipo de Margen Operativo y con consideracionesdeturnosotrabajando24horasentodaslasetapaselIncrementodelaTasa deProductividadconrespectoalasEmpresapuedeoscilaraproximadamenteentreel14,2% y29,8%.Asmismo,elRendimientodelProgramafinalfrentealprevistosloesmejorconel mtodoempleadoporlaEmpresaenuncaso,yelnmerodetrabajoscanceladoporperiodo esmenorenlamayoradeloscasosqueseempleaIPSUMAS. EmplearlaplataformaIPSUMASmejoralos procesos actuales delaEmpresastantopor la aportacin de los procesos Predictivos como Reactivos, y en concreto que alrededor de un 75% de la mejora es debida a la primera y el 25% a la segunda para el caso de trabajar sin turnos y en el caso de trabajar con turnos la aportacin de la Programacin Reactiva llega hastael45%. Dentrodelosdosentornossobrelosquesehacontrastadolavalidezdelapropuesta,cony sinturnosdetrabajo,elmsrealista,esdecirconturnosdetrabajohainclinadoanmsla balanza a favor de la plataforma IPSUMAS, ya que ha dejado ver un mayor margen de mejora. Parafinalizar,cabesubrayarquecomosehaindicadoalolargodelcaptulo existenalgunos aspectosquesonmejorables,entrelosquesedestacalosquetienenqueverconlaTomade Decisionessobrelostrabajosacancelaroaadelantar,oelanlisisderiesgosymodificacin delMargenOperativo.Cadaunodeestosaspectospuedeconstituirlneasdetrabajofuturas, tanto en el propio proceso a desarrollar, como en su coordinacin entre los mbitos de PlanificacinyProgramacindelaProduccin,ocomoporlaampliacindelacasusticaquea suvezseproducirenelmbitodelaProgramacindelaProduccin.

Conestecaptulofinalizalapresentacindelapropuestadesarrolladaenestatesis.Elprximo captulo ser el ltimo, y en el se realizar un resumen del trabajo realizado, de las conclusionesobtenidas,ydelaslneasdetrabajofuturoquehandetectado.

10.6 Bibliografa
GiretBoggino,A.S.2005.ANEMONA:UnaMetodologaMultiagenteparaSistemasHolnicos deFabricacin.UniversidadPolitcnicadevalencia.
696

Captulo
ConclusionesyTrabajoFuturo

11

ConclusionesyTrabajoFuturo

Captulo11

Tabladecontenido
11. 11.1 11.2 Captulo11...................................................................................................................701 Introduccin..............................................................................................................701 IdentificacindeunaOportunidad...........................................................................701 IdentificacinPreliminardelProblema.............................................................702 AnlisisdelEstadodelArte...............................................................................703 DefinicindelProblema....................................................................................705

11.2.1 11.2.2 11.2.3 11.3 11.4

EnfoqueparaelDesarrollodelaPropuesta.............................................................706 LaPropuesta..............................................................................................................707 Anlisis,DiseoeImplementacin...................................................................707 PruebadeFuncionamiento...............................................................................709

11.4.1 11.4.2 11.5 11.6

TrabajoFuturo...........................................................................................................709 Bibliografa................................................................................................................711

699

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

700

ConclusionesyTrabajoFuturo

Captulo11

11. Captulo11

11.1 Introduccin
Este ltimo captulo se plantea como una reflexin sobre todo el trabajo realizado en esta tesis. En l se exponen y se valoran de forma sinttica los hitos ms relevantes del proceso investigador que se ha planteado en este trabajo. Tambin se identifican los aspectos que resultarainteresanteintensificarenelfuturo,tantoparacomplementareltrabajorealizado, comoparaconstituirlneasdeinvestigacinaexplotarenaossucesivos. El captulo se ha estructurado en cuatro apartados, adems de este. A travs de los tres primerosapartadosserecorreelprocesoinvestigador,yenelcuartoseexplicitanlaslneasde trabajofuturo.Enelapartado11.2secomentanlosaspectosdestacadoselperiodoqueabarca desde el momento en el que se empieza a considerar el Proceso de la Programacin de la ProduccinenelentornodelaIndustriaCermicacomombitodelainvestigacinhastaque se define un problema concreto. En el apartado 11.3 se describe que ha supuesto para este trabajo, y que aporta en general, el enfoque seguido para desarrollar la propuesta, una vez identificado el problema. En el apartado 11.4 se identifican los hitos, y las aportaciones reseables,delapropuestadesolucinplanteadaenestetrabajo.Finalmente,comocierrede la tesis, en el apartado 11.5 se plantean algunas lneas de investigacin que se han consideradorelevantesenunfuturoinmediato.

11.2 IdentificacindeunaOportunidad
Enesteapartadoseidentifican losaspectos msdestacables deltrabajorealizadoenlafase inicial del mismo, durante el periodo de tiempo dedicado a la definicin de un problema concreto y poco analizado en la literatura que sirviera como referencia del proceso investigador. Quizs este periodo haya sido el de mayor duracin de todos, y el que ms tiemposehadedicadoareflexionarsinavancessignificativos. Elprocesorecorridoparalaidentificacindeunaoportunidadinvestigadorasedividi,como esteapartado,entresetapas:Enlaprimeradeellasseabord,enlneasgenerales,laIndustria Cermica y su Proceso de Programacin de la Produccin hasta encontrar un nicho poco analizadoquepudieraconstituirseen el casobase quese pretenda.Enlasegundaetapase analizelestadodelarteparaestablecerlaviabilidaddelainvestigacin.Yenlaterceraetapa, y una vez se consider vlido el caso identificado de forma preliminar, se procedi a la definicindelproblemaensuestadoactualoasis.

701

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

11.2.1

IdentificacinPreliminardelProblema

Enlaetapadedicadaalaidentificacinpreliminardelproblemaserealizunaaproximacina laProgramacindelaProduccinmedianteunanlisisqueseinicienelSectorCermicoy finaliz con una visin general del proceso de fabricacin del pavimento y revestimiento cermicoenunaEmpresa. Una vez concluida la aproximacin se realizaron las primeras aportaciones identificando comportamientos y situaciones caractersticas del proceso productivo de este tipo de industria. Seobservcomolosplazosdefabricacinsonelevados(LeadTime)peroquestostienenque ser compatibilizados con un proceso de Gestin de Pedidos ms dinmico que el de produccin.EstasituacininfluyeenlaGeneracindePlanesMaestrosqueseprotegendelos cambios en los pedidos mediante periodos de congelacin en la Planificacin lo que supone unaprdidadeflexibilidaddelosmismos. Tambin se destac como el proceso fabril est sujeto a una fuerte incertidumbre con un componentedoble.Porunlado,debidoalascaractersticasdelprocesodetransformacinde lamateriaprimaseprovocandesviaciones,fundamentalmente,respectoalostonosycalibres de referencia lo que obliga a prolongar los tiempos de las operaciones de forma no determinadaapriori.Yporotrolado,debidoalaexistenciadecambiosdepartidaelevadosy dependientes de la secuencia, que tambin pueden ser variables, se generan tiempos de preparacin imposibles de acotar hasta que no se define la secuencia en cada recurso, o inclusohastaqueelProgramaseejecuta. Asmismoseidentificqueelprocesoproductivo,desdeelpuntodevistadelclculodelos Programas Productivos, se compone de tres etapas: PrensadoEsmaltado, Hornos y ClasificacinEmbalaje. Y como ste se puede clasificar como un Taller de Flujo Hbrido con TiemposdecambiodePartidaDependientedelaSecuencia. La aportacin ms destacada de esta etapa es la caracterizacin de como el Sistema de Planificacin y Control de Operaciones de este tipo de industria ha reaccionado incluyendo tiemposociososytamaosdelotemnimoscadavezmayoresparacombatirlaincertidumbre existente. Y de que manera aunque se definen objetivos basados en la eficiencia de la utilizacin de los recursos la evolucin actual (periodos congelados, grandes lotes, tiempos ociosos) no favorece en nada dichos objetivos. Aunque las empresas del sector son conscientes de que en estos momentos la competitividad requiere un incremento de la flexibilidad y la eficiencia en el empleo de los recursos, y por este motivo stas estn
702

ConclusionesyTrabajoFuturo

Captulo11

invirtiendoentecnologayenmejorarsusprocesos,lapriorizacindelosplanesdeactuacin deja al descubierto un campo importante. La Programacin de la Produccin como herramienta paralaTomadeDecisionesenunmbitooperativopodraayudarareducirlos efectosdelaIncertidumbre. El proceso de Ayuda a la Toma de Decisiones se constituy en el punto de partida de este trabajo.Yenesteaspectoseidentificunadobleopcindemejora.Porunlado,considerarel hecho de que la interaccin de las actividades de Planificacin y Programacin de la Produccin actuales no facilitan, en la mayora de los casos, la coordinacin entre ambos procesos lo que sin duda favorecera la flexibilidad, amortiguando el efecto de la Incertidumbre. Y por otro lado, la consideracin del problema de Programacin de la Produccinnocomounadecisinnicayvlidaparatodoelperiodoproductivoconsiderado, sinocomounasucesindedecisiones,cadaunadelascualesseapoyaenelestadoactualdel sistema, y que en cada momento acta contrarrestando los efectos de la Incertidumbre, mejorandolaeficienciaentrminosdeTasadeProductividadyfavoreciendolaFlexibilidaddel taller. Dos decisiones han resultado claves para el desarrollo de este trabajo. La primera de ellas hacerreferenciadecisindecontinuareltrabajomanteniendolacomplejidadyamplituddel problema planteado. La segunda de ellas es la de apostar desde un principio por una propuestadesolucinbasadaenmtodospocoanalizadosenelmbitodelaProgramacinde la Produccin, como es el caso de los Sistemas Multiagente, y su combinacin con otras tcnicasmsconsolidadas.

11.2.2

AnlisisdelEstadodelArte

La revisin del estado del arte tuvo, como en todo proceso investigador un doble objetivo: Validar la originalidad de la propuesta y estudiar alternativas para abordar la solucin (modelos, tcnicas, etc.). En este caso se realiz una doble revisin. Por una parte, se analizaronlasaportacionesquedesdeelmbitodelosSistemasdeFabricacinsecentranen el mbito Programacin de la Produccin sus modelos y sus mtodos. Y por otra parte, se estudiaronlasreferenciasquedesdeelmbitodelaInteligenciaArtificial,yenconcretodela TeoradelaAgencia,aportabanmodelosytcnicasquehansidoopuedenseraplicablesala gestindelossistemasdefabricacin. Laaportacinmsdestacadaenrelacinalarevisindelabibliografaseexpresenformade conclusiones.PorloqueserefierealanlisisdelosmtodosyalgoritmosparalaProgramacin delaProduccinprocedentesdelmbitodelossistemasdefabricacinlasconclusionesms relevantesson:
703

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ExisteunapreocupacinporlosproblemasconIncertidumbre,peroconunaescasa presenciaenlaliteratura. Losproblemasdinmicossehananalizadodesdeunprimermomento,sinembargo suaplicacinharesultadosermuyescasafrentealoscasosestticos. LaPropuestaquemejorseajustaalaformadetrabajaractualmenteimplantadaen muchas de las empresas productoras de baldosas cermicas es la de la ProgramacinPredictivoReactivadelaProduccin. Las referencias relevantes en el mbito de la Programacin Reactiva o ReprogramacinconIncertidumbreprocedendeunaaplicacinenelmbitodela informtica. Entre los mtodos empleados son pocas las referencias que utilizan tcnicas optimizadoras, decantndose la mayora por algoritmos heursticos o metaheursticos.Entreestas,lasheursticasadhocolasmetaheursticasconcierto mimetismoconlanaturalezaobioinspiradassonlasmsempleadas.

Por lo que se refiere al anlisis de los mtodos y algoritmos para la Programacin de la ProduccinprocedentesdelmbitoSistemasMultiagentelasconclusionesmsrelevantesson: LosSistemasMultiagentehandemostradosertilespararesolverelProblemadela Programacin de la Produccin, tanto desde un punto de vista cuantitativo del problema,comoporloqueserefierealacoordinacinconotrasreasdelSistema dePlanificacinyControldeOperaciones. El nmero de referencias aplicado a la Programacin de la Produccin que se ha podidoencontrarhasidoescaso. LaaplicacindelosSistemasMultiagentenogarantizaalcanzarbuenassoluciones, es simplemente un entorno de trabajo que puede ser muy favorable en algunos problemas.Porloqueesnecesariovalidarpreviamenteelentornodeaplicacin,as comoconducirlamismaenbasealateoradelasecuenciacin. Cuando el problema incluye consideraciones como la Toma de Decisiones distribuida, el dinamismo del entorno, y por lo tanto la evolucin del sistema, la teoradeAgentesproporcionaunaherramientaexcelenteparaabordarelproblema atravsdelosSistemasMultiagente. Los autores han combinado los Sistemas Multiagente o basado en Agentes con tcnicasprocedentesdelainvestigacinoperativa

704

ConclusionesyTrabajoFuturo

Captulo11

Se destaca la existencia mnima de propuestas que combinen los Algoritmo Bio InspiradosylosSistemasMultiagente. Parece interesante profundizar en el problema de Programacin de Produccin, conmetodologasMetaheursticasbioinspiradasbasadaenSistemasMultiagente.

Ademsdeestasaportacionesconcretaslarevisindelaliteraturapublicadaharesultadode intersparatomarcomoreferenciadiversosenfoques,ytcnicasentrelasquesedestacala publicacindelprofesorZhong,(Zhong,W.C.,Liu,J.,Xue,M.Z.,&Jiao,L.C.2004),apartirde lacualsedesarrollapartedelapropuestadesolucin.

11.2.3

DefinicindelProblema

Elanlisisdelestadodelartedejlaspuertasabiertaparacontinuarelprocesoinvestigadoren base al anlisis preliminar del caso expuesto. En esta etapa se ordenaron y concretaron los datos existentes del problema, tal y como, este se contempla en el momento de iniciar la investigacin(asis). Enestaetapasetrabajentresaspectos: Se establecieron las partes de la que se compone el problema, que como ya se identific preliminarmente era amplio y complejo. Se estableci un problema de Gestin del Programa Productivo y un Problema de Clculo de los Programas PredictivosyReactivos. SedefinielproblemadeGestindelProgramaProductivoyseconfirmqueeste seoriginaporlaausenciademetodologayprocesosparasuejecucin.Elmodelado del problema se realiz de forma literaria y se subray la gran diferencia entre el estadoactualoasisyeldeseadootobe. SedefinielproblemadeclculodelProgramaPredictivoydelProgramaReactivo de la Produccin. Se emple un lenguaje verbal y de modelado matemtico para precisarlo.Asmismo,seconsiderlaposibilidaddeemplearunenfoqueFuzzy,yse aportaronloscorrespondientesmodelosfuzzydeambosprocesos.

El problema que se propuso implicaba la necesidad de realizar un seguimiento continuo del EstadodelPrograma,Valorardiversassituaciones,yTomarDecisionessobrelaposibilidadde realizarciertoscambios,ytodoellosinperderdevistaelobjetivoasociadoalaEficienciadel
705

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Proceso. Se trata por lo tanto de un proceso complejo, donde se relacionan enfoques cuantitativosconotroscualitativos,ydifcilderesolverconxito. Unvez,concretadoelproblema,seconcluyconqueescasiimposibleencontrarcasosenlos queambossehayancombinadoenelmismoproblemaelenfoquePredictivoyReactivoenla manera descrita. Por lo tanto, el problema identificado es novedoso tanto por la doble combinacin,enelmbitodelaTomadeDecisiones(gestinyclculo)yenelmbitodelos tiposdeProblemasdeclculodelaProgramacindelaProduccindetectados,yademsse enmarca en un entorno en el que no se conocen planteamientos similares: La industria cermica.

11.3 EnfoqueparaelDesarrollodelaPropuesta
Una vez planteado el problema se inici el proceso de generacin de alternativas para la resolucindelmismo.Despusdeunamplioperiododetrabajoenestesentidosedetectla necesidad de estructurar los resultados que se estaban obteniendo, ya que se detectaron ciertasdificultadesparaconstruirpropuestasconsistentes. Enestemomentodeciertadesorientacinpersonalseintrodujouncaptulodedicadoadefinir unenfoquequeseadecuaraaltipodepropuestaconelquesetrabajabamentalmentepero quealnoestarescritacomplicabaengranmedidasudesarrollo.Enesteaspectoeldesarrollo de un enfoque para la elaboracin de la propuesta ha supuesto una de las acciones ms relevantesyquemshancontribuidoalamejoradelprocesoinvestigador. Como consecuencia de la necesidad comentada se identific un enfoque que parece muy adecuado al caso planteado. Bajo la denominacin M.A.T. se combinaron formando un solo conjunto,unaMetodologa,unoselementosArquitectnicosyTecnologasqueseconcretaron yadaptaronparaestructuraryfacilitareldesarrollodeunapropuestadesolucinalproblema identificado. El enfoque que se realiz se basa en una metodologa de 5 pasos, apoyada en cada uno de ellos,enmltipleselementosarquitectnicosyunaampliagamadeherramientasnecesarias parallevaracabocadaunodelosmismos.

706

ConclusionesyTrabajoFuturo

Captulo11

11.4 LaPropuesta
La propuesta se basa en el desarrollo del enfoque comentado, que en este apartado se resumen en dos escenarios: su desarrollo y su prueba de contraste. El desarrollo de la propuesta se alcanz mediante el despliegue de los 4 primeros pasos de la metodologa, siendoelltimopasoelquesecorrespondeconlapruebadefuncionamiento.

11.4.1

Anlisis,DiseoeImplementacin

El Anlisis, Diseo e Implementacin de la propuesta constituye el ncleo del trabajo investigador,ycomoesnaturalesenesteperiododondemsaportacionesserealizan. Durante el anlisis de trat de definir cual debe ser el estado final del problema, es decir el modelo tobe, mediante el anlisis de los requerimientos del proceso de Gestin del Programa Productivo. En este proceso se aporta una exhaustiva definicin del caso seleccionadoaplicandoelModeloCIMOSA.ParalaobtencindelModelodeRequerimientos finalseempletantoelconocimientosobrelasituacinactual,comoelconocimientodelas prcticasdelasempresasdelsector,quepermitandefinirunhorizontealcanzable.Elmodelo obtenido supuso un hito para el desarrollo de este trabajo, y una de las pocas aportaciones conocidas de CIMOSA al proceso de Programacin de la Produccin. En l se aportan, entre otros elementos, la definicin de los Procesos de Negocio, las Capacidades y la Informacin bsicosdelproblemaexpuesto. Porlacomplejidadyamplitudeldiseodelasolucinseplanteentresetapas:Diseodela PlataformasoftwareIPSUMAS,diseodealgoritmosdeclculodelProgramaPredictivodela ProduccinydiseodealgoritmosdeclculodelProgramaReactivodelaProduccin. El diseo de laPlataformaIPSUMASsirve,adems de paraalcanzaresquemadelasolucin que se propone, para poner de manifiesto la forma de enfocar la solucin a un problema basado en un Sistema Multiagente. En su diseo han cobrado una enorme relevancia los aspectos sociales de los elementos para integracin de los Agentes. Para el diseo de la PlataformaseemplelametodologaINGENIASquepermiterelacionardeformaordenadael entorno,losrecursos,losobjetivos,ladefinicindelosAgentesysuinteraccin.Lareferencia detodoesteprocesohansidolosrequisitosdefinidosconCIMOSA.Unaaportacinadicional hasidolaformadeintegrarCIMOSAeINGENIASentres,ascomodentrodelametodologa propia.

707

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ElproblemaclculodelaProgramacindelaProduccinconunenfoquePredictivoseplante dentro del Proceso de Negocio de Programacin Predictiva definido con CIMOSA y en el entorno del Taller de Flujo Hbrido con Tiempos de Cambio de Partida Dependientes de la Secuencia.EnestaetapasedefiniunnuevoAlgoritmohibridadoentreunAlgoritmoGentico y un Sistemas Multiagente. Con el objetivo de diferenciar la aportacin de los Sistemas Multiagente, se generaron dos algoritmos diferenciados, SMAGA1 y SMAGA2. El algoritmo SMAGA1 basa su diseo en la tecnologa Multiagente pero no incorpora el conjunto de caractersticas propias de los Agentes en sociedad, y que por lo tanto, no aprovechan una condicin que les es propia, el trabajo en equipo. Sin embargo, SMAGA2 si incorpora caractersticasquelepermitensacarunmayorpartidoaltrabajoconjuntoenlasociedad.Para ambosalgoritmoserealizunprocesodeajusteparamtricodestacandocomoconSMAGA1 se alcanz un nuevo valor mnimo del makespan en 106 ejemplares, y con SMAGA2 en 41 ejemplares de un total de 240 del juego de datos empleado. En el posterior anlisis comparativo se comprob como los algoritmos SMAGA1 y SMAGA2, junto con un tercer algoritmo,seencuentranentrelosmscompetitivosparaestetipodeproblemas. ElproblemaclculodelaProgramacindelaProduccinconunenfoqueReactivoseplante dentrodelProcesodeNegociodeProgramacinReactivadefinidoconCIMOSAydefinipara elmismotipodetallerqueelPredictivo.Estaetapacontemplcomoobjetivolaseleccinde mtodos de reprogramacin parcial y completa de Programas Productivos entre los ms empleadosenlaescasaliteraturaexistente,yelanlisisdelcomportamientodelosmismosen basealvariacionesdediversosfactoresrelativosalentorno(tipodeprogramaencurso,tipo deevento,yconfiguracindeltaller),ascomootrosfactoresrelativosalospropiosalgoritmos seleccionados. Entre los algoritmos empleados se incluyen aportaciones propias como la metaheurstica SMAGA2 y la heurstica SSDS. El trabajo de anlisis comparativo permiti establecer y comprender relaciones interesantes entre los factores estudiados. Se puede considerar que los resultados obtenidos en la experimentacin son relevantes, as como la heursticaSSDSpropuesta. Finalmente la implementacin no fue ms que la materializacin del esfuerzo de anlisis y diseoenuncdigoejecutablequepermiteautomatizarlosprocesospreviamentedefinidos. Esta tarea supuso un gran esfuerzo y mucho tiempo de dedicacin que concluy con una aplicacin capaz de proponer Programas Productivos y Reactivos mediante la simulacin de eventos, y que podra ser transformada en un prototipo comercial con un poco de trabajo adicional.

708

ConclusionesyTrabajoFuturo

Captulo11

11.4.2

PruebadeFuncionamiento

Una prueba de funcionamiento de conjunto de todos los procesos, algoritmos y mtodos implementadosquepermiticontrastarlaeficaciaylaeficienciadelapropuestaconstituyel ltimo paso de la metodologa. Fue necesario un ajuste de la Plataforma IPSUMAS para adaptarelfuncionamientodelamismaalcasodeunaEmpresareal.Sedesarrollaronalgunos de los complementos que an no se haban implementado y que son fundamentales para completarlosprocesosdeAyudaalaTomadeDecisinpropuestos.Tambinseestablecieron losvaloresdelosfactoresdelosalgoritmosPredictivosyReactivos. Los resultados obtenidos, demostraron que con la propuesta realizada siempre se alcanzan Tasas de Productividad mejores que con el mtodo actual empleado por la Empresa Seleccionada para el contraste. Los tres ndices de referencia (Incremento de la Tasa de Productividad, Rendimiento y nmero de trabajos cancelados) fueron favorables a la propuesta. El Incremento de la Tasa de Productividad con respecto a las Empresa oscil aproximadamenteentreel14,2%y29,8%.ElRendimientodelProgramafinalfrentealprevisto tambinfuemejorconlapropuestaentodosloscasosmenosenuno,yelnmerodetrabajos canceladoporperiodofuemenorenlamayoradeloscasosenqueseemplelaPlataforma IPSUMAS.

11.5 TrabajoFuturo
El trabajo que queda pendiente de desarrollar es muy amplio. A continuacin se exponen algunasdelaslneasdetrabajoqueseconsideranmsinteresantes: Encuantoalproblemapropuestosepuedeavanzarendossentidos: Porloqueserefierealmbitodeprocesosquesedeseaabordar,serainteresante darunpasoms,yafrontarcomounprocesointegradoalconjuntodeactividades quesedesarrollandesdeladefinicindelPlanMaestrohastaelestablecimientodel ProgramaProductivo. o Enestalneadetrabajoseradegranintersestablecerunmetamodeloque posteriormentesepudieraconcretarparadiferentesmodelosproductivos. Considerar dentro de este trabajo el desarrollo de diferentes propuestas relativasalaTomadeDecisionesCoordinadas.Setratadedotaralsistemade unautenticomtododecoordinacinentreelPlanificadoryelProgramador.

709

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica o Expandir la propuesta al caso de una Cadena de Suministro/Distribucin Colaborativa. Aprovechando el conocimiento adquirido se podra expandir el trabajo.

En relacin a las condiciones que determinan los aspectos ms cuantitativos del problemaserainteresante: o Que el tamao de lote pueda ajustarse o definirse, segn el tipo de sistema productivo,enelmomentodeestablecerelProgramaProductivo. Que los trabajos puedan estar siendo operados en 2 o ms recursos simultneamente.Esteaspecto,almenosenelcasodelaIndustriaCermica, aproximaraelproblemaaunescenariomsreal.

Enrelacinalosmodelos,mtodosyalgoritmosempleadossesugiereseguirtrabajandoenla lnea planteada. Una vez ms el trabajo futuro que se propone se comenta en 3 bloques: Plataforma,AlgoritmosPredictivos,yAlgoritmosReactivos. LaPlataformasIPSUMASnoesmsqueunprototipoconunafuncionalidadlimitada.Eneste sentido la Plataforma se puede seguir mejorando, tanto mediante su transformacin a un softwarecomercial,comoenlaampliacindesusfunciones,sobretodoenloreferentealas actividades del Planificador. Otra funcin que se debe mejorar en la Plataforma es la relacionada con la capacidad de aprendizaje. Por lo que se refiere a las metodologas empleadas para su anlisis, diseo e implementacin, es decir CIMOSA e INGENIAS, se ha observadoquepodrasertilmejorarlaintegracinentreambas,ycomplementarlasconuna Ontologaquegloseelmbitoterminolgicoqueseaborda. En la lnea relacionada con los aspectos cuantitativos del trabajo realizado existe un amplio campo para investigar tanto con el enfoque Predictivo como Reactivo. Un aspecto que sera importante replantearse, y que es comn a ambos tipos de Programa, es el relativo a la ampliacin de la investigacin variando los indicadores de eficiencia que han definido las funcionesobjetivodecadaproblema. LosresultadosalcanzadosconlosalgoritmosPredictivoshanresultadoserbastantebuenosen trminos de eficiencia, sin embargo se considera que tanto el algoritmo propuesto, SMAGA, comolosfactoresanalizadossepuedenreconsideraryconellosmejoraranmslaeficiencia del mismo. Se debe entender que en este sentido es de especial inters intentar buscar algoritmos auto configurables, y en los que la personalidad de los Agentes se puede diferenciar an ms, entre otras cosas por el empleo de heursticas diferentes, para iniciar soluciones o aplicadas a los operadores de cruce, mutacin o aprendizaje. Sin duda, para
710

ConclusionesyTrabajoFuturo

Captulo11

seguirtrabajandoenestalneasernecesarioresolverelproblemaquesehaplanteadocon loselevadostiemposdeejecucindelosalgoritmos. Losresultadosobtenidos conlosalgoritmosReactivoshansido tambinbuenosencuanto a quehanfacilitadoelentendimientodelproceso.Unavezcomprendidaladinmicadelproceso secreeinteresantetrabajarenmtodosmsajustadosaltipodesistemaproductivocermico, comodemuestraelxitodelaheursticaSSDSpropuesta,ascomoabordarelcasodeotros sistemas productivos similares. En este campo, y debido a la influencia que ha demostrado tener, parece interesante investigar sobre el proceso de degradacin de los Programas Productivosencursoyvinculardichosresultadosalaspolticasdereprogramacin. Finalmente, comentar la posibilidad de generalizar el enfoque empleado (metodologa, Arquitectura y Herramientas) para el desarrollo de la propuesta con el fin de abordar solucionessimilaresenlaquesecombinenaspectoscuantitativosycualitativosysesoporten enuncomponentesoftware.

11.6 Bibliografa
Zhong,W.C.,Liu,J.,Xue,M.Z.,&Jiao,L.C.2004.Amultiagentgeneticalgorithmforglobal numericaloptimization.IeeeTransactionsonSystemsManandCyberneticsPartBCybernetics, 34(2):11281141.
711

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

712

Anexo
DefinicindelosElementos ArquitectnicosdeCIMOSA ImplementadosparaModeladode RequerimientosdelProblema Propuesto

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto 1. Dominio(Domain): a. DMProgramacindelaProduccin Identificador:DMProgramacindelaProduccin. Nombre:ProgramacindelaProduccin.

AnexoI

Descripcin: Esresponsabledegenerarunprogramainicialopredictivoenelcualse secuencianytemporizanlosdiferentestrabajosincluidosenunperiododeterminado, indicandoelrecursosobreelcualvanarealizarselasdiferentesoperaciones,ascomo la fecha de inicio y fin de la misma. As mismo es responsable de reaccionar ante determinadoseventosymodificarelprogramabaseenfuncindelosmismos,enlo quesedenominaprogramacinreactiva. Objetivosdeldominio: o Obtener un programa inicial o predictivo de la produccin para un periodo determinado. Obtener un programa reactivo de la produccin en funcin de los eventos percibidos.

Restriccionesdeldominio: o Noexistirlaposibilidaddequeelmismotrabajoestsiendoprocesadoala vezendiferentesoperaciones. Noexistirlaposibilidaddefraccionamientodelostrabajoenvariosrecursos. Encasodereprogramacin,Siuntrabajoencursonosepuedefinalizarporun fallo del recurso sobre el que se estaba realizando, el trabajo se volver a generardesdeelprincipio. En el momento en que un lote se empiece a procesar en un recurso no se podrinterrumpirlaoperacinhastanohaberterminadocompletamente. Existen fechas ms tardas de finalizacin de los trabajos que se suponen conocidasaliniciodelprogramadeproduccin. En caso de reprogramacin, los trabajos del programa de produccin base o predictivoenejecucin(losquenohanacabadoynoestnencoladeespera) deben seguir ejecutndose en el mismo recurso y condiciones en las que estabanantesdelareprogramacin,sielrecursoestdisponible. En funcin del Plan Maestro de Produccin se definen todos los trabajos a realizar en cada periodo (programa predictivo), es decir stos son conocidos antes de realizar el programa. En caso de reprogramacin los trabajos a Programar son obtenidos a partir del Programa de Produccin en curso. Se considera que no existen trabajos cancelados (esta circunstancia es casi inexistente y cuando se da el trabajo se realiza y se almacena), y que no

715

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica existen nuevos trabajos (el planificador siempre puede forzar un evento de reiniciodelaprogramacin). Aclaracionessobrelasrestricciones: o Entre cada una de las etapa del sistema existe un almacn de capacidad ilimitada. En caso de Programacin Predictiva no existen restricciones de materias primas puesto que este problema ya se supone resuelto al nivel de planificacindeproduccin.YencasodeProgramacinReactivaesmejorno generarnecesidadesdemateriaprimainesperadaenloquesehadenominado VentanadeAvance. Desdeelpuntodevistadelasecuenciacinnoexistenrestriccionesdemano deobrayasesuponeresueltoalniveldeplanificacindeproduccin. Los tiempos de proceso y cambio de partida se suponen conocidos con anterioridad.Aunquenoconexactitud.Presentanincertidumbre. Enlasecuenciacinsecontemplalaposibilidaddequealgunosrecursosnose encuentren disponibles, existiendo turnos de trabajo, paradas por mantenimientooaverasconocidosconanterioridad.

DominioCimosa:S. ProcesosdelDominio:DPGestindelProgramaProductivo. Dominiosrelacionado: o DMPlanificacin de la produccin (establece el plan maestro y condiciona la planificacindenecesidades). DMDiseo de procesos/productos (define las operaciones para cada producto). DMControldelasoperaciones(realizaelseguimientodelasoperaciones).

Vistasdeobjetos: o o o o o o o OVNodisponibilidadpormantenimientomquina. OVProgramaproduccinencurso. OVProgramaproduccinsinvalidar. OVProgramaproduccinvalidado. OVOcupacinprogramadamquina. OVCapacidaddisponiblealmacndeproductos. OVTiemposdecambiodepartida.

716

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto o o o o o o o o o OVTiemposdeproceso. OVTrabajospendientes. OVTrabajosSeleccionados. OVOperacionestrabajos. OVMquinasfactiblesportrabajo/operacin. OVParmetrosdelprograma. OVInconsistencias. OVReglasdeInferencia. OVEventosRecibidos.

AnexoI

Eventos: o Recibidosenestedominio: EVNuevoperiodo. EVReinicioprograma. EVDesplazamiento. o Generadosenestedominio: EVInconsistenciadedatos. EVReduccindeTrabajos.

2. Eventos(Event): a. EVNuevoperiodo. Identificador:EVNuevoperiodo. Nombre:Inicionuevoperiodo. Descripcin: Activa el proceso de programacin predictiva de la produccin con el objetodegenerarunnuevoprogramabase. Procedencia:Externa.Reloj. Lanzadores:DMProgramacindelaProduccin. ObjectViews:Ninguno. Condiciones:Ninguna. Tiempo de aparicin: Es un evento programado o temporizado que se activar al iniciodecadaperiododeprogramacin.
717

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica b. EVReinicioprograma. Identificador:EVReinicioprograma. Nombre:Reinicioprograma. Descripcin: Activa el proceso de programacin predictiva de la produccin con el objetodegenerarunnuevoprogramabase. Procedencia:Externa. Lanzadores:DMPlanificacindelaproduccin. ObjectViews:Ninguno. Condiciones:Ninguna. Tiempodeaparicin:Nosujetoatemporizacin.Esunaexcepcin. c. EVDesplazamiento. Identificador:EVDesplazamiento. Nombre:Desplazamiento Descripcin:Eventoasociadoaunadisfuncineneltaller.Implicaladeteccindeun desplazamiento a izquierdas o derechas del programa en curso. Activa el proceso de programacinreactivadelaproduccinconelobjetodereconstruirelprogramabase. Procedencia:Externa. Lanzadores:DMControldeoperaciones. ObjectViews:Ninguno. Condiciones:Ninguna. Tiempodeaparicin:Nosujetoatemporizacin.Esunaexcepcin. d. EVInconsistenciadedatos Identificador:EVInconsistenciadedatos. Nombre:Inconsistenciadedatos.

718

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto

AnexoI

Descripcin: Eventoasociadoaunaausenciaoincoherenciadealgndatonecesario para la programacin o reprogramacin de la produccin. Activa desde el BP ProgramacinPredictivaodesdeelBPProgramacinReactiva.Implicalacancelacin del proceso de programacin o reprogramacin y una revisin de los datos inconsistentes.VadirigidoalDMPlanificacindelaProduccin. Procedencia:Interna.EARevisinycargadeparmetrosydatos. Lanzadores:DPProgramacindelaProduccin. ObjectViews:OVInconsistencias. Condiciones:Controladasporprograma. Tiempodeaparicin:Nosujetoatemporizacin.Esunaexcepcin.

e. EVReduccindeTrabajos Identificador:EVReduccindeTrabajos. Nombre:ReduccindeTrabajos. Descripcin: Evento asociado a la imposibilidad de respetar las restricciones del modelopararealizarelprogramadelaproduccin.ActivadesdeelBPProgramacin Predictiva o desde el BP Programacin Reactiva. Implica una revisin de los datos inconsistentes.VadirigidoalDMPlanificacindelaProduccin. Procedencia:Interna. o EAAjuste.

Lanzadores:DPProgramacindelaProduccin. ObjectViews:Ninguno. Condiciones:Controladasporprograma. Tiempodeaparicin:Nosujetoatemporizacin.Esunaexcepcin.

3. ProcesosdeDominio(DomainProcess): a. DPGestindelProgramaProductivo Identificador:DPGestindelProgramaProductivo. Nombre:GestindelProgramaProductivo. Descripcin: Esresponsabledegenerarunprogramabaseopreventivoenelcualse secuencianytemporizanlosdiferentestrabajosincluidosenunperiododeterminado,

719

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica indicandoelrecursosobreelcualvanarealizarselasdiferentesoperaciones,ascomo la fecha de inicio y fin de la misma. As mismo es responsable de reaccionar ante determinadoseventosymodificarelprogramabaseenfuncindelosmismos,enlo quesedenominaprogramacinreactiva. Objetivos: o Obtener un programa base o predictivo de la produccin para un periodo determinado. Obtener un programa reactivo de la produccin en funcin de los eventos recibidos.

Restricciones: o Noexistirlaposibilidaddequeelmismotrabajoestsiendoprocesadoala vezendiferentesoperaciones. Noexistirlaposibilidaddefraccionamientodelostrabajoenvariosrecursos. Encasodereprogramacin,Siuntrabajoencursonosepuedefinalizarporun fallo del recurso sobre el que se estaba realizando, el trabajo se volver a generardesdeelprincipio. En el momento en que un lote se empiece a procesar en un recurso no se podrinterrumpirlaoperacinhastanohaberterminadocompletamente. Existen fechas ms tardas de finalizacin de los trabajos que se suponen conocidasaliniciodelprogramadeproduccin. En caso de reprogramacin, los trabajos del programa de produccin base o predictivopendientesderealizarseenunrecursodisponibleyconunafecha de inicio prevista menor a una ventana temporal V respecto de la fecha de reprogramacinnopodrnsermodificadosenloqueserefierealrecursoyal avancedelafechadeinicio. ApartirdelPlanMaestrodeProduccinsedefinentodoslostrabajosarealizar encadaperiodo(programapredictivo),esdecirstossonconocidosantesde realizarelprograma.EncasodereprogramacinlostrabajosaProgramarson obtenidosapartirdelProgramadeProduccinencurso.Seconsideraqueno existentrabajoscancelados(estacircunstanciaescasiinexistenteycuandose da el trabajo se realiza y se almacena), y que no existen nuevos trabajos (el planificadorsiemprepuedeforzaruneventodereiniciodelaprogramacin). Aclaracionessobrelasrestricciones: o o Entrecadaetapadelsistemaexisteunalmacndecapacidadilimitada. No existen restricciones de materias primas puesto que este problema ya se suponeresueltoalniveldeplanificacindeproduccin.

720

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto o

AnexoI

Desdeelpuntodevistadelasecuenciacinnoexistenrestriccionesdemano deobrayasesuponeresueltoalniveldeplanificacindeproduccin. Los tiempos de proceso y cambio de partida se suponen conocidos con anterioridad. Enlasecuenciacinsecontemplalaposibilidaddequealgunosrecursosnose encuentren disponibles, existiendo turnos de trabajo, paradas por mantenimientooaverasconocidosconanterioridad.

Reglas:BPProgramacinPredictiva:Sielprogramaajustadoesaceptadoorechazado. Eventosdelanzamiento: o Recibidosenestedominio: EVNuevoperiodo. EVReinicioprograma. EVDesplazamiento.

ComportamientodelProceso:Verdiagramadeactividadesdelproceso. Elementoscomprendidos: o o BPProgramacinPredictiva. BPProgramacinReactiva.

4. ProcesosdeNegocio(BusinessProcess): a. BPProgramacinPredictiva Identificador:BPProgramacinPredictiva. Nombre:ProgramacinPredictiva. Descripcin: Esresponsabledegenerarunprogramabaseopreventivoenelcualse secuencianytemporizanlosdiferentestrabajosincluidosenunperiododeterminado (segn el Plan Maestro), indicando el recurso sobre el cual van a realizarse las diferentesoperaciones,ascomolafechadeinicioyfindelamisma. Objetivos: Obtener un programa base o predictivo, es decir, asignar, secuenciar y temporizar todos los trabajos pendientes para un periodo de tiempo en condiciones deterministas. Debe maximizar el uso de los recursos cumpliendo las fechas ms tardasdefinalizacindelostrabajos. Restricciones:

721

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica o Noexistirlaposibilidaddequeelmismotrabajoestsiendoprocesadoala vezendiferentesoperaciones. Noexistirlaposibilidaddefraccionamientodelostrabajoenvariosrecursos. En el momento en que un lote se empiece a procesar en un recurso no se podrinterrumpirlaoperacinhastanohaberterminadocompletamente. Existen fechas ms tardas de finalizacin de los trabajos que se suponen conocidasaliniciodelprogramadeproduccin. Aclaracionessobrelasrestricciones: o o Entrecadaetapadelsistemaexisteunalmacndecapacidadilimitada. No existen restricciones de materias primas puesto que este problema ya se suponeresueltoalniveldeplanificacindeproduccin. Desdeelpuntodevistadelasecuenciacinnoexistenrestriccionesdemano deobrayasesuponeresueltoalniveldeplanificacindeproduccin. Los tiempos de proceso y cambio de partida se suponen conocidos con anterioridad. ApartirdelPlanMaestrodeProduccinsedefinentodoslostrabajosarealizar encadaperiodo(programapredictivo),esdecirstossonconocidosantesde realizarelprograma. Enlasecuenciacinsecontemplalaposibilidaddequealgunosrecursosnose encuentren disponibles, existiendo turnos de trabajo, paradas por mantenimientooaverasconocidosconanterioridad.

o o

Reglas:BPProgramacinPredictiva:Sielprogramaajustadoesaceptadoorechazado. ComportamientodelProceso:Verdiagramadeactividades. Estadosdefinalizacin: o o o Cancelacindeprogramacinporinconsistenciadedatos. Programacinrechazada. Programacinvalidada.

Elementoscomprendidos: o o o o EARevisinycargadedatos. EAClculodelprogramapredictivo. EAAjustes. EAValidacin/Rechazo.

722

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto b. BPProgramacinReactiva. Identificador:BPProgramacinReactiva. Nombre:ProgramacinReactiva.

AnexoI

Descripcin: Es responsable de reaccionar ante determinados eventos y modificar el programa base en funcin de los mismos, en lo que se denomina programacin reactiva. Para ello debe identificar la perturbacin, actualizar el estado del sistema y volveragenerarunprogramaapartirdelanterior. Objetivos: Reaccionar eficazmente contra imprevistos que puedan afectar a la programacin de la produccin en el taller. Reprograma la produccin reparando el programa base teniendo en cuenta las nuevas condiciones. Debe maximizar la robustezdelnuevoprogramacumpliendolasfechasmstardasdefinalizacindelos trabajos. Restricciones: o Noexistirlaposibilidaddequeelmismotrabajoestsiendoprocesadoala vezendiferentesoperaciones. Noexistirlaposibilidaddefraccionamientodelostrabajoenvariosrecursos. Si un trabajo en curso no se puede finalizar por un fallo del recurso sobre el queseestabarealizando,eltrabajosevolveragenerardesdeelprincipio. En el momento en que un lote se empiece a procesar en un recurso no se podrinterrumpirlaoperacinhastanohaberterminadocompletamente. Existen fechas ms tardas de finalizacin de los trabajos que se suponen conocidasaliniciodelprogramadeproduccin. Los trabajos del programa de produccin base o predictivo pendientes de realizarseenunrecursodisponibleyconunafechadeinicioprevistamenora una ventana temporal V respecto de la fecha de reprogramacin no podrn sermodificadosenloqueserefierealrecursoyalavancedelafechadeinicio. LostrabajosaProgramarsonobtenidosapartirdelProgramadeProduccin encurso.Seconsideraquenoexistentrabajoscancelados(estacircunstancia escasiinexistenteycuandosedaeltrabajoserealizaysealmacena),yqueno existen nuevos trabajos (el planificador siempre puede forzar un evento de reiniciodelaprogramacin). Aclaracionessobrelasrestricciones: o o Entrecadaetapadelsistemaexisteunalmacndecapacidadilimitada. No existen restricciones de materias primas puesto que este problema ya se suponeresueltoalniveldeplanificacindeproduccin.
723

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica o Desdeelpuntodevistadelasecuenciacinnoexistenrestriccionesdemano deobrayasesuponeresueltoalniveldeplanificacindeproduccin. Los tiempos de proceso y cambio de partida se suponen conocidos y actualizadosconanterioridad. Enlasecuenciacinsecontemplalaposibilidaddequealgunosrecursosnose encuentren disponibles, existiendo turnos de trabajo, paradas por mantenimientooaverasconocidosyactualizadosconanterioridad.

Reglas:BPProgramacinReactiva:Sielprogramaajustadoesaceptadoorechazado. ComportamientodelProceso:Verdiagramadeactividades. Estadosdefinalizacin: o o Cancelacindeprogramacinporinconsistenciadedatos. Programacinvalidada.

Elementoscomprendidos: o o o o o o EAIdentificacinyvaloracin. EAEstablecimientodelaestrategiadereprogramacin EARevisinycargadedatos. EAClculodelprogramareactivo. EAAjustes/Controldelaestrategiadereprogramacin. EAValidar/Rechazar.

5. ActividadesdeEmpresa(EnterpriseActivities): Se ha modificado la estructura propuesta CIMOSA para incluir el estado final de la actividad comopartedeladefinicindelamisma. a. EA1
724

Identificador:EA1. Nombre:Revisinycargadedatos. Descripcin: Actividad asociada a la obtencin y transformacin de los datos necesarios. Objetivos:

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto o o Obtencindedatos. Transformacindedatos.

AnexoI

Restricciones:ConjuntodeTrabajosSeleccionados. Estado Final: Datos consistentes o Datos no consistentes. En este ltimo caso, generauneventodeInconsistencia. Reglas: Si los datos son correctos se procede al clculo del programa, en caso contrario,segenerauneventodeinconsistenciaysecancelalaprogramacin. Capacidadesrequeridas:CSAdquisicin,transformacinyvalidacindedatos.

b. EA2 Identificador:EA2. Nombre:Clculodelprogramapredictivo. Descripcin: Actividad asociada a la generacin del programa a partir de los datos obtenidosenlaactividadanterior. Objetivos: Obtenerunprogramadelaproduccinquefacilitelabuenautilizacinde losrecursos,losoptimice,respetandolafechamximadefinalizacin. Restricciones:Ausenciadeinconsistenciasdedatos. Estado Final: Produce un estado de Programa Calculado o un evento de no factibilidad. Reglas: o Una vez calculado el programa se decide si se considera aceptable o si es necesariomodificaryajustarlosparmetrosdenuevo. Sinoseobtieneunprogramafactiblean,habiendoajustadolosparmetros se enva un programa nulo a la tarea de ajuste, en caso de obtener un programafactibleseenvaelprogramaobtenido.

Capacidadesrequeridas:CSProcedimientosdeprogramacindelaproduccin.

c. EA3 Identificador:EA3. Nombre:Ajuste.

725

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Descripcin: Actividad asociada a la adaptacin fina del programa de produccin incorporandolosconocimientosdeunexpertohumano.Permiteajustarelprograma aprovechandolosrecursosdelamejorformaposibleeincorporandoorestringiendo trabajosdelaformamsadecuada. Objetivos:Corregirtodaslasdeficienciasreferentesalaproductividaddelprograma. Restricciones:ExistenciadeunProgramadeProduccinsinValidaroExistenciadeuna noFactibilidadContinuada. EstadoFinal:ProduceunestadodeProgramaAceptadooProgramanoAceptado, enelsegundocasoimplicaunreclculo. Reglas: o Si el programa que se acaba de calcular es el mejor de todos los obtenidos hastaesemomentoseguarda. Sielprogramarecincalculado,unavezvaloradoseconsideraquepuedeser sustituidoporotrocalculadoanteriormentesecambia.Elobjetivoesvolvera unestadoanteriorsiunavezexaminadaslasposibilidadesdeunprogramase vequenodamsdesynomejoroloanterior. Una vez valorado el programa se puede considerar que la capacidad consideradaesmuysuperioralaocupacinterica,oquestaesmuyinferior oqueestequilibrada.

Capacidadesrequeridas:CSAjustefinodeprogramas.

d. EA4 Identificador:EA4. Nombre:Validacin/Rechazo. Descripcin: Sirve para dar por bueno un programa de produccin y que ste se conviertaenunnuevoprogramaactivoorechazarelprogramasisecreeconveniente. Objetivos:Ponerenproduccinunprogramaenestadodeproduccinodescartarun programanodeseable. Restricciones:ExistenciadeunProgramadeProduccinsinValidar. Estado Final: Termina con un estado de Programa Validado o Programa Rechazado.

726

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto Reglas:Aceptacinorechazodelprogramapropuesto. Capacidadesrequeridas:Ninguna. e. EA5 Identificador:EA5. Nombre:Identificacinyvaloracin.

AnexoI

Descripcin:Distinguelasperturbacionesylasclasificaendiferentestiposdeeventos. As mismo valora el impacto que tiene sobre el programa de produccin en curso y consulta la base de datos del conocimiento para determinar la accin correctora a realizar. Al mismo tiempo actualiza los datos que afectan al clculo del programa de produccin. Objetivos: o o Determinaraccionescorrectoras. Recuperardatosactualizados.

Restricciones:Existenciadeuneventoconocido. EstadoFinal:SeterminaenunestadodeProgramaValorado. Reglas:Ninguna. Capacidadesrequeridas:CSInferirAcciones

f.

EA6 Identificador:EA6. Nombre:EstablecimientodelaEstrategiadeReprogramacin. Descripcin:Dirigirelprocesodegestindelaprogramacinmedianteelajustedelos parmetrosdecontroldelamisma. Objetivos:Fijarlosparmetrosrelativosalmargenoperativo,yajustarporlotantola capacidad considerada, y el parmetro K relacionado con la funcin objetivo de la programacinreactiva. Restricciones: Recomendacin sobre la estrategia en forma de parmetros del programa. EstadoFinal:SealcanzaelestadodeEstrategiaDefinida.

727

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Reglas:Siseconsideraquehayquereducirlostrabajossedebesolicitaralplanificador unalistapriorizadadelosmismo,paradecidirsiguiendodichoordencualseeliminar. Cabelaposibilidaddenoseguirestrictamenteelorden,entodocadolalistadefinitiva detrabajoseliminadossedebeaprobarporelplanificador. Capacidadesrequeridas:Ninguna g. EA7 Identificador:EA7. Nombre:Ajuste(ControldelaEstrategiadeReprogramacin). Descripcin: Actividad asociada a la adaptacin fina del programa de produccin incorporando los conocimientos de un experto humano. EL objetivo es valorar si el programaobtenidoeseladecuadoonoloes.Encasodenoserelprogramaadecuado seprocedeaajustarlaestrategiadenuevo. Objetivos:Corregirtodaslasdeficienciascualitativasdelprograma. Restricciones:Definicindelaestrategiadereprogramacinenformadeparmetros delprograma. Estado Final: ProduceunestadodeProgramaAceptado,ProgramanoAceptado, ProgramaTrivialporInconsistenciadeDatos,oTrabajosSeleccionados. Reglas: o Sisepartedeunprogramafactible,yquenomodificasuconjuntodetrabajos entonces se mantiene la asignacin y secuenciacin de las rdenes y slo se actualizanlosdatosrelativosalasfechas.Estosepuedeproducir,porejemplo, conundesplazamientopocosignificativoaderechas. Si una vez calculado el programa reactivo, ste es correcto, se proceder a guardar el programa, en cambio si el programa se considera mejorable, se pasardenuevoalajustedeparmetros.

Capacidadesrequeridas:CSAjustefinodeprogramas.

h. EA8
728

Identificador:EA8. Nombre:Revisinycargadedatos.

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto

AnexoI

Descripcin: Actividad asociada a la obtencin y transformacin de los datos necesarios. Objetivos: o o Obtencindedatos. Transformacindedatos.

Restricciones:ConjuntodeTrabajosSeleccionados. EstadoFinal:SealcanzaelestadodeDatosconsistentesoDatosnoconsistentes. Enesteltimocaso,generauneventodeInconsistencia. Reglas: Si los datos son correctos se utilizarn en el resto de actividades, en caso contrario,segenerauneventodeinconsistencia. Capacidadesrequeridas:CSAdquisicin,transformacinyvalidacindedatos.

i.

EA9 Identificador:EA9. Nombre:Clculodelprogramareactivo. Descripcin:Actividadasociadaalamodificacindelprogramaencursoenfuncinde loseventosdetectadosyunavezactualizadoslosdatosenlaactividadanterior. Objetivos: Obtener un programa de la produccin reactiva que balancee la buena utilizacindelosrecursos,losoptimice,respetandolafechamximadefinalizacin,y elimpactodeloscambiosenelprogramanuevoconrespectoalanterior. Restricciones:Ausenciadeinconsistenciasdedatos. EstadoFinal:FinalizaconunestadodeProgramaValidadooProgramaRechazado. Reglas: o Sielclculodelprogramaesfactibleseprocedealarealizacindeajustes,por otra parte si no podemos realizar el clculo, se genera un evento de no factibilidad. Si se obtiene un programa factible se debe tomar una decisin entre ajustar parmetrosdelosalgoritmosyrecalcularoaceptarelprogramaresultante.

Capacidadesrequeridas:CSProcedimientosdereprogramacindelaproduccin.
729

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica j. EA10 Identificador:EA10. Nombre:Validacin/Rechazo. Descripcin: Sirve para dar por bueno un programa de produccin y que ste se conviertapuedevalorar,oqueserechazaysetengaqueajustarparmetrosyvolvera calcular. Objetivos: Dar por vlido o rechazar un programa en funcin exclusivamente de la calidaddelosalgoritmosutilizados. Restricciones:ExistenciadeunProgramadeProduccinsinValidar. EstadoFinal: Reglas:Aceptacinorechazodelprogramapropuesto. Capacidadesrequeridas:Ninguna.

6. VistasdeObjetos(OBJECTVIEW): a. OVProgramadeProduccinenCurso Identificador:OVProgramadeProduccinenCurso. Nombre:ProgramadeProduccinenCurso. Descripcin:Contieneelprogramadelaproduccinencurso.Esdecirlostrabajoscon especificacin de que recursos realizan cada operacin y en que fecha se inicia y finaliza,diferenciandoloscambiosdepartidadelasoperaciones. Objetodelquedepende:EOProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o o o o o o
730

IdentificadordeTrabajo. Identificadordeoperacin. Identificadorderecursoasignadoaoperacin. FechadeIniciodelCambiodepartida. Fechadefindecambiodepartida. Fechadeiniciooperacin(seasumeidnticaaladefindecambiodepartida). FechadeFindeoperacin.

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto b. OVProgramadeProduccinValidado Identificador:OVProgramadeProduccinValidado. Nombre:ProgramadeProduccinValidado.

AnexoI

Descripcin: Contiene programas de la produccin factibles para un determinado clculo. Ser un programa vlido slo implica que puede ser puesto en ejecucin en cualquierinstante,peronolovayaaser.Debecontenerlostrabajosconespecificacin de que recursos realizan cada operacin y en que fecha se inicia y finaliza, diferenciandoloscambiosdepartidadelasoperaciones. Objetodelquedepende:EOProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o o o o o o IdentificadordeTrabajo. Identificadordeoperacin. Identificadorderecursoasignadoaoperacin. FechadeIniciodelCambiodepartida. Fechadefindecambiodepartida. Fechadeiniciooperacin(seasumeidnticaaladefindecambiodepartida). FechadeFindeoperacin.

c. OVProgramadeProduccinSinValidar Identificador:OVProgramadeProduccinsinValidar. Nombre:ProgramadeProduccinsinValidar. Descripcin: Contiene programas de la produccin factibles para un determinado clculo.Serunprogramasinvalidarimplicaqueestenprocesodemejorayqueno puedeserpuestoenejecucin.Debecontenerlostrabajosconespecificacindeque recursosrealizancadaoperacinyenquefechaseiniciayfinaliza,diferenciandolos cambiosdepartidadelasoperaciones. Objetodelquedepende:EOProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o IdentificadordeTrabajo. Identificadordeoperacin.

731

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica o o o o o Identificadorderecursoasignadoaoperacin. FechadeIniciodelCambiodepartida. Fechadefindecambiodepartida. Fechadeiniciooperacin(seasumeidnticaaladefindecambiodepartida). FechadeFindeoperacin. d. OVCapacidadDisponibledeAlmacnProducto Identificador:OVCapacidadDisponibledeAlmacnProducto. Nombre:CapacidadDisponibledeAlmacnProducto. Descripcin:Contienelacapacidadenmetroscuadradosqueestdisponibleencada almacndeproducto(finaleintermedio). Objetodelquedepende:EOInventario,EOAlmacenes. Propiedades:Bsicamentedebecontener: o o Identificadordealmacn. Capacidaddisponible. e. OVTiemposdeCambiodePartida Identificador:OVTiemposdeCambiodePartida. Nombre:TiemposdeCambiodePartida. Descripcin:Contienelainformacinrelativaalostiemposdecambiodepartidapara cada producto en funcin del producto que le preceda y de la mquina en la que opere. Objetodelquedepende:EOEspecificacionesproductosproductosmquinas. Propiedades:Bsicamentedebecontener: o o o o Identificadordeproductopredecesor. Identificadordeproductosucesor. Identificadordemquina. Tiempocambioprevisto.
732

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto f. OVTiemposdeProceso Identificador:OVTiemposdeProceso. Nombre:TiemposdeProceso.

AnexoI

Descripcin: Contiene la informacin relativa a los tiempos de proceso para cada productoenfuncindelamquinaenlaqueopere. Objetodelquedepende:EOEspecificacionesproductosmquinas. Propiedades:Bsicamentedebecontener: o o o Identificadordeproducto. Identificadordemquina. Tiempoprocesoprevisto.

g. OVOperacionesTrabajos Identificador:OVOperacionesTrabajos. Nombre:OperacionesTrabajos. Descripcin:Contienelainformacinrelativaalasoperacionesparacadaproducto. Objetodelquedepende:EOEspecificacionesproductosmquinas. Propiedades:Bsicamentedebecontener: o o o Identificadordeproducto. Identificadordeoperacin. Ordendeprecedencia. h. OVMquinasFactiblesporTrabajo/Operacin Identificador:OVMquinasFactiblesporTrabajo/Operacin. Nombre:MquinasFactiblesporTrabajo/Operacin. Descripcin:Contienelainformacinrelativaalasmquinasquepuedenrealizaruna determinadaoperacinparacadaproducto. Objetodelquedepende:EOEspecificacionesproductosmquinas. Propiedades:Bsicamentedebecontener: o Identificadordeproducto.
733

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica o o Identificadordeoperacin. Identificadordemquina. i. OVTrabajosPendientes Identificador:OVTrabajosPendientes. Nombre:TrabajosPendientes. Descripcin:Informasobreelconjuntodetrabajospendientesdeprogramarparaun periododado. Objetodelquedepende:EOPlanMaestro. Propiedades:Bsicamentedebecontener: o Identificadordeproducto. j. OVTrabajosSeleccionados Identificador:OVTrabajosSeleccionados. Nombre:TrabajosSeleccionados. Descripcin: Informa sobre el conjunto de trabajos seleccionados en el programa en curso. Objetodelquedepende:OVTrabajospendientes. Propiedades:Bsicamentedebecontener: o k. OVNoDisponibilidadporMantenimientodeMquina
734

Identificadordeproducto.

Identificador:OVNoDisponibilidadporMantenimientodeMquina. Nombre:NoDisponibilidadporMantenimientodeMquina. Descripcin: Proporciona informacin sobre los periodos de no disponibilidad de las mquinasporestarprevistounmantenimientopreventivo. Objetodelquedepende:EOProgramadeMantenimiento. Propiedades:Bsicamentedebecontener:

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto o o o Identificadordemquina. Fechadeiniciodelmantenimiento. Fechadefindelmantenimiento. l. OVParmetrosdelPrograma Identificador:OVParmetrosdelPrograma. Nombre:ParmetrosdelPrograma.

AnexoI

Descripcin: Contiene el conjunto de parmetros necesarios para calcular un programa o reajustarlo desde el punto de vista de la gestin del proceso de programacin. Objetodelquedepende:EOParmetrosdelPrograma. Propiedades:Bsicamentedebecontener: o o o o o MargenOperativo. ValordelparmetroKdelafuncinobjetivodelmodelodereprogramacin. Tipodeheursticaaaplicar. Ndetrabajosdeseableenelprograma. Listadetrabajospriorizados.

m. OVInconsistencias Identificador:OVInconsistencias. Nombre:Inconsistencias. Descripcin:Contieneunalistacontiposdedatosquesehandetectadoinconsistentes oausentesenlaactividadderevisinycargadedatosyparmetros. Objetodelquedepende:EOInconsistenciadedatos. Propiedades:Bsicamentedebecontener: o o o Identificadordelprograma Tipodedato(descripcin) Tipodeinconsistencia(descripcin) n. OVReglasdeInferencia
735

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Identificador:OVReglasdeInferencia. Nombre:ReglasdeInferencia. Descripcin: Contiene el grado de xito alcanzado con un determinada algoritmo en funcindeltipodeevento,operacinenlaquesehadetectadoytipodeimpacto. Objeto del que depende: EOTipos de Impactos, EOTipos de Eventos, EOTipos de ProcedimientoReprogramacin,EOOperaciones. Propiedades:Bsicamentedebecontener: o o o o o Identificadorevento. Identificadordeltipodeimpacto. Identificadordeltipodeprocedimientoaplicado. Identificadordelaoperacin. Gradodexito(numrico). o. OVEventosRecibidos Identificador:OVEventosRecibidos. Nombre:EventosRecibidos. Descripcin:Contieneeltipodeeventorecibidodurantelaejecucindeunprograma. Objetodelquedepende:EOTiposdeEventos. Propiedades:Bsicamentedebecontener: o o Identificadordeevento. Descripcin.

7. ObjetosdeEmpresa(ENTERPRISEOBJECT): a. EOProgramasdeProduccin
736

Identificador:EOProgramasdeProduccin. Nombre:ProgramasdeProduccin. Descripcin:Identificalosprogramasconsuperiodoyestado. Puedeestarvaco:Si

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto Espartede:NingunodelDMProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o o o Identificadordelprograma. Fechadeiniciodelperiodo. Fechadefindelperiodo. Estado(Validado/NoValidado) b. EOAlmacenes Identificador:EOAlmacenes. Nombre:Almacenes. Descripcin:Definelosalmacenesexistentes. Puedeestarvaco:No Espartede:NingunodelDMProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o Identificadordelalmacn. Descripcin c. EOProductos Identificador:EOProductos. Nombre:Productos. Descripcin:Identificalosproductosdelcatlogo. Puedeestarvaco:No Espartede:NingunodelDMProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o o o o Identificadordelproducto. Descripcin. Valido(S/N) Familia. Formato

AnexoI

737

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica o o Tono Calibre d. EOMquinas Identificador:EOMquinas. Nombre:Mquinas. Descripcin:Identificalasmquinasdeltaller. Puedeestarvaco:No Espartede:NingunodelDMProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o Identificadordemquina. Descripcin. e. EOParmetrosdePrograma Identificador:EOParmetrosdePrograma. Nombre:ParmetrosdePrograma. Descripcin: Contiene el conjunto de parmetros necesarios para calcular un programaoreajustarlo. Puedeestarvaco:Si Espartede:NingunodelDMProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o o Fechadeiniciodelperiodo Fechadelfindelperiodo Fechadefindehorizontedeprogramacin. f.
738

EOProgramacinProduccin Identificador:EOProgramacinProduccin. Nombre:ProgramacinProduccin.

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto

AnexoI

Descripcin:Contieneelprogramadelaproduccinencurso.Esdecirlostrabajoscon especificacin de que recursos realizan cada operacin y en que fecha se inicia y finaliza,diferenciandoloscambiosdepartidadelasoperaciones. Puedeestarvaco:Si Espartede:EOProgramasdeProduccin,EOProductos,EOMquinas. Propiedades:Bsicamentedebecontener: o o o o o o o o o Identificadordeprograma Identificadordetrabajo. Identificadordeoperacin. Identificadorderecursoasignadoaoperacin. FechadeIniciodelcambiodepartida. Fechadefindecambiodepartida. Fechadeiniciooperacin(seasumeidnticaeldefindecambiodepartida). Fechadefindeoperacin

g. EOInventario Identificador:EOInventario. Nombre:Inventarios. Descripcin:Contieneelprogramadelaproduccinencurso.Esdecirlostrabajoscon especificacin de que recursos realizan cada operacin y en que fecha se inicia y finaliza,diferenciandoloscambiosdepartidadelasoperaciones. Puedeestarvaco:Si Espartede:EOAlmacenes,EOProductos. Propiedades:Bsicamentedebecontener: o o o Identificadordealmacn. Identificadordeproducto. Cantidad. h. EOOperaciones Identificador:EOOperaciones.

739

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Nombre:Operaciones. Descripcin:Identificalasoperacionesexistenteseneltaller. Puedeestarvaco:No Espartede:NingunodelDMProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o Identificadordeoperacin. Descripcin. i. EOPlanMaestro Identificador:EOPlanMaestro. Nombre:PlanMaestro. Descripcin: Informa sobre los diferentes periodos previstos que conforman el plan maestro y los productos incluidos en cada uno. Contiene la cantidad y la fecha de finalizacinprevista. Puedeestarvaco:Si Espartede:NingunodelDMProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o o o IdentificadordePeriodo. Fechadeiniciodelperiodo. Fechadefindelperiodo. Validado(s/n) j. EOPeriodosdelPlanMaestro Identificador:EOPeriodosdelPlanMaestro. Nombre:PeriodosdelPlanMaestro. Descripcin: Informa sobre los diferentes periodos previstos que conforman el plan maestro y los productos incluidos en cada uno. Contiene la cantidad y la fecha de finalizacinprevista. Puedeestarvaco:Si

740

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto Espartede:EOProductos,EOPlanMaestro. Propiedades:Bsicamentedebecontener: o o o o k. EOInconsistencias Identificador:EOInconsistencias. Nombre:Inconsistencias. Identificadordeperiodo. Identificadordelproducto. Cantidad(metroscuadrados). Fechadefinalizacin.

AnexoI

Descripcin:Contieneunalistacontiposdedatosquesehandetectadoinconsistentes oausentesenlaactividadderevisinycargadedatosyparmetros. Puedeestarvaco:Si Espartede:NingunodelDMProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o o Identificadordelprograma Tipodedato(descripcin) Tipodeinconsistencia(descripcin)

l. EOParmetrosdelPrograma Identificador:EOParmetrosdelPrograma. Nombre:ParmetrosdelPrograma. Descripcin: Contiene el conjunto de parmetros necesarios para calcular un programaoreajustarlo. Puedeestarvaco:No. Espartede:ninguno. Propiedades:Bsicamentedebecontener: o o MargenOperativo. ValordelparmetroKdelafuncinobjetivodelmodelodereprogramacin.
741

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica o o o Tipodeheursticaaaplicar. Ndetrabajosdeseableenelprograma. Listadetrabajospriorizados. m. EOEspecificacionesProductosProductosMquinas Identificador:EOEspecificacionesProductosProductosMquinas. Nombre:EspecificacionesProductosProductosMquinas. Descripcin:Identificacualquierpropiedadquepuedaestarvinculadaalarelacinde precedencia/seguidor entre dos productos en funcin de una mquina. Se utiliza fundamentalmenteparaindicarlostiemposdecambiodepartida. Puedeestarvaco:No Espartede:EOProductos,EOMaquinas. Propiedades:Bsicamentedebecontener: o o o o Identificadordeproducto. Identificadordeproducto. Identificadordemquina. Tiempodecambiodepartida. n. EOEspecificacionesProductosMquinas Identificador:EOEspecificacionesProductosMquinas. Nombre:EspecificacionesProductosMquinas. Descripcin: Identifica cualquier propiedad que pueda estar vinculada a la relacin entre un producto y una mquina. Se utiliza fundamentalmente para indicar los tiemposdeproceso,lasoperacionesquesedebenrealizarsobreuntrabajoyenque orden. Puedeestarvaco:No Espartede:EOProductos,EOMaquinas. Propiedades:Bsicamentedebecontener: o o
742

Identificadordeproducto. Identificadordemquina.

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto o o Ordendeoperacin. Tiempodeproceso. o. EOProgramaMantenimiento Identificador:EOProgramaMantenimiento. Nombre:ProgramaMantenimiento.

AnexoI

Descripcin: Dispone de la informacin relativa a la fecha de inicio y fin de cada paradadeunamquinapormotivosdemantenimiento. Puedeestarvaco:Si Espartede:EOMquinas. Propiedades:Bsicamentedebecontener: o o o Identificadordemquina. Fechadeiniciodelaparada. Fechadefindelaparada.

p. EOTiposdeImpactos Identificador:EOTiposdeImpactos. Nombre:TiposdeImpactos. Descripcin:Contieneinformacinsobrelostiposdeimpactosqueexisten. Puedeestarvaco:No. Espartede:NingunodelDMProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o Identificadordeimpacto. Descripcin. q. EOTiposdeEventos Identificador:EOTiposdeEventos. Nombre:TiposdeEventos.

743

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Descripcin: Contiene informacin sobre los tipos de eventos que existen (modificacintiempocambiopartida,modificacintiempoproceso,averamquina). Puedeestarvaco:No. Espartede:NingunodelDMProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o Identificadordeevento. Descripcin. r. EOTiposdeProcedimientosdeResolucin Identificador:EOTiposdeProcedimientosdeResolucin. Nombre:TiposdeProcedimientosdeResolucin. Descripcin: Contiene informacin sobre los tipos de algoritmo que se pueden usar pararesolverelproblemadelareprogramacin. Puedeestarvaco:No. Espartede:NingunodelDMProgramacindelaProduccin. Propiedades:Bsicamentedebecontener: o o Identificadordealgoritmo. Descripcin. s. EOReglasdeInferencia Identificador:EOReglasdeInferencia. Nombre:ReglasdeInferencia. Descripcin: Contiene el grado de xito alcanzado con un determinada algoritmo en funcindeltipodeevento,operacinenlaquesehadetectadoytipodeimpacto. Puedeestarvaco:No. Es parte de: EOTiposdeImpactos,EOTiposde Eventos,EOTiposdeProcedimiento Reprogramacin,EOOperaciones. Propiedades:Bsicamentedebecontener: o
744

Identificadorevento.

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto o o o o Identificadordeltipodeimpacto. Identificadordeltipodeprocedimientoaplicado. Identificadordelaoperacin. Gradodexito(numrico).

AnexoI

8. ConjuntodeCapacidades(CapabilitySet): a. CSAdquisicin,transformacinyvalidacindedatos Identificador:CSAdquisicin,transformacinyvalidacindedatos. Nombre:Adquisicin,transformacinyvalidacindedatos. Descripcin: Se trata de la habilidad de realizar automticamente la conexin fsica conlasfuentesdedatosyextraerlainformacinqueseanecesariaencadaocasinen funcin del algoritmo de clculo que se utilice. Al mismo tiempo que obtiene la informacin debe ser capaz de realizar la interpretacin y transformacin de los formatos entre origen y destino. En caso de no poder realizar su cometido debe ser capazdeidentificarelproblemaygenerarunaalarma. b. CSProcedimientosdeProgramacindelaProduccin Identificador:CSProcedimientosdeProgramacindelaProduccin. Nombre:CSProcedimientosdeProgramacindelaProduccin. Descripcin:Eslahabilidaddecrearunnuevoprogramadeproduccineficientesegn criterios de uso de los recursos. Se necesita la aplicacin de un procedimiento/algoritmoparaobtenerlo. c. CSProcedimientosdeReprogramacindelaProduccin Identificador:CSProcedimientosdeReprogramacindelaProduccin. Nombre:CSProcedimientosdeReprogramacindelaProduccin. Descripcin:Eslahabilidaddemodificarelprogramadeproduccinencursodeforma eficientebalanceandoloscriteriosdeusoeficientedelosrecursosyminimizacinde los cambios en el programa propuesto frente al programa en curso. Se necesita la aplicacindeunprocedimiento/algoritmoparaobtenerlo.
745

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica d. CSAjusteFinodeProgramas Identificador:CSAjusteFinodeProgramas. Nombre:CSExperienciaAjusteFinodeProgramas. Descripcin: Es la habilidad de identificar posibles mejoras en un programa de produccinenbaseaconocimientoy/oexperienciasprevias.Endefinitivasetratade poder incorporar modificaciones sobre las restricciones difciles de indicar de forma cuantitativaeidentificarposiblesmejorasdelprogramapropuesto.

e. CSCapacidaddeInferirAcciones Identificador:CSCapacidaddeInferirAcciones. Nombre:CSCapacidaddeInferirAcciones. Descripcin:Consisteenlacapacidaddepoderidentificarareglasdeposiblesacciones atomarenrelacinconelprocesodegestindelprograma.

746

DefinicindelosElementosArquitectnicosdeCIMOSAImplementadospara ModeladodeRequerimientosdelProblemaPropuesto

AnexoI

DETALLE DE LA VISTA NFORMACIN

Es parte de Es parte de Es parte de

EO-PROGRAMAS PRODUCCIN

EO-ALMACENES

EO-PRODUCTOS

EO-MQUINAS

EO-PARMETROS PROGRAMA

Es parte de

Es parte de

Es parte de Es parte de Es parte de Es parte de

Estado de Es parte de EO-PLAN MAESTRO Es parte de

EO-PROGRACIN PRODUCCIN

EO-INVENTARIO

EO-OPERACIONES

EO-PERIODO PLAN MAESTRO

EO-INCONSISTENCIAS DATOS

Es parte de

Estado de Estado de EO-ESPEFICIACIONES PRODUCTOSPRODUCTOSMQUINAS EO-ESPEFICIACIONES PRODUCTOS-MQUINAS EO-PROGRAMA MANTENIMIENTO Estado de

OV-PROGRAMACIN PRODUCCIN VALIDADO Estado de Estado de Estado de Estado de OV-TRABAJOS PENDIENTES Estado de Es parte de Estado de Estado de Estado de Estado de OV-INCONSISTENCIAS

OV-PARAMETROS DEL PROGRAMA

OV-PROGRAMACIN PRODUCCIN SIN VALIDAR

OV-OCUPACIN PROGRAMADA MAQUINA

OV-TIEMPOS DE CAMBIO DE PARTIDA

Estado de OV-OPERACIONES TRABAJOS

EO-REGLAS OV-TRABAJOS INFERENCIA SELECCIONADOS

OV-NO DISPONIBILIDAD POR MANTENIMIENTO MAQUINA OV-EVENTOS RECIBIDOS

Estado de

Base de Datos de Conocimiento

Estado de

OV-PROGRAMA PRODUCCIN EN CURSO

OV-CAPACIDAD DISPONIBLE ALMACN DE PRODUCTOS

OV-TIEMPOS DE PROCESO

OV-REGLAS INFERENCIA OV-MQUINAS FACTIBLES POR TRABAJO/OPERACIN

Es parte de

Es parte de Es parte de

EO-TIPOS DE IMPACTOS

EO-TIPOS DE EVENTOS

EO-TIPOS PROCEDIMIENTOS REPROGRAMACIN

FiguraI1.VistadeInformacindelModelodeRequerimientos(elaboracinpropia).

747

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

FiguraI2.RelacinentrevistasdelModelodeRequerimientos(elaboracinpropia).

748

Anexo
LmitesConocidosyNuevosLmites AlcanzadosporSMAGA1ySMAGA2 paralosBancosdeDatosEmpleados enlaExperimentacin

II

Lmites conocidos y Nuevos Lmites Alcanzados para el Banco de Pruebas AnexoII EmpleadoenlaExperimentacin

AII.

AnexoII

AII.1 Lmites de los conjuntos Taillard para el Problema de Taller de Flujo

Problema Taillard001005 Taillard006010 Taillard011015 Taillard016020 Taillard021025 Taillard026030 Taillard031035 Taillard036040 Taillard041045 Taillard046050 Taillard051055 Taillard056060 Taillard061065 Taillard066070 Taillard071075 Taillard076080 Taillard081085 Taillard086090 Taillard091095 Taillard096100 Taillard101105 Taillard106110 Taillard111115 Taillard116120 nm 205 205 2010 2010 2020 2020 505 505 5010 5010 5020 5020 1005 1005 10010 10010 10020 10020 20010 20010 20020 20020 50020 50020 CICS 1278 1195 1582 1397 2297 2226 2724 2829 2991 3006 37713847 3679 5493 5135 5770 5303 61066202 63026364 10862 10329 11152 11181 11176 26040 26059 26469 26477 CICS 1359 1234 1659 1484 2099 2273 2834 2725 2867 3093 3668 3704 3672 3704 5268 5246 5349 5595 6183 6184 6268 10480 10854 11143 11203 11337 11360 26500 26520 26389 CICS 1081 1206 1496 1538 2326 2200 2621 2683 2839 3037 3591 3640 3627 3691 5175 5094 5676 5617 6252 6271 6315 6401 10922 10730 11281 11301 11334 26371 26560 CICS 1293 1230 1377 1593 2223 2237 2751 2552 3063 2897 3635 3719 3645 3741 5014 5448 5781 5871 6254 6269 6204 6275 10889 10438 11275 11145 11192 26456 26005 CICS 1235 1108 1419 1591 2291 2178 2863 2782 2976 3065 35533610 36963756 5250 5322 5467 5845 62626314 64046434 10524 10675 11259 11284 11288 26334 26457

TablaII1.Cotasinferiores(CI)ysuperiores(CS)delosresultadosobtenidosparalasinstanciasde(Taillard,E. 1993)

751

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Instancia SDST10 SDST50 ta001 1330 1567 ta002 1401 1580 ta003 1161 1446 ta004 1370 1644 ta005 1303 1526 ta011 1677 2009 ta012 1751 2065 ta013 1588 1897 ta014 1465 1794 ta015 1510 1842 ta021 2391 2754 ta022 2193 2565 ta023 2414 2748 ta024 2315 2658 ta025 2386 2760 ta031 2814 3250 ta032 2946 3429 ta033 2734 3245 ta034 2883 3391 ta035 2952 3400 ta041 3210 3923 ta042 3080 3807 ta043 3060 3796 ta044 3227 3956 ta045 3200 3939 ta051 4108 4980 ta052 3942 4812 ta053 3895 4781 ta054 3973 4866 ta055 3867 4769 ta061 5647 6542 ta062 5465 6389 ta063 5406 6333 ta064 5213 6182 ta065 5466 6417 ta071 6084 7450 ta072 5683 7033 ta073 5931 7262 ta074 6182 7549 ta075 5842 7240 ta081 6744 8437 ta082 6701 8387 ta083 6770 8422 ta084 6734 8389

SDST100 SDST125 Instancia SDST10 SDST50 SDST100 SDST125 1891 2065 ta006 1269 1510 1824 1979 1881 2040 ta007 1294 1531 1855 2002 1758 1933 ta008 1282 1554 1894 2060 1973 2137 ta009 1313 1585 1879 2005 1813 1979 ta010 1178 1426 1732 1876 2444 2656 ta016 1487 1816 2231 2445 2458 2661 ta017 1573 1858 2282 2485 2303 2515 ta018 1630 1962 2381 2586 2212 2415 ta019 1676 1985 2376 2588 2282 2502 ta020 1688 2013 2443 2655 3244 3498 ta026 2321 2686 3168 3442 3047 3290 ta027 2360 2712 3191 3452 3207 3475 ta028 2296 2668 3165 3431 3164 3437 ta029 2335 2701 3192 3456 3242 3514 ta030 2267 2635 3111 3378 3893 4226 ta036 2945 3429 4073 4405 4056 4349 ta037 2848 3338 3999 4327 3900 4212 ta038 2809 3306 3966 4294 4020 4356 ta039 2673 3174 3808 4145 4014 4342 ta040 2867 3350 4022 4341 4812 5275 ta046 3196 3926 4816 5262 4714 5177 ta047 3285 3986 4898 5340 4705 5193 ta048 3222 3950 4849 5317 4830 5286 ta049 3093 3829 4723 5194 4812 5236 ta050 3272 3983 4880 5334 6074 6643 ta056 3930 4791 5920 6494 5910 6489 ta057 3966 4832 5958 6548 5908 6502 ta058 3964 4831 5939 6519 5997 6587 ta059 3996 4864 5948 6539 5927 6495 ta060 4008 4891 6026 6596 7714 8339 ta066 5312 6270 7468 8082 7610 8230 ta067 5459 6390 7611 8267 7539 8168 ta068 5316 6199 7424 7993 7421 8005 ta069 5641 6576 7773 8393 7620 8231 ta070 5537 6492 7735 8290 9201 10070 ta076 5607 6964 8689 9529 8794 9631 ta077 5884 7126 8858 9696 9004 9808 ta078 5958 7290 9028 9891 9276 10168 ta079 6177 7452 9133 10004 9002 9852 ta080 6081 7364 9114 10013 10578 11694 ta086 6867 8548 10679 11740 10535 11679 ta087 6779 8482 10645 11784 10552 11701 ta088 6954 8662 10794 11883 10479 11634 ta089 6808 8473 10612 11731

752

LmitesconocidosparaelBancodePruebasEmpleadoenlaExperimentacin
ta085 ta091 ta092 ta093 ta094 ta095 ta101 ta102 ta103 ta104 ta105 ta111 ta112 ta113 ta114 ta115 6785 11354 11226 11521 11294 11207 12168 12278 12337 12300 12196 28491 28940 28695 28719 28596 8471 14005 13902 14087 13873 13849 15450 15644 15689 15627 15470 36729 37113 36854 36904 36793 10539 17307 17210 17386 17206 17244 19618 19816 19881 19810 19589 46716 47291 46964 47021 46994 11675 18930 18876 19059 18934 18906 21765 21973 21975 21984 21773 52021 52380 52110 52194 51932 ta090 ta096 ta097 ta098 ta099 ta100 ta106 ta107 ta108 ta109 ta110 ta116 ta117 ta118 ta119 ta120 6870 10974 11423 11362 11098 11284 12220 12329 12362 12228 12330 28756 28516 28884 28398 28737 8519 13653 14115 14018 13857 13894 15514 15669 15645 15544 15694 37006 36674 36942 36575 36843

AnexoII

10651 17022 17428 17407 17194 17263 19677 19888 19826 19757 19813 47074 46889 47183 46636 46902

11753 18659 19118 19058 18819 18793 21829 22055 21902 21821 21975 52269 51917 52185 51746 52118

TablaII2.Mejoresresultadosconocidosparaelmakespanutilizandolasinstanciasde(Vallada,E.,Ruiz,R.,& Maroto,C.2003)

753

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

AII.2 Lmites de los conjuntos Taillard para el Problema de Taller de Flujo Hbrido con Tiempos de Cambio de Partida dependientes delaSecuencia.
AII.2.1 Talleres entre una y tres Mquinas por Etapa (Problemas P13): LmitesConocidos.

Instancia ta001_SSD10_P13 ta003_SSD10_P13 ta005_SSD10_P13 ta007_SSD10_P13 ta009_SSD10_P13 ta011_SSD10_P13 ta013_SSD10_P13 ta015_SSD10_P13 ta017_SSD10_P13 ta019_SSD10_P13 ta021_SSD10_P13 ta023_SSD10_P13 ta025_SSD10_P13 ta027_SSD10_P13 ta029_SSD10_P13 ta031_SSD10_P13 ta033_SSD10_P13 ta035_SSD10_P13 ta037_SSD10_P13 ta039_SSD10_P13 ta041_SSD10_P13 ta043_SSD10_P13 ta045_SSD10_P13 ta047_SSD10_P13 ta049_SSD10_P13 ta051_SSD10_P13 ta053_SSD10_P13 ta055_SSD10_P13 ta057_SSD10_P13 ta059_SSD10_P13
754

n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50

m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20

Cmax 1001 1163 1343 1099 1153 1482 1316 1389 1435 1334 1468 1761 1402 1765 1889 2760 2716 3075 2518 2758 2786 3045 2932 3003 1254 3188 3435 3360 3587 3378

Instancia ta002_SSD10_P13 ta004_SSD10_P13 ta006_SSD10_P13 ta008_SSD10_P13 ta010_SSD10_P13 ta012_SSD10_P13 ta014_SSD10_P13 ta016_SSD10_P13 ta018_SSD10_P13 ta020_SSD10_P13 ta022_SSD10_P13 ta024_SSD10_P13 ta026_SSD10_P13 ta028_SSD10_P13 ta030_SSD10_P13 ta032_SSD10_P13 ta034_SSD10_P13 ta036_SSD10_P13 ta038_SSD10_P13 ta040_SSD10_P13 ta042_SSD10_P13 ta044_SSD10_P13 ta046_SSD10_P13 ta048_SSD10_P13 ta050_SSD10_P13 ta052_SSD10_P13 ta054_SSD10_P13 ta056_SSD10_P13 ta058_SSD10_P13 ta060_SSD10_P13

n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50

m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20

Cmax 1029 1178 1314 1074 1038 1439 1326 1347 1426 1316 1897 1890 1849 1886 1724 2593 2726 2772 2692 2710 3002 2992 2924 3002 2998 3419 3201 3383 3421 3444

LmitesconocidosparaelBancodePruebasEmpleadoenlaExperimentacin ta061_SSD10_P13 ta063_SSD10_P13 ta065_SSD10_P13 ta067_SSD10_P13 ta069_SSD10_P13 ta071_SSD10_P13 ta073_SSD10_P13 ta075_SSD10_P13 ta077_SSD10_P13 ta079_SSD10_P13 ta081_SSD10_P13 ta083_SSD10_P13 ta085_SSD10_P13 ta087_SSD10_P13 ta089_SSD10_P13 ta091_SSD10_P13 ta093_SSD10_P13 ta095_SSD10_P13 ta097_SSD10_P13 ta099_SSD10_P13 ta101_SSD10_P13 ta103_SSD10_P13 ta105_SSD10_P13 ta107_SSD10_P13 ta109_SSD10_P13 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20 2133 2079 5263 5289 5645 2427 5759 2145 5682 5149 5830 6226 6336 5624 6167 11037 10934 10864 10702 10317 11355 11231 10821 11772 11737 ta062_SSD10_P13 ta064_SSD10_P13 ta066_SSD10_P13 ta068_SSD10_P13 ta070_SSD10_P13 ta072_SSD10_P13 ta074_SSD10_P13 ta076_SSD10_P13 ta078_SSD10_P13 ta080_SSD10_P13 ta082_SSD10_P13 ta084_SSD10_P13 ta086_SSD10_P13 ta088_SSD10_P13 ta090_SSD10_P13 ta092_SSD10_P13 ta094_SSD10_P13 ta096_SSD10_P13 ta098_SSD10_P13 ta100_SSD10_P13 ta102_SSD10_P13 ta104_SSD10_P13 ta106_SSD10_P13 ta108_SSD10_P13 ta110_SSD10_P13 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20

AnexoII

5285 1839 5323 5062 4983 5741 5749 5842 5728 5718 6501 5811 6206 5498 6040 11337 10900 10519 11069 10876 11612 11511 11535 11301 11621

TablaII3.MejoresresultadosconocidosparaelmakespandelgrupodeproblemasSDD10_P13propuestospor (Vallada,E.etal.2003).

Instancia ta001_SSD50_P13 ta003_SSD50_P13 ta005_SSD50_P13 ta007_SSD50_P13 ta009_SSD50_P13 ta011_SSD50_P13 ta013_SSD50_P13 ta015_SSD50_P13 ta017_SSD50_P13 ta019_SSD50_P13 ta021_SSD50_P13
755

n 20 20 20 20 20 20 20 20 20 20 20

m 5 5 5 5 5 10 10 10 10 10 20

Cmax 1065 1298 1423 1220 1318 1752 1570 1628 1680 1647 1691

Instancia ta002_SSD50_P13 ta004_SSD50_P13 ta006_SSD50_P13 ta008_SSD50_P13 ta010_SSD50_P13 ta012_SSD50_P13 ta014_SSD50_P13 ta016_SSD50_P13 ta018_SSD50_P13 ta020_SSD50_P13 ta022_SSD50_P13

n 20 20 20 20 20 20 20 20 20 20 20

m 5 5 5 5 5 10 10 10 10 10 20

Cmax 1197 1247 1392 1146 1177 1567 1508 1515 1654 1477 2199

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ta023_SSD50_P13 ta025_SSD50_P13 ta027_SSD50_P13 ta029_SSD50_P13 ta031_SSD50_P13 ta033_SSD50_P13 ta035_SSD50_P13 ta037_SSD50_P13 ta039_SSD50_P13 ta041_SSD50_P13 ta043_SSD50_P13 ta045_SSD50_P13 ta047_SSD50_P13 ta049_SSD50_P13 ta051_SSD50_P13 ta053_SSD50_P13 ta055_SSD50_P13 ta057_SSD50_P13 ta059_SSD50_P13 ta061_SSD50_P13 ta063_SSD50_P13 ta065_SSD50_P13 ta067_SSD50_P13 ta069_SSD50_P13 ta071_SSD50_P13 ta073_SSD50_P13 ta075_SSD50_P13 ta077_SSD50_P13 ta079_SSD50_P13 ta081_SSD50_P13 ta083_SSD50_P13 ta085_SSD50_P13 ta087_SSD50_P13 ta089_SSD50_P13 ta091_SSD50_P13 ta093_SSD50_P13 ta095_SSD50_P13 ta097_SSD50_P13 ta099_SSD50_P13 ta101_SSD50_P13 ta103_SSD50_P13
756

20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200

20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20

2030 1615 2082 2253 3093 3237 3386 2697 3004 3092 3645 3482 3450 1667 3747 4153 4060 4307 4111 2966 2782 5807 5861 6427 3312 6363 3029 6583 5371 6917 7651 7636 6534 7525 12113 12689 11956 12135 11376 13428 13330

ta024_SSD50_P13 ta026_SSD50_P13 ta028_SSD50_P13 ta030_SSD50_P13 ta032_SSD50_P13 ta034_SSD50_P13 ta036_SSD50_P13 ta038_SSD50_P13 ta040_SSD50_P13 ta042_SSD50_P13 ta044_SSD50_P13 ta046_SSD50_P13 ta048_SSD50_P13 ta050_SSD50_P13 ta052_SSD50_P13 ta054_SSD50_P13 ta056_SSD50_P13 ta058_SSD50_P13 ta060_SSD50_P13 ta062_SSD50_P13 ta064_SSD50_P13 ta066_SSD50_P13 ta068_SSD50_P13 ta070_SSD50_P13 ta072_SSD50_P13 ta074_SSD50_P13 ta076_SSD50_P13 ta078_SSD50_P13 ta080_SSD50_P13 ta082_SSD50_P13 ta084_SSD50_P13 ta086_SSD50_P13 ta088_SSD50_P13 ta090_SSD50_P13 ta092_SSD50_P13 ta094_SSD50_P13 ta096_SSD50_P13 ta098_SSD50_P13 ta100_SSD50_P13 ta102_SSD50_P13 ta104_SSD50_P13

20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200

20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20

2097 2115 2138 1992 2887 3049 3316 2977 3026 3570 3636 3469 3535 3474 4030 3895 4092 4101 4164 5468 2330 6163 5590 5478 6934 6452 6902 6323 6512 7483 6842 7527 6133 7297 13109 12991 11476 13349 12225 14618 14142

LmitesconocidosparaelBancodePruebasEmpleadoenlaExperimentacin

AnexoII

ta105_SSD50_P13 200 20 12376 ta106_SSD50_P13 200 20 13426 ta107_SSD50_P13 200 20 13956 ta108_SSD50_P13 200 20 13582 ta109_SSD50_P13 200 20 14664 ta110_SSD50_P13 200 20 14547
TablaII4.MejoresresultadosconocidosparaelmakespandelgrupodeproblemasSDD50_P13propuestospor (Vallada,E.etal.2003)

Instancia ta001_SSD100_P13 ta003_SSD100_P13 ta005_SSD100_P13 ta007_SSD100_P13 ta009_SSD100_P13 ta011_SSD100_P13 ta013_SSD100_P13 ta015_SSD100_P13 ta017_SSD100_P13 ta019_SSD100_P13 ta021_SSD100_P13 ta023_SSD100_P13 ta025_SSD100_P13 ta027_SSD100_P13 ta029_SSD100_P13 ta031_SSD100_P13 ta033_SSD100_P13 ta035_SSD100_P13 ta037_SSD100_P13 ta039_SSD100_P13 ta041_SSD100_P13 ta043_SSD100_P13 ta045_SSD100_P13 ta047_SSD100_P13 ta049_SSD100_P13 ta051_SSD100_P13 ta053_SSD100_P13 ta055_SSD100_P13 ta057_SSD100_P13 ta059_SSD100_P13 ta061_SSD100_P13 ta063_SSD100_P13 ta065_SSD100_P13 ta067_SSD100_P13

n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100

m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5

Cmax 1171 1502 1574 1424 1519 2066 1891 1987 2000 1906 1960 2363 1883 2472 2692 3488 3887 3949 2838 3411 3509 4512 4180 4018 2187 4470 5040 4919 5297 5002 3744 3710 6604 6463

Instancia ta002_SSD100_P13 ta004_SSD100_P13 ta006_SSD100_P13 ta008_SSD100_P13 ta010_SSD100_P13 ta012_SSD100_P13 ta014_SSD100_P13 ta016_SSD100_P13 ta018_SSD100_P13 ta020_SSD100_P13 ta022_SSD100_P13 ta024_SSD100_P13 ta026_SSD100_P13 ta028_SSD100_P13 ta030_SSD100_P13 ta032_SSD100_P13 ta034_SSD100_P13 ta036_SSD100_P13 ta038_SSD100_P13 ta040_SSD100_P13 ta042_SSD100_P13 ta044_SSD100_P13 ta046_SSD100_P13 ta048_SSD100_P13 ta050_SSD100_P13 ta052_SSD100_P13 ta054_SSD100_P13 ta056_SSD100_P13 ta058_SSD100_P13 ta060_SSD100_P13 ta062_SSD100_P13 ta064_SSD100_P13 ta066_SSD100_P13 ta068_SSD100_P13

n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100

m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5

Cmax 1410 1340 1557 1232 1335 1818 1704 1804 1967 1677 2571 2471 2486 2490 2353 3274 3420 3925 3410 3480 4334 4400 4224 4248 4062 4910 4726 5122 5118 5049 5745 2819 7071 6314

757

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ta069_SSD100_P13 ta071_SSD100_P13 ta073_SSD100_P13 ta075_SSD100_P13 ta077_SSD100_P13 ta079_SSD100_P13 ta081_SSD100_P13 ta083_SSD100_P13 ta085_SSD100_P13 ta087_SSD100_P13 ta089_SSD100_P13 ta091_SSD100_P13 ta093_SSD100_P13 ta095_SSD100_P13 ta097_SSD100_P13 ta099_SSD100_P13 ta101_SSD100_P13 ta103_SSD100_P13 ta105_SSD100_P13 ta107_SSD100_P13 ta109_SSD100_P13 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20 7417 4521 7463 3840 7812 5704 8373 9530 9305 7706 9192 13326 15038 13322 14024 12668 15866 16106 14527 16586 18231 ta070_SSD100_P13 ta072_SSD100_P13 ta074_SSD100_P13 ta076_SSD100_P13 ta078_SSD100_P13 ta080_SSD100_P13 ta082_SSD100_P13 ta084_SSD100_P13 ta086_SSD100_P13 ta088_SSD100_P13 ta090_SSD100_P13 ta092_SSD100_P13 ta094_SSD100_P13 ta096_SSD100_P13 ta098_SSD100_P13 ta100_SSD100_P13 ta102_SSD100_P13 ta104_SSD100_P13 ta106_SSD100_P13 ta108_SSD100_P13 ta110_SSD100_P13 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20 6219 8518 7482 8331 7075 7567 9200 8375 9291 7005 8973 15702 15869 12697 16111 14058 18262 17385 15863 16452 17866

TablaII5.MejoresresultadosconocidosparaelmakespandelgrupodeproblemasSDD100_P13propuestospor (Vallada,E.etal.2003)

Instancia ta001_SSD125_P13 ta003_SSD125_P13 ta005_SSD125_P13 ta007_SSD125_P13 ta009_SSD125_P13 ta011_SSD125_P13 ta013_SSD125_P13 ta015_SSD125_P13 ta017_SSD125_P13 ta019_SSD125_P13 ta021_SSD125_P13 ta023_SSD125_P13 ta025_SSD125_P13 ta027_SSD125_P13 ta029_SSD125_P13
758

n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20

m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20

Cmax 1203 1604 1657 1490 1630 2252 2017 2145 2101 2085 2137 2560 2040 2628 2953

Instancia ta002_SSD125_P13 ta004_SSD125_P13 ta006_SSD125_P13 ta008_SSD125_P13 ta010_SSD125_P13 ta012_SSD125_P13 ta014_SSD125_P13 ta016_SSD125_P13 ta018_SSD125_P13 ta020_SSD125_P13 ta022_SSD125_P13 ta024_SSD125_P13 ta026_SSD125_P13 ta028_SSD125_P13 ta030_SSD125_P13

n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20

m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20

Cmax 1497 1396 1635 1294 1409 1983 1790 1945 2128 1795 2750 2652 2668 2699 2521

LmitesconocidosparaelBancodePruebasEmpleadoenlaExperimentacin ta031_SSD125_P13 ta033_SSD125_P13 ta035_SSD125_P13 ta037_SSD125_P13 ta039_SSD125_P13 ta041_SSD125_P13 ta043_SSD125_P13 ta045_SSD125_P13 ta047_SSD125_P13 ta049_SSD125_P13 ta051_SSD125_P13 ta053_SSD125_P13 ta055_SSD125_P13 ta057_SSD125_P13 ta059_SSD125_P13 ta061_SSD125_P13 ta063_SSD125_P13 ta065_SSD125_P13 ta067_SSD125_P13 ta069_SSD125_P13 ta071_SSD125_P13 ta073_SSD125_P13 ta075_SSD125_P13 ta077_SSD125_P13 ta079_SSD125_P13 ta081_SSD125_P13 ta083_SSD125_P13 ta085_SSD125_P13 ta087_SSD125_P13 ta089_SSD125_P13 ta091_SSD125_P13 ta093_SSD125_P13 ta095_SSD125_P13 ta097_SSD125_P13 ta099_SSD125_P13 ta101_SSD125_P13 ta103_SSD125_P13 ta105_SSD125_P13 ta107_SSD125_P13 ta109_SSD125_P13 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20 3778 4272 4172 2912 3655 3837 5068 4554 4328 2374 4746 5516 5318 5722 5352 4109 4038 6913 6815 7850 4905 7957 4378 8648 5896 9156 10311 10221 8230 10045 14183 16468 14048 15154 13388 16874 17470 15402 17878 20035 ta032_SSD125_P13 ta034_SSD125_P13 ta036_SSD125_P13 ta038_SSD125_P13 ta040_SSD125_P13 ta042_SSD125_P13 ta044_SSD125_P13 ta046_SSD125_P13 ta048_SSD125_P13 ta050_SSD125_P13 ta052_SSD125_P13 ta054_SSD125_P13 ta056_SSD125_P13 ta058_SSD125_P13 ta060_SSD125_P13 ta062_SSD125_P13 ta064_SSD125_P13 ta066_SSD125_P13 ta068_SSD125_P13 ta070_SSD125_P13 ta072_SSD125_P13 ta074_SSD125_P13 ta076_SSD125_P13 ta078_SSD125_P13 ta080_SSD125_P13 ta082_SSD125_P13 ta084_SSD125_P13 ta086_SSD125_P13 ta088_SSD125_P13 ta090_SSD125_P13 ta092_SSD125_P13 ta094_SSD125_P13 ta096_SSD125_P13 ta098_SSD125_P13 ta100_SSD125_P13 ta102_SSD125_P13 ta104_SSD125_P13 ta106_SSD125_P13 ta108_SSD125_P13 ta110_SSD125_P13 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200

AnexoII

5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20

3447 3693 4312 3647 3722 4612 4784 4489 4627 4354 5379 5248 5534 5512 5594 5915 3066 7632 6736 6628 9418 8138 9318 7445 7977 9958 9081 10336 7544 10005 16779 17119 13419 17596 14897 20018 18983 17064 17653 19981

TablaII6.MejoresresultadosconocidosparaelmakespandelgrupodeproblemasSDD125_P13propuestospor (Vallada,E.etal.2003)

759

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

AII.2.2

Talleres entre una y tres Mquinas por Etapa (Problemas P13): LmitesNuevosAlcanzadosconSMAGA1ySMAGA2.

En la columna Cmax_Ref se indica el mejor Cmax conocido para la instancia indicada. Los valores IPSO negativos, es decir cuyos Cmax son inferiores a los conocidos, se resaltan con colorrojo.Lanegrillaseempleaparadestacarelmejorresultadoentrelosquesuponenuna mejora. IPSOVEP Cmax IPSOVEP Cmax Instancia n m Cmax_Ref SMAGA1 SMAGA1 SMAGA2 SMAGA2 ta002_SSD10_P13 20 5 1029 0,0971 1028 0 1029 ta004_SSD10_P13 20 5 1178 0 1178 0 1178 ta006_SSD10_P13 20 5 1314 0 1314 0 1314 ta008_SSD10_P13 20 5 1074 0,6517 1067 0,5586 1068 ta010_SSD10_P13 20 5 1038 0,3853 1034 0,3853 1034 ta012_SSD10_P13 20 10 1439 0 1439 0 1439 ta014_SSD10_P13 20 10 1326 0,0754 1325 0,07541 1327 ta016_SSD10_P13 20 10 1347 0,2227 1344 0,0742 1346 ta018_SSD10_P13 20 10 1426 0,6311 1417 0,6311 1417 ta020_SSD10_P13 20 10 1316 0 1316 0,0759 1315 ta022_SSD10_P13 20 20 1897 0,4217 1889 0 1897 ta024_SSD10_P13 20 20 1890 0,6878 1877 0,7407 1876 ta026_SSD10_P13 20 20 1849 0,2163 1845 0,054 1848 ta028_SSD10_P13 20 20 1886 1,1134 1865 0,5302 1876 ta030_SSD10_P13 20 20 1724 0,986 1707 0,696 1712 ta032_SSD10_P13 50 5 2593 0,03856 2594 0,15426 2597 ta034_SSD10_P13 50 5 2726 0,2934 2718 0,1834 2721 ta036_SSD10_P13 50 5 2772 0,03607 2773 0,03607 2773 ta038_SSD10_P13 50 5 2692 0 2692 0,22288 2698 ta040_SSD10_P13 50 5 2710 0,2583 2703 0,369 2700 ta042_SSD10_P13 50 10 3002 0,0333 3001 0,23317 3009 ta044_SSD10_P13 50 10 2992 1,0026 2962 0,7018 2971 ta046_SSD10_P13 50 10 2924 0,4445 2911 0,37619 2935 ta048_SSD10_P13 50 10 3002 0,03331 3003 0,23317 3009 ta050_SSD10_P13 50 10 2998 0,0333 2997 0,1334 2994 ta052_SSD10_P13 50 20 3419 1,4039 3371 1,2576 3376 ta054_SSD10_P13 50 20 3201 0,71852 3224 0,37488 3213 ta056_SSD10_P13 50 20 3383 0,1477 3378 0,56163 3402
760

LmitesconocidosparaelBancodePruebasEmpleadoenlaExperimentacin ta058_SSD10_P13 50 20 ta060_SSD10_P13 50 20 3421 3444 0,58462 0,26132 3441 3453

AnexoII

0,02923 0,92915

3422 3476

TablaII7.MejoresresultadosalcanzadosparaelmakespandelgrupodeproblemasSDD10_P13propuestospor (Vallada,E.etal.2003).

IPSOVEP Cmax IPSOVEP Cmax Instancia n m Cmax_Ref SMAGA1 SMAGA1 SMAGA2 SMAGA2 ta002_SSD50_P13 20 5 1197 0 1197 0 1197 ta004_SSD50_P13 20 5 1247 0,1603 1245 0,08019 1248 ta006_SSD50_P13 20 5 1392 0 1392 0,35919 1397 ta008_SSD50_P13 20 5 1146 0 1146 0,17452 1148 ta010_SSD50_P13 20 5 1177 0,1699 1175 0 1177 ta012_SSD50_P13 20 10 1567 0 1567 0 1567 ta014_SSD50_P13 20 10 1508 0 1508 0 1508 ta016_SSD50_P13 20 10 1515 0 1515 0 1515 ta018_SSD50_P13 20 10 1654 0 1654 0 1654 ta020_SSD50_P13 20 10 1477 0 1477 0 1477 ta022_SSD50_P13 20 20 2199 0,2623 2193 0,7276 2215 ta024_SSD50_P13 20 20 2097 0,4221 2088 0 2097 ta026_SSD50_P13 20 20 2115 0 2115 0 2115 ta028_SSD50_P13 20 20 2138 0,0467 2137 0,09354 2140 ta030_SSD50_P13 20 20 1992 0,7282 1977 0,1506 1989 ta032_SSD50_P13 50 5 2887 0,9625 2859 0,41565 2899 ta034_SSD50_P13 50 5 3049 0,9511 3020 0,2951 3040 ta036_SSD50_P13 50 5 3316 0,5428 3298 0,5126 3299 ta038_SSD50_P13 50 5 2977 0,2687 2969 0,43668 2990 ta040_SSD50_P13 50 5 3026 0,23132 3033 0,16523 3031 ta042_SSD50_P13 50 10 3570 1,2044 3527 1,1764 3528 ta044_SSD50_P13 50 10 3636 1,1276 3595 0,22 3628 ta046_SSD50_P13 50 10 3469 0,1729 3463 0,1153 3465 ta048_SSD50_P13 50 10 3535 0,2828 3525 0,2545 3526 ta050_SSD50_P13 50 10 3474 0,9786 3440 0 3474 ta052_SSD50_P13 50 20 4030 0,08019 4033 0,19851 4038 ta054_SSD50_P13 50 20 3895 0,1283 3890 0,154 3889 ta056_SSD50_P13 50 20 4092 0,12218 4097 0,65982 4119 ta058_SSD50_P13 50 20 4101 0,1699 4094 0,43891 4119 ta060_SSD50_P13 50 20 4164 0,43227 4182 0,28818 4176
TablaII8.MejoresresultadosalcanzadosparaelmakespandelgrupodeproblemasSDD50_P13propuestospor (Vallada,E.etal.2003)

761

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Instancia ta002_SSD100_P13 ta004_SSD100_P13 ta006_SSD100_P13 ta008_SSD100_P13 ta010_SSD100_P13 ta012_SSD100_P13 ta014_SSD100_P13 ta016_SSD100_P13 ta018_SSD100_P13 ta020_SSD100_P13 ta022_SSD100_P13 ta024_SSD100_P13 ta026_SSD100_P13 ta028_SSD100_P13 ta030_SSD100_P13 ta032_SSD100_P13 ta034_SSD100_P13 ta036_SSD100_P13 ta038_SSD100_P13 ta040_SSD100_P13 ta042_SSD100_P13 ta044_SSD100_P13 ta046_SSD100_P13 ta048_SSD100_P13 ta050_SSD100_P13 ta052_SSD100_P13 ta054_SSD100_P13 ta056_SSD100_P13 ta058_SSD100_P13 ta060_SSD100_P13

n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50

IPSOVEP Cmax IPSOVEP Cmax m Cmax_Ref SMAGA1 SMAGA1 SMAGA2 SMAGA2 5 1410 0,14184 1412 0,78014 1421 5 1340 0,1492 1338 1,04477 1354 5 1557 0 1557 0 1557 5 1232 0 1232 0,1623 1230 5 1335 0,2247 1332 0,2247 1332 10 1818 0 1818 0 1818 10 1704 0 1704 0,23474 1708 10 1804 0 1804 1,05321 1823 10 1967 0 1967 0,45754 1976 10 1677 0 1677 0 1677 20 2571 0 2571 0 2571 20 2471 0 2471 0,24281 2477 20 2486 0,2011 2481 0,4827 2474 20 2490 0 2490 0 2490 20 2353 0 2353 0 2353 5 3274 0,8246 3247 0,03054 3275 5 3420 0,76023 3446 0,4093 3406 5 3925 0,2292 3916 1,2993 3874 5 3410 0,4692 3394 0,1173 3406 5 3480 1,7816 3418 0,1149 3476 10 4334 2,6765 4218 1,2459 4280 10 4400 1,0909 4352 1,5 4334 10 4224 2,2253 4130 1,9649 4141 10 4248 2,8719 4126 0,8239 4213 10 4062 1,8956 3985 0,123 4057 20 4910 0,3258 4894 0,50916 4935 20 4726 0,06347 4729 0,1692 4718 20 5122 1,4837 5046 0,3709 5103 20 5118 1,3091 5051 0,508 5092 20 5049 0,1584 5041 0,0594 5046

TablaII9.MejoresresultadosalcanzadosparaelmakespandelgrupodeproblemasSDD100_P13propuestospor (Vallada,E.etal.2003)

762

LmitesconocidosparaelBancodePruebasEmpleadoenlaExperimentacin

AnexoII

Instancia ta002_SSD125_P13 ta004_SSD125_P13 ta006_SSD125_P13 ta008_SSD125_P13 ta010_SSD125_P13 ta012_SSD125_P13 ta014_SSD125_P13 ta016_SSD125_P13 ta018_SSD125_P13 ta020_SSD125_P13 ta022_SSD125_P13 ta024_SSD125_P13 ta026_SSD125_P13 ta028_SSD125_P13 ta030_SSD125_P13 ta032_SSD125_P13 ta034_SSD125_P13 ta036_SSD125_P13 ta038_SSD125_P13 ta040_SSD125_P13 ta042_SSD125_P13 ta044_SSD125_P13 ta046_SSD125_P13 ta048_SSD125_P13 ta050_SSD125_P13 ta052_SSD125_P13 ta054_SSD125_P13 ta056_SSD125_P13 ta058_SSD125_P13 ta060_SSD125_P13

n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50

IPSOVEP Cmax IPSOVEP Cmax m Cmax_Ref SMAGA1 SMAGA1 SMAGA2 SMAGA2 5 1497 0 1497 1,4696 1519 5 1396 0,7163 1386 0,5014 1389 5 1635 0,97859 1651 0,97859 1651 5 1294 1,0046 1281 1,0046 1281 5 1409 0 1409 0 1409 10 1983 0 1983 0,05042 1984 10 1790 0 1790 0 1790 10 1945 0,92544 1963 0 1945 10 2128 0,23496 2133 0,28195 2134 10 1795 0 1795 0 1795 20 2750 0 2750 0 2750 20 2652 0 2652 0,5279 2666 20 2668 0,1124 2665 0,22488 2674 20 2699 0 2699 0 2699 20 2521 0,43633 2532 0 2521 5 3447 0,058 3445 1,33449 3493 5 3693 2,3016 3608 0,5415 3673 5 4312 1,1827 4261 0,8116 4277 5 3647 0,4935 3629 0,9871 3611 5 3722 1,7463 3657 0,7791 3693 10 4612 2,9921 4474 0,4119 4593 10 4784 0,9824 4737 1,8185 4697 10 4489 0,9578 4446 0,3564 4473 10 4627 2,5718 4508 0,6267 4598 10 4354 1,4469 4291 0,9186 4314 20 5379 0,9295 5329 0,7808 5337 20 5248 0,381 5228 0,3239 5231 20 5534 0,9215 5483 0,8673 5486 20 5512 0,3447 5531 0,2177 5524 20 5594 2,1451 5474 1,3943 5516

TablaII10.MejoresresultadosalcanzadosparaelmakespandelgrupodeproblemasSDD125_P13propuestos por(Vallada,E.etal.2003)

763

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

AII.2.3

Talleres con tres Mquinas por Etapa (Problemas P3): Lmites Conocidos
Instancia ta001_SSD10_P3 ta003_SSD10_P3 ta005_SSD10_P3 ta007_SSD10_P3 ta009_SSD10_P3 ta011_SSD10_P3 ta013_SSD10_P3 ta015_SSD10_P3 ta017_SSD10_P3 ta019_SSD10_P3 ta021_SSD10_P3 ta023_SSD10_P3 ta025_SSD10_P3 ta027_SSD10_P3 ta029_SSD10_P3 ta031_SSD10_P3 ta033_SSD10_P3 ta035_SSD10_P3 ta037_SSD10_P3 ta039_SSD10_P3 ta041_SSD10_P3 ta043_SSD10_P3 ta045_SSD10_P3 ta047_SSD10_P3 ta049_SSD10_P3 ta051_SSD10_P3 ta053_SSD10_P3 ta055_SSD10_P3 ta057_SSD10_P3 ta059_SSD10_P3 ta061_SSD10_P3 ta063_SSD10_P3 ta065_SSD10_P3 ta067_SSD10_P3 ta069_SSD10_P3 N 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 Cmax 341 336 323 349 301 557 511 513 542 508 933 863 838 888 871 678 673 661 642 737 875 939 941 942 899 1345 1321 1290 1342 1297 1289 1319 1269 1284 1314 Instancia ta002_SSD10_P3 ta004_SSD10_P3 ta006_SSD10_P3 ta008_SSD10_P3 ta010_SSD10_P3 ta012_SSD10_P3 ta014_SSD10_P3 ta016_SSD10_P3 ta018_SSD10_P3 ta020_SSD10_P3 ta022_SSD10_P3 ta024_SSD10_P3 ta026_SSD10_P3 ta028_SSD10_P3 ta030_SSD10_P3 ta032_SSD10_P3 ta034_SSD10_P3 ta036_SSD10_P3 ta038_SSD10_P3 ta040_SSD10_P3 ta042_SSD10_P3 ta044_SSD10_P3 ta046_SSD10_P3 ta048_SSD10_P3 ta050_SSD10_P3 ta052_SSD10_P3 ta054_SSD10_P3 ta056_SSD10_P3 ta058_SSD10_P3 ta060_SSD10_P3 ta062_SSD10_P3 ta064_SSD10_P3 ta066_SSD10_P3 ta068_SSD10_P3 ta070_SSD10_P3 n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 Cmax 351 352 348 332 322 541 461 509 513 533 786 782 859 869 878 678 680 700 656 684 867 837 940 947 926 2168 1324 1325 1284 1316 1297 1263 1260 1236 1252

764

LmitesconocidosparaelBancodePruebasEmpleadoenlaExperimentacin ta071_SSD10_P3 ta073_SSD10_P3 ta075_SSD10_P3 ta077_SSD10_P3 ta079_SSD10_P3 ta081_SSD10_P3 ta083_SSD10_P3 ta085_SSD10_P3 ta087_SSD10_P3 ta089_SSD10_P3 ta091_SSD10_P3 ta093_SSD10_P3 ta095_SSD10_P3 ta097_SSD10_P3 ta099_SSD10_P3 ta101_SSD10_P3 ta103_SSD10_P3 ta105_SSD10_P3 ta107_SSD10_P3 ta109_SSD10_P3 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20 1573 1616 1451 1596 1548 2027 2053 1990 2053 2077 2734 2770 2774 2781 2724 3483 3460 3459 3481 3408 ta072_SSD10_P3 ta074_SSD10_P3 ta076_SSD10_P3 ta078_SSD10_P3 ta080_SSD10_P3 ta082_SSD10_P3 ta084_SSD10_P3 ta086_SSD10_P3 ta088_SSD10_P3 ta090_SSD10_P3 ta092_SSD10_P3 ta094_SSD10_P3 ta096_SSD10_P3 ta098_SSD10_P3 ta100_SSD10_P3 ta102_SSD10_P3 ta104_SSD10_P3 ta106_SSD10_P3 ta108_SSD10_P3 ta110_SSD10_P3 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20

AnexoII

1532 1555 1554 1534 1519 2044 1977 1992 2032 2072 2749 2790 2772 2791 2850 3361 3410 3461 3442 3457

TablaII11.MejoresresultadosconocidosparaelmakespandelgrupodeproblemasSDD10_P3propuestospor (Vallada,E.etal.2003)

Instancia ta001_SSD50_P3 ta003_SSD50_P3 ta005_SSD50_P3 ta007_SSD50_P3 ta009_SSD50_P3 ta011_SSD50_P3 ta013_SSD50_P3 ta015_SSD50_P3 ta017_SSD50_P3 ta019_SSD50_P3 ta021_SSD50_P3 ta023_SSD50_P3 ta025_SSD50_P3 ta027_SSD50_P3 ta029_SSD50_P3 ta031_SSD50_P3 ta033_SSD50_P3

N 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50

m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5

Cmax 446 440 431 470 434 673 640 648 675 665 1070 1018 1004 1042 1020 982 944

Instancia ta002_SSD50_P3 ta004_SSD50_P3 ta006_SSD50_P3 ta008_SSD50_P3 ta010_SSD50_P3 ta012_SSD50_P3 ta014_SSD50_P3 ta016_SSD50_P3 ta018_SSD50_P3 ta020_SSD50_P3 ta022_SSD50_P3 ta024_SSD50_P3 ta026_SSD50_P3 ta028_SSD50_P3 ta030_SSD50_P3 ta032_SSD50_P3 ta034_SSD50_P3

n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50

m Cmax 5 459 5 461 5 440 5 429 5 412 10 652 10 580 10 637 10 621 10 646 20 928 20 926 20 999 20 1020 20 1012 5 955 5 977

765

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ta035_SSD50_P3 ta037_SSD50_P3 ta039_SSD50_P3 ta041_SSD50_P3 ta043_SSD50_P3 ta045_SSD50_P3 ta047_SSD50_P3 ta049_SSD50_P3 ta051_SSD50_P3 ta053_SSD50_P3 ta055_SSD50_P3 ta057_SSD50_P3 ta059_SSD50_P3 ta061_SSD50_P3 ta063_SSD50_P3 ta065_SSD50_P3 ta067_SSD50_P3 ta069_SSD50_P3 ta071_SSD50_P3 ta073_SSD50_P3 ta075_SSD50_P3 ta077_SSD50_P3 ta079_SSD50_P3 ta081_SSD50_P3 ta083_SSD50_P3 ta085_SSD50_P3 ta087_SSD50_P3 ta089_SSD50_P3 ta091_SSD50_P3 ta093_SSD50_P3 ta095_SSD50_P3 ta097_SSD50_P3 ta099_SSD50_P3 ta101_SSD50_P3 ta103_SSD50_P3 ta105_SSD50_P3 ta107_SSD50_P3 ta109_SSD50_P3 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20 991 945 1006 1215 1257 1235 1353 1243 1746 1715 1729 1747 1714 1926 1953 1838 1888 1923 2336 2278 2182 2272 2262 2812 2832 2772 2810 2916 4135 4165 4180 4170 4103 4918 4887 4879 4944 4926 ta036_SSD50_P3 ta038_SSD50_P3 ta040_SSD50_P3 ta042_SSD50_P3 ta044_SSD50_P3 ta046_SSD50_P3 ta048_SSD50_P3 ta050_SSD50_P3 ta052_SSD50_P3 ta054_SSD50_P3 ta056_SSD50_P3 ta058_SSD50_P3 ta060_SSD50_P3 ta062_SSD50_P3 ta064_SSD50_P3 ta066_SSD50_P3 ta068_SSD50_P3 ta070_SSD50_P3 ta072_SSD50_P3 ta074_SSD50_P3 ta076_SSD50_P3 ta078_SSD50_P3 ta080_SSD50_P3 ta082_SSD50_P3 ta084_SSD50_P3 ta086_SSD50_P3 ta088_SSD50_P3 ta090_SSD50_P3 ta092_SSD50_P3 ta094_SSD50_P3 ta096_SSD50_P3 ta098_SSD50_P3 ta100_SSD50_P3 ta102_SSD50_P3 ta104_SSD50_P3 ta106_SSD50_P3 ta108_SSD50_P3 ta110_SSD50_P3 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20 951 932 965 1215 1174 1288 1284 1261 1658 1718 1713 1678 1704 1903 1891 1860 1856 1790 2184 2214 2253 2205 2222 2784 2736 2789 2845 2853 4148 4164 4078 4135 4209 4854 4895 4937 4926 4874

TablaII12.MejoresresultadosconocidosparaelmakespandelgrupodeproblemasSDD50_P3propuestospor (Vallada,E.etal.2003)

766

LmitesconocidosparaelBancodePruebasEmpleadoenlaExperimentacin Instancia ta001_SSD100_P3 ta003_SSD100_P3 ta005_SSD100_P3 ta007_SSD100_P3 ta009_SSD100_P3 ta011_SSD100_P3 ta013_SSD100_P3 ta015_SSD100_P3 ta017_SSD100_P3 ta019_SSD100_P3 ta021_SSD100_P3 ta023_SSD100_P3 ta025_SSD100_P3 ta027_SSD100_P3 ta029_SSD100_P3 ta031_SSD100_P3 ta033_SSD100_P3 ta035_SSD100_P3 ta037_SSD100_P3 ta039_SSD100_P3 ta041_SSD100_P3 ta043_SSD100_P3 ta045_SSD100_P3 ta047_SSD100_P3 ta049_SSD100_P3 ta051_SSD100_P3 ta053_SSD100_P3 ta055_SSD100_P3 ta057_SSD100_P3 ta059_SSD100_P3 ta061_SSD100_P3 ta063_SSD100_P3 ta065_SSD100_P3 ta067_SSD100_P3 ta069_SSD100_P3 ta071_SSD100_P3 ta073_SSD100_P3 ta075_SSD100_P3 ta077_SSD100_P3 N 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 100 100 100 100 m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 Cmax 543 539 569 603 567 836 793 819 861 794 1239 1207 1181 1234 1200 1296 1282 1283 1254 1322 1552 1616 1636 1685 1639 2236 2170 2166 2251 2158 2526 2529 2459 2545 2492 3027 3002 2883 3024 Instancia ta002_SSD100_P3 ta004_SSD100_P3 ta006_SSD100_P3 ta008_SSD100_P3 ta010_SSD100_P3 ta012_SSD100_P3 ta014_SSD100_P3 ta016_SSD100_P3 ta018_SSD100_P3 ta020_SSD100_P3 ta022_SSD100_P3 ta024_SSD100_P3 ta026_SSD100_P3 ta028_SSD100_P3 ta030_SSD100_P3 ta032_SSD100_P3 ta034_SSD100_P3 ta036_SSD100_P3 ta038_SSD100_P3 ta040_SSD100_P3 ta042_SSD100_P3 ta044_SSD100_P3 ta046_SSD100_P3 ta048_SSD100_P3 ta050_SSD100_P3 ta052_SSD100_P3 ta054_SSD100_P3 ta056_SSD100_P3 ta058_SSD100_P3 ta060_SSD100_P3 ta062_SSD100_P3 ta064_SSD100_P3 ta066_SSD100_P3 ta068_SSD100_P3 ta070_SSD100_P3 ta072_SSD100_P3 ta074_SSD100_P3 ta076_SSD100_P3 ta078_SSD100_P3 n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 100 100 100 100 m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10

AnexoII

Cmax 564 571 538 531 509 798 717 769 760 794 1113 1112 1184 1204 1191 1256 1275 1248 1248 1248 1555 1570 1658 1614 1612 2106 2145 2172 2100 2159 2518 2531 2494 2388 2499 2945 2981 2993 3005

767

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ta079_SSD100_P3 ta081_SSD100_P3 ta083_SSD100_P3 ta085_SSD100_P3 ta087_SSD100_P3 ta089_SSD100_P3 ta091_SSD100_P3 ta093_SSD100_P3 ta095_SSD100_P3 ta097_SSD100_P3 ta099_SSD100_P3 ta101_SSD100_P3 ta103_SSD100_P3 ta105_SSD100_P3 ta107_SSD100_P3 ta109_SSD100_P3 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20 3008 3697 3737 3615 3702 3757 5552 5583 5730 5609 5550 6522 6492 6596 6609 6589 ta080_SSD100_P3 ta082_SSD100_P3 ta084_SSD100_P3 ta086_SSD100_P3 ta088_SSD100_P3 ta090_SSD100_P3 ta092_SSD100_P3 ta094_SSD100_P3 ta096_SSD100_P3 ta098_SSD100_P3 ta100_SSD100_P3 ta102_SSD100_P3 ta104_SSD100_P3 ta106_SSD100_P3 ta108_SSD100_P3 ta110_SSD100_P3 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20 2965 3706 3660 3666 3703 3701 5599 5507 5466 5526 5580 6465 6504 6473 6526 6531

TablaII13.MejoresresultadosconocidosparaelmakespandelgrupodeproblemasSDD100_P3propuestospor (Vallada,E.etal.2003)

Instancia ta001_SSD125_P3 ta003_SSD125_P3 ta005_SSD125_P3 ta007_SSD125_P3 ta009_SSD125_P3 ta011_SSD125_P3 ta013_SSD125_P3 ta015_SSD125_P3 ta017_SSD125_P3 ta019_SSD125_P3 ta021_SSD125_P3 ta023_SSD125_P3 ta025_SSD125_P3 ta027_SSD125_P3 ta029_SSD125_P3 ta031_SSD125_P3 ta033_SSD125_P3 ta035_SSD125_P3 ta037_SSD125_P3
768

N 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50

m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5

Cmax 600 617 605 647 592 900 880 866 911 880 1309 1320 1314 1345 1310 1426 1370 1409 1399

Instancia ta002_SSD125_P3 ta004_SSD125_P3 ta006_SSD125_P3 ta008_SSD125_P3 ta010_SSD125_P3 ta012_SSD125_P3 ta014_SSD125_P3 ta016_SSD125_P3 ta018_SSD125_P3 ta020_SSD125_P3 ta022_SSD125_P3 ta024_SSD125_P3 ta026_SSD125_P3 ta028_SSD125_P3 ta030_SSD125_P3 ta032_SSD125_P3 ta034_SSD125_P3 ta036_SSD125_P3 ta038_SSD125_P3

n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50

m 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5

Cmax 609 610 588 586 555 858 782 827 831 861 1206 1209 1264 1293 1269 1362 1368 1372 1387

LmitesconocidosparaelBancodePruebasEmpleadoenlaExperimentacin ta039_SSD125_P3 ta041_SSD125_P3 ta043_SSD125_P3 ta045_SSD125_P3 ta047_SSD125_P3 ta049_SSD125_P3 ta051_SSD125_P3 ta053_SSD125_P3 ta055_SSD125_P3 ta057_SSD125_P3 ta059_SSD125_P3 ta061_SSD125_P3 ta063_SSD125_P3 ta065_SSD125_P3 ta067_SSD125_P3 ta069_SSD125_P3 ta071_SSD125_P3 ta073_SSD125_P3 ta075_SSD125_P3 ta077_SSD125_P3 ta079_SSD125_P3 ta081_SSD125_P3 ta083_SSD125_P3 ta085_SSD125_P3 ta087_SSD125_P3 ta089_SSD125_P3 ta091_SSD125_P3 ta093_SSD125_P3 ta095_SSD125_P3 ta097_SSD125_P3 ta099_SSD125_P3 ta101_SSD125_P3 ta103_SSD125_P3 ta105_SSD125_P3 ta107_SSD125_P3 ta109_SSD125_P3 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20 1443 1830 1732 1772 1858 1832 2424 2344 2469 2445 2398 2824 2781 2802 2845 2885 3318 3325 3235 3292 3387 4102 4154 4064 4098 4190 6300 6310 6291 6395 6247 7243 7265 7197 7380 7267 ta040_SSD125_P3 ta042_SSD125_P3 ta044_SSD125_P3 ta046_SSD125_P3 ta048_SSD125_P3 ta050_SSD125_P3 ta052_SSD125_P3 ta054_SSD125_P3 ta056_SSD125_P3 ta058_SSD125_P3 ta060_SSD125_P3 ta062_SSD125_P3 ta064_SSD125_P3 ta066_SSD125_P3 ta068_SSD125_P3 ta070_SSD125_P3 ta072_SSD125_P3 ta074_SSD125_P3 ta076_SSD125_P3 ta078_SSD125_P3 ta080_SSD125_P3 ta082_SSD125_P3 ta084_SSD125_P3 ta086_SSD125_P3 ta088_SSD125_P3 ta090_SSD125_P3 ta092_SSD125_P3 ta094_SSD125_P3 ta096_SSD125_P3 ta098_SSD125_P3 ta100_SSD125_P3 ta102_SSD125_P3 ta104_SSD125_P3 ta106_SSD125_P3 ta108_SSD125_P3 ta110_SSD125_P3 50 50 50 50 50 50 50 50 50 50 50 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 200 200 200 200 200 200 200 200 200 200 5 10 10 10 10 10 20 20 20 20 20 5 5 5 5 5 10 10 10 10 10 20 20 20 20 20 10 10 10 10 10 20 20 20 20 20

1370 1732 1732 1801 1778 1760 2331 2352 2373 2307 2370 2778 2780 2721 2694 2649 3198 3324 3307 3266 3322 4137 4081 4035 4106 4115 6266 6356 6172 6134 6306 7232 7233 7306 7188 7238

AnexoII

TablaII14.MejoresresultadosconocidosparaelmakespandelgrupodeproblemasSDD125_P3propuestospor (Vallada,E.etal.2003)

769

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

AII.2.4

Talleres entre una y tres Mquinas por Etapa (Problemas P13): LmitesNuevosAlcanzadosconSMAGA1ySMAGA2.

En la columna Cmax_Ref se indica el mejor Cmax conocido para la instancia indicada. Los valores IPSO negativos, es decir cuyos Cmax son inferiores a los conocidos, se resaltan con colorrojo.Lanegrillaseempleaparadestacarelmejorresultadoentrelosquesuponenuna mejora. IPSOVEP Cmax IPSOVEP Cmax Instancia n m Cmax_Ref SMAGA1 SMAGA1 SMAGA2 SMAGA2 351 0,5698 353 0,8547 354 ta002_SSD10_P3 20 5 352 0,85227 355 1,42045 357 ta004_SSD10_P3 20 5 348 0 348 0,28735 349 ta006_SSD10_P3 20 5 332 0 332 0,3012 333 ta008_SSD10_P3 20 5 322 0,9316 319 0 322 ta010_SSD10_P3 20 5 541 0 541 0,3696 539 ta012_SSD10_P3 20 10 461 1,30151 467 1,08459 466 ta014_SSD10_P3 20 10 509 0,19646 510 0 509 ta016_SSD10_P3 20 10 513 0,1949 512 0,77972 517 ta018_SSD10_P3 20 10 533 0 533 0,93808 538 ta020_SSD10_P3 20 10 786 0,2544 784 0,2544 784 ta022_SSD10_P3 20 20 782 0 782 0,5115 786 ta024_SSD10_P3 20 20 859 0 859 0,93131 867 ta026_SSD10_P3 20 20 869 0 869 0 869 ta028_SSD10_P3 20 20 878 0,22779 880 0 878 ta030_SSD10_P3 20 20 678 0,5899 674 1,32743 687 ta032_SSD10_P3 50 5 680 1,02941 687 2,5 697 ta034_SSD10_P3 50 5 700 1 693 0,7142 695 ta036_SSD10_P3 50 5 656 1,2195 648 1,6768 645 ta038_SSD10_P3 50 5 684 1,02339 691 0,58479 688 ta040_SSD10_P3 50 5 867 0,11534 868 3,34486 896 ta042_SSD10_P3 50 10 837 3,2258 864 5,85424 886 ta044_SSD10_P3 50 10 940 2,23404 961 2,02127 959 ta046_SSD10_P3 50 10 947 0,4223 943 0,52798 952 ta048_SSD10_P3 50 10 926 0,43196 930 0,86393 934 ta050_SSD10_P3 50 10 39,437 1313 39,391 1314 ta052_SSD10_P3 50 20 2168 0,2265 1321 1,73716 1347 ta054_SSD10_P3 50 20 1324 0,22641 1328 0,3773 1320 ta056_SSD10_P3 50 20 1325 0,4672 1278 0,46728 1290 ta058_SSD10_P3 50 20 1284
770

LmitesconocidosparaelBancodePruebasEmpleadoenlaExperimentacin ta060_SSD10_P3 50 20 1316 0 1316 0,83586

AnexoII

1327

TablaII15.MejoresresultadosalcanzadosparaelmakespandelgrupodeproblemasSDD10_P13propuestos por(Vallada,E.etal.2003).

IPSOVEP Cmax IPSOVEP Cmax Instancia n m Cmax_Ref SMAGA1 SMAGA1 SMAGA2 SMAGA2 459 0,8714 455 0,2178 458 ta002_SSD50_P3 20 5 461 0,43383 463 1,3071 455 ta004_SSD50_P3 20 5 440 0 440 2,72727 452 ta006_SSD50_P3 20 5 429 0,6993 432 1,36363 435 ta008_SSD50_P3 20 5 412 0,24271 413 1,21359 417 ta010_SSD50_P3 20 5 652 0,4601 649 0,7281 647 ta012_SSD50_P3 20 10 580 1,89655 591 3,44827 600 ta014_SSD50_P3 20 10 637 0,1569 636 0,62794 641 ta016_SSD50_P3 20 10 621 0,6441 617 0,6441 617 ta018_SSD50_P3 20 10 646 0,77399 651 1,08359 653 ta020_SSD50_P3 20 10 928 0,10775 929 1,18534 939 ta022_SSD50_P3 20 20 926 0,86393 934 1,40388 939 ta024_SSD50_P3 20 20 999 0,5005 1004 0,7007 1006 ta026_SSD50_P3 20 20 0,19607 1022 0,39215 1024 ta028_SSD50_P3 20 20 1020 0,69169 1019 0,49407 1017 ta030_SSD50_P3 20 20 1012 955 0,2094 953 0,10471 956 ta032_SSD50_P3 50 5 977 0,7164 970 0,4094 973 ta034_SSD50_P3 50 5 951 1,2618 939 1,22824 963 ta036_SSD50_P3 50 5 932 0,6437 926 1,0515 922 ta038_SSD50_P3 50 5 965 1,3471 952 0,829 957 ta040_SSD50_P3 50 5 0,823 1205 0,5181 1209 ta042_SSD50_P3 50 10 1215 2,04429 1198 0,2469 1171 ta044_SSD50_P3 50 10 1174 0,6211 1280 0,54347 1295 ta046_SSD50_P3 50 10 1288 0,3115 1280 0,6211 1276 ta048_SSD50_P3 50 10 1284 0,1586 1259 0,5551 1254 ta050_SSD50_P3 50 10 1261 0,0603 1657 1,34813 1680 ta052_SSD50_P3 50 20 1658 0,291 1713 0,23282 1722 ta054_SSD50_P3 50 20 1718 0,17513 1716 0 1713 ta056_SSD50_P3 50 20 1713 0,5363 1669 0,467 1670 ta058_SSD50_P3 50 20 1678 0,70422 1716 0,23837 1708 ta060_SSD50_P3 50 20 1704
TablaII16.MejoresresultadosalcanzadosparaelmakespandelgrupodeproblemasSDD50_P13propuestos por(Vallada,E.etal.2003)

771

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Instancia ta002_SSD100_P3 ta004_SSD100_P3 ta006_SSD100_P3 ta008_SSD100_P3 ta010_SSD100_P3 ta012_SSD100_P3 ta014_SSD100_P3 ta016_SSD100_P3 ta018_SSD100_P3 ta020_SSD100_P3 ta022_SSD100_P3 ta024_SSD100_P3 ta026_SSD100_P3 ta028_SSD100_P3 ta030_SSD100_P3 ta032_SSD100_P3 ta034_SSD100_P3 ta036_SSD100_P3 ta038_SSD100_P3 ta040_SSD100_P3 ta042_SSD100_P3 ta044_SSD100_P3 ta046_SSD100_P3 ta048_SSD100_P3 ta050_SSD100_P3 ta052_SSD100_P3 ta054_SSD100_P3 ta056_SSD100_P3 ta058_SSD100_P3 ta060_SSD100_P3

n 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50

IPSOVEP Cmax IPSOVEP Cmax m Cmax_Ref SMAGA1 SMAGA1 SMAGA2 SMAGA2 564 1,4184 556 0,53191 567 5 571 1,0507 565 2,97723 588 5 538 0,1858 537 0,5576 535 5 531 0,94161 536 3,38983 549 5 509 1,1787 503 1,3752 502 5 798 0 798 0,5012 794 10 717 0 717 1,3947 727 10 769 0,26007 771 0,26007 771 10 760 0,3947 757 1,97368 775 10 794 0,62972 799 0,88161 801 10 0,2695 1110 0,4492 1108 20 1113 0,08992 1113 0,26978 1115 20 1112 1,3513 1168 0,7601 1175 20 1184 0,1661 1202 0,7475 1213 20 1204 0,5037 1185 0,50377 1197 20 1191 1256 2,3885 1226 0,87579 1267 5 1275 2,745 1240 2,8235 1239 5 1248 1,282 1232 1,7628 1226 5 1248 2,4038 1218 1,2019 1233 5 1248 0,32051 1252 0,40064 1253 5 0 1555 1,47909 1578 10 1555 1,656 1544 0,63694 1580 10 1570 0,8443 1644 0,72376 1670 10 1658 0,61957 1624 0,49566 1622 10 1614 1,2406 1592 1,98511 1644 10 1612 0,0474 2105 1,4245 2136 20 2106 0 2145 0,4662 2135 20 2145 0,8287 2154 0,6906 2157 20 2172 0,04761 2101 0,7142 2085 20 2100 0,18527 2163 0,0926 2157 20 2159

TablaII17.MejoresresultadosalcanzadosparaelmakespandelgrupodeproblemasSDD100_P13propuestos por(Vallada,E.etal.2003)

772

LmitesconocidosparaelBancodePruebasEmpleadoenlaExperimentacin

AnexoII

IPSOVEP Cmax IPSOVEP Cmax Instancia n m Cmax_Ref SMAGA1 SMAGA1 SMAGA2 SMAGA2 609 0,82101 614 1,642 599 ta002_SSD125_P3 20 5 610 2,29508 624 1,4754 619 ta004_SSD125_P3 20 5 588 3,2312 569 0 588 ta006_SSD125_P3 20 5 586 1,02389 592 0,68259 590 ta008_SSD125_P3 20 5 555 1,081 549 1,44144 563 ta010_SSD125_P3 20 5 858 1,3986 870 0,81585 865 ta012_SSD125_P3 20 10 782 1,15089 791 3,4526 755 ta014_SSD125_P3 20 10 827 0,84643 834 2,17654 845 ta016_SSD125_P3 20 10 831 1,44404 843 1,92539 847 ta018_SSD125_P3 20 10 861 1,3937 849 0,5807 856 ta020_SSD125_P3 20 10 0,24875 1209 0,3316 1202 ta022_SSD125_P3 20 20 1206 0,6617 1201 0,08271 1210 ta024_SSD125_P3 20 20 1209 0,39556 1269 0,5537 1257 ta026_SSD125_P3 20 20 1264 0,3093 1289 0,61871 1301 ta028_SSD125_P3 20 20 1293 0,5516 1262 0,39401 1274 ta030_SSD125_P3 20 20 1269 1362 1,6886 1339 0 1362 ta032_SSD125_P3 50 5 1368 0,3654 1363 2,33918 1400 ta034_SSD125_P3 50 5 1372 3,0612 1330 0,87463 1384 ta036_SSD125_P3 50 5 1387 2,3071 1355 0,2162 1384 ta038_SSD125_P3 50 5 1370 1,75182 1394 0,5839 1362 ta040_SSD125_P3 50 5 1,3856 1708 0,75057 1745 ta042_SSD125_P3 50 10 1732 0,5773 1722 0,28868 1737 ta044_SSD125_P3 50 10 1732 0,16657 1804 0,83287 1816 ta046_SSD125_P3 50 10 1801 0,84364 1793 1,12485 1798 ta048_SSD125_P3 50 10 1778 0,79545 1774 1,47727 1786 ta050_SSD125_P3 50 10 1760 1,4157 2298 0,3003 2324 ta052_SSD125_P3 50 20 2331 1,06292 2377 1,23299 2381 ta054_SSD125_P3 50 20 2352 0,4635 2362 0,04214 2374 ta056_SSD125_P3 50 20 2373 0,5635 2320 0,34677 2315 ta058_SSD125_P3 50 20 2307 0,63291 2385 0,08438 2372 ta060_SSD125_P3 50 20 2370
TablaII18.MejoresresultadosalcanzadosparaelmakespandelgrupodeproblemasSDD125_P3propuestos por(Vallada,E.etal.2003)

773

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Taillard,E.1993.BenchmarksforBasicSchedulingProblems.EuropeanJournalofOperational Research,64(2):278285. Vallada,E.,Ruiz,R.,and Maroto,C.SyntheticandRealBenchmarksforComplexFlowShops Problems. Informe Tcnico. 2003. Grupo de Investigacin Operativa (GIO). Universidad PolitcnicadeValencia(Spain).

774

Anexo
AnlisisEstadsticodelosResultados ObtenidosenlaExperimentacinpara laProgramacinPredictivadela Produccin

III

AnlisisEstadsticodelosResultadosObtenidosenlaExperimentacinparala AnexoIII ProgramacinPredictivadelaProduccin

AII.

AnexoIII

AIII.1

AjustedeParmetrosSMAGA1paralaConfiguracinP13

AIII.1.1 BloqueSSD10 AIII.1.1.1 SubconjuntoSSD10_P13_20

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -0,02

percentage

0,03

0,08

0,13

0,18

0,23

0,28

IPSOVEPT20

FiguraII1.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD10_P13_20en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT20

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 -3,2 -0,02 0,03 0,08 0,13 0,18 0,23 0,28

IPSOVEPT20

777

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

FiguraII2.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD10_P13_20.

Plot of SRESIDUALS vs GsM

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 -3,2 0 30 60 90 120 150 180 210 240 270

GsM
FiguraII3.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 -3,2 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII4.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

778

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs FmG

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 -3,2 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32 1,36 1,4

FmG
FiguraII5.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Correlation Matrix for Estimated Effects (1) (2) (3) (4) (5) (6) (7) (8) ---------------------------------------------------------------------------(1)average 1,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 (2)A:GsM 0,0000 1,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 (3)B:FdM 0,0000 0,0000 1,0000 0,0000 0,0000 0,0000 0,0000 0,0000 (4)C:FmG 0,0000 0,0000 0,0000 1,0000 0,0000 0,0000 0,0000 0,0000 (5)AB 0,0000 0,0000 0,0000 0,0000 1,0000 0,0000 0,0000 0,0000 (6)AC 0,0000 0,0000 0,0000 0,0000 0,0000 1,0000 0,0000 0,0000 (7)BC 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 1,0000 0,0000 (8)block 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 1,0000

TablaII1.MatrizdecorrelacionesparaelconjuntoexperimentalSSD10_P13_20.

779

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs Row

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 -3,2 0 4 8 12 16 20 24

Row
FiguraII6.Residuosestudentizadosfrentealordendeejecucin.

Analysis of Variance for IPSOVEPT20 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,0181661 1 0,0181661 4,26 0,0568 B:FdM 0,00597277 1 0,00597277 1,40 0,2550 C:GmF 0,00629737 1 0,00629737 1,48 0,2431 AB 0,0184553 1 0,0184553 4,33 0,0551 AC 0,00122302 1 0,00122302 0,29 0,6001 BC 0,0415501 1 0,0415501 9,74 0,0070 blocks 0,0131768 2 0,00658841 1,54 0,2454 Total error 0,0639671 15 0,00426447 -------------------------------------------------------------------------------Total (corr.) 0,168809 23

TablaII2.ANOVAcorrespondientealconjuntoexperimentalSSD10_P13_20.

Observando la Tabla II2 vemos que disponemos de 24 datos y como vemos, tenemos 15 grados de libertad residuales. ANOVA realiza un contraste de hiptesis sobre las medias y cuando el pvalue es menor que un determinado (la probabilidad de rechazar la hiptesis nula cuando es cierta) significa que realmente existen diferencias estadsticamente significativasentrelasmediasdelosnivelesovariantesparaunfactorointeraccin.Eneste caso se establece un =0,05, lo que significa que slo es significativa la combinacin de factoresBC,esdecirFdMyGmF.

780

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Main Effects Plot for IPSOVEPT20

(X 0,001) 127

IPSOVEPT20

117 107 97 87 77 67 50,0 200,0 0,1 0,3 GsM FdM 1,05 RM 1,2

FiguraII7.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD10_P13_20.

Interaction Plot for IPSOVEPT20

0,18

IPSOVEPT20

+ + + + + 50,0 AB 200,0 50,0 AC 200,0 0,1 BC 0,3 + -

0,15 0,12 0,09 0,06 0,03 0

FiguraII8.GrficodeinteraccinentrelosfactoresdelconjuntoexperimentalSSD10_P13_20.

Analizando la Figura II8 se deduce que el valor adecuado son para el factor FdM es 0.1, en combinacin con el valor ms alto del parmetro GmF, es decir, con 1.2. El valor del factor GsM,sepuedeestablecerlibremente.Noobstante,elvalorelegidoparaGsMser50,yaque con este valor se obtienen mejores resultados teniendo en cuenta todas las interacciones,
781

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica aunque no se pueda afirmar que stas sean significativas. Por lo tanto, los parmetros quedaranGsM=50,FdM=0.1yFmG=1.2.

AIII.1.1.2 SubconjuntoSSD10_P13_50

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 0,49 0,69 0,89 1,09 1,29

percentage

IPSOVEPT50

FiguraII9.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD10_P13_50en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT50

2,9

SRESIDUALS

1,9 0,9 -0,1 -1,1 -2,1 0,49 0,69 0,89 1,09 1,29

IPSOVEPT50

782

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

FiguraII10.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD10_P13_50.

Plot of SRESIDUALS vs GsM

2,9

SRESIDUALS

1,9 0,9 -0,1 -1,1 -2,1 30 60 90 120 150 180 210 240

GsM
FiguraII11.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

2,9

SRESIDUALS

1,9 0,9 -0,1 -1,1 -2,1 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII12.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

783

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs FmG

2,9

SRESIDUALS

1,9 0,9 -0,1 -1,1 -2,1 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32

FmG
FiguraII13.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROW

2,9

SRESIDUALS

1,9 0,9 -0,1 -1,1 -2,1 0 4 8 12 16 20 24

ROW
FiguraII14.Residuosestudentizadosfrentealordendeejecucin.

784

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Analysis of Variance for IPSOVEPT50 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,148723 1 0,148723 4,35 0,0544 B:FdM 0,00000129865 1 0,00000129865 0,00 0,9952 C:FmG 0,0838872 1 0,0838872 2,46 0,1380 AB 0,0176728 1 0,0176728 0,52 0,4830 AC 0,00108121 1 0,00108121 0,03 0,8612 BC 0,00118466 1 0,00118466 0,03 0,8548 blocks 0,0261343 2 0,0130672 0,38 0,6886 Total error 0,512426 15 0,0341617 -------------------------------------------------------------------------------Total (corr.) 0,79111 23

TablaII3.ANOVAcorrespondientealconjuntoexperimentalSSD10_P13_50.

Observando la Tabla II3 disponemos de 24 datos y como vemos, tenemos 15 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaqueno existenfactoressignificativosniparalosefectosprincipalesnienningunaotracombinacin.

785

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

AIII.1.2 BloqueSSD50 AIII.1.2.1 SubconjuntoSSD50_P13_20

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 0,5 0,7 0,9 1,1 1,3

percentage

IPSOVEPT20

FiguraII15.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD50_P13_20en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT20

3,6

SRESIDUALS

2,6 1,6 0,6 -0,4 -1,4 -2,4 0,5 0,7 0,9 1,1 1,3

IPSOVEPT20
FiguraII16.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD50_P13_20.

786

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs GsM

3,6

SRESIDUALS

2,6 1,6 0,6 -0,4 -1,4 -2,4 30 60 90 120 150 180 210 240

GsM
FiguraII17.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

3,6

SRESIDUALS

2,6 1,6 0,6 -0,4 -1,4 -2,4 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII18.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

787

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs FmG

3,6

SRESIDUALS

2,6 1,6 0,6 -0,4 -1,4 -2,4 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32

FmG
FiguraII19.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROWS

3,6

SRESIDUALS

2,6 1,6 0,6 -0,4 -1,4 -2,4 0 4 8 12 16 20 24

ROWS
FiguraII20.Residuosestudentizadosfrentealordendeejecucin.

788

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Analysis of Variance for IPSOVEPT20 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,0354851 1 0,0354851 1,28 0,2765 B:FdM 0,000155004 1 0,000155004 0,01 0,9415 C:FmG 0,0475201 1 0,0475201 1,71 0,2109 AB 0,00232669 1 0,00232669 0,08 0,7764 AC 0,00020854 1 0,00020854 0,01 0,9322 BC 0,000202533 1 0,000202533 0,01 0,9331 blocks 0,130621 2 0,0653104 2,35 0,1297 Total error 0,417342 15 0,0278228 -------------------------------------------------------------------------------Total (corr.) 0,633861 23

TablaII4.ANOVAcorrespondientealconjuntoexperimentalSSD50_P13_20.

Observando la Tabla II4 disponemos de 24 datos y como vemos, tenemos 15 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaqueno existenfactoressignificativosniparalosefectosprincipalesnienningunaotracombinacin.

AIII.1.2.2 SubconjuntoSSD50_P13_50

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 0,6 0,8 1 1,2 1,4 1,6 1,8

percentage

IPSOVEPT50

FiguraII21.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD50_P13_50en relacinalasfrecuenciasrelativasacumuladas.

789

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs IPSOVEPT50

2,4

SRESIDUALS

1,4 0,4 -0,6 -1,6 0,6 0,8 1 1,2 1,4 1,6 1,8

IPSOVEPT50
FiguraII22.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD50_P13_50.

Plot of SRESIDUALS vs GsM

2,4

SRESIDUALS

1,4 0,4 -0,6 -1,6 0 30 60 90 120 150 180 210 240 270

GsM
FiguraII23.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

790

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs FdM

2,4

SRESIDUALS

1,4 0,4 -0,6 -1,6 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII24.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

Plot of SRESIDUALS vs FmG

2,4

SRESIDUALS

1,4 0,4 -0,6 -1,6 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32 1,36 1,4

FmG
FiguraII25.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

791

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs Row

2,4

SRESIDUALS

1,4 0,4 -0,6 -1,6 0 4 8 12 16 20 24

Row
FiguraII26.Residuosestudentizadosfrentealordendeejecucin.

Analysis of Variance for IPSOVEPT50 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,0230193 1 0,0230193 0,35 0,5645 B:FdM 0,00598945 1 0,00598945 0,09 0,7679 C:FmG 0,000537878 1 0,000537878 0,01 0,9294 AB 0,00806356 1 0,00806356 0,12 0,7322 AC 0,039553 1 0,039553 0,60 0,4519 BC 0,481785 1 0,481785 7,27 0,0166 blocks 0,0146084 2 0,00730419 0,11 0,8964 Total error 0,994732 15 0,0663155 -------------------------------------------------------------------------------Total (corr.) 1,56829 23

TablaII5.ANOVAcorrespondientealconjuntoexperimentalSSD50_P13_50.

ObservandolaTablaII5vemosquedisponemosde24datosy,tenemos15gradosdelibertad residuales. El contraste de hiptesis sobre las medias para un =0,05 implica que slo es significativalacombinacindefactoresBC,esdecirFdMyGmF.

792

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Main Effects Plot for IPSOVEPT50

1,13

IPSOVEPT50

1,11 1,09 1,07 1,05 50,0 200,0 0,1 0,3 GsM FdM 1,05 RM 1,2

FiguraII27.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD50_P13_50.

Interaction Plot for IPSOVEPT50

1,32

IPSOVEPT50

1,22 1,12 1,02 0,92 50,0 AB 200,0 50,0 AC + + + + -

+ 200,0 0,1 BC 0,3

FiguraII28.GrficodeinteraccinentrelosfactoresdelconjuntoexperimentalSSD50_P13_50.

AnalizandolaFiguraII28sededucequeelvaloradecuadosonparaelfactorFdMes0.3,en combinacinconelvalormsbajodelparmetroGmF,esdecir,con1.05.Elvalordelfactor GsM, se puede establecer libremente. No obstante, el valor elegido para GsM ser 200, aunque no se pueda afirmar que stas sean significativas. Por lo tanto, los parmetros quedaranGsM=200,FdM=0.3yFmG=1.05.
793

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

AIII.1.3 BloqueSSD100 AIII.1.3.1 SubconjuntoSSD100_P13_20

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 0,8 1,1 1,4 1,7 2 2,3

percentage

IPSOVEPT20

FiguraII29.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD100_P13_20en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT20

2

SRESIDUALS

1 0 -1 -2 0,8 1,1 1,4 1,7 2 2,3

IPSOVEPT20
FiguraII30.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD100_P13_20.

794

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs GsM

2

SRESIDUALS

1 0 -1 -2 0 30 60 90 120 150 180 210 240 270

GsM
FiguraII31.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

2

SRESIDUALS

1 0 -1 -2 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII32.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

795

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs FmG

1,9

SRESIDUALS

0,9 -0,1 -1,1 -2,1 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32 1,36 1,4

FmG
FiguraII33.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROW

2

SRESIDUALS

1 0 -1 -2 0 4 8 12 16 20 24

ROW
FiguraII34.Residuosestudentizadosfrentealordendeejecucin.

796

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Analysis of Variance for IPSOVEPT20 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,0170934 1 0,0170934 0,37 0,5546 B:FdM 0,0253732 1 0,0253732 0,54 0,4728 C:FmG 1,11959 1 1,11959 23,93 0,0002 AB 0,169729 1 0,169729 3,63 0,0762 AC 0,00828279 1 0,00828279 0,18 0,6799 BC 0,146803 1 0,146803 3,14 0,0968 blocks 0,0353668 2 0,0176834 0,38 0,6916 Total error 0,701781 15 0,0467854 -------------------------------------------------------------------------------Total (corr.) 2,22402 23

TablaII6.ANOVAcorrespondientealconjuntoexperimentalSSD100_P13_20.

ObservandolaTablaII6vemosquedisponemosde24datosy,tenemos15gradosdelibertad residuales. El contraste de hiptesis sobre las medias para un =0,05 implica que slo es significativoelefectoprincipaldelfactorC,esdecirFmG.

Main Effects Plot for IPSOVEPT20

1,7

IPSOVEPT20

1,6 1,5 1,4 1,3 1,2 50,0 200,0 0,1 0,3 GsM FdM 1,05 RM 1,2

FiguraII35.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD100_P13_20.

AnalizandolaFigura II35 sededucequeelvaloradecuadoson paraelfactorFmGes1.2.El valor de los factores GsM y FdM, se pueden establecer libremente. No obstante, el valor elegido para GsM ser 50 y para FdM ser 0.1, aunque no se pueda afirmar que stos sean significativos.Porlotanto,losparmetrosquedaranGsM=50,FdM=0.1yFmG=1.2.

797

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

AIII.1.3.2 SubconjuntoSSD100_P13_50

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -0,1 0,3 0,7 1,1 1,5 1,9 2,3

percentage

IPSOVEPT50

FiguraII36.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD100_P13_50en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT50

3

SRESIDUALS

2 1 0 -1 -2 -0,1 0,3 0,7 1,1 1,5 1,9 2,3

IPSOVEPT50
FiguraII37.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD100_P13_50.

798

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs GsM

3

SRESIDUALS

2 1 0 -1 -2 0 30 60 90 120 150 180 210 240 270

GsM
FiguraII38.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

3

SRESIDUALS

2 1 0 -1 -2 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII39.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

799

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs FmG

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32 1,36 1,4

FmG
FiguraII40.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROW

3

SRESIDUALS

2 1 0 -1 -2 0 4 8 12 16 20 24

ROW
FiguraII41.Residuosestudentizadosfrentealordendeejecucin.

800

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

-------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,00615752 1 0,00615752 0,05 0,8237 B:FdM 0,0832285 1 0,0832285 0,69 0,4177 C:FmG 1,21633 1 1,21633 10,15 0,0061 AB 0,0116444 1 0,0116444 0,10 0,7595 AC 0,243384 1 0,243384 2,03 0,1746 BC 0,0167412 1 0,0167412 0,14 0,7138 blocks 0,99552 2 0,49776 4,15 0,0367 Total error 1,79761 15 0,119841 -------------------------------------------------------------------------------Total (corr.) 4,37062 23

TablaII7.ANOVAcorrespondientealconjuntoexperimentalSSD100_P13_50.

ObservandolaTablaII7vemosquedisponemosde24datosy,tenemos15gradosdelibertad residuales. El contraste de hiptesis sobre las medias para un =0,05 implica que slo es significativoelefectoprincipaldelfactorC,esdecirFmG.

Main Effects Plot for IPSOVEPT50

1,22

IPSOVEPT50

1,12 1,02 0,92 0,82 0,72 50,0 200,0 0,1 0,3 GsM FdM 1,05 RM 1,2

FiguraII42.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD100_P13_50.

AnalizandolaFigura II42 sededucequeelvaloradecuadoson paraelfactorFmGes1.2.El valor de los factores GsM y FdM, se pueden establecer libremente. No obstante, el valor elegido para GsM ser 50 y para FdM ser 0.1, aunque no se pueda afirmar que stos sean significativos.Porlotanto,losparmetrosquedaranGsM=50,FdM=0.1yFmG=1.2.

801

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

AIII.1.4 BloqueSSD125 AIII.1.4.1 SubconjuntoSSD125_P13_20

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 1,1 1,4 1,7 2 2,3 2,6

percentage

IPSOVEPT20

FiguraII43.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD125_P13_20en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT20

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 -2,9 1,1 1,4 1,7 2 2,3 2,6

IPSOVEPT20
FiguraII44.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD125_P13_20.

802

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs GsM

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 -2,9 0 30 60 90 120 150 180 210 240 270

GsM
FiguraII45.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 -2,9 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII46.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

803

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs FmG

2,4

SRESIDUALS

1,4 0,4 -0,6 -1,6 -2,6 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32 1,36 1,4

FmG
FiguraII47.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROW

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 -2,9 0 4 8 12 16 20 24

ROW
FiguraII48.Residuosestudentizadosfrentealordendeejecucin.

804

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Analysis of Variance for IPSOVEPT20 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,0511366 1 0,0511366 0,68 0,4229 B:FdM 0,0181848 1 0,0181848 0,24 0,6303 C:FmG 1,68171 1 1,68171 22,33 0,0003 AB 0,000680595 1 0,000680595 0,01 0,9255 AC 0,0679722 1 0,0679722 0,90 0,3572 BC 0,0472016 1 0,0472016 0,63 0,4409 blocks 0,0456949 2 0,0228474 0,30 0,7428 Total error 1,12986 15 0,0753238 -------------------------------------------------------------------------------Total (corr.) 3,04244 23

TablaII8.ANOVAcorrespondientealconjuntoexperimentalSSD125_P13_20.

ObservandolaTablaII8vemosquedisponemosde24datosy,tenemos15gradosdelibertad residuales. El contraste de hiptesis sobre las medias para un =0,05 implica que slo es significativoelefectoprincipaldelfactorC,esdecirFmG.

Main Effects Plot for IPSOVEPT20

2,1

IPSOVEPT20

1,9 1,7 1,5 1,3 50,0 200,0 0,1 0,3 GsM FdM 1,05 RM 1,2

FiguraII49.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD100_P13_20.

AnalizandolaFigura II49 sededucequeelvaloradecuadoson paraelfactorFmGes1.2.El valor de los factores GsM y FdM, se pueden establecer libremente. No obstante, el valor elegidoparaGsMser200yparaFdMser0.1,aunquenosepuedaafirmarquestossean significativos.Porlotanto,losparmetrosquedaranGsM=200,FdM=0.1yFmG=1.2.

805

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

AIII.1.4.2 SubconjuntoSSD125_P13_50

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 0 0,3 0,6 0,9 1,2 1,5

percentage

IPSOVEPT50

FiguraII50.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD125_P13_50en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT50

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 0 0,3 0,6 0,9 1,2 1,5

IPSOVEPT50
FiguraII51.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD125_P13_50.

806

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs GsM

1,9

SRESIDUALS

0,9 -0,1 -1,1 -2,1 0 30 60 90 120 150 180 210 240 270

GsM
FiguraII52.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

1,9

SRESIDUALS

0,9 -0,1 -1,1 -2,1 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII53.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

807

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs FmG

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32 1,36 1,4

FmG
FiguraII54.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROW

1,9

SRESIDUALS

0,9 -0,1 -1,1 -2,1 0 4 8 12 16 20 24

ROW
FiguraII55.Residuosestudentizadosfrentealordendeejecucin.

808

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Analysis of Variance for IPSOVEPT50 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,263598 1 0,263598 2,65 0,1246 B:FdM 0,0475548 1 0,0475548 0,48 0,5001 C:FmG 0,686706 1 0,686706 6,90 0,0191 AB 0,159772 1 0,159772 1,60 0,2246 AC 0,00332736 1 0,00332736 0,03 0,8574 BC 0,184779 1 0,184779 1,86 0,1933 blocks 0,0288672 2 0,0144336 0,14 0,8663 Total error 1,49386 15 0,0995904 -------------------------------------------------------------------------------Total (corr.) 2,86846 23

TablaII9.ANOVAcorrespondientealconjuntoexperimentalSSD125_P13_50.

ObservandolaTablaII9vemosquedisponemosde24datosy,tenemos15gradosdelibertad residuales. El contraste de hiptesis sobre las medias para un =0,05 implica que slo es significativoelefectoprincipaldelfactorC,esdecirFmG.

Main Effects Plot for IPSOVEPT50

0,99

IPSOVEPT50

0,89 0,79 0,69 0,59 50,0 200,0 0,1 0,3 GsM FdM 1,05 RM 1,2

FiguraII56.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD125_P13_50.

AnalizandolaFigura II56 sededucequeelvaloradecuadoson paraelfactorFmGes1.2.El valor de los factores GsM y FdM, se pueden establecer libremente. No obstante, el valor elegidoparaGsMser200yparaFdMser0.1,aunquenosepuedaafirmarquestossean significativos.Porlotanto,losparmetrosquedaranGsM=200,FdM=0.1yFmG=1.2.
809

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

AIII.2

AjustedeParmetrosSMAGA1paralaConfiguracinP3

AIII.2.1 BloqueSSD10 AIII.2.1.1 SubconjuntoSSD10_P3_20

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 1,4 1,7 2 2,3 2,6 2,9

percentage

IPSOVEPT20

FiguraII57.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD10_P3_20en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT20

2,4

SRESIDUALS

1,4 0,4 -0,6 -1,6 1,4 1,7 2 2,3 2,6 2,9

IPSOVEPT20
FiguraII58.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD10_P3_20.

810

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs GsM

2,4

SRESIDUALS

1,4 0,4 -0,6 -1,6 30 60 90 120 150 180 210 240

GsM
FiguraII59.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

2,4

SRESIDUALS

1,4 0,4 -0,6 -1,6 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII60.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

811

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs FmG

2,4

SRESIDUALS

1,4 0,4 -0,6 -1,6 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32

FmG
FiguraII61.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROW

2,4

SRESIDUALS

1,4 0,4 -0,6 -1,6 0 4 8 12 16 20 24

ROW
FiguraII62.Residuosestudentizadosfrentealordendeejecucin.

812

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Analysis of Variance for IPSOVEPT20 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,852452 1 0,852452 12,12 0,0029 B:FdM 0,23617 1 0,23617 3,36 0,0845 C:FmG 0,101766 1 0,101766 1,45 0,2455 AB 0,610131 1 0,610131 8,67 0,0091 AC 0,0316892 1 0,0316892 0,45 0,5111 BC 0,0038395 1 0,0038395 0,05 0,8181 Total error 1,19569 17 0,0703348 -------------------------------------------------------------------------------Total (corr.) 3,03174 23

TablaII10.ANOVAcorrespondientealconjuntoexperimentalSSD10_P3_20.

Observando la Tabla II10 vemos que disponemos de 24 datos y tenemos 17 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaquees significativoelefectoprincipaldelfactorA,yelefectocombinadoAB,esdecirdelosfactores GsMyFdM.

Main Effects Plot for IPSOVEPT20

2,3

IPSOVEPT20

2,2 2,1 2 1,9 1,8 50,0 200,0 0,1 0,3 GsM FdM 1,05 FmG 1,2

FiguraII63.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD10_P3_20.

813

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Interaction Plot for IPSOVEPT20

2,5 2,1 1,9 1,7 50,0 AB 200,0 50,0 AC 200,0 0,1 BC 0,3 + + + + + +

IPSOVEPT20

2,3

FiguraII64.GrficodeinteraccinentrelosfactoresdelconjuntoexperimentalSSD10_P3_20.

AnalizandolaFiguraII64 sededucequeelvaloradecuadosonparaelfactorGsMes50,en combinacin con el valor ms bajo del parmetro FdM, es decir, con 0.1. El valor del factor FmG,sepuedeestablecerlibremente.Noobstante,elvalorelegidoparaFmGser1.2.Porlo tanto,losparmetrosquedaranGsM=50,FdM=0.1yFmG=1.2.

AIII.2.1.2 SubconjuntoSSD10_P3_50

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -0,3 0,1 0,5 0,9 1,3

percentage

IPSOVEPT50

FiguraII65.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD10_P3_50en relacinalasfrecuenciasrelativasacumuladas.

814

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs IPSOVEPT50

3,1

SRESIDUALS

2,1 1,1 0,1 -0,9 -1,9 -0,3 0,1 0,5 0,9 1,3

IPSOVEPT50
FiguraII66.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD10_P3_50.

Plot of SRESIDUALS vs GsM

3,1

SRESIDUALS

2,1 1,1 0,1 -0,9 -1,9 40 70 100 130 160 190 220 250

GsM
FiguraII67.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

815

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs FdM

3,1

SRESIDUALS

2,1 1,1 0,1 -0,9 -1,9 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII68.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

Plot of SRESIDUALS vs FmG

3,1

SRESIDUALS

2,1 1,1 0,1 -0,9 -1,9 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32

FmG
FiguraII69.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

816

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs ROW

3,1

SRESIDUALS

2,1 1,1 0,1 -0,9 -1,9 0 4 8 12 16 20 24

ROW
FiguraII70.Residuosestudentizadosfrentealordendeejecucin.

Analysis of Variance for IPSOVEPT50 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,973443 1 0,973443 7,46 0,0142 B:FdM 0,000178228 1 0,000178228 0,00 0,9709 C:FmG 1,27339 1 1,27339 9,76 0,0062 AB 0,288179 1 0,288179 2,21 0,1555 AC 0,0170192 1 0,0170192 0,13 0,7224 BC 0,00484283 1 0,00484283 0,04 0,8495 Total error 2,21794 17 0,130467 -------------------------------------------------------------------------------Total (corr.) 4,775 23

TablaII11.ANOVAcorrespondientealconjuntoexperimentalSSD10_P3_50.

Observando la Tabla II11 vemos que disponemos de 24 datos y tenemos 17 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaqueson significativoslosefectosprincipaldelfactorAyC,esdecirlosfactoresGsMyFmG.

817

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Main Effects Plot for IPSOVEPT50

0,85

IPSOVEPT50

0,75 0,65 0,55 0,45 0,35 50,0 200,0 0,1 0,3 GsM FdM 1,05 FmG 1,2

FiguraII71.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD10_P3_50.

AnalizandolaFiguraII71sededucequeelvaloradecuadosonparaelfactorGsMes50,ydel factor FmG es 1.2. El valor del factor FdM, se puede establecer libremente. No obstante, el valorelegidoparaFdMser0.1.Porlotanto,losparmetrosquedaranGsM=50,FdM=0.1y FmG=1.2.

818

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

AIII.2.2 BloqueSSD50 AIII.2.2.1 SubconjuntoSSD50_P3_50

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 1,9 2,3 2,7 3,1 3,5 3,9

percentage

IPSOVEPT20

FiguraII72.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD50_P3_20en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT20

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 1,9 2,3 2,7 3,1 3,5 3,9

IPSOVEPT20
FiguraII73.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD50_P3_20.

819

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs GsM

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 40 70 100 130 160 190 220 250

GsM
FiguraII74.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII75.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

820

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs FmG

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32

FmG
FiguraII76.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROW

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 0 4 8 12 16 20 24

ROW
FiguraII77.Residuosestudentizadosfrentealordendeejecucin.

821

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Analysis of Variance for IPSOVEPT20 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,873161 1 0,873161 4,68 0,0451 B:FdM 0,0266483 1 0,0266483 0,14 0,7102 C:FmG 0,632221 1 0,632221 3,39 0,0832 AB 0,114931 1 0,114931 0,62 0,4434 AC 0,040188 1 0,040188 0,22 0,6485 BC 0,148618 1 0,148618 0,80 0,3846 Total error 3,17207 17 0,186593 -------------------------------------------------------------------------------Total (corr.) 5,00784 23

TablaII12.ANOVAcorrespondientealconjuntoexperimentalSSD50_P3_20.

Observando la Tabla II12 vemos que disponemos de 24 datos y tenemos 17 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaquees significativoelefectoprincipaldelfactorA,esdecirelfactorGsM.

Main Effects Plot for IPSOVEPT20

3,3

IPSOVEPT20

3,2 3,1 3 2,9 2,8 50,0 200,0 0,1 0,3 GsM FdM 1,05 FmG 1,2

FiguraII78.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD50_P3_20.

Analizando la Figura II78 se deduce que el valor adecuado son para el factor GsM es 50. El valordelosfactoresFdMyFmGsepuedeestablecerlibremente.Noobstante,elvalorelegido paraFdMes0.3yparaFmGes1.2.Porlotanto,losparmetrosquedaranGsM=50,FdM=0.3y FmG=1.2.
822

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

AIII.2.2.2 SubconjuntoSSD50_P3_50

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 1,4 1,8 2,2 2,6 3 3,4 3,8

percentage

IPSOVEPT50

FiguraII79.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD50_P3_50en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT50

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 1,4 1,8 2,2 2,6 3 3,4 3,8

IPSOVEPT50
FiguraII80.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD50_P3_50.

823

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs GsM

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 30 60 90 120 150 180 210 240

GsM
FiguraII81.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII82.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

824

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs FmG

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32

FmG
FiguraII83.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROW

2,1

SRESIDUALS

1,1 0,1 -0,9 -1,9 0 4 8 12 16 20 24

ROW
FiguraII84.Residuosestudentizadosfrentealordendeejecucin.

825

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Analysis of Variance for IPSOVEPT50 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 1,11928 1 1,11928 5,40 0,0328 B:FdM 0,932839 1 0,932839 4,50 0,0489 C:FmG 2,55962 1 2,55962 12,34 0,0027 AB 0,138847 1 0,138847 0,67 0,4245 AC 0,0166177 1 0,0166177 0,08 0,7805 BC 0,0683413 1 0,0683413 0,33 0,5734 Total error 3,52544 17 0,207379 -------------------------------------------------------------------------------Total (corr.) 8,36098 23

TablaII13.ANOVAcorrespondientealconjuntoexperimentalSSD50_P3_50.

Observando la Tabla II13 vemos que disponemos de 24 datos y tenemos 17 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaqueson significativoslosefectosprincipaldelfactorA,ByC,esdecirlosfactoresGsM,FdMyFmG.

Main Effects Plot for IPSOVEPT50

3,1

IPSOVEPT50

2,9 2,7 2,5 2,3 50,0 200,0 0,1 0,3 GsM FdM 1,05 FmG 1,2

FiguraII85.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD50_P3_50.

AnalizandolaFiguraII85sededucequeelvaloradecuadosonparaelfactorGsMes50,ydel factorFdMes0.3yeldelfactorFmGes1.2.Porlotanto,losparmetrosquedaranGsM=50, FdM=0.3yFmG=1.2.

826

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

AIII.2.3 BloqueSSD100 AIII.2.3.1 SubconjuntoSSD100_P3_50

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 2,1 2,5 2,9 3,3 3,7 4,1

percentage

IPSOVEPT20

FiguraII86.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD100_P3_20en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT20

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 2,1 2,5 2,9 3,3 3,7 4,1

IPSOVEPT20
FiguraII87.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD100_P3_20.

827

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs GsM

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 30 60 90 120 150 180 210 240

GsM
FiguraII88.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII89.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

828

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs FmG

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32

FmG
FiguraII90.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROW

2,8

SRESIDUALS

1,8 0,8 -0,2 -1,2 -2,2 0 4 8 12 16 20 24

ROW
FiguraII91.Residuosestudentizadosfrentealordendeejecucin.

829

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Analysis of Variance for IPSOVEPT20 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,142373 1 0,142373 1,03 0,3237 B:FdM 0,0306171 1 0,0306171 0,22 0,6434 C:FmG 3,32803 1 3,32803 24,15 0,0001 AB 0,042376 1 0,042376 0,31 0,5864 AC 0,0710052 1 0,0710052 0,52 0,4826 BC 0,000538061 1 0,000538061 0,00 0,9509 Total error 2,34285 17 0,137815 -------------------------------------------------------------------------------Total (corr.) 5,95779 23

TablaII14.ANOVAcorrespondientealconjuntoexperimentalSSD100_P3_20.

Observando la Tabla II14 vemos que disponemos de 24 datos y tenemos 17 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaquees significativoelefectoprincipaldelfactorC,esdecirelfactorFmG.

Main Effects Plot for IPSOVEPT20

3,6

IPSOVEPT20

3,4 3,2 3 2,8 2,6 50,0 200,0 0,1 0,3 GsM FdM 1,05 FmG 1,2

FiguraII92.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD100_P3_20.

AnalizandolaFigura II92 sededucequeelvaloradecuadoson paraelfactorFmGes1.2.El valordelosfactoresGsMyFdMsepuedeestablecerlibremente.Noobstante,elvalorelegido paraGsMes50yparaFdMes0.3.Porlotanto,losparmetrosquedaranGsM=50,FdM=0.3y FmG=1.2.

830

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

AIII.2.3.2 SubconjuntoSSD100_P3_50

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 0,9 1,4 1,9 2,4 2,9 3,4 3,9

percentage

IPSOVEPT50

FiguraII93.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD100_P3_50en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT50

1,9

SRESIDUALS

0,9 -0,1 -1,1 -2,1 0,9 1,4 1,9 2,4 2,9 3,4 3,9

IPSOVEPT50
FiguraII94.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD100_P3_50.

831

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs GsM

1,9

SRESIDUALS

0,9 -0,1 -1,1 -2,1 30 60 90 120 150 180 210 240

GsM
FiguraII95.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

1,9

SRESIDUALS

0,9 -0,1 -1,1 -2,1 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII96.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

832

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs FmG

1,9

SRESIDUALS

0,9 -0,1 -1,1 -2,1 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32

FmG
FiguraII97.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROW

1,9

SRESIDUALS

0,9 -0,1 -1,1 -2,1 0 4 8 12 16 20 24

ROW
FiguraII98.Residuosestudentizadosfrentealordendeejecucin.

833

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Analysis of Variance for IPSOVEPT50 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 2,17161 1 2,17161 7,14 0,0161 B:FdM 0,61867 1 0,61867 2,04 0,1718 C:FmG 0,719581 1 0,719581 2,37 0,1423 AB 0,182039 1 0,182039 0,60 0,4496 AC 0,226648 1 0,226648 0,75 0,3999 BC 0,24148 1 0,24148 0,79 0,3852 Total error 5,16769 17 0,303982 -------------------------------------------------------------------------------Total (corr.) 9,32772 23

TablaII15.ANOVAcorrespondientealconjuntoexperimentalSSD100_P3_50.

Observando la Tabla II15 vemos que disponemos de 24 datos y tenemos 17 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaquees significativoelefectoprincipaldelfactorA,esdecirlosfactoresGsM.

Main Effects Plot for IPSOVEPT50

3

IPSOVEPT50

2,8 2,6 2,4 2,2 50,0 200,0 0,1 0,3 GsM FdM 1,05 FmG 1,2

FiguraII99.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD100_P3_50.

AnalizandolaFiguraII99sededucequeelvaloradecuadosonparaelfactorGsMes50.Los factoresByCpuedentomarcualquiervalordelosanalizados,yaquenosonsignificativos.No obstante,sehaseleccionadoelvalor0.3paraelfactorFdMy1.2paraelfactorFmG..Porlo tanto,losparmetrosquedaranGsM=50,FdM=0.3yFmG=1.2.

834

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

AIII.2.4 BloqueSSD125 AIII.2.4.1 SubconjuntoSSD125_P3_50

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 2,4 2,8 3,2 3,6 4 4,4 4,8

percentage

IPSOVEPT20

FiguraII100.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD125_P3_20en relacinalasfrecuenciasrelativasacumuladas.

Plot of SRESIDUALS vs IPSOVEPT20

3,6

SRESIDUALS

2,6 1,6 0,6 -0,4 -1,4 -2,4 2,4 2,8 3,2 3,6 4 4,4 4,8

IPSOVEPT20
FiguraII101.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD125_P3_20.

835

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs GsM

3,6

SRESIDUALS

2,6 1,6 0,6 -0,4 -1,4 -2,4 30 60 90 120 150 180 210 240

GsM
FiguraII102.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

Plot of SRESIDUALS vs FdM

3,6

SRESIDUALS

2,6 1,6 0,6 -0,4 -1,4 -2,4 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII103.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

836

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs FmG

3,6

SRESIDUALS

2,6 1,6 0,6 -0,4 -1,4 -2,4 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32

FmG
FiguraII104.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

Plot of SRESIDUALS vs ROW

3,6

SRESIDUALS

2,6 1,6 0,6 -0,4 -1,4 -2,4 0 4 8 12 16 20 24

ROW
FiguraII105.Residuosestudentizadosfrentealordendeejecucin.

837

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Analysis of Variance for IPSOVEPT20 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,213925 1 0,213925 0,92 0,3515 B:FdM 0,977548 1 0,977548 4,22 0,0577 C:FmG 0,849711 1 0,849711 3,67 0,0746 AB 0,0448374 1 0,0448374 0,19 0,6661 AC 0,569313 1 0,569313 2,46 0,1376 BC 0,04005 1 0,04005 0,17 0,6833 blocks 0,464722 2 0,232361 1,00 0,3897 Total error 3,471 15 0,2314 -------------------------------------------------------------------------------Total (corr.) 6,6311 23

TablaII16.ANOVAcorrespondientealconjuntoexperimentalSSD125_P3_20.

Observando la Tabla II16 vemos que disponemos de 24 datos y tenemos 15 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaqueno essignificativoningnefecto. ElvalordelosfactoresGsM,FdMyFmGsepuedeestablecerlibremente.Noobstante,elvalor elegido para GsM es 50, para FdM es 0.1 y para FmGes 1.2. Por lo tanto, los parmetros quedaranGsM=50,FdM=0.1yFmG=1.2.

AIII.2.4.2 SubconjuntoSSD125_P3_50

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 1,4 1,9 2,4 2,9 3,4 3,9 4,4

percentage

IPSOVEPT50

FiguraII106.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelconjuntoSSD125_P3_50en relacinalasfrecuenciasrelativasacumuladas.

838

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs IPSOVEPT50

2,9

SRESIDUALS

1,9 0,9 -0,1 -1,1 -2,1 1,4 1,9 2,4 2,9 3,4 3,9 4,4

IPSOVEPT50
FiguraII107.ResiduosestudentizadosfrentealavariableIPSOVEPTdelconjuntoexperimentalSSD125_P3_50.

Plot of SRESIDUALS vs GsM

2,9

SRESIDUALS

1,9 0,9 -0,1 -1,1 -2,1 30 60 90 120 150 180 210 240

GsM
FiguraII108.ResiduosestudentizadosfrentealosnivelesdelfactorGsM.

839

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of SRESIDUALS vs FdM

2,9

SRESIDUALS

1,9 0,9 -0,1 -1,1 -2,1 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4

FdM
FiguraII109.ResiduosestudentizadosfrentealosnivelesdelfactorFdM.

Plot of SRESIDUALS vs FmG

2,9

SRESIDUALS

1,9 0,9 -0,1 -1,1 -2,1 1 1,04 1,08 1,12 1,16 1,2 1,24 1,28 1,32

FmG
FiguraII110.ResiduosestudentizadosfrentealosnivelesdelfactorFmG.

840

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Plot of SRESIDUALS vs ROW

2,9

SRESIDUALS

1,9 0,9 -0,1 -1,1 -2,1 0 4 8 12 16 20 24

ROW
FiguraII111.Residuosestudentizadosfrentealordendeejecucin.

Analysis of Variance for IPSOVEPT50 -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------A:GsM 0,0088181 1 0,0088181 0,03 0,8650 B:FdM 0,00781194 1 0,00781194 0,03 0,8729 C:FmG 3,72634 1 3,72634 12,58 0,0025 AB 0,00320773 1 0,00320773 0,01 0,9183 AC 0,868554 1 0,868554 2,93 0,1050 BC 0,042377 1 0,042377 0,14 0,7099 Total error 5,03547 17 0,296204 -------------------------------------------------------------------------------Total (corr.) 9,69258 23

TablaII17.ANOVAcorrespondientealconjuntoexperimentalSSD125_P3_50.

Observando la Tabla II17 vemos que disponemos de 24 datos y tenemos 17 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaquees significativoelefectoprincipaldelfactorC,esdecirlosfactoresFmG.

841

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Main Effects Plot for IPSOVEPT50

3,5

IPSOVEPT50

3,3 3,1 2,9 2,7 2,5 50,0 200,0 0,1 0,3 GsM FdM 1,05 FmG 1,2

FiguraII112.GrficodeefectosprincipalesdelosfactoresdelconjuntoexperimentalSSD125_P3_50.

AnalizandolaFiguraII112sededucequeelvaloradecuadosonparaelfactorFmGes1.2.Los factoresByCpuedentomarcualquiervalordelosanalizados,yaquenosonsignificativos.No obstante, se ha seleccionado el valor 50 para el factor GsM y 0.3 para el factor FdM. Por lo tanto,losparmetrosquedaranGsM=50,FdM=0.3yFmG=1.2.

842

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

AIII.3

AjustedeParmetrosSMAGA2paralaConfiguracinP13

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -0,1 0,3 0,7 1,1 1,5

percentage

IPSOVEPT

FiguraII113.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelaconfiguracinP13en relacinalasfrecuenciasrelativasacumuladas.

Plot of RESIDUALS vs IPSOVEPT

0,6

RESIDUALS

0,4 0,2 0 -0,2 -0,4 -0,6 -0,1 0,3 0,7 1,1 1,5

IPSOVEPT
FiguraII114.ResiduosfrentealavariableIPSPPVEPTdelaconfiguracinP13.

843

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for IPSOVEPT

0,6 0,4

residual

0,2 0 -0,2 -0,4 -0,6 0,2 0,4 SD10_50 SD50_20

FiguraII115.ResiduosfrentealosnivelesdelfactorRM.

Residual Plot for IPSOVEPT

0,6 0,4

residual

0,2 0 -0,2 -0,4 -0,6 SD10_20 SD50_50 D125_20 D100_20 D100_50 D125_50

FiguraII116.ResiduosfrentealosnivelesdelfactorConjuntos.

844

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Residual Plot for IPSOVEPT

0,6 0,4

residual

0,2 0 -0,2 -0,4 -0,6 0 10 20 30 40 50

row number
FiguraII117.Residuosfrentealordendeejecucin.

Analysis of Variance for IPSOVEPT - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:Conjunto 7,10645 7 1,01521 14,04 0,0000 B:RM 0,0749496 1 0,0749496 1,04 0,3162 INTERACTIONS AB

0,35273

0,05039

0,70

0,6742

RESIDUAL 2,31365 32 0,0723015 -------------------------------------------------------------------------------TOTAL (CORRECTED) 9,84778 47 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaII18.ANOVAcorrespondienteIPSPPVEPTdelaconfiguracinP13.

Observando la Tabla II18 vemos que disponemos de 48 datos y tenemos 32 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaqueslo essignificativoelefectoprincipaldelfactorA,esdecirdelConjunto.

845

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Means and 95,0 Percent LSD Intervals

0,91 0,86 0,81 0,76 0,71 0,66 0,2 0,4

IPSOVEPT

FiguraII118.GrficodelefectoprincipaldelfactorRMdelaconfiguracinP13.

Means and 95,0 Percent LSD Intervals

1,6 1,3 1 0,7 0,4 0,1 -0,2 SD10_20 SD10_50 SD50_20 SD50_50 D100_20 D100_50 D125_20 D125_50

SehanindicadoslosvalorespromediodelfactorRM,aunquenoessignificativo,ydelfactor Conjunto.

846

IPSOVEPT

FiguraII119.GrficodelefectoprincipaldelfactorConjuntodelaconfiguracinP13.

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

AIII.4

AjustedeParmetrosSMAGA2paralaConfiguracinP3

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 0 1 2 3 4 5

percentage

IPSOVEPT

FiguraII120.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelaconfiguracinP3en relacinalasfrecuenciasrelativasacumuladas.

Plot of RESIDUALS vs IPSOVEPT

1

RESIDUALS

0,6 0,2 -0,2 -0,6 -1 0 1 2 3 4 5

IPSOVEPT
FiguraII121.ResiduosfrentealavariableIPSPPVEPTdelaconfiguracinP3.

847

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for IPSOVEPT

1 0,6

residual

0,2 -0,2 -0,6 -1 0,2 0,4 SD10_50 SD50_20

FiguraII122.ResiduosfrentealosnivelesdelfactorRM.

Residual Plot for IPSOVEPT

1 0,6

residual

0,2 -0,2 -0,6 -1 SD10_20 SD50_50 D125_20 D100_20 D100_50 D125_50

FiguraII123.ResiduosfrentealosnivelesdelfactorConjuntos.

848

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Residual Plot for IPSOVEPT

1 0,6

residual

0,2 -0,2 -0,6 -1 0 10 20 30 40 50

row number
FiguraII124.Residuosfrentealordendeejecucin.

Analysis of Variance for IPSOVEPT - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:Conjunto 26,3796 7 3,76851 19,69 0,0000 B:RM 1,85508 1 1,85508 9,69 0,0039 INTERACTIONS AB

1,44438

0,20634

1,08

0,4000

RESIDUAL 6,1255 32 0,191422 -------------------------------------------------------------------------------TOTAL (CORRECTED) 35,8045 47 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaII19.ANOVAcorrespondienteIPSPPVEPTdelaconfiguracinP3.

Observando la Tabla II19 vemos que disponemos de 48 datos y tenemos 32 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaquees significativoelefectoprincipaldelosfactorAyB,esdecirdelConjuntoyRM.

849

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Means and 95,0 Percent LSD Intervals

2,5

IPSOVEPT

2,3 2,1 1,9 1,7 0,2 0,4

FiguraII125.GrficodelefectoprincipaldelfactorRMdelaconfiguracinP3.

Means and 95,0 Percent LSD Intervals

4

IPSOVEPT

3 2 1 0 SD10_20 SD10_50 SD50_20 SD50_50 D100_20 D100_50 D125_20 D125_50

FiguraII126.GrficodelefectoprincipaldelfactorConjuntodelaconfiguracinP13.

SehanindicadoslosvalorespromediodelfactorRM,ydelfactorConjunto.

850

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

AIII.5

AnlisisComparativoparalaConfiguracinP13

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -0,1 0,3 0,7 1,1 1,5

percentage

IPSPPVEPT

FiguraII127.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelaconfiguracinP13en relacinalasfrecuenciasrelativasacumuladas.

Plot of RESIDUALS vs IPSPPVEPT

0,32

RESIDUALS

0,22 0,12 0,02 -0,08 -0,18 -0,28 -0,1 0,3 0,7 1,1 1,5

IPSPPVEPT
FiguraII128.ResiduosfrentealavariableIPSPPVEPTdelaconfiguracinP13.

851

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for IPSPPVEPT

0,31 0,21

residual

0,11 0,01 -0,09 -0,19 -0,29 GAH SMAGA-1 SMAGA-2

ALG
FiguraII129.ResiduosfrentealosnivelesdelfactorALG.

Residual Plot for IPSPPVEPT

0,31 0,21

residual

0,11 0,01 -0,09 -0,19 -0,29 _P13_20 _P13_50 _P13_20 _P13_50 _P13_20 _P13_50 _P13_20 _P13_50

FiguraII130.ResiduosfrentealosnivelesdelfactorConjuntos.

852

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Residual Plot for IPSPPVEPT

0,31 0,21

residual

0,11 0,01 -0,09 -0,19 -0,29 0 20 40 60 80

row number
FiguraII131.Residuosfrentealordendeejecucin.

Analysis of Variance for IPSPPVEPT - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:ALG 0,0976657 2 0,0488328 2,97 0,0607 B:Conjunto 9,88458 7 1,41208 85,92 0,0000 INTERACTIONS AB

0,948611

14

0,0677579

4,12

0,0001

RESIDUAL 0,788885 48 0,0164351 -------------------------------------------------------------------------------TOTAL (CORRECTED) 11,7197 71 --------------------------------------------------------------------------------

TablaII20.ANOVAcorrespondienteIPSPPVEPTdelaconfiguracinP13.

Observando la Tabla II20 vemos que disponemos de 72 datos y tenemos 48 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaqueslo es significativo el efecto principal del factor B, es decir del Conjunto, y la interaccin de los efectosALGyConjunto.

853

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Means and 95,0 Percent LSD Intervals

0,87

IPSPPVEPT

0,84 0,81 0,78 0,75 0,72 0,69 GAH SMAGA-1 SMAGA-2

ALG

FiguraII132.GrficodelefectoprincipaldelfactorALGdelaconfiguracinP13.

Means and 95,0 Percent LSD Intervals

1,5

IPSPPVEPT

1,2 0,9 0,6 0,3 0 _P13_20 _P13_50 _P13_20 _P13_50 _P13_20 _P13_50 _P13_20 _P13_50

FiguraII133.GrficodelefectoprincipaldelfactorConjuntodelaconfiguracinP13.

SehanindicadoslosvalorespromediodelfactorALG,aunquenoessignificativo,ydelfactor Conjunto.

854

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Interaction Plot
1,5

IPSPPVEPT

1,2 0,9 0,6 0,3 0 SD10_20 SD10_50 SD50_20 SD50_50 D100_20 D100_50 D125_20 D125_50

ALG GAH SMAGA-1 SMAGA-2

FiguraII134.GrficodelainteraccindelosfactoresALGyConjuntodelaconfiguracinP13.

En la Figura II135 se muestra la interaccin entre los tres algoritmos analizados. Se observa comoefectivamenteexistendiferenciasconrespectoalosdiferentesconjuntos.

855

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

AIII.6

AnlisisComparativoparalaConfiguracinP3

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -0,2 0,8 1,8 2,8 3,8

percentage

IPSPPVEPT

FiguraII135.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSOVEPTdelaconfiguracinP3en relacinalasfrecuenciasrelativasacumuladas.

Plot of RESIDUALS vs IPSPPVEPT

0,8

RESIDUALS

0,5 0,2 -0,1 -0,4 -0,7 -1 -0,2 0,8 1,8 2,8 3,8

IPSPPVEPT
FiguraII136.ResiduosfrentealavariableIPSOVEPTdelaconfiguracinP3.

856

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Residual Plot for IPSPPVEPT

1 0,6

residual

0,2 -0,2 -0,6 -1 GAH SMAGA-1 SMAGA-2

ALG
FiguraII137.ResiduosfrentealosnivelesdelfactorALG.

Residual Plot for IPSPPVEPT

1 0,6

residual

0,2 -0,2 -0,6 -1 SD10_20 SD10_50 SD50_20 SD50_50 D125_20 D100_20 D100_50 D125_50

FiguraII138.ResiduosfrentealosnivelesdelfactorConjuntos.

857

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for IPSPPVEPT

1 0,6

residual

0,2 -0,2 -0,6 -1 0 20 40 60 80

row number
FiguraII139.Residuosfrentealordendeejecucin.

Analysis of Variance for IPSPPVEPT - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:ALG 7,35266 2 3,67633 45,86 0,0000 B:Conjunto 44,6062 7 6,37231 79,48 0,0000 INTERACTIONS AB

3,53932

14

0,252809

3,15

0,0015

RESIDUAL 3,8482 48 0,0801709 -------------------------------------------------------------------------------TOTAL (CORRECTED) 59,3464 71 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaII21.ANOVAcorrespondienteIPSOVEPTdelaconfiguracinP3.

Observando la Tabla II21 vemos que disponemos de 72 datos y tenemos 48 grados de libertadresiduales.Elcontrastedehiptesissobrelasmediasparaun=0,05implicaqueson significativoslosefectosprincipalesdelfactorAyB,esdecirdelosfactoresALGyConjunto,as comolainteraccinentreambos.

858

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIII ProgramacinPredictivadelaProduccin

Means and 95,0 Percent LSD Intervals

2,8

IPSPPVEPT

2,6 2,4 2,2 2 1,8 GAH SMAGA-1 SMAGA-2

ALG

FiguraII140.GrficodelefectoprincipaldelfactorALGdelaconfiguracinP3.

Means and 95,0 Percent LSD Intervals

4

IPSPPVEPT

3 2 1 0 SD10_20 SD10_50 SD50_20 SD50_50 D100_20 D100_50 D125_20 D125_50

FiguraII141.GrficodelefectoprincipaldelfactorConjuntodelaconfiguracinP3.

AnalizandolaFiguraII140sededucequeelvaloradecuadosonparaelfactorALGesSMAGA 2.EnestecasolosvaloresdelaFiguraII141carecenderelevancia,yaqueeraconocidodesde elinicioqueeltipodeconjuntoexperimentalsobreelqueseactuabaerarelevante.Entodo casoesteanlisisloconfirma.

859

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Interaction Plot
4

IPSPPVEPT

3 2 1 0 SD10_20 SD10_50 SD50_20 SD50_50 D100_20 D100_50 D125_20 D125_50

ALG GAH SMAGA-1 SMAGA-2

FiguraII142.GrficodelainteraccindelosfactoresALGyConjuntodelaconfiguracinP13.

En la Figura II135 se muestra la interaccin entre los tres algoritmos analizados. Se observa comoefectivamenteexistendiferenciasenalgunodelosdiferentesconjuntosanalizados. Eltestsiguientepermiteagruparfactoresquepresentanvaloressimilaresindicaqueexisten3 conjuntosdiferentes,yqueporlotanto,sonvaloressignificativos. Method:95,0percentLSD ALGCountLSMeanLSSigmaHomogeneousGroups SMAGA2241,887610,0577967X SMAGA1242,243790,0577967X GAH242,669350,0577967X ContrastDifference+/Limits GAHSMAGA1*0,4255610,164343 GAHSMAGA2*0,781740,164343 SMAGA1SMAGA2*0,3561780,164343 *denotesastatisticallysignificantdifference.
860

Anexo
ResultadosyAnlisisEstadsticodelos mismosObtenidosenla ExperimentacinparalaProgramacin Reactiva

IV

AnlisisEstadsticodelosResultadosObtenidosenlaExperimentacinparala AnexoIV ProgramacinReactivadelaProduccin

AIV. AnexoIV
AIV.1 Resultados y Anlisis de los mismo en situaciones de Adelantos en las Operaciones

En este apartado se proporcionan los datos obtenidos durante la simulacin de reprogramacindeunprogramapredictivosometidoaeventosquesuponenunadelantoenla fechadefinalizacindelasoperaciones.Losresultadosquesemuestransonelpromediode adelantosgrandes,medianosypequeoscorrespondientesalostiposdeeventosBAT_AS_10, BAT_AS_50yBAT_AS_80.Enconcretolosdatossedividenendosapartados,enelprimerose muestranlosdatosobtenidospartiendodeunalgoritmopredictivoobtenidoconSMAGA2,y en el siguiente apartado los obtenidos con un algoritmo SMAGA2 cuya secuencia ha sido modificadaintercambiando2elementosdelamisma.Enamboscasossemuestranlosdatos obtenidos para la combinacin de los 4 factores considerados (CEX, K, VA y ALG). De igual manera, en ambos casos, los algoritmos considerados son 2, SSDS y SMAGA2, y ambos son sensiblesalcambiodevalorenelfactorKyVA. Tambin se realiza el anlisis estadstico slo de los datos obtenidos con el programa predictivoestablecidoconalgoritmoSMAGA2.Enconcretoelanlisissedivideen4bloques, enfuncindelaconfiguracindeltallerynmerodetrabajos:BloqueP13_20,P13_50,P3_20 yP3_50.

En primer lugar se proporcionan los datos de los bloques P13_20 y P13_50, y el anlisis estadstico correspondiente, y posteriormente se muestran los datos de los bloques P3_20 y P3_50yserealizaenestudioestadsticocorrespondiente.

AIV.1.1 ResultadosparalaConfiguracinP13conProgramacinPredictivabasada enSMAGA2

Conjunto Experimental SSD10_P13_20 SSD50_P13_20 SSD100_P13_20 SSD125_P13_20 K=0yVA=0,2 SSDS 0,078 0,057 0,037 0,057 SMAGA2 0,036 0,405 0,971 1,241 K=0,01yVA=0,2 SSDS 2,105 1,852 1,662 1,536 SMAGA2 1,233 1,785 2,433 2,669 K=0,02yVA=0,2 SSDS 4,159 3,788 3,461 3,199 SMAGA2 2,549 3,184 3,866 3,867

TablaIV1.ValordeIPSPPVEPTapartirdeSMAGA2conadelantopara20trabajos,yunvalordeVAde0,2.

863

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Conjunto Experimental SSD10_P13_20 SSD50_P13_20 SSD100_P13_20 SSD125_P13_20 K=0yVA=0,4 SSDS 0,083 0,060 0,037 0,213 SMAGA2 0,037 0,436 0,966 1,107 K=0,01yVA=0,4 SSDS 2,477 2,137 1,897 1,903 SMAGA2 1,432 2,223 2,920 2,994 K=0,02yVA=0,4 SSDS 5,274 4,498 4,017 3,850 SMAGA2 3,021 3,466 4,326 4,713

TablaIV2.ValordeIPSPPVEPTapartirdeSMAGA2conadelantopara20trabajos,yunvalordeVAde0,4.

Conjunto Experimental SSD10_P13_50 SSD50_P13_50 SSD100_P13_50 SSD125_P13_50

K=0yVA=0,1 SSDS 0,011 0,140 0,016 0,117 SMAGA2 0,317 1,396 2,263 2,272

K=0,005yVA=0,1 SSDS 1,399 1,114 0,993 0,971 SMAGA2 2,260 3,358 4,119 4,296

K=0,01yVA=0,1 SSDS 2,853 2,300 2,122 1,955 SMAGA2 4,208 5,316 6,201 6,538

TablaIV3.ValordeIPSPPVEPTapartirdeSMAGA2conadelantopara50trabajos,yunvalordeVAde0,1.

Conjunto Experimental SSD10_P13_50 SSD50_P13_50 SSD100_P13_50 SSD125_P13_50

K=0yVA=0,1 SSDS 0,309 0,863 0,191 0,021 SMAGA2 0,332 1,356 2,299 2,366

K=0,005yVA=0,1 SSDS 1,900 1,573 1,395 1,341 SMAGA2 3,230 4,236 5,031 5,351

K=0,01yVA=0,1 SSDS 3,703 3,210 2,734 2,806 SMAGA2 5,902 7,187 7,968 8,351

TablaIV4.ValordeIPSPPVEPTapartirdeSMAGA2conadelantopara50trabajos,yunvalordeVAde0,2.

AIV.1.2 ResultadosparalaConfiguracinP13conProgramacinPredictivabasada enSMAGA2Modificada

Conjunto Experimental SSD10_P13_20 SSD50_P13_20 SSD100_P13_20 SSD125_P13_20 K=0yVA=0,2 SSDS 0,116 0,085 0,062 0,053 SMAGA2 1,481 2,241 3,167 3,627 K=0,01yVA=0,2 SSDS 2,318 2,009 1,681 1,565 SMAGA2 0,017 0,759 1,677 2,164 K=0,02yVA=0,2 SSDS 4,760 4,088 3,294 3,223 SMAGA2 1,184 0,637 0,043 0,486

TablaIV5.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconadelantopara20trabajos,yunvalordeVA de0,2.

864

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Conjunto Experimental SSD10_P13_20 SSD50_P13_20 SSD100_P13_20 SSD125_P13_20

K=0yVA=0,4 SSDS 0,117 0,083 0,065 0,052 SMAGA2 1,440 2,225 3,380 3,375

K=0,01yVA=0,4 SSDS 2,807 2,354 1,944 1,987 SMAGA2 0,229 0,485 1,339 1,715

K=0,02yVA=0,4 SSDS 5,698 4,685 4,108 4,092 SMAGA2 1,739 1,234 0,71026 0,136

TablaIV6.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconadelantopara20trabajos,yunvalordeVA de0,4.

Conjunto Experimental SSD10_P13_50 SSD50_P13_50 SSD100_P13_50 SSD125_P13_50

K=0yVA=0,1 SSDS 0,041 0,032 0,021 0,019 SMAGA2 3,067 4,738 6,265 6,162

K=0,005yVA=0,1 SSDS 1,441 1,140 0,952 0,939 SMAGA2 0,954 2,440 4,078 4,016

K=0,01yVA=0,1 SSDS 2,958 2,293 1,946 1,942 SMAGA2 1,117 0,410 1,848 1,831

TablaIV7.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconadelantopara50trabajos,yunvalordeVA de0,1.

Conjunto Experimental SSD10_P13_50 SSD50_P13_50 SSD100_P13_50 SSD125_P13_50

K=0yVA=0,1 0,212 0,115 0,020 0,113 3,121 4,511 6,400 6,420

K=0,005yVA=0,1 2,082 1,596 1,355 1,363 0,089 1,536 3,000 2,922

K=0,01yVA=0,1 4,086 3,253 2,853 2,725 2,743 1,582 0,172 0,432

TablaIV8.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconadelantopara50trabajos,yunvalordeVA de0,2.

865

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica AIV.1.3 AnlisisEstadsticoparalaConfiguracinP13conProgramacinPredictiva basadaenSMAGA2 AIV.1.3.1 AnlisisdelBloqueP13_20

EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=4,50004con4 d.f. y un PValue = 0,342543, lo que descarta la posibilidad de que la variable analizada no proceda de una distribucin normal. As mismo se puede observa en la Figura IV1 como la variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -0,3 0,7 1,7 2,7 3,7 4,7 5,7

percentage

IPSPPVEPT
FiguraIV1.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelbloqueAdelantoPredictiva SMAGA2P13_20enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores: IPSPPVEPTrespectoaCEX:testdeLevene:0,0904059PValue=0,964946 IPSPPVEPTrespectoaK:testdeLevene:0,56945PValue=0,569861 IPSPPVEPTrespectoaVA:testdeLevene:1,01089PValue=0,319949 IPSPPVEPTrespectoaALG:testdeLevene:1,20258PValue=0,278514

Porloquesedescartaquelasvarianzasnoseanhomogneas.
866

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

Plot of RESIDUALS vs IPSPPVEPT

0,5

RESIDUALS

0,3 0,1 -0,1 -0,3 -0,3 0,7 1,7 2,7 3,7 4,7 5,7

IPSPPVEPT
FiguraIV2.GrficodeResiduosfrentealosnivelesdelaVariableIPSPPVEPTdelbloqueAdelantoPredictiva SMAGA2P13_20.

Residual Plot for IPSPPVEPT

0,59 0,39

residual

0,19 -0,01 -0,21 -0,41 10 50 100 125

CEX
FiguraIV3.GrficodeResiduosfrentealosnivelesdelfactorCEXdelbloqueAdelantoPredictivaSMAGA2 P13_20.

867

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for IPSPPVEPT

0,59 0,39

residual

0,19 -0,01 -0,21 -0,41 0 0,01 0,02

K
FiguraIV4.GrficodeResiduosfrentealosnivelesdelfactorkdelbloqueAdelantoPredictivaSMAGA2P13_20.

Residual Plot for IPSPPVEPT

0,59 0,39

residual

0,19 -0,01 -0,21 -0,41 0,2 0,4

VA
FiguraIV5.GrficodeResiduosfrentealosnivelesdelfactorVAdelbloqueAdelantoPredictivaSMAGA2 P13_20.

868

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for IPSPPVEPT

0,59 0,39

residual

0,19 -0,01 -0,21 -0,41 SMAGA-2 SSDS

ALG
FiguraIV6.GrficodeResiduosfrentealosnivelesdelfactorALGdelbloqueAdelantoPredictivaSMAGA2 P13_20.

Como se observa en las figuras correspondientes a los residuos no se observa una falta de linealidadsignificativaenlosmismos.Porloquesedescartalaausenciadelinealidad. Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV7nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

Residual Plot for IPSPPVEPT

0,59 0,39

residual

0,19 -0,01 -0,21 -0,41 0 10 20 30 40 50

row number
FiguraIV7.ResiduosfrentealordendeejecucindelostratamientosdelbloqueAdelantoPredictivaSMAGA2 P13_20.

869

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for IPSPPVEPT - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 1,24925 3 0,416416 9,42 0,0003 B:K 100,356 2 50,1782 1135,04 0,0000 C:VA 1,18115 1 1,18115 26,72 0,0000 D:ALG 0,458868 1 0,458868 10,38 0,0038 INTERACTIONS AB AC AD BC BD CD

0,191357 0,00970767 7,22712 0,903048 2,60698 0,0110183

6 3 3 2 2 1

0,0318928 0,00323589 2,40904 0,451524 1,30349 0,0110183

0,72 0,07 54,49 10,21 29,49 0,25

0,6366 0,9738 0,0000 0,0007 0,0000 0,6224

RESIDUAL 1,01679 23 0,0442083 -------------------------------------------------------------------------------TOTAL (CORRECTED) 115,212 47 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV9.ANOVAcorrespondienteIPSPPVEPTdelbloqueAdelantoPredictivaSMAGA2P13_20.

ComosepuedeverenlaTablaIV9disponemosde48datosytenemos23gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que son significativos todos efectos principales de todos los factores, y adems lo son las interaccionesAD,BCyBD.

870

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Means and 95,0 Percent LSD Intervals

2,5

IPSPPVEPT

2,3 2,1 1,9 1,7 10 50 100 125

CEX
FiguraIV8.GrficodelefectoprincipaldelfactorCEXdelbloqueAdelantoPredictivaSMAGA2P13_20.

Means and 95,0 Percent LSD Intervals

4

IPSPPVEPT

3 2 1 0 0 0,01 0,02

K
FiguraIV9.GrficodelefectoprincipaldelfactorKdelbloqueAdelantoPredictivaSMAGA2P13_20.

871

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Means and 95,0 Percent LSD Intervals

2,3

IPSPPVEPT

2,2 2,1 2 1,9 1,8 0,2 0,4

VA
FiguraIV10.GrficodelefectoprincipaldelfactorVAdelbloqueAdelantoPredictivaSMAGA2P13_20.

Means and 95,0 Percent LSD Intervals

2,3

IPSPPVEPT

2,2 2,1 2 1,9 SMAGA-2 SSDS

ALG
FiguraIV11.GrficodelefectoprincipaldelfactorALGdelbloqueAdelantoPredictivaSMAGA2P13_20.

872

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Interaction Plot
2,8

IPSPPVEPT

2,5 2,2 1,9 1,6 1,3 10 50 100 125

ALG SMAGA-2 SSDS

CEX
FiguraIV12.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGdelbloqueAdelanto PredictivaSMAGA2P13_20.

Interaction Plot
5

IPSPPVEPT

4 3 2 1 0 0 0,01 0,02

VA 0,2 0,4

K
FiguraIV13.GrficodelefectodelainteraccinentreelfactorKyelfactorVAdelbloqueAdelantoPredictiva SMAGA2P13_20.

873

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Interaction Plot
4,9

IPSPPVEPT

3,9 2,9 1,9 0,9 -0,1 0 0,01 0,02

ALG SMAGA-2 SSDS

K
FiguraIV14.GrficodelefectodelainteraccinentreelfactorKyelfactorALGdelbloqueAdelantoPredictiva SMAGA2P13_20.

AIV.1.3.2

AnlisisdelBloqueP13_50

En este bloque experimental se ha necesitado realizar una transformacin de la variable dependientedebidoaquesehaobservadolaexistenciadealgunarelacinnolinealentrelos factores. La transformacin que se ha empleado ha sido el clculo de logaritmo neperiano (LOG en la aplicacin Statgraphics) de la variable a la cual se le ha sumado una unidad para evitarvaloresnegativosqueimpidieranelclculodellogaritmo.Entodocaso,lasignificacin de los factores y los test realizados son tan vlidos como si se hubiesen realizado sin transformacin. EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=4,79168con4 d.f., y un PValue = 0,309348, lo que descarta la posibilidad de que la variable analizada no procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV15comola variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

874

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -2 -1 0 1 2 3

percentage

LOG(IPSPPVEPT+1)
FiguraIV15.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelbloqueAdelantoPredictiva SMAGA2P13_50enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores: IPSPPVEPTrespectoaCEX:testdeLevene:0,0904059PValue=0,89672 IPSPPVEPTrespectoaK:testdeLevene:0,56945PValue=0,0587367 IPSPPVEPTrespectoaVA:testdeLevene:1,01089PValue=0,347143 IPSPPVEPTrespectoaALG:testdeLevene:1,20258PValue=0,26133

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permitedisponerlosresiduos(t),enelejedeordenadas,frentealasvariablesexgenas(Xt), yendgena(t).

875

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of RESIDUALS vs LOG(IPSPPVEPT+1)

0,6

RESIDUALS

0,3 0 -0,3 -0,6 -0,9 -2 -1 0 1 2 3

LOG(IPSPPVEPT+1)
FiguraIV16.GrficodeResiduosfrentealosnivelesdelaVariableIPSPPVEPTdelbloqueAdelantoPredictiva SMAGA2P13_50.

Residual Plot for LOG(IPSPPVEPT+1)

0,9 0,6

residual

0,3 0 -0,3 -0,6 -0,9 10 50 100 125

CEX
FiguraIV17.GrficodeResiduosfrentealosnivelesdelfactorCEXdelbloqueAdelantoPredictivaSMAGA2 P13_50.

876

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for LOG(IPSPPVEPT+1)

0,9 0,6

residual

0,3 0 -0,3 -0,6 -0,9 0 0,005 0,01

K
FiguraIV18.GrficodeResiduosfrentealosnivelesdelfactorkdelbloqueAdelantoPredictivaSMAGA2 P13_50.

Residual Plot for LOG(IPSPPVEPT+1)

0,9 0,6

residual

0,3 0 -0,3 -0,6 -0,9 0,1 0,2

VA
FiguraIV19.GrficodeResiduosfrentealosnivelesdelfactorVAdelbloqueAdelantoPredictivaSMAGA2 P13_50.

877

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for LOG(IPSPPVEPT+1)

0,9 0,6

residual

0,3 0 -0,3 -0,6 -0,9 SMAGA-2 SSDS

ALG
FiguraIV20.GrficodeResiduosfrentealosnivelesdelfactorALGdelbloqueAdelantoPredictivaSMAGA2 P13_50.

Como se observa en las figuras correspondientes a los residuos no se observa una falta de linealidad significativa en los mismos. Por lo que se descarta la ausencia de linealidad de la variabletransformada. Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV21nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

878

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for LOG(IPSPPVEPT+1)

0,9 0,6

residual

0,3 0 -0,3 -0,6 -0,9 0 10 20 30 40 50

row number
FiguraIV21.ResiduosfrentealordendeejecucindelostratamientosdelbloqueAdelantoPredictivaSMAGA2 P13_50.

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for LOG(IPSPPVEPT+1) - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 0,640294 3 0,213431 2,97 0,0529 B:K 16,1033 2 8,05166 112,10 0,0000 C:VA 0,026396 1 0,026396 0,37 0,5503 D:ALG 9,6187 1 9,6187 133,92 0,0000 INTERACTIONS AB AC AD BC BD CD

0,785419 0,182843 1,04723 0,652912 0,744688 0,127275

6 3 3 2 2 1

0,130903 0,0609477 0,349077 0,326456 0,372344 0,127275

1,82 0,85 4,86 4,55 5,18 1,77

0,1389 0,4816 0,0092 0,0217 0,0139 0,1962

RESIDUAL 1,65199 23 0,0718258 -------------------------------------------------------------------------------TOTAL (CORRECTED) 31,5811 47 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV10.ANOVAcorrespondienteIPSPPVEPTdelbloqueAdelantoPredictivaSMAGA2P13_50.

ComosepuedeverenlaTablaIV10disponemosde48datosytenemos23gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que
879

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica sonsignificativoslosefectosprincipalesdelosfactoresByD,yademslosonlasinteracciones AD,BCyBD.

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT+1)

1,8 1,5 1,2 0,9 0,6 0,3 0 0 0,005 0,01

K
FiguraIV22.GrficodelefectoprincipaldelfactorKdelbloqueAdelantoPredictivaSMAGA2P13_50.

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT+1)

1,7 1,5 1,3 1,1 0,9 0,7 0,5 SMAGA-2 SSDS

ALG
FiguraIV23.GrficodelefectoprincipaldelfactorALGdelbloqueAdelantoPredictivaSMAGA2P13_50.

880

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Interaction Plot LOG(IPSPPVEPT+1)

1,8 1,5 1,2 0,9 0,6 0,3 0 10 50 100 125 ALG SMAGA-2 SSDS

CEX
FiguraIV24.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGdelbloqueAdelanto PredictivaSMAGA2P13_50.

Interaction Plot LOG(IPSPPVEPT+1)

1,8 1,5 1,2 0,9 0,6 0,3 0 0 0,005 0,01 VA 0,1 0,2

K
FiguraIV25.GrficodelefectodelainteraccinentreelfactorKyelfactorVAdelbloqueAdelantoPredictiva SMAGA2P13_50.

881

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Interaction Plot LOG(IPSPPVEPT+1)

2 1,6 1,2 0,8 0,4 0 -0,4 0 0,005 0,01 ALG SMAGA-2 SSDS

K
FiguraIV26.GrficodelefectodelainteraccinentreelfactorKyelfactorALGdelbloqueAdelantoPredictiva SMAGA2P13_50.

AIV.1.4 Resultados para la Configuracin P3 con Programacin Predictiva basada enSMAGA2

Conjunto Experimental SSD10_P3_20 SSD50_P3_20 SSD100_P3_20 SSD125_P3_20 K=0yVA=0,2 SSDS 0,291 0,654 0,336 0,643 SMAGA2 0,725 2,285 3,676 3,790 K=0,01yVA=0,2 SSDS 1,868 2,027 1,410 1,662 SMAGA2 1,679 3,663 4,960 4,904 K=0,02yVA=0,2 SSDS 3,344 3,642 2,560 2,844 SMAGA2 2,766 4,957 6,931 6,549

TablaIV11.ValordeIPSPPVEPTapartirdeSMAGA2conadelantopara20trabajos,yunvalordeVAde0,2.

Conjunto Experimental SSD10_P3_20 SSD50_P3_20 SSD100_P3_20 SSD125_P3_20

K=0yVA=0,4 SSDS 0,304 0,612 0,286 0,611 SMAGA2 0,739 2,139 3,448 3,803

K=0,01yVA=0,4 SSDS 1,948 2,263 1,699 2,027 SMAGA2 1,956 3,922 5,494 5,337

K=0,02yVA=0,4 SSDS 3,470 3,745 2,894 3,153 SMAGA2 3,324 5,328 7,385 7,454

TablaIV12.ValordeIPSPPVEPTapartirdeSMAGA2conadelantopara20trabajos,yunvalordeVAde0,4.

882

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Conjunto Experimental SSD10_P3_50 SSD50_P3_50 SSD100_P3_50 SSD125_P3_50 K=0yVA=0,1 SSDS 0,966 0,919 1,217 1,309 SMAGA2 2,049 3,814 4,791 6,069 K=0,005yVA=0,1 SSDS 1,687 1,613 1,895 1,956 SMAGA2 3,847 5,944 6,771 7,743 K=0,01yVA=0,1 SSDS 2,669 2,428 2,395 2,596 SMAGA2 5,702 7,236 8,468 9,754

TablaIV13.ValordeIPSPPVEPTapartirdeSMAGA2conadelantopara50trabajos,yunvalordeVAde0,1.

Conjunto Experimental SSD10_P3_50 SSD50_P3_50 SSD100_P3_50 SSD125_P3_50

K=0yVA=0,1 SSDS 0,828 1,011 1,183 1,411 SMAGA2 2,207 3,685 5,317 5,998

K=0,005yVA=0,1 SSDS 1,989 1,914 2,054 2,395 SMAGA2 4,673 6,438 7,644 8,523

K=0,01yVA=0,1 SSDS 3,060 2,720 2,783 2,912 SMAGA2 7,099 9,151 10,631 10,770

TablaIV14.ValordeIPSPPVEPTapartirdeSMAGA2conadelantopara50trabajos,yunvalordeVAde0,2.

AIV.1.5 Resultados para la Configuracin P3 con Programacin Predictiva basada enSMAGA2Modificado

Conjunto Experimental SSD10_P3_20 SSD50_P3_20 SSD100_P3_20 SSD125_P3_20 K=0yVA=0,2 SSDS 0,141 0,068 0,135 0,150 SMAGA2 2,441 2,343 2,145 3,038 K=0,01yVA=0,2 SSDS 1,362 1,259 1,055 0,904 SMAGA2 1,230 0,56 0,205 1,169 K=0,02yVA=0,2 SSDS 2,936 2,572 2,139 2,001 SMAGA2 0,251 1,102 1,655 0,830

TablaIV15.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconadelantopara20trabajos,yunvalorde VAde0,2.

883

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Conjunto Experimental SSD10_P3_20 SSD50_P3_20 SSD100_P3_20 SSD125_P3_20

K=0yVA=0,4 SSDS 0,181 0,093 0,103 0,124 SMAGA2 2,488 2,329 2,092 3,134

K=0,01yVA=0,4 SSDS 1,449 1,449 1,185 1,094 SMAGA2 1,107 0,419 0,078 0,870

K=0,02yVA=0,4 SSDS 3,045 3,014 2,556 2,273 SMAGA2 0,385 1,494 2,128 1,361

TablaIV16.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconadelantopara20trabajos,yunvalorde VAde0,4.

Conjunto Experimental SSD10_P3_50 SSD50_P3_50 SSD100_P3_50 SSD125_P3_50

K=0yVA=0,1 SSDS 0,010 0,018 0,023 0,130 SMAGA2 3,262 3,062 2,384 2,701

K=0,005yVA=0,1 SSDS 0,996 0,740 0,598 0,598 SMAGA2 1,345 1,087 0,420 0,731

K=0,01yVA=0,1 SSDS 1,915 1,460 1,233 1,236 SMAGA2 0,560 0,907 1,542 1,303

TablaIV17.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconadelantopara50trabajos,yunvalorde VAde0,1.

Conjunto Experimental SSD10_P3_50 SSD50_P3_50 SSD100_P3_50 SSD125_P3_50

K=0yVA=0,1 0,022 0,008 0,002 0,013 3,337 3,043 2,412 2,752

K=0,005yVA=0,1 1,254 0,940 0,778 0,731 0,498 0,257 0,591 0,260

K=0,01yVA=0,1 2,479 1,888 1,527 1,500 2,423 2,668 3,589 3,128

TablaIV18.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconadelantopara50trabajos,yunvalorde VAde0,2.

AIV.1.6 Anlisis Estadstico para la Configuracin P3 con Programacin Predictiva basadaenSMAGA2 AIV.1.6.1 AnlisisdelBloqueP3_20

En este bloque experimental se ha necesitado realizar una transformacin de la variable dependientedebidoaquesehaobservadolaexistenciadealgunarelacinnolinealentrelos factores. La transformacin que se ha empleado ha sido el clculo de logaritmo neperiano
884

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin (LOGenlaaplicacinStatgraphics)delavariablealacualselehasumadodosunidadespara evitarvaloresnegativosqueimpidieranelclculodellogaritmo.Entodocaso,lasignificacin de los factores y los test realizados son tan vlidos como si se hubiesen realizado sin transformacin. EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=8,00013con4 d.f. y un PValue = 0,0915733, lo que descarta la posibilidad de que la variable analizada no procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV27comola variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 0,8 1,1 1,4 1,7 2 2,3

percentage

LOG(IPSPPVEPT+2)
FiguraIV27.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelbloqueAdelantoPredictiva SMAGA2P3_20enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores:
885

IPSPPVEPTrespectoaCEX:testdeLevene:0,738387PValue=0,534819 IPSPPVEPTrespectoaK:testdeLevene:0,488775PValue=0,616596 IPSPPVEPTrespectoaVA:testdeLevene:0,0203471PValue=0,887195 IPSPPVEPTrespectoaALG:testdeLevene:0,00165068PValue=0,967768

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos estudentizadosi (t), en el eje de ordenadas, frente a las variablesexgenas(Xt),yendgena(t).

Plot of RESIDUALS vs LOG(IPSPPVEPT+2)

(X 0,001) 37

RESIDUALS

27 17 7 -3 -13 -23 0,8 1,1 1,4 1,7 2 2,3

LOG(IPSPPVEPT+2)
FiguraIV28.GrficodeResiduosfrentealosnivelesdelaVariableIPSPPVEPTdelbloqueAdelantoPredictiva SMAGA2P3_20.

Consiste en el clculo de la siguiente expresin para cada residuo: (residuomedia de los residuos)/desviacinestndardelosresiduos.

886

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for LOG(IPSPPVEPT+2)

(X 0,001) 32 22

residual

12 2 -8 -18 -28 10 50 100 125

CEX
FiguraIV29.GrficodeResiduosfrentealosnivelesdelfactorCEXdelbloqueAdelantoPredictivaSMAGA2 P3_20.

Residual Plot for LOG(IPSPPVEPT+2)

(X 0,001) 32 22

residual

12 2 -8 -18 -28 0 0,01 0,02

K
FiguraIV30.GrficodeResiduosfrentealosnivelesdelfactorkdelbloqueAdelantoPredictivaSMAGA2P3_20.

887

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for LOG(IPSPPVEPT+2)

(X 0,001) 32 22

residual

12 2 -8 -18 -28 0,2 0,4

VA
FiguraIV31.GrficodeResiduosfrentealosnivelesdelfactorVAdelbloqueAdelantoPredictivaSMAGA2 P3_20.

Residual Plot for LOG(IPSPPVEPT+2)

(X 0,001) 32 22

residual

12 2 -8 -18 -28 SMAGA-2 SSDS

ALG
FiguraIV32.GrficodeResiduosfrentealosnivelesdelfactorALGdelbloqueAdelantoPredictivaSMAGA2 P3_20.

Como se observa en las figuras correspondientes a los residuos no se observa una falta de linealidadsignificativaenlosmismos.Porloquesedescartalaausenciadelinealidad.

888

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV33nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

Residual Plot for LOG(IPSPPVEPT+2)

(X 0,001) 32 22

residual

12 2 -8 -18 -28 0 10 20 30 40 50

row number
FiguraIV33.ResiduosfrentealordendeejecucindelostratamientosdelbloqueAdelantoPredictivaSMAGA2 P3_20.

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for LOG(IPSPPVEPT+2) - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 0,789322 3 0,263107 829,48 0,0000 B:K 3,227 2 1,6135 5086,79 0,0000 C:VA 0,0161097 1 0,0161097 50,79 0,0000 D:ALG 2,38907 1 2,38907 7531,87 0,0000 INTERACTIONS AB AC AD BC BD CD

0,0424005 0,00149223 0,981368 0,0154837 0,111071 0,000268663

6 3 3 2 2 1

0,00706674 0,000497412 0,327123 0,00774184 0,0555353 0,000268663

22,28 1,57 1031,30 24,41 175,08 0,85

0,0000 0,2242 0,0000 0,0000 0,0000 0,3670

RESIDUAL 0,00729548 23 0,000317195 -------------------------------------------------------------------------------TOTAL (CORRECTED) 7,58088 47 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV19.ANOVAcorrespondienteIPSPPVEPTdelbloqueAdelantoPredictivaSMAGA2P3_20.

889

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ComosepuedeverenlaTablaIV19disponemosde48datosytenemos23gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que son significativos todos efectos principales de todos los factores, y adems lo son las interaccionesAB,AD,BCyBD.

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT+2)

1,7 1,6 1,5 1,4 1,3 1,2 10 50 100 125

CEX
FiguraIV34.GrficodelefectoprincipaldelfactorCEXdelbloqueAdelantoPredictivaSMAGA2P3_20.

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT+2)

1,9 1,7 1,5 1,3 1,1 0 0,01 0,02

K
FiguraIV35.GrficodelefectoprincipaldelfactorKdelbloqueAdelantoPredictivaSMAGA2P3_20.

890

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT+2)

1,55 1,54 1,53 1,52 1,51 1,5 1,49 0,2 0,4

VA
FiguraIV36.GrficodelefectoprincipaldelfactorVAdelbloqueAdelantoPredictivaSMAGA2P3_20.

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT+2)

1,8 1,7 1,6 1,5 1,4 1,3 1,2 SMAGA-2 SSDS

ALG
FiguraIV37.GrficodelefectoprincipaldelfactorALGdelbloqueAdelantoPredictivaSMAGA2P3_20.

891

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Interaction Plot LOG(IPSPPVEPT+2)

2,11 1,91 1,71 1,51 1,31 1,11 0,91 10 50 100 125
FiguraIV38.GrficodelefectodelainteraccinentreelfactorCEXyelfactorKdelbloqueAdelantoPredictiva SMAGA2P3_20.

K 0 0,01 0,02

CEX

Interaction Plot LOG(IPSPPVEPT+2)

2 1,8 1,6 1,4 1,2 10 50 100 125 ALG SMAGA-2 SSDS

CEX
FiguraIV39.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGdelbloqueAdelanto PredictivaSMAGA2P3_20.

892

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Interaction Plot LOG(IPSPPVEPT+2)

1,9 1,7 1,5 1,3 1,1 0 0,01 0,02 VA 0,2 0,4

K
FiguraIV40.GrficodelefectodelainteraccinentreelfactorKyelfactorVAdelbloqueAdelantoPredictiva SMAGA2P3_20.

Interaction Plot LOG(IPSPPVEPT+2)

2,1 1,9 1,7 1,5 1,3 1,1 0,9 0 0,01 0,02 ALG SMAGA-2 SSDS

K
FiguraIV41.GrficodelefectodelainteraccinentreelfactorKyelfactorALGdelbloqueAdelantoPredictiva SMAGA2P3_20.

893

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica AIV.1.6.2

AnlisisdelBloqueP3_50

En este bloque experimental se ha necesitado realizar una transformacin de la variable dependientedebidoaquesehaobservadolaexistenciadealgunarelacinnolinealentrelos factores. La transformacin que se ha empleado ha sido el clculo de logaritmo neperiano (LOGenlaaplicacinStatgraphics)delavariablealacualselehasumadodosunidadespara evitarvaloresnegativosqueimpidieranelclculodellogaritmo.Entodocaso,lasignificacin de los factores y los test realizados son tan vlidos como si se hubiesen realizado sin transformacin. EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=8,58367con4 d.f.,yunPValue=0,0723911,loquedescartalaposibilidaddequelavariableanalizadano procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV42comola variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 1 1,4 1,8 2,2 2,6

percentage

LOG(IPSPPVEPT+2)
FiguraIV42.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelbloqueAdelantoPredictiva SMAGA2P3_50enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores:
894

IPSPPVEPTrespectoaCEX:testdeLevene:1,53992PValue=0,21752

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin IPSPPVEPTrespectoaK:testdeLevene:0,420167PValue=0,659487 IPSPPVEPTrespectoaVA:testdeLevene:0,0844773PValue=0,772626 IPSPPVEPTrespectoaALG:testdeLevene:4,00912PValue=0,0511707

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos estudentizadosii (t), en el eje de ordenadas, frente a las variablesexgenas(Xt),yendgena(t).

Plot of RESIDUALS vs LOG(IPSPPVEPT+2)

(X 0,001) 54

RESIDUALS

34 14 -6 -26 -46 1 1,4 1,8 2,2 2,6

LOG(IPSPPVEPT+2)
FiguraIV43.GrficodeResiduosfrentealosnivelesdelaVariableIPSPPVEPTdelbloqueAdelantoPredictiva SMAGA2P3_50.

ii

Consiste en el clculo de la siguiente expresin para cada residuo: (residuomedia de los residuos)/desviacinestndardelosresiduos.

895

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for LOG(IPSPPVEPT+2)

(X 0,001) 54 34

residual

14 -6 -26 -46 10 50 100 125

CEX
FiguraIV44.GrficodeResiduosfrentealosnivelesdelfactorCEXdelbloqueAdelantoPredictivaSMAGA2 P3_50.

Residual Plot for LOG(IPSPPVEPT+2)

(X 0,001) 54 34

residual

14 -6 -26 -46 0 0,005 0,01

K
FiguraIV45.GrficodeResiduosfrentealosnivelesdelfactorkdelbloqueAdelantoPredictivaSMAGA2P3_50.

896

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for LOG(IPSPPVEPT+2)

(X 0,001) 54 34

residual

14 -6 -26 -46 0,1 0,2

VA
FiguraIV46.GrficodeResiduosfrentealosnivelesdelfactorVAdelbloqueAdelantoPredictivaSMAGA2 P3_50.

Residual Plot for LOG(IPSPPVEPT+2)

(X 0,001) 54 34

residual

14 -6 -26 -46 SMAGA-2 SSDS

ALG
FiguraIV47.GrficodeResiduosfrentealosnivelesdelfactorALGdelbloqueAdelantoPredictivaSMAGA2 P3_50.

Como se observa en las figuras correspondientes a los residuos no se observa una falta de linealidad significativa en los mismos. Por lo que se descarta la ausencia de linealidad de la variabletransformada.
897

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV48nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

Residual Plot for LOG(IPSPPVEPT+2)

(X 0,001) 54 34

residual

14 -6 -26 -46 0 10 20 30 40 50

row number
FiguraIV48.ResiduosfrentealordendeejecucindelostratamientosdelbloqueAdelantoPredictivaSMAGA2 P3_50.

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for LOG(IPSPPVEPT+2) - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 0,56819 3 0,189397 222,47 0,0000 B:K 1,86082 2 0,930409 1092,89 0,0000 C:VA 0,0583759 1 0,0583759 68,57 0,0000 D:ALG 6,56752 1 6,56752 7714,42 0,0000 INTERACTIONS AB AC AD BC BD CD

0,0608955 0,00069166 0,346795 0,0230045 0,0354809 0,00459471

6 3 3 2 2 1

0,0101493 0,000230553 0,115598 0,0115023 0,0177404 0,00459471

11,92 0,27 135,79 13,51 20,84 5,40

0,0000 0,8458 0,0000 0,0001 0,0000 0,0294

RESIDUAL 0,0195806 23 0,00085133 -------------------------------------------------------------------------------TOTAL (CORRECTED) 9,54595 47 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV20.ANOVAcorrespondienteIPSPPVEPTdelbloqueAdelantoPredictivaSMAGA2P3_50.

898

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin ComosepuedeverenlaTablaIV20disponemosde48datosytenemos23gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que son significativos todos los efectos principales de los factores, y adems lo son las interaccionesAB,AD,BC,BDyCD.

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT+2)

1,9 1,8 1,7 1,6 1,5 10 50 100 125

CEX

FiguraIV49.GrficodelefectoprincipaldelfactorCEXdelbloqueAdelantoPredictivaSMAGA2P3_50.

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT+2)

1,9 1,8 1,7 1,6 1,5 10 50 100 125

CEX
FiguraIV50.GrficodelefectoprincipaldelfactorKdelbloqueAdelantoPredictivaSMAGA2P3_50.

899

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT+2)

1,77 1,75 1,73 1,71 1,69 1,67 0,1 0,2

VA
FiguraIV51.GrficodelefectoprincipaldelfactorVAdelbloqueAdelantoPredictivaSMAGA2P3_50.

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT+2)

2,1 1,9 1,7 1,5 1,3 SMAGA-2 SSDS

ALG
FiguraIV52.GrficodelefectoprincipaldelfactorALGdelbloqueAdelantoPredictivaSMAGA2P3_50.

900

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Interaction Plot LOG(IPSPPVEPT+2)

2,2 2 1,8 1,6 1,4 1,2 10 50 100 125 K 0 0,005 0,01

CEX
FiguraIV53.GrficodelefectodelainteraccinentreelfactorCEXyelfactorKdelbloqueAdelantoPredictiva SMAGA2P3_50.

Interaction Plot LOG(IPSPPVEPT+2)

2,5 2,3 2,1 1,9 1,7 1,5 1,3 10 50 100 125 ALG SMAGA-2 SSDS

CEX
FiguraIV54.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGdelbloqueAdelanto PredictivaSMAGA2P3_50.

901

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Interaction Plot LOG(IPSPPVEPT+2)

2,2 2 1,8 1,6 1,4 0 0,005 0,01 VA 0,1 0,2

K
FiguraIV55.GrficodelefectodelainteraccinentreelfactorKyelfactorVAdelbloqueAdelantoPredictiva SMAGA2P3_50.

Interaction Plot LOG(IPSPPVEPT+2)

2,6 2,3 2 1,7 1,4 1,1 0 0,005 0,01 ALG SMAGA-2 SSDS

K
FiguraIV56.GrficodelefectodelainteraccinentreelfactorKyelfactorALGdelbloqueAdelantoPredictiva SMAGA2P3_50.

902

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Interaction Plot LOG(IPSPPVEPT+2)

2,3 2,1 1,9 1,7 1,5 1,3 0,1 0,2 ALG SMAGA-2 SSDS

VA

FiguraIV57.GrficodelefectodelainteraccinentreelfactorVAyelfactorALGdelbloqueAdelantoPredictiva SMAGA2P3_50.

903

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica AIV.2

Resultados y Anlisis de los mismo en situaciones de Retrasos en las Operaciones

En este apartado se proporcionan los datos obtenidos durante la simulacin de reprogramacindeunprogramapredictivosometidoaeventosquesuponenunretrasoenla fechadefinalizacindelasoperaciones.Losresultadosquesemuestransonelpromediode adelantosgrandes,medianosypequeoscorrespondientesalostiposdeeventosBAT_AS_10, BAT_AS_50yBAT_AS_80.Enconcretolosdatossedividenendosapartados,enelprimerose muestranlosdatosobtenidospartiendodeunalgoritmopredictivoobtenidoconSMAGA2,y en el siguiente apartado los obtenidos con un algoritmo SMAGA2 cuya secuencia ha sido modificadaintercambiando2elementosdelamisma.Enamboscasossemuestranlosdatos obtenidos para la combinacin de los 4 factores considerados (CEX, K, VA y ALG). De igual manera, en ambos casos, los algoritmos considerados son 5, RS, SSDS, AOR, SMAGA2s y SMAGA2. Dado que de dichos algoritmos slo SSDS y SMAGA2 son sensibles al valor de K (empeorandocuantomsvaleK),yquedelosrestantessloSMAGA2sessensiblealvalorde VA,sedebetenerencuentaquesiunalgoritmonosensiblealvalordeKeselmejorcuandoK vale0,nielalgoritmoSSDSniSMAGA2podrsuperarlocuandoKtomevaloressuperioresa0. Por este motivo en algunos casos no se analizan, o se hace parcialmente, los resultados con valordeKsuperioresa0. Tambin se realiza el anlisis estadstico slo de los datos obtenidos con el programa predictivoestablecidoconalgoritmoSMAGA2.Enconcretoelanlisissedivideen4bloques, enfuncindelaconfiguracindeltallerynmerodetrabajos:BloqueP13_20,P13_50,P3_20 yP3_50. En primer lugar se proporcionan los datos de los bloques P13_20 y P13_50, y el anlisis estadstico correspondiente, y posteriormente se muestran los datos de los bloques P3_20 y P3_50yserealizaenestudioestadsticocorrespondiente.

904

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin AIV.2.1 ResultadosparalaConfiguracinP13conProgramacinPredictivabasada enSMAGA2
Conjunto Experimental

K=0yVA=0,2 RS SSDS AOR SMAGA 2s SMAGA 2 RS SSDS

K=0,01yVA=0,2 AOR SMAGA 2s SMAGA 2

SSD10_P13_20

1,301 SSD50_P13_20 1,168 SSD100_P13_20 0,940 SSD125_P13_20 0,864

1,155 0,957 0,850 0,728

1,305 1,097 0,863 0,796

1,146 1,122 1,054 1,110

1,201 1,409 1,622 1,821

1,301 1,168 0,940 0,864

1,345 1,234 0,951 0,964

1,305 1,097 0,863 0,796

1,146 1,122 1,054 1,110

TablaIV21.ValordeIPSPPVEPTapartirdeSMAGA2conretrasopara20trabajos,yunvalordeVAde0,2.

Conjunto Experimental

K=0yVA=0,4 RS SSDS AOR SMAGA 2s SMAGA 2 RS SSDS

K=0,01yVA=0,4 AOR SMAGA 2s SMAGA 2

SSD10_P13_20

1,301 SSD50_P13_20 1,168 SSD100_P13_20 0,940 SSD125_P13_20 0,864

1,155 0,957 0,850 0,728

1,305 1,097 0,863 0,796

1,064 0,973 0,901 0,863

1,201 1,409 1,622 1,821

1,301 1,168 0,940 0,864

1,389 1,255 0,987 0,974

1,305 1,097 0,863 0,796

1,064 0,973 0,901 0,863

TablaIV22.ValordeIPSPPVEPTapartirdeSMAGA2conretrasopara20trabajos,yunvalordeVAde0,4.

Conjunto Experimental

K=0yVA=0,1 RS SSDS AOR SMAGA 2s SMAGA 2 RS

K=0,005yVA=0,1 SSDS AOR SMAGA 2s SMAGA 2

SSD10_P13_50

0,656 SSD50_P13_50 0,507 SSD100_P13_50 0,392 SSD125_P13_50 0,333

0,627 0,480 0,359 0,317

0,680 0,477 0,394 0,318

0,687 1,273 2,003 2,220

0,795 1,752 2,727 3,103

0,656 0,507 0,392 0,333

0,704 0,568 0,423 0,374

0,680 0,477 0,394 0,318

0,687 1,273 2,003 2,220

TablaIV23.ValordeIPSPPVEPTapartirdeSMAGA2conretrasopara50trabajos,yunvalordeVAde0,1.

905

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Conjunto Experimental

K=0yVA=0,2 RS SSDS AOR SMAGA 2s SMAGA 2 RS

K=0,005yVA=0,2 SSDS AOR SMAGA 2s SMAGA 2

SSD10_P13_50

0,656 SSD50_P13_50 0,507 SSD100_P13_50 0,392 SSD125_P13_50 0,333

0,627 0,480 0,359 0,317

0,680 0,477 0,394 0,318

0,606 0,963 1,384 1,563

0,795 1,752 2,727 3,103

0,656 0,507 0,392 0,333

0,747 0,672 0,538 0,451

0,680 0,477 0,394 0,318

0,606 0,963 1,384 1,563

TablaIV24.ValordeIPSPPVEPTapartirdeSMAGA2conretrasopara50trabajos,yunvalordeVAde0,2.

AIV.2.2 ResultadosparalaConfiguracinP13conProgramacinPredictivabasada enSMAGA2Modificada

Conjunto Experimental

K=0yVA=0,2 RS SSDS AOR SMAGA 2s SMAGA 2 RS SSDS

K=0,01yVA=0,2 AOR SMAGA 2s SMAGA 2

SSD10_P13_20 SSD50_P13_20

0,924 0,633 SSD100_P13_20 0,445 SSD125_P13_20 0,374 0,924 SSD50_P13_20 0,633 SSD100_P13_20 0,445 SSD125_P13_20 0,374
SSD10_P13_20

0,793 0,525 0,422 0,323 1,285 1,045 0,916 0,699

0,910 0,644 0,455 0,353 0,910 0,644 0,455 0,353

0,551 0,084 0,481 0,807 0,551 0,084 0,481 0,807

0,465 1,591 2,909 3,325 1,512 0,564 0,426 1,040

0,924 0,633 0,445 0,374

1,035 0,798 0,644 0,521

0,910 0,644 0,455 0,353

0,551 0,084 0,481 0,807

0,473 0,523 1,670 2,191

K=0,02yVA=0,2

TablaIV25.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconretrasopara20trabajos,yunvalordeVA de0,2.

906

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Conjunto Experimental

K=0yVA=0,4 RS SSDS AOR SMAGA 2s SMAGA 2 RS SSDS

K=0,01yVA=0,4 AOR SMAGA 2s SMAGA 2

SSD10_P13_20

0,950 SSD50_P13_20 0,633 SSD100_P13_20 0,452 SSD125_P13_20 0,363 0,950 SSD50_P13_20 0,633 SSD100_P13_20 0,452 SSD125_P13_20 0,363
SSD10_P13_20

0,765 0,539 0,442 0,319 1,280 1,062 0,962 0,767

0,893 0,624 0,433 0,369 0,893 0,624 0,433 0,369

0,695 0,413 0,205 0,042 0,695 0,413 0,205 0,042

0,532 1,540 2,906 3,470 1,911 0,985 0,165 0,523

0,950 0,633 0,452 0,363

1,053 0,783 0,678 0,512

0,893 0,624 0,433 0,369

0,695 0,413 0,205 0,042

0,632 0,310 1,378 2,020

K=0,02yVA=0,4

TablaIV26.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconretrasopara20trabajos,yunvalordeVA de0,4.

Conjunto Experimental

K=0yVA=0,1 RS SSDS AOR SMAGA 2s SMAGA 2 RS

K=0,005yVA=0,1 SSDS AOR SMAGA 2s SMAGA 2

SSD10_P13_50

0,316 SSD50_P13_50 0,224 SSD100_P13_50 0,159 SSD125_P13_50 0,153 0,316 SSD50_P13_50 0,224 SSD100_P13_50 0,159 SSD125_P13_50 0,153
SSD10_P13_50

0,331 0,222 0,143 0,133 0,542 0,404 0,323 0,254

0,346 0,226 0,155 0,143 0,346 0,226 0,155 0,143

1,522 3,108 4,543 4,304 1,522 3,108 4,543 4,304

2,366 4,606 6,138 6,154 0,746 1,171 2,367 2,201

0,316 0,224 0,159 0,153

0,457 0,316 0,221 0,203

0,346 0,226 0,155 0,143

1,522 3,108 4,543 4,304

0,921 2,840 4,311 4,155

K=0,01yVA=0,1

TablaIV27.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconretrasopara50trabajos,yunvalordeVA de0,1.

907

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Conjunto Experimental

K=0yVA=0,2 RS SSDS AOR SMAGA 2s SMAGA 2 RS

K=0,005yVA=0,2 SSDS AOR SMAGA 2s SMAGA 2

SSD10_P13_50

0,361 SSD50_P13_50 0,237 SSD100_P13_50 0,159 SSD125_P13_50 0,144 0,361 SSD50_P13_50 0,237 SSD100_P13_50 0,159 SSD125_P13_50 0,144
SSD10_P13_50

0,321 0,221 0,149 0,135 0,780 0,601 0,376 0,395

0,349 0,243 0,166 0,147 0,349 0,243 0,166 0,147

0,841 2,068 2,923 2,861 0,841 2,068 2,923 2,861

2,424 4,534 6,162 6,028 2,331 0,583 0,288 0,008

0,361 0,237 0,159 0,144

0,567 0,394 0,302 0,248

0,349 0,243 0,166 0,147

0,841 2,068 2,923 2,861

0,068 1,860 3,127 2,962

K=0,01yVA=0,2

TablaIV28.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconretrasopara50trabajos,yunvalordeVA de0,2.

AIV.2.3 AnlisisEstadsticoparalaConfiguracinP13conProgramacinPredictiva basadaenSMAGA2 AIV.2.3.1 AnlisisdelBloqueP13_20

Enestebloquesehatenidoquedividirelanlisisendospartes.Enunaprimeraparteseha estudiadoqueocurrecuandoelvalordeKes0,yenunasegundafaseloqueocurrecuandoel valordeKsuperiora0.Nuevamenteelmotivodeladivisinhasidoeldetrabajarcondatos convariablehomogneas.EnelcasodeKsuperiora0slosehaestudiadoelvalor0,01yaque sehaobservadocomoeltipodealgoritmoquedependedelvalordeKsevesuperadosiempre porunalgoritmoindependientedeestevalorcuandoKes0,01,yqueporlotantoresponder peorysernuevamentesuperadoporlossegundascuandoKtomoelvalor0,02. AIV.2.3.1.1. AnlisisdelBloqueP13_20(ValordeK=0) EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=5,84977con4 d.f. y un PValue = 0,210652, lo que descarta la posibilidad de que la variable analizada no procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV58comola
908

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 0,7 0,9 1,1 1,3 1,5 1,7 1,9

percentage

IPSPPVEPT
FiguraIV58.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P13_20(K=0)enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores: IPSPPVEPTrespectoaCEX:testdeLevene:1,09575PValue=0,363452 IPSPPVEPTrespectoaVA:testdeLevene:0,117567PValue=0,733578 IPSPPVEPTrespectoaALG:testdeLevene:2,45902PValue=0,0634562

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

909

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of RESIDUALS vs IPSPPVEPT

0,04

RESIDUALS

0,02 0 -0,02 -0,04 0,7 0,9 1,1 1,3 1,5 1,7 1,9

IPSPPVEPT
FiguraIV59.GrficodeResiduosfrentealosnivelesdelaVariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P13_20(K=0).

Residual Plot for IPSPPVEPT

0,04 0,02 0 -0,02 -0,04 10 50 100 125

residual

CEX
FiguraIV60.GrficodeResiduosfrentealosnivelesdelfactorCEXdelbloqueRetrasoPredictivaSMAGA2 P13_20(K=0).

910

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for IPSPPVEPT

0,04 0,02 0 -0,02 -0,04 0,2 0,4

residual

VA
FiguraIV61.GrficodeResiduosfrentealosnivelesdelfactorVAdelbloqueRetrasoPredictivaSMAGA2 P13_20(K=0).

Residual Plot for IPSPPVEPT

0,04 0,02 0 -0,02 -0,04 AOR RS SMG-2SMG-2s SSDS

residual

ALG
FiguraIV62.GrficodeResiduosfrentealosnivelesdelfactorALGdelbloqueRetrasoPredictivaSMAGA2 P13_20(K=0).

Como se observa en las figuras correspondientes a los residuos no se observa una falta de linealidadsignificativaenlosmismos.Porloquesedescartalaausenciadelinealidad.

911

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV63nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

Residual Plot for IPSPPVEPT

0,04 0,02 0 -0,02 -0,04 0 10 20 30 40

residual

row number
FiguraIV63.ResiduosfrentealordendeejecucindelostratamientosdelbloqueRetrasoPredictivaSMAGA2 P13_20(K=0).

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for IPSPPVEPT - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 0,199318 3 0,0664394 46,73 0,0000 B:VA 0,003816 1 0,003816 2,68 0,1273 C:ALG 1,72094 4 0,430236 302,58 0,0000 INTERACTIONS AB AC BC

0,00428665 1,0161 0,0506422

3 12 4

0,00142888 0,0846746 0,0126606

1,00 59,55 8,90

0,4242 0,0000 0,0014

RESIDUAL 0,0170626 12 0,00142188 -------------------------------------------------------------------------------TOTAL (CORRECTED) 3,01217 39 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV29.ANOVAcorrespondienteIPSPPVEPTdelbloqueRetrasoPredictivaSMAGA2P13_20(K=0).

912

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin ComosepuedeverenlaTablaIV29disponemosde40datosytenemos12gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que sonsignificativoslosefectosprincipalesdelosfactoresAyC,yademslosonlasinteracciones ACyBC.

Means and 95,0 Percent LSD Intervals

1,24

IPSPPVEPT

1,2 1,16 1,12 1,08 1,04 1 10 50 100 125

CEX
FiguraIV64.GrficodelefectoprincipaldelfactorCEXdelbloqueRetrasoPredictivaSMAGA2P13_20(K=0).

Means and 95,0 Percent LSD Intervals

1,7

IPSPPVEPT

1,5 1,3 1,1 0,9 AOR RS SMG-2SMG-2s SSDS

ALG
FiguraIV65.GrficodelefectoprincipaldelfactorALGdelbloqueRetrasoPredictivaSMAGA2P13_20(K=0).

913

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Interaction Plot
1,9

IPSPPVEPT

1,7 1,5 1,3 1,1 0,9 0,7 10 50 100 125

ALG AOR RS SMG-2 SMG-2s SSDS

CEX
FiguraIV66.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGdelbloqueRetrasoPredictiva SMAGA2P13_20(K=0).

Interaction Plot
1,72

IPSPPVEPT

1,52 1,32 1,12 0,92 0,2 0,4

ALG AOR RS SMG-2 SMG-2s SSDS

VA
FiguraIV67.GrficodelefectodelainteraccinentreelfactorVAyelfactorALGdelbloqueRetrasoPredictiva SMAGA2P13_20(K=0).

914

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin AIV.2.3.1.2. AnlisisdelBloqueP13_20(ValordeK=0,01) En este bloque experimental se ha necesitado realizar una transformacin de la variable dependiente,yademsenestaocasinsenohaincluidoenelanlisiselalgoritmoSMAGA2. Ambasdecisionesestnorientadasagarantizarelcumplimientodelacondicindeigualdaden lavarianza.Latransformacinquesehaempleadohasidoelclculodelarazcuadradadela variablealacualseleharestadodosdecimas.Entodocaso,lasignificacindelosfactoresy los test realizados son tan vlidos como si se hubiesen realizado sin transformacin. La no inclusin del algoritmo SMAGA2 en el anlisis es factible ya que ha demostrado no ser interesanteparaelcasodeK=0,porloqueansermenosinteresantecuandoelvalordeK seasuperior. EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=4,75con4d.f.y unPValue=0,313924,loquedescartalaposibilidaddequelavariableanalizadanoproceda deunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV68comolavariablese distribuye muy prxima a la lnea continua diagonal, lo que implica su proximidad a la distribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 0 0,3 0,6 0,9 1,2 1,5

percentage

(IPSPPVEPT-0,2)^2
FiguraIV68.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P13_20(K=0,01)enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores:
915

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica IPSPPVEPTrespectoaCEX:testdeLevene:1,03092PValue=0,393986 IPSPPVEPTrespectoaVA:testdeLevene:0,0444746PValue=0,834399 IPSPPVEPTrespectoaALG:testdeLevene:2,91589PValue=0,0516274

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

Plot of RESIDUALS vs (IPSPPVEPT-0,2)^2

0,06

RESIDUALS

0,04 0,02 0 -0,02 -0,04 -0,06 0 0,3 0,6 0,9 1,2 1,5

(IPSPPVEPT-0,2)^2
FiguraIV69.GrficodeResiduosfrentealosnivelesdelaVariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P13_20(K=0,01).

916

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for (IPSPPVEPT-0,2)^2

0,06 0,04

residual

0,02 0 -0,02 -0,04 -0,06 10 50 100 125

CEX
FiguraIV70.GrficodeResiduosfrentealosnivelesdelfactorCEXdelbloqueRetrasoPredictivaSMAGA2 P13_20(K=0,01).

Residual Plot for (IPSPPVEPT-0,2)^2

0,06 0,04

residual

0,02 0 -0,02 -0,04 -0,06 0,2 0,4

VA
FiguraIV71.GrficodeResiduosfrentealosnivelesdelfactorVAdelbloqueRetrasoPredictivaSMAGA2 P13_20(K=0,01).

917

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for (IPSPPVEPT-0,2)^2

0,06 0,04

residual

0,02 0 -0,02 -0,04 -0,06 AOR RS SMG-2s SSDS

ALG
FiguraIV72.GrficodeResiduosfrentealosnivelesdelfactorALGdelbloqueRetrasoPredictivaSMAGA2 P13_20(K=0,01).

Como se observa en las figuras correspondientes a los residuos no se observa una falta de linealidadsignificativaenlosmismos.Porloquesedescartalaausenciadelinealidad. Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV73nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

918

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for IPSPPVEPT

0,04 0,02 0 -0,02 -0,04 0 10 20 30 40

residual

row number
FiguraIV73.ResiduosfrentealordendeejecucindelostratamientosdelbloqueRetrasoPredictivaSMAGA2 P13_20(K=0,01).

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for (IPSPPVEPT-0,2)^2 - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 2,25782 3 0,752607 260,62 0,0000 B:VA 0,0114229 1 0,0114229 3,96 0,0779 C:ALG 0,23144 3 0,0771467 26,72 0,0001 INTERACTIONS AB AC BC

0,0188528 0,385864 0,14015

3 9 3

0,00628426 0,0428737 0,0467166

2,18 14,85 16,18

0,1606 0,0002 0,0006

RESIDUAL 0,0259896 9 0,00288773 -------------------------------------------------------------------------------TOTAL (CORRECTED) 3,07154 31 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV30.ANOVAcorrespondienteIPSPPVEPTdelbloqueRetrasoPredictivaSMAGA2P13_20(K=0,01).

ComosepuedeverenlaTablaIV30disponemosde32datosytenemos9gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que sonsignificativoslosefectosprincipalesdelosfactoresAyC,yademslosonlasinteracciones ACyBC.
919

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Means and 95,0 Percent LSD Intervals (IPSPPVEPT-0,2)^2

1,27 1,07 0,87 0,67 0,47 10 50 100 125

CEX
FiguraIV74.GrficodelefectoprincipaldelfactorCEXdelbloqueRetrasoPredictivaSMAGA2P13_20(K=0,01).

Means and 95,0 Percent LSD Intervals (IPSPPVEPT-0,2)^2

0,96 0,91 0,86 0,81 0,76 0,71 0,66 AOR RS SMG-2s SSDS

ALG
FiguraIV75.GrficodelefectoprincipaldelfactorALGdelbloqueRetrasoPredictivaSMAGA2P13_20(K=0,01).

920

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Interaction Plot (IPSPPVEPT-0,2)^2

1,5 1,2 0,9 0,6 0,3 0 10 50 100 125 ALG AOR RS SMG-2s SSDS

CEX
FiguraIV76.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGdelbloqueRetrasoPredictiva SMAGA2P13_20(K=0,01).

Interaction Plot (IPSPPVEPT-0,2)^2

0,96 0,86 0,76 0,66 0,56 0,2 0,4 ALG AOR RS SMG-2s SSDS

VA
FiguraIV77.GrficodelefectodelainteraccinentreelfactorVAyelfactorALGdelbloqueRetrasoPredictiva SMAGA2P13_20(K=0,01).

921

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica AIV.2.3.2

AnlisisdelBloqueP13_50

Enestebloquesehatenidoquedividirelanlisisendospartes.Enunaprimeraparteseha estudiadoqueocurrecuandoelvalordeKes0,yenunasegundafaseloqueocurrecuandoel valordeKsuperiora0.Nuevamenteelmotivodeladivisinhasidoeldetrabajarcondatos convariablehomogneas.EnelcasodeKsuperiora0slosehaestudiadoelvalor0,01yaque sehaobservadocomoeltipodealgoritmoquedependedelvalordeKsevesuperadosiempre porunalgoritmoindependientedeestevalorcuandoKes0,01,yqueporlotantoresponder peorysernuevamentesuperadoporlossegundascuandoKtomoelvalor0,02. AIV.2.3.2.1. AnlisisdelBloqueP13_50(ValordeK=0) En este bloque experimental se ha necesitado realizar una transformacin de la variable dependientedebidoaquesehaobservadolaexistenciadealgunarelacinnolinealentrelos factores. La transformacin que se ha empleado ha sido el clculo de logaritmo neperiano (LOGenlaaplicacinStatgraphics)delavariable.Entodocaso,lasignificacindelosfactoresy lostestrealizadossontanvlidoscomosisehubiesenrealizadosintransformacin. EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=8,64993con4 d.f. y un PValue = 0,0704707, lo que descarta la posibilidad de que la variable analizada no procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV78lavariable se distribuye muy prxima a la lnea continua diagonal, lo que implica su proximidad a la distribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -1,2 -0,8 -0,4 0 0,4 0,8 1,2

percentage

log(IPSPPVEPT)
FiguraIV78.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P13_50(K=0)enrelacinalasfrecuenciasrelativasacumuladas.

922

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores: IPSPPVEPTrespectoaCEX:testdeLevene:2,11697PValue=0,115159 IPSPPVEPTrespectoaVA:testdeLevene:0,127382PValue=0,723136 IPSPPVEPTrespectoaALG:testdeLevene:1,5099PValue=0,220525

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

Plot of RESIDUALS vs LOG(IPSPPVEPT)

0,06

RESIDUALS

0,04 0,02 0 -0,02 -0,04 -0,06 -1,2 -0,8 -0,4 0 0,4 0,8 1,2

LOG(IPSPPVEPT)
FiguraIV79.GrficodeResiduosfrentealosnivelesdelaVariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P13_50(K=0).

923

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for LOG(IPSPPVEPT)

0,06 0,04

residual

0,02 0 -0,02 -0,04 -0,06 10 50 100 125

CEX
FiguraIV80.GrficodeResiduosfrentealosnivelesdelfactorCEXdelbloqueRetrasoPredictivaSMAGA2 P13_50(K=0).

Residual Plot for LOG(IPSPPVEPT)

0,06 0,04

residual

0,02 0 -0,02 -0,04 -0,06 0,1 0,2

VA
FiguraIV81.GrficodeResiduosfrentealosnivelesdelfactorVAdelbloqueRetrasoPredictivaSMAGA2 P13_50(K=0).

924

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for LOG(IPSPPVEPT)

0,06 0,04

residual

0,02 0 -0,02 -0,04 -0,06 AOR RS SMG-2SMG-2s SSDS

ALG
FiguraIV82.GrficodeResiduosfrentealosnivelesdelfactorALGdelbloqueRetrasoPredictivaSMAGA2 P13_50(K=0).

Como se observa en las figuras correspondientes a los residuos no se observa una falta de linealidadsignificativaenlosmismos.Porloquesedescartalaausenciadelinealidad. Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV83nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

925

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for LOG(IPSPPVEPT)

0,06 0,04

residual

0,02 0 -0,02 -0,04 -0,06 0 10 20 30 40

row number
FiguraIV83.ResiduosfrentealordendeejecucindelostratamientosdelbloqueRetrasoPredictivaSMAGA2 P13_50(K=0).

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for LOG(IPSPPVEPT) - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 0,0710581 3 0,023686 17,92 0,0001 B:VA 0,0459647 1 0,0459647 34,78 0,0001 C:ALG 14,927 4 3,73174 2823,39 0,0000 INTERACTIONS AB AC BC

0,00883757 5,28708 0,114099

3 12 4

0,00294586 0,44059 0,0285247

2,23 333,35 21,58

0,1374 0,0000 0,0000

RESIDUAL 0,0158607 12 0,00132172 -------------------------------------------------------------------------------TOTAL (CORRECTED) 20,4699 39 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV31.ANOVAcorrespondienteIPSPPVEPTdelbloqueRetrasoPredictivaSMAGA2P13_50(K=0).

ComosepuedeverenlaTablaIV31disponemosde40datosytenemos12gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que son significativos los efectos principales de los factores A, B y C, y adems lo son las interaccionesACyBC.
926

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT)

-0,25 -0,29 -0,33 -0,37 -0,41 10 50 100 125

CEX
FiguraIV84.GrficodelefectoprincipaldelfactorCEXdelbloqueRetrasoPredictivaSMAGA2P13_50(K=0).

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT)

-0,27 -0,29 -0,31 -0,33 -0,35 -0,37 0,1 0,2

VA
FiguraIV85.GrficodelefectoprincipaldelfactorVAdelbloqueRetrasoPredictivaSMAGA2P13_50(K=0).

927

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT)

0,7 0,3 -0,1 -0,5 -0,9 AOR RS SMG-2SMG-2s SSDS

ALG
FiguraIV86.GrficodelefectoprincipaldelfactorALGdelbloqueRetrasoPredictivaSMAGA2P13_50(K=0).

Interaction Plot LOG(IPSPPVEPT)

1,2 0,8 0,4 0 -0,4 -0,8 -1,2 10 50 100 125 ALG AOR RS SMG-2 SMG-2s SSDS

CEX
FiguraIV87.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGdelbloqueRetrasoPredictiva SMAGA2P13_50(K=0).

928

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Interaction Plot LOG(IPSPPVEPT)

0,7 0,3 -0,1 -0,5 -0,9 0,1 0,2 ALG AOR RS SMG-2 SMG-2s SSDS

VA
FiguraIV88.GrficodelefectodelainteraccinentreelfactorVAyelfactorALGdelbloqueRetrasoPredictiva SMAGA2P13_50(K=0).

AIV.2.3.2.2. AnlisisdelBloqueP13_50(ValordeK=0,005) En este bloque experimental se ha necesitado realizar una transformacin de la variable dependiente,yademsenestaocasinsenohaincluidoenelanlisiselalgoritmoSMAGA2. Ambasdecisionesestnorientadasagarantizarelcumplimientodelacondicindeigualdaden lavarianza.Latransformacinquesehaempleadohasidoelclculodellogaritmoneperiano delavariable.Entodocaso,lasignificacindelosfactoresylostestrealizadossontanvlidos comosisehubiesenrealizadosintransformacin.LanoinclusindelalgoritmoSMAGA2enel anlisisesfactibleya quehademostradonoserinteresante parael casode K=0,porlo que ansermenosinteresantecuandoelvalordeKseasuperior. EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=4,75008con4 d.f. y un PValue = 0,313915, lo que descarta la posibilidad de que la variable analizada no procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV89comola variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

929

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -1,2 -0,8 -0,4 0 0,4 0,8

percentage

LOG(IPSPPVEPT)
FiguraIV89.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P13_50(K=0,005)enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores: IPSPPVEPTrespectoaCEX:testdeLevene:1,25666PValue=0,308217 IPSPPVEPTrespectoaVA:testdeLevene:0,366839PValue=0,549287 IPSPPVEPTrespectoaALG:testdeLevene:1,23552PValue=0,315414

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

930

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Plot of RESIDUALS vs LOG(IPSPPVEPT)

0,08

RESIDUALS

0,05 0,02 -0,01 -0,04 -0,07 -1,2 -0,8 -0,4 0 0,4 0,8

LOG(IPSPPVEPT)
FiguraIV90.GrficodeResiduosfrentealosnivelesdelaVariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P13_50(K=0,005).

Residual Plot for LOG(IPSPPVEPT)

0,08 0,05

residual

0,02 -0,01 -0,04 -0,07 10 50 100 125

CEX
FiguraIV91.GrficodeResiduosfrentealosnivelesdelfactorCEXdelbloqueRetrasoPredictivaSMAGA2 P13_50(K=0,005).

931

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for LOG(IPSPPVEPT)

0,08 0,05

residual

0,02 -0,01 -0,04 -0,07 0,1 0,2

VA
FiguraIV92.GrficodeResiduosfrentealosnivelesdelfactorVAdelbloqueRetrasoPredictivaSMAGA2 P13_50(K=0,005).

Residual Plot for LOG(IPSPPVEPT)

0,08 0,05

residual

0,02 -0,01 -0,04 -0,07 AOR RS SMAGA-2s SSDS

ALG
FiguraIV93.GrficodeResiduosfrentealosnivelesdelfactorALGdelbloqueRetrasoPredictivaSMAGA2 P13_50(K=0,005).

Como se observa en las figuras correspondientes a los residuos no se observa una falta de linealidadsignificativaenlosmismos.Porloquesedescartalaausenciadelinealidad.

932

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV94nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

Residual Plot for LOG(IPSPPVEPT)

0,08 0,05

residual

0,02 -0,01 -0,04 -0,07 0 10 20 30 40

row number
FiguraIV94.ResiduosfrentealordendeejecucindelostratamientosdelbloqueRetrasoPredictivaSMAGA2 P13_50(K=0,005).

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for LOG(IPSPPVEPT) - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 0,249696 3 0,0832321 26,79 0,0001 B:VA 0,00998923 1 0,00998923 3,21 0,1066 C:ALG 5,36834 3 1,78945 575,91 0,0000 INTERACTIONS AB AC BC

0,00134307 2,67369 0,201665

3 9 3

0,00044769 0,297076 0,0672216

0,14 95,61 21,63

0,9309 0,0000 0,0002

RESIDUAL 0,0279644 9 0,00310716 -------------------------------------------------------------------------------TOTAL (CORRECTED) 8,53268 31 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV32.ANOVAcorrespondienteIPSPPVEPTdelbloqueRetrasoPredictivaSMAGA2P13_50(K=0,01).

933

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ComosepuedeverenlaTablaIV32disponemosde32datosytenemos9gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que sonsignificativoslosefectosprincipalesdelosfactoresAyC,yademslosonlasinteracciones ACyBC.

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT)

-0,26 -0,36 -0,46 -0,56 -0,66 10 50 100 125

CEX
FiguraIV95.GrficodelefectoprincipaldelfactorCEXdelbloqueRetrasoPredictivaSMAGA2P13_50 (K=0,005).

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT)

0,3 0,1 -0,1 -0,3 -0,5 -0,7 -0,9 AOR RS SMAGA-2s SSDS

ALG
FiguraIV96.GrficodelefectoprincipaldelfactorVAdelbloqueRetrasoPredictivaSMAGA2P13_50(K=0,005).

934

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Interaction Plot LOG(IPSPPVEPT)

0,8 0,4 0 -0,4 -0,8 -1,2 10 50 100 125 ALG AOR RS SMAGA-2s SSDS

CEX
FiguraIV97.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGdelbloqueRetrasoPredictiva SMAGA2P13_50(K=0,005).

Interaction Plot LOG(IPSPPVEPT)

0,6 0,3 0 -0,3 -0,6 -0,9 0,1 0,2 ALG AOR RS SMAGA-2s SSDS

VA
FiguraIV98.GrficodelefectodelainteraccinentreelfactorVAyelfactorALGdelbloqueRetrasoPredictiva SMAGA2P13_50(K=0,005).

935

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica AIV.2.4 Anlisis Estadstico para la Configuracin P3 con Programacin Predictiva basadaenSMAGA2
Conjunto Experimental

K=0yVA=0,2 RS SSDS AOR SMAGA2s SMAGA2

4,328 SSD50_P3_20 4,087 SSD100_P3_20 4,724 SSD125_P3_20 4,492

SSD10_P3_20

2,914 2,858 3,847 3,994

3,144 2,254 1,791 1,573

2,627 2,834 3,673 4,250

2,644 3,756 5,470 5,865

TablaIV33.ValordeIPSPPVEPTapartirdeSMAGA2conretrasopara20trabajos,yunvalordeVAde0,2.

Conjunto Experimental

K=0yVA=0,4 RS SSDS AOR SMAGA 2s SMAGA 2 RS SSDS

K=0,01yVA=0,4 AOR SMAGA 2s SMAGA 2

SSD10_P3_20 SSD50_P3_20 SSD100_P3_20 SSD125_P3_20

4,340 3,937 4,855 4,248

2,868 2,704 3,949 3,997

3,145 2,160 1,915 1,593

2,880 2,851 3,740 3,999

2,644 3,695 5,187 5,997

4,340 3,937 4,855 4,248

3,360 3,273 4,214 4,233

3,145 2,160 1,915 1,593

2,880 2,851 3,740 3,999

3,618 4,907 6,191 7,187

TablaIV34.ValordeIPSPPVEPTapartirdeSMAGA2conretrasopara20trabajos,yunvalordeVAde0,4.

Conjunto Experimental

K=0yVA=0,1 RS SSDS AOR SMAGA2s SMAGA2

3,217 SSD50_P3_50 3,532 SSD100_P3_50 4,396 SSD125_P3_50 4,599

SSD10_P3_50

2,172 2,772 3,778 4,313

1,504 1,034 0,816 0,752

2,208 3,800 5,006 5,792

2,595 4,535 5,753 6,762

TablaIV35.ValordeIPSPPVEPTapartirdeSMAGA2conretrasopara50trabajos,yunvalordeVAde0,1.

Conjunto Experimental

K=0yVA=0,2 RS SSDS AOR SMAGA2s SMAGA2

3,230 2,17 1,496 3,414 2,816 1,073 SSD100_P3_50 4,202 3,752 0,812 SSD125_P3_50 4,682 4,283 0,726
SSD50_P3_50

SSD10_P3_50

1,978 3,208 4,057 4,966

2,611 4,386 5,596 6,773

TablaIV36.ValordeIPSPPVEPTapartirdeSMAGA2conretrasopara50trabajos,yunvalordeVAde0,2.

936

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

AIV.2.5 Resultados para la Configuracin P3 con Programacin Predictiva basada enSMAGA2Modificada

Conjunto Experimental

K=0yVA=0,2 RS SSDS AOR SMAGA 2s SMAGA 2 RS SSDS

K=0,01yVA=0,2 AOR SMAGA 2s SMAGA 2

SSD10_P3_20

0,924 SSD50_P3_20 0,633 SSD100_P3_20 0,445 SSD125_P3_20 0,374 0,924 SSD50_P3_20 0,633 SSD100_P3_20 0,445 SSD125_P3_20 0,374
SSD10_P3_20

0,793 0,525 0,422 0,323 1,285 1,045 0,916 0,699

0,910 0,644 0,455 0,353 0,910 0,644 0,455 0,353

0,551 0,084 0,481 0,807 0,551 0,084 0,481 0,807

0,465 1,591 2,909 3,325 1,512 0,564 0,426 1,040

0,924 0,633 0,445 0,374

1,035 0,798 0,644 0,521

0,910 0,551 0,644 0,084 0,455 0,481 0,353 0,8077

0,473 0,523 1,670 2,191

K=0,02yVA=0,2

TablaIV37.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconretrasopara20trabajos,yunvalordeVA de0,2.

Conjunto Experimental

K=0yVA=0,4 RS SSDS AOR SMAGA 2s SMAGA 2 RS SSDS

K=0,01yVA=0,4 AOR SMAGA 2s SMAGA 2

SSD10_P3_20

0,950 SSD50_P3_20 0,633 SSD100_P3_20 0,452 SSD125_P3_20 0,363 0,950 SSD50_P3_20 0,633 SSD100_P3_20 0,452 SSD125_P3_20 0,363
SSD10_P3_20

0,765 0,539 0,442 0,319 1,280 1,062 0,962 0,767

0,893 0,624 0,433 0,369 0,893 0,624 0,433 0,369

0,695 0,413 0,205 0,042 0,695 0,413 0,205 0,042

0,532 1,540 2,906 3,470 1,911 0,985 0,165 0,523

0,950 0,633 0,452 0,363

1,053 0,783 0,678 0,512

0,893 0,624 0,433 0,369

0,695 0,413 0,205 0,042

0,632 0,310 1,378 2,020

K=0,02yVA=0,4

TablaIV38.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconretrasopara20trabajos,yunvalordeVA de0,4.

937

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Conjunto Experimental

K=0yVA=0,1 RS SSDS AOR SMAGA 2s SMAGA 2 RS

K=0,005yVA=0,1 SSDS AOR SMAGA 2s SMAGA 2

SSD10_P3_50

0,990 SSD50_P3_50 0,723 SSD100_P3_50 0,515 SSD125_P3_50 0,585 0,990 0,723 SSD100_P3_50 0,515 SSD125_P3_50 0,585
SSD50_P3_50 SSD10_P3_50

0,220 0,114 0,113 0,363 1,166 0,984 0,730 0,861

0,897 0,628 0,416 0,374 0,897 0,628 0,416 0,374

1,966 2,212 1,645 1,032 1,966 2,212 1,645 1,032

2,817 3,003 2,039 1,270 0,430 0,725 1,390 2,135

0,990 0,723 0,515 0,585

0,756 0,536 0,357 0,566

0,897 0,628 0,416 0,374

1,966 2,212 1,645 1,032

1,241 1,161 0,359 0,415

K=0,01yVA=0,1

TablaIV39.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconretrasopara50trabajos,yunvalordeVA de0,1.

Conjunto Experimental

K=0yVA=0,2 RS SSDS AOR SMAGA 2s SMAGA 2 RS

K=0,005yVA=0,2 SSDS AOR SMAGA 2s SMAGA 2

SSD10_P3_50 SSD50_P3_50 SSD100_P3_50 SSD125_P3_50 SSD10_P3_50 SSD50_P3_50 SSD100_P3_50 SSD125_P3_50

0,970 0,685 0,483 0,509 0,970 0,685 0,483 0,509

0,227 0,093 0,097 0,348 0,940 0,768 0,549 0,748

0,847 0,604 0,425 0,374 0,847 0,604 0,425 0,374

1,228 1,773 1,271 0,807 1,228 1,773 1,271 0,807

2,897 2,900 2,099 1,370 0,464 0,179 0,560 1,400

0,970 0,685 0,483 0,509

1,715 1,340 1,006 1,134

0,847 0,604 0,425 0,374

1,228 1,773 1,271 0,807

1,990 2,641 3,237 3,878

K=0,01yVA=0,2

TablaIV40.ValordeIPSPPVEPTapartirdeSMAGA2Modificadoconretrasopara50trabajos,yunvalordeVA de0,2.

AIV.2.5.1 AnlisisdelBloqueP3_20

Enestebloquesehatenidoquedividirelanlisisendospartes.Enunaprimeraparteseha estudiadoqueocurrecuandoelvalordeKes0,yenunasegundafaseloqueocurrecuandoel valordeKsuperiora0.Nuevamenteelmotivodeladivisinhasidoeldetrabajarcondatos convariablehomogneas.EnelcasodeKsuperiora0slosehaestudiadoelvalor0,01yaque

938

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin sehaobservadocomoeltipodealgoritmoquedependedelvalordeKsevesuperadosiempre porunalgoritmoindependientedeestevalorcuandoKes0,01,yqueporlotantoresponder peorysernuevamentesuperadoporlossegundascuandoKtomoelvalor0,02. AIV.2.5.1.1. AnlisisdelBloqueP3_20(ValordeK=0) En este bloque experimental se ha necesitado realizar una transformacin de la variable dependiente,yademsenestaocasinsenohaincluidoenelanlisiselalgoritmoRS.Ambas decisiones estn orientadas a garantizar el cumplimiento de la condicin de igualdad en la varianza.Latransformacinquesehaempleadohasidoelclculodellogaritmoneperianode lavariablealacualselehaunaunidad.Entodocaso,lasignificacindelosfactoresylostest realizadossontanvlidoscomosisehubiesenrealizadosintransformacin.Lanoinclusindel algoritmoRSenelanlisisesfactibleyaquehavistoenlosdatosresultantescomonuncaes unalgoritmointeresante. EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=3,43747con4 d.f. y un PValue = 0,487449, lo que descarta la posibilidad de que la variable analizada no procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV99comola variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -0,6 -0,2 0,2 0,6 1 1,4 1,8

percentage

LOG(IPSPPVEPT-1)
FiguraIV99.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P3_20(K=0)enrelacinalasfrecuenciasrelativasacumuladas.

939

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores: IPSPPVEPTrespectoaCEX:testdeLevene:1,65432PValue=0,199435 IPSPPVEPTrespectoaVA:testdeLevene:0,0101382PValue=0,920468 IPSPPVEPTrespectoaALG:testdeLevene:2,22833PValue=0,106918

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

Plot of RESIDUALS vs LOG(IPSPPVEPT-1)

0,05

RESIDUALS

0,03 0,01 -0,01 -0,03 -0,05 -0,6 -0,2 0,2 0,6 1 1,4 1,8

LOG(IPSPPVEPT-1)
FiguraIV100.GrficodeResiduosfrentealosnivelesdelaVariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P3_20(K=0).

940

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for LOG(IPSPPVEPT-1)

0,05 0,03

residual

0,01 -0,01 -0,03 -0,05 10 50 100 125

CEX
FiguraIV101.GrficodeResiduosfrentealosnivelesdelfactorCEXdelbloqueRetrasoPredictivaSMAGA2 P3_20(K=0).

Residual Plot for LOG(IPSPPVEPT-1)

0,05 0,03

residual

0,01 -0,01 -0,03 -0,05 0,2 0,4

VA
FiguraIV102.GrficodeResiduosfrentealosnivelesdelfactorVAdelbloqueRetrasoPredictivaSMAGA2 P3_20(K=0).

941

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for LOG(IPSPPVEPT-1)

0,05 0,03

residual

0,01 -0,01 -0,03 -0,05 AOR SMG-2 SMG-2s SSDS

ALG
FiguraIV103.GrficodeResiduosfrentealosnivelesdelfactorALGdelbloqueRetrasoPredictivaSMAGA2 P3_20(K=0).

Como se observa en las figuras correspondientes a los residuos no se observa una falta de linealidadsignificativaenlosmismos.Porloquesedescartalaausenciadelinealidad. Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV104nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

Residual Plot for LOG(IPSPPVEPT-1)

0,05 0,03

residual

0,01 -0,01 -0,03 -0,05 0 10 20 30 40

row number

FiguraIV104.ResiduosfrentealordendeejecucindelostratamientosdelbloqueRetrasoPredictivaSMAGA2 P3_20(K=0).

942

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for LOG(IPSPPVEPT-1) - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 0,422442 3 0,140814 51,01 0,0000 B:VA 0,0000524739 1 0,0000524739 0,02 0,8934 C:ALG 5,07618 3 1,69206 612,95 0,0000 INTERACTIONS AB AC BC

0,00756839 3,85766 0,00418833

3 9 3

0,0025228 0,428628 0,00139611

0,91 155,27 0,51

0,4721 0,0000 0,6879

RESIDUAL 0,0248445 9 0,0027605 -------------------------------------------------------------------------------TOTAL (CORRECTED) 9,39293 31 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV41.ANOVAcorrespondienteIPSPPVEPTdelbloqueRetrasoPredictivaSMAGA2P3_20(K=0).

ComosepuedeverenlaTablaIV41disponemosde40datosytenemos12gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que sonsignificativoslosefectosprincipalesdelosfactoresAyC,yademsloeslainteraccinAC.

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT-1)

0,96 0,86 0,76 0,66 0,56 10 50 100 125

CEX
FiguraIV105.GrficodelefectoprincipaldelfactorCEXdelbloqueRetrasoPredictivaSMAGA2P3_20(K=0).

943

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT-1)

1,2 1 0,8 0,6 0,4 0,2 0 AOR SMG-2 SMG-2s SSDS

ALG
FiguraIV106.GrficodelefectoprincipaldelfactorALGdelbloqueRetrasoPredictivaSMAGA2P3_20(K=0).

Interaction Plot LOG(IPSPPVEPT-1)

1,8 1,4 1 0,6 0,2 -0,2 -0,6 10 50 100 125 ALG AOR SMG-2 SMG-2s SSDS

CEX
FiguraIV107.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGdelbloqueRetraso PredictivaSMAGA2P3_20(K=0).

944

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin AIV.2.5.1.2. AnlisisdelBloqueP3_20(ValordeK=0,01) En este bloque experimental se ha necesitado realizar una transformacin de la variable dependiente,yademsenestaocasinsenohaincluidoenelanlisiselalgoritmoRSySSDS. Ambasdecisionesestnorientadasagarantizarelcumplimientodelacondicindeigualdaden lavarianza.Latransformacinquesehaempleadohasidoelclculodellogaritmoneperiano delavariablealacualseleharestadounaunidad.Entodocaso,lasignificacindelosfactores y los test realizados son tan vlidos como si se hubiesen realizado sin transformacin. La no inclusindelosalgoritmosRSySSDSenelanlisisesfactibleyaqueelprimeroestdominado por otros para cualquier valor de K, y el segundo ha demostrado no ser interesante para el casodeK=0,porloqueansermenosinteresantecuandoelvalordeKseasuperior. EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=1,99991con4 d.f. y un PValue = 0,572422, lo que descarta la posibilidad de que la variable analizada no procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV108comola variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -0,6 -0,1 0,4 0,9 1,4 1,9

percentage

LOG(IPSPPVEPT-1)
FiguraIV108.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P3_20(K=0,01)enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores:
945

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica IPSPPVEPTrespectoaCEX:testdeLevene:2,15758PValue=0,124874 IPSPPVEPTrespectoaVA:testdeLevene:0,00667089PValue=0,935643 IPSPPVEPTrespectoaALG:testdeLevene:1,63396PValue=0,219009

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

Plot of RESIDUALS vs LOG(IPSPPVEPT-1)

(X 0,001) 54

RESIDUALS

34 14 -6 -26 -46 -0,6 -0,1 0,4 0,9 1,4 1,9

LOG(IPSPPVEPT-1)
FiguraIV109.GrficodeResiduosfrentealosnivelesdelaVariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P3_20(K=0,01).

946

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for LOG(IPSPPVEPT-1)

(X 0,001) 54 34

residual

14 -6 -26 -46 10 50 100 125

CEX
FiguraIV110.GrficodeResiduosfrentealosnivelesdelfactorCEXdelbloqueRetrasoPredictivaSMAGA2 P3_20(K=0,01).

Residual Plot for LOG(IPSPPVEPT-1)

(X 0,001) 54 34

residual

14 -6 -26 -46 0,2 0,4

VA
FiguraIV111.GrficodeResiduosfrentealosnivelesdelfactorVAdelbloqueRetrasoPredictivaSMAGA2 P3_20(K=0,01).

947

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for LOG(IPSPPVEPT-1)

(X 0,001) 54 34

residual

14 -6 -26 -46 AOR SMAGA-2 SMAGA-2s

ALG
FiguraIV112.GrficodeResiduosfrentealosnivelesdelfactorALGdelbloqueRetrasoPredictivaSMAGA2 P3_20(K=0,01).

Como se observa en las figuras correspondientes a los residuos no se observa una falta de linealidadsignificativaenlosmismos.Porloquesedescartalaausenciadelinealidad. Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV113nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

Residual Plot for LOG(IPSPPVEPT-1)

(X 0,001) 54 34

residual

14 -6 -26 -46 0 10 20 30 40

row number

FiguraIV113.ResiduosfrentealordendeejecucindelostratamientosdelbloqueRetrasoPredictivaSMAGA2 P3_20(K=0,01).

948

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for LOG(IPSPPVEPT-1) - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 0,0446949 3 0,0148983 4,81 0,0489 B:VA 0,00493099 1 0,00493099 1,59 0,2540 C:ALG 7,52282 2 3,76141 1213,82 0,0000 INTERACTIONS AB AC BC

0,00902408 3,1835 0,000146969

3 6 2

0,00300803 0,530583 0,0000734847

0,97 171,22 0,02

0,4658 0,0000 0,9767

RESIDUAL 0,018593 6 0,00309883 -------------------------------------------------------------------------------TOTAL (CORRECTED) 10,7837 23 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV42.ANOVAcorrespondienteIPSPPVEPTdelbloqueRetrasoPredictivaSMAGA2P3_20(K=0,01).

ComosepuedeverenlaTablaIV42disponemosde24datosytenemos7gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que sonsignificativoslosefectosprincipalesdelosfactoresAyC,yademsloeslainteraccinAC.

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT-1)

0,87 0,83 0,79 0,75 0,71 0,67 10 50 100 125

CEX
FiguraIV114.GrficodelefectoprincipaldelfactorCEXdelbloqueRetrasoPredictivaSMAGA2P3_20(K=0,01).

949

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT-1)

1,5 1,2 0,9 0,6 0,3 0 AOR SMAGA-2 SMAGA-2s

ALG
FiguraIV115.GrficodelefectoprincipaldelfactorALGdelbloqueRetrasoPredictivaSMAGA2P3_20(K=0,01).

Interaction Plot LOG(IPSPPVEPT-1)

1,9 1,4 0,9 0,4 -0,1 -0,6 10 50 100 125 ALG AOR SMG-2 SMG-2s

CEX
FiguraIV116.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGdelbloqueRetraso PredictivaSMAGA2P3_20(K=0,01).

AIV.2.5.2 AnlisisdelBloqueP3_50

950

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin En este bloque experimental se ha necesitado realizar una transformacin de la variable dependientedebidoaquesehaobservadolaexistenciadealgunarelacinnolinealentrelos factores. La transformacin que se ha empleado ha sido el clculo de logaritmo neperiano (LOGenlaaplicacinStatgraphics)delavariable.Entodocaso,lasignificacindelosfactoresy lostestrealizadossontanvlidoscomosisehubiesenrealizadosintransformacin. AsmismoslosehatenidoencuentaenelestudiodeestebloqueelcasoenelqueelfactorK tomaelvalor0.Estadecisinebaseenelhechodequelosalgoritmosdependientesdedicho factor (SSDS y SMSGA2) estn dominados por el resto de algoritmos para el caso en el que toman los mejores valores, es decir con K=0, por lo que es obvio que para valores de K superioresanobtendrnpeoresresultadosencomparacinconelrestodealgoritmos. EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=8,29992con4 d.f. y un PValue = 0,0811894, lo que descarta la posibilidad de que la variable analizada no procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV117comola variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -0,4 0 0,4 0,8 1,2 1,6 2

percentage

LOG(IPSPPVEPT)
FiguraIV117.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P3_50(K=0)enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores:
951

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica IPSPPVEPTrespectoaCEX:testdeLevene:0,564817PValue=0,641737 IPSPPVEPTrespectoaVA:testdeLevene:0,0185165PValue=0,89248 IPSPPVEPTrespectoaALG:testdeLevene:1,04674PValue=0,397253

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

Plot of RESIDUALS vs LOG(IPSPPVEPT)

0,02

RESIDUALS

0,01 0 -0,01 -0,02 -0,4 0 0,4 0,8 1,2 1,6 2

LOG(IPSPPVEPT)
FiguraIV118.GrficodeResiduosfrentealosnivelesdelaVariableIPSPPVEPTdelbloqueRetrasoPredictiva SMAGA2P3_50(K=0).

952

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for LOG(IPSPPVEPT)

0,02 0,01 0 -0,01 -0,02 10 50 100 125

residual

CEX
FiguraIV119.GrficodeResiduosfrentealosnivelesdelfactorCEXdelbloqueRetrasoPredictivaSMAGA2 P3_50(K=0).

Residual Plot for LOG(IPSPPVEPT)

0,02 0,01 0 -0,01 -0,02 0,1 0,2

residual

VA
FiguraIV120.GrficodeResiduosfrentealosnivelesdelfactorVAdelbloqueRetrasoPredictivaSMAGA2 P3_50(K=0).

953

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for LOG(IPSPPVEPT)

0,02 0,01 0 -0,01 -0,02 AOR RS SMG-2SMG-2s SSDS

residual

ALG
FiguraIV121.GrficodeResiduosfrentealosnivelesdelfactorALGdelbloqueRetrasoPredictivaSMAGA2 P3_50(K=0).

Como se observa en las figuras correspondientes a los residuos no se observa una falta de linealidadsignificativaenlosmismos.Porloquesedescartalaausenciadelinealidad. Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV122nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

954

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Residual Plot for LOG(IPSPPVEPT)

0,02 0,01 0 -0,01 -0,02 0 10 20 30 40

residual

row number
FiguraIV122.ResiduosfrentealordendeejecucindelostratamientosdelbloqueRetrasoPredictivaSMAGA2 P3_50(K=0).

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for LOG(IPSPPVEPT) - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 1,14668 3 0,382227 1067,15 0,0000 B:VA 0,0141687 1 0,0141687 39,56 0,0000 C:ALG 12,0892 4 3,02229 8438,02 0,0000 INTERACTIONS AB AC BC

0,00200554 2,25369 0,0382065

3 12 4

0,000668512 0,187808 0,00955163

1,87 524,35 26,67

0,1891 0,0000 0,0000

RESIDUAL 0,0042981 12 0,000358175 -------------------------------------------------------------------------------TOTAL (CORRECTED) 15,5482 39 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV43.ANOVAcorrespondienteIPSPPVEPTdelbloqueRetrasoPredictivaSMAGA2P3_50(K=0).

ComosepuedeverenlaTablaIV43disponemosde40datosytenemos12gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que son significativos los efectos principales de los factores A, B y C, y adems lo son las interaccionesACyBC.
955

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT)

1,29 1,19 1,09 0,99 0,89 0,79 10 50 100 125

CEX
FiguraIV123.GrficodelefectoprincipaldelfactorCEXdelbloqueRetrasoPredictivaSMAGA2P3_50(K=0).

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT)

1,09 1,08 1,07 1,06 1,05 1,04 1,03 0,1 0,2

VA
FiguraIV124.GrficodelefectoprincipaldelfactorVAdelbloqueRetrasoPredictivaSMAGA2P3_50(K=0).

956

Anlisis Estadstico de los Resultados Obtenidos en la Experimentacin para la AnexoIV ProgramacinReactivadelaProduccin

Means and 95,0 Percent LSD Intervals LOG(IPSPPVEPT)

1,7 1,4 1,1 0,8 0,5 0,2 -0,1 AOR RS SMG-2SMG-2s SSDS

ALG
FiguraIV125.GrficodelefectoprincipaldelfactorALGdelbloqueRetrasoPredictivaSMAGA2P3_50(K=0).

Interaction Plot LOG(IPSPPVEPT)

2 1,6 1,2 0,8 0,4 0 -0,4 10 50 100 125 ALG AOR RS SMG-2 SMG-2s SSDS

CEX
FiguraIV126.GrficodelefectodelainteraccinentreelfactorCEXyelfactorALGdelbloqueRetraso PredictivaSMAGA2P3_50(K=0).

957

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Interaction Plot LOG(IPSPPVEPT)

1,7 1,4 1,1 0,8 0,5 0,2 -0,1 0,1 0,2 ALG AOR RS SMG-2 SMG-2s SSDS

VA
FiguraIV127.GrficodelefectodelainteraccinentreelfactorVAyelfactorALGdelbloqueRetrasoPredictiva SMAGA2P3_50(K=0).

958

Anexo
ProductosEmpleadosparala Simulacin

ProductosEmpleadosparalaSimulacin

AnexoV

AIV. AnexoV
AIV.1 Productos

DurantelaexperimentacinrealizadasobrelaplataformaIPSUMASsehanempleadodiversas combinacionesdeproducto,yendiversostamaosdelote.EnlaTablaIV1semuestrantodos los productos, clasificados por formato. En el caso del formato 33x33 se han incluido dos familias de producto, una de tipo porcelnico, y otra de tipo gres. El conjunto de productos/referenciasseleccionado,ymostradoenlatabla,esunaseleccinrepresentativade los productos fabricadospor la Empresa seleccionada para el taller analizado, a partir de los cualessehanpodidogenerardiferentesconjuntosdetrabajosdefabricacin.Lasrdenesde fabricacin propuestas para cada periodo productivo, se ha elaborado intentando configurar unacombinacindeproductos,atendiendobsicamenteasuformato,yasutamaodelote. Paraconseguirdichamezclasehanempleadolasfrecuenciasrelativasalareferenciayallote. La frecuencia relativa a la referencia establece la probabilidad de que una referencia de un determinad formato sea incluida en un programa productivo. Por su parte, la frecuencia relativaaltamaodeloteindicalaprobabilidaddequetieneundeterminadovalor,entrelos tamaosnormalmentemanejadosendichareferencia,seaconsideradoelvolumenaproducir. Formato 20x33 20x33 20x33 33x33 33x33 40x40 NombreReferencia (frecuenciarelativa) Europa(0.14) Asia(0.59) frica(0.29) Blanco(0.5) Negro(0.5) Yin(0.64) TamaoLoteHabitual(frecuenciarelativa) 7.000m2(0.5),13.000m2(0.5) 2.000m2(0.33),3.000m2(0.33),9.000m2(0.17), 10.000m2(0.17) 3.000m2(0.25),10.000m2(0.25),13.000m2(0.25) 3.000m2(0.33),4.000m2(0.5),8.000m2(0.17) 1.500m2(0.5),4.000m2(0.5) 3.000m2(0.11),4.000m2(0.11),5.000m2(0.11), 6.000m2(0.33),8.000m2(0.17),10.000m2(0.06), 12.000m2(0.06),14.000m2(0.06) 2.000m2(0.3),3.000m2(0.2),3.500m2(0.1),4.000 m2(0.2),5.000m2(0.2) 3.000m2(0.18),3.500m2(0.18),4.000m2(0.09), 5.000m2(0.18),7.000m2(0.27),10.000m2(0.09) 10.000m2(1) 4.000m2(0.83),12.000m2(0.17) 3.000m2(0.33),10.000m2(0.67) 5.000m2(0.33),10.000m2(0.33),20.000m2(0.34) 4.000m2(0.5),5.000m2(0.25),8.000m2(0.25)

40x40 25x40 25x40 25x40 25x40 25x40 25x40

Yan(0.36) Toledo(0.16) Salamanca(0.03) Segovia(0.09) Burgos(0.06) Valladolid(0.09) Palencia(0.06)

961

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica 25x40 Albacete(0.48) 3.000m2(0.06),4.000m2(0.11),6.000m2(0.11), 8.000m2(0.11),10.000m2(0.28),12.000m2(0.17), 17.000m2(0.06),18.000m2(0.11) 5.000(1) 5.000(0.5),6.000(0.5) 2 4.000m (0.2),5.000m2(0.2),7.000m2(0.2), 10.000m2(0.2),11.000m2(0.2) 3.000m2(0.08),5.000m2(0.08),6.000m2(0.17), 8.000m2(0.08),9.000m2(0.17),10.000m2(0.08), 13.000m2(0.08),15.000m2(0.08),16.000m2 (0.08),18.000m2(0.1) 4.000m2(1) 3.000m2(1) 3.000m2(0.2),4.000m2(0.8) 2.000m2(0.17),3.000m2(0.33),4.000m2(0.33), 5.000m2(0.17) 3.000m2(0.57),4.000m2(0.14),8.000m2(0.14), 9.000m2(0.14) 4.000m2(0.5),11.000m2(0.5) 4.000m2(0.33),5.000m2(0.67) 4.000m2(0.2),5.000m2(0.4),7.000m2(0.4) 4.000m2(0.5),5.000m2(0.5) 2.000m2(0.2),3.000m2(0.4),4.000m2(0.2),5.000 m2(0.2) 3.000m2(0.33),4.000m2(0.67) 7.000m2(0.67),8.000m2(0.33) 4.000m2(0.17),5.000m2(0.17),6.000m2(0.25), 7.000m2(0.08),8.000m2(0.17),10.000m2(0.08), 12.000m2(0.08) 2 3.000m (0.5),5.000m2(0.25),7.000m2(0.25) 4.000m2(0.17),5.000m2(0.17),8.000m2(0.17), 10.000m2(0.17),15.000m2(0.33) 3.000m2(0.2),4.000m2(0.2),6.000m2(0.6)

25x40 25x40 41x41 41x41

Soria(0.01) Plasencia(0.03) Ebro(0.2) Guadiana(0.65)

41x41 41x41 33x33 33x33 33x33 33x33 33x33 33x33 33x33 33x33 33x33 33x33 33x33

Tajo(0.07) Duero(0.08) Recaredo(0.05) Liuva(0.05) Witerico(0.08) Gundemaro(0.04) Sisebuto(0.03) Suintila(0.07) Sisenando(0.07) Chintila(0.04) Tulga(0.05) Chindasvinto(0.05) Recesvinto(0.21)

33x33 33x33 33x33

Wamba(0.04) Ervigio(0.14) gica(0.06)

TablaIV1.Productosempleadosenlasimulacinclasificadosporformato.

La forma de generar las rdenes de fabricacin a partir de los datos de la tabla anterior se explicaenelcapitulo9.

962

Anexo
AnlisisEstadsticodelosResultados ObtenidosenlaParametrizacinde SMAGA1ySMAGA2parala PlataformaIPSUMAS

VI

AnlisisEstadsticodelosResultadosObtenidosenlaParametrizacinde SMAGA1ySMAGA2paralaPlataformaIPSUMAS

AnexoVI

AIV. AnexoIV
AIV.1 Anlisis de los Resultados obtenidos en la Parametrizacin del Algoritmo SMAGA1paralaplataformaIPSUMAS.

En este aparto se analizarn los resultados obtenido en la experimentacin destinada a establecer los valores de los parmetros GsM, FdM, y FmG del algoritmo SMAGA2. Por lo tanto, el objetivo es detectar si dichos valores son significativos y seleccionar el valor ms adecuadoparacadaunodeellos. Tanto en este caso, para el algoritmo SMAGA1, como en el siguiente apartado, para el algoritmoSMAGA2,seaconsideradoelvalordelosparmetrosserelmismoparacualquier escenarioconlamismaconfiguracindeMargenOperativo.Seconsideraporlotantoqueel valor que se seleccione debe ser adecuado en promedio para los 40 escenarios de cada configuracindeMargenOperativo.Conellosebuscalamximorobustezdelalgoritmo. AIV.1.1.1 AnlisisdelosConjuntoExperimentalesconMOdel5%.

EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=2,00004with3 d.f. y un PValue = 0,572394, lo que descarta la posibilidad de que la variable analizada no proceda de una distribucin normal. As mismo se puede observa en la Figura IV1 como la variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -15,7

percentage

-15,6

-15,5

-15,4

-15,3

IPSVRVEPT

FiguraIV1.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPVRVEPTdelpromediodeConjuntos ExperimentalesconMargenOperativodel5%enrelacinalasfrecuenciasrelativasacumuladas.

965

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores: IPSPPVEPTrespectoaGsM:testdeLevene:0,208688PValue=0,654805 IPSPPVEPTrespectoaFdM:testdeLevene:0,718971PValue=0,410745 IPSPPVEPTrespectoaFmG:testdeLevene:0,293036PValue=0,596791

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

Plot of RESIDUALS vs IPSVRVEPT

0,1

RESIDUALS

0,07 0,04 0,01 -0,02 -0,05 -0,08 -15,7 -15,6 -15,5 -15,4 -15,3

IPSVRVEPT
FiguraIV2.GrficodeResiduosfrentealosnivelesdelaVariableIPSPVRVEPTdelpromediodeConjuntos ExperimentalesconMargenOperativodel5%.

966

Residual Plot for IPSVRVEPT

0,09 0,06

residual

0,03 0 -0,03 -0,06 -0,09 200 50

GsM
FiguraIV3.GrficodeResiduosfrentealosnivelesdelfactorGsMdelpromediodeConjuntosExperimentalescon MargenOperativodel5%.

Residual Plot for IPSVRVEPT

0,09 0,06

residual

0,03 0 -0,03 -0,06 -0,09 0,1 0,3

FdM
FiguraIV4.GrficodeResiduosfrentealosnivelesdelfactorFdMdelpromediodeConjuntosExperimentales conMargenOperativodel5%.

967

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for IPSVRVEPT

0,09 0,06

residual

0,03 0 -0,03 -0,06 -0,09 1,05 1,20

FmG
FiguraIV5.GrficodeResiduosfrentealosnivelesdelfactorFmGdelpromediodeConjuntosExperimentales conMargenOperativodel5%.

Enlasfigurascorrespondientesalosresiduosnoseobservaunafaltadelinealidadsignificativa enlosmismos.Porloquesedescartalaausenciadelinealidad. Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV6nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

968

Residual Plot for IPSVRVEPT

0,09 0,06

residual

0,03 0 -0,03 -0,06 -0,09 0 10 20 30 40

row number
FiguraIV6.ResiduosfrentealordendeejecucindelostratamientosdelavariableIPSVRVEPTdelpromediode ConjuntosExperimentalesconMargenOperativodel5%.

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for IPSVRVEPT - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:GsM 0,0227063 1 0,0227063 6,87 0,0277 B:FdM 0,0105465 1 0,0105465 3,19 0,1076 C:FmG 0,00630674 1 0,00630674 1,91 0,2004 INTERACTIONS AB AC BC

0,00384958 0,00204903 0,00314707

1 1 1

0,00384958 0,00204903 0,00314707

1,17 0,62 0,95

0,3085 0,4512 0,3546

RESIDUAL 0,0297353 9 0,00330392 -------------------------------------------------------------------------------TOTAL (CORRECTED) 0,0783405 15 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV1.ANOVAcorrespondienteIPSPVRVEPTdelpromediodeConjuntosExperimentalesconMargen Operativodel5%.

ComosepuedeverenlaTablaIV1disponemosde16datosytenemos9gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que slo es significativo el efecto principales del factor GsM, mientras que ninguna de las interaccionesentrefactoresessignificativa.

969

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Means and 95,0 Percent LSD Intervals

-15,4

IPSVRVEPT

-15,44 -15,48 -15,52 -15,56 -15,6 200 50

GsM
FiguraIV7.GrficodelefectoprincipaldelfactorGsMdelpromediodeConjuntosExperimentalesconMargen Operativodel5%.

AIV.1.1.2

AnlisisdelosConjuntoExperimentalesconMOdel10%.

EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=6,50007with3 d.f. y un PValue = 0,0896578, lo que descarta la posibilidad de que la variable analizada no proceda de una distribucin normal. As mismo se puede observa en la Figura IV8 como la variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

970

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -15,5 -15,45 -15,4 -15,35 -15,3 -15,25 -15,2

percentage

IPSVRVEPT
FiguraIV8.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPVRVEPTdelpromediodeConjuntos ExperimentalesconMargenOperativodel10%enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores: IPSPPVEPTrespectoaGsM:testdeLevene:0,14504PValue=0,709038 IPSPPVEPTrespectoaFdM:testdeLevene:0,0916233PValue=0,766574 IPSPPVEPTrespectoaFmG:testdeLevene:0,444372PValue=0,515856

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

971

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Plot of RESIDUALS vs IPSVRVEPT

0,08

RESIDUALS

0,05 0,02 -0,01 -0,04 -0,07 -15,5 -15,45 -15,4 -15,35 -15,3 -15,25 -15,2

IPSVRVEPT
FiguraIV9.GrficodeResiduosfrentealosnivelesdelaVariableIPSPVRVEPTdelpromediodeConjuntos ExperimentalesconMargenOperativodel10%.

Residual Plot for IPSVRVEPT

0,08 0,04 0 -0,04 -0,08 200 50

residual

GsM
FiguraIV10.GrficodeResiduosfrentealosnivelesdelfactorGsMdelpromediodeConjuntosExperimentales conMargenOperativodel10%.

972

Residual Plot for IPSVRVEPT

0,08 0,04 0 -0,04 -0,08 0,1 0,3

residual

FdM
FiguraIV11.GrficodeResiduosfrentealosnivelesdelfactorFdMdelpromediodeConjuntosExperimentales conMargenOperativodel10%.

Residual Plot for IPSVRVEPT

0,08 0,04 0 -0,04 -0,08 1,05 1,20

residual

FmG
FiguraIV12.GrficodeResiduosfrentealosnivelesdelfactorFmGdelpromediodeConjuntosExperimentales conMargenOperativodel10%.

Enlasfigurascorrespondientesalosresiduosnoseobservaunafaltadelinealidadsignificativa enlosmismos.Porloquesedescartalaausenciadelinealidad. Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV13nosepuedeobservarningunatendencia

973

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

Residual Plot for IPSVRVEPT

0,08 0,04 0 -0,04 -0,08 0 10 20 30 40 50

residual

row number
FiguraIV13.ResiduosfrentealordendeejecucindelostratamientosdelavariableIPSVRVEPTdelpromedio deConjuntosExperimentalesconMargenOperativodel10%.

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for IPSVRVEPT - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:GsM 0,00186057 1 0,00186057 0,99 0,3452 B:FdM 0,000517591 1 0,000517591 0,28 0,6120 C:FmG 0,0127607 1 0,0127607 6,81 0,0283 INTERACTIONS AB AC BC

0,00676352 0,000212157 0,00000847902

1 1 1

0,00676352 0,000212157 0,00000847902

3,61 0,11 0,00

0,0900 0,7443 0,9479

RESIDUAL 0,0168731 9 0,00187479 -------------------------------------------------------------------------------TOTAL (CORRECTED) 0,0389961 15 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV2.ANOVAcorrespondienteIPSPVRVEPTdelpromediodeConjuntosExperimentalesconMargen Operativodel10%.

974

 ComosepuedeverenlaTablaIV2disponemosde16datosytenemos9gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que slo es significativo el efecto principales del factor FmG, mientras que ninguna de las interaccionesentrefactoresessignificativa.

Means and 95,0 Percent LSD Intervals

-15,25

IPSVRVEPT

-15,28 -15,31 -15,34 -15,37 -15,4 1,05 1,20

FmG
FiguraIV14.GrficodelefectoprincipaldelfactorFmGdelpromediodeConjuntosExperimentalesconMargen Operativodel10%.

AIV.1.1.3

AnlisisdelosConjuntoExperimentalesconMOdel15%.

EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=0,500053with 3d.f.yunPValue=0,918879,loquedescartalaposibilidaddequelavariableanalizadano procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV15comola variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

975

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -15,4

percentage

-15,3

-15,2

-15,1

-15

IPSVRVEPT
FiguraIV15.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPVRVEPTdelpromediodeConjuntos ExperimentalesconMargenOperativodel15%enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores: IPSPPVEPTrespectoaGsM:testdeLevene:0,176151PValue=0,681072 IPSPPVEPTrespectoaFdM:testdeLevene:0,103585PValue=0,752324 IPSPPVEPTrespectoaFmG:testdeLevene:0,103585PValue=0,752324

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

976

Plot of RESIDUALS vs IPSVRVEPT

0,14

RESIDUALS

0,1 0,06 0,02 -0,02 -0,06 -0,1 -15,4 -15,3 -15,2 -15,1 -15

IPSVRVEPT
FiguraIV16.GrficodeResiduosfrentealosnivelesdelaVariableIPSPVRVEPTdelpromediodeConjuntos ExperimentalesconMargenOperativodel15%.

Residual Plot for IPSVRVEPT

0,13 0,09

residual

0,05 0,01 -0,03 -0,07 -0,11 200 50

GsM
FiguraIV17.GrficodeResiduosfrentealosnivelesdelfactorGsMdelpromediodeConjuntosExperimentales conMargenOperativodel15%.

977

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for IPSVRVEPT

0,13 0,09

residual

0,05 0,01 -0,03 -0,07 -0,11 0,1 0,3

FdM
FiguraIV18.GrficodeResiduosfrentealosnivelesdelfactorFdMdelpromediodeConjuntosExperimentales conMargenOperativodel15%.

Residual Plot for IPSVRVEPT

0,13 0,09

residual

0,05 0,01 -0,03 -0,07 -0,11 1,05 1,20

FmG
FiguraIV19.GrficodeResiduosfrentealosnivelesdelfactorFmGdelpromediodeConjuntosExperimentales conMargenOperativodel15%.

Enlasfigurascorrespondientesalosresiduosnoseobservaunafaltadelinealidadsignificativa enlosmismos.Porloquesedescartalaausenciadelinealidad.

978

 Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV20nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

Residual Plot for IPSVRVEPT

0,13 0,09

residual

0,05 0,01 -0,03 -0,07 -0,11 0 10 20 30 40 50 60

row number
FiguraIV20.ResiduosfrentealordendeejecucindelostratamientosdelavariableIPSVRVEPTdelpromedio deConjuntosExperimentalesconMargenOperativodel15%.

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for IPSVRVEPT - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:GsM 0,0120501 1 0,0120501 2,56 0,1441 B:FdM 0,00308407 1 0,00308407 0,66 0,4392 C:FmG 0,00697319 1 0,00697319 1,48 0,2545 INTERACTIONS AB AC BC

0,00601177 0,000204115 0,00583209

1 1 1

0,00601177 0,000204115 0,00583209

1,28 0,04 1,24

0,2877 0,8397 0,2945

RESIDUAL 0,0423698 9 0,00470776 -------------------------------------------------------------------------------TOTAL (CORRECTED) 0,0765252 15 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

TablaIV3.ANOVAcorrespondienteIPSPVRVEPTdelpromediodeConjuntosExperimentalesconMargen Operativodel15%.

979

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica ComosepuedeverenlaTablaIV3disponemosde16datosytenemos9gradosdelibertad residuales.Elcontrastedehiptesissobrelapotencia(Pvalue)paraun=0,05implicaqueno es significativo ningn efecto principal as como tampoco lo es ninguna de las interacciones entrefactores.

AIV.1.1.4

AnlisisdelosConjuntoExperimentalesconMOdel20%.

EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=2,00004with3 d.f. y un PValue = 0,572394lo que descarta la posibilidad de que la variable analizada no procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV21comola variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -16,1 -16,06 -16,02 -15,98 -15,94 -15,9 -15,86

percentage

IPSVRVEPT
FiguraIV21.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPVRVEPTdelpromediodeConjuntos ExperimentalesconMargenOperativodel20%enrelacinalasfrecuenciasrelativasacumuladas.

PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores:
980

IPSPPVEPTrespectoaGsM:testdeLevene:0,146057PValue=0,708071 IPSPPVEPTrespectoaFdM:testdeLevene:0,121214PValue=0,732902

 IPSPPVEPTrespectoaFmG:testdeLevene:2,53908PValue=0,13338

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

Plot of RESIDUALS vs IPSVRVEPT

0,09

RESIDUALS

0,06 0,03 0 -0,03 -0,06 -16,1 -16,06 -16,02 -15,98 -15,94 -15,9 -15,86

IPSVRVEPT
FiguraIV22.GrficodeResiduosfrentealosnivelesdelaVariableIPSPVRVEPTdelpromediodeConjuntos ExperimentalesconMargenOperativodel20%.

Residual Plot for IPSVRVEPT

0,08 0,05

residual

0,02 -0,01 -0,04 -0,07 200 50

GsM

981

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

FiguraIV23.GrficodeResiduosfrentealosnivelesdelfactorGsMdelpromediodeConjuntosExperimentales conMargenOperativodel20%.

Residual Plot for IPSVRVEPT

0,08 0,05

residual

0,02 -0,01 -0,04 -0,07 0,1 0,3

FdM
FiguraIV24.GrficodeResiduosfrentealosnivelesdelfactorFdMdelpromediodeConjuntosExperimentales conMargenOperativodel20%.

Residual Plot for IPSVRVEPT

0,08 0,05

residual

0,02 -0,01 -0,04 -0,07 1,05 1,20

FmG
FiguraIV25.GrficodeResiduosfrentealosnivelesdelfactorFmGdelpromediodeConjuntosExperimentales conMargenOperativodel20%.

982

 Enlasfigurascorrespondientesalosresiduosnoseobservaunafaltadelinealidadsignificativa enlosmismos.Porloquesedescartalaausenciadelinealidad. Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV26nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

Residual Plot for IPSVRVEPT

0,08 0,05

residual

0,02 -0,01 -0,04 -0,07 0 20 40 60 80

row number
FiguraIV26.ResiduosfrentealordendeejecucindelostratamientosdelavariableIPSVRVEPTdelpromedio deConjuntosExperimentalesconMargenOperativodel20%.

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for IPSVRVEPT - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:GsM 0,00643425 1 0,00643425 2,97 0,1187 B:FdM 0,000129932 1 0,000129932 0,06 0,8119 C:FmG 0,00966264 1 0,00966264 4,46 0,0638 INTERACTIONS AB AC BC

0,000914382 0,0025529 0,00031644

1 1 1

0,000914382 0,0025529 0,00031644

0,42 1,18 0,15

0,5319 0,3057 0,7110

RESIDUAL 0,0194771 9 0,00216412 -------------------------------------------------------------------------------TOTAL (CORRECTED) 0,0394876 15 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

983

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

TablaIV4.ANOVAcorrespondienteIPSPVRVEPTdelpromediodeConjuntosExperimentalesconMargen Operativodel20%.

ComosepuedeverenlaTablaIV4disponemosde16datosytenemos9gradosdelibertad residuales.Elcontrastedehiptesissobrelapotencia(Pvalue)paraun=0,05implicaqueno es significativo ningn efecto principal as como tampoco lo es ninguna de las interacciones entrefactores.

AIV.2

Anlisis de los Resultados obtenidos en la Parametrizacin del Algoritmo SMAGA2paralaplataformaIPSUMAS.

EnesteapartadoseevalasielfactorRMessignificativo,yencasodeserlocualocualesson losvaloresmsadecuados. EnrelacinconlanormalidaddelexperimentosehaobtenidounChiSquare=4,25001with3 d.f. y un PValue = 0,235699 lo que descarta la posibilidad de que la variable analizada no procedadeunadistribucinnormal.AsmismosepuedeobservaenlaFiguraIV27comola variablesedistribuyemuyprximaalalneacontinuadiagonal,loqueimplicasuproximidada ladistribucinNormal.

Normal Probability Plot

99,9 99 95 80 50 20 5 1 0,1 -17 -16,6 -16,2 -15,8 -15,4 -15

percentage

IPSVRVEPT
FiguraIV27.Grficodeprobabilidadnormal(Yi,Fi)paralavariableIPSPVRVEPTdelpromediodeConjuntos ExperimentalesconMargenOperativodel5%,10%,15%y20%enrelacinalasfrecuenciasrelativas acumuladas.

984

 PorloquerespectaalahomogeneidaddelasvarianzasseharealizadoeltestdeLevenepara la variable dependiente con respecto a las variables independientes obtenindose los siguientesvalores: IPSPPVEPTrespectoaCEX:testdeLevene:0,29686PValue=0,827002 IPSPPVEPTrespectoaRM:testdeLevene:0,0025981PValue=0,960068

Porloquesedescartaquelasvarianzasnoseanhomogneas. Porloqueserefierealalinealidadseemplearelgrficoderesiduos(Xt,t)y(t,t),que permite disponer los residuos, en el eje de ordenadas, frente a las variables exgenas (Xt), y endgena(t).

Plot of RESIDUALS vs IPSVRVEPT

0,09

RESIDUALS

0,06 0,03 0 -0,03 -0,06 -0,09 -17 -16,6 -16,2 -15,8 -15,4 -15

IPSVRVEPT
FiguraIV28.GrficodeResiduosfrentealosnivelesdelaVariableIPSPVRVEPTdelpromediodeConjuntos ExperimentalesconMargenOperativodel5%,10%,15%y20%.

985

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

Residual Plot for IPSVRVEPT

0,09 0,06

residual

0,03 0 -0,03 -0,06 -0,09 MO_005 MO_010 MO_015 MO_020

CEX
FiguraIV29.GrficodeResiduosfrentealosnivelesdelfactorCEXdelpromediodeConjuntosExperimentales conMargenOperativodel5%,10%,15%y20%.

Residual Plot for IPSVRVEPT

0,09 0,06

residual

0,03 0 -0,03 -0,06 -0,09 0.2 0.4

RM
FiguraIV30.GrficodeResiduosfrentealosnivelesdelfactorRMdelpromediodeConjuntosExperimentales conMargenOperativodel5%,10%,15%y20%.

986

 Enlasfigurascorrespondientesalosresiduosnoseobservaunafaltadelinealidadsignificativa enlosmismos.Porloquesedescartalaausenciadelinealidad. Lacorrelacinsedetectamedianteelgrficoderesiduosenrelacinalordendeejecucinde lostratamientos.ComoseobservaenlaFiguraIV31nosepuedeobservarningunatendencia significativa en la distribucin de los mismos por lo que se descarta la existencia de correlacin.

Residual Plot for IPSVRVEPT

0,09 0,06

residual

0,03 0 -0,03 -0,06 -0,09 0 4 8 12 16

row number
FiguraIV31.ResiduosfrentealordendeejecucindelostratamientosdelavariableIPSVRVEPTdelpromedio deConjuntosExperimentalesconMargenOperativodeldel5%,10%,15%y20%.

Una vez verificado el cumplimiento de las condiciones para el anlisis ANOVA se obtiene y analizalamisma.
Analysis of Variance for IPSVRVEPT - Type III Sums of Squares -------------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value -------------------------------------------------------------------------------MAIN EFFECTS A:CEX 1,88218 3 0,627392 131,16 0,0000 B:RM 0,00301133 1 0,00301133 0,63 0,4504 INTERACTIONS AB

0,0142419

0,0047473

0,99

0,4441

RESIDUAL 0,0382662 8 0,00478327 -------------------------------------------------------------------------------TOTAL (CORRECTED) 1,9377 15 -------------------------------------------------------------------------------All F-ratios are based on the residual mean square error.

987

Programacin de la Produccin en un Taller de Flujo Hbrido sujeto a 2010 Incertidumbre:ArquitecturayAlgoritmos.AplicacinalaIndustriaCermica

TablaIV5.ANOVAcorrespondienteIPSPVRVEPTdelpromediodeConjuntosExperimentalesconMargen Operativodel5%,10%,15%y20%.

ComosepuedeverenlaTablaIV5disponemosde16datosytenemos8gradosdelibertad residuales. El contraste de hiptesis sobre la potencia (Pvalue) para un =0,05 implica que sloessignificativoelefectoprincipalesdelfactorCEX,ynoessignificativalainteraccinentre factores. Por lo tanto, se puede concluir el anlisis diciendo que RM no es un parmetro significativo.

Means and 95,0 Percent LSD Intervals

-15

IPSVRVEPT

-15,4 -15,8 -16,2 -16,6 -17 MO_005 MO_010 MO_015 MO_020

CEX
FiguraIV32.GrficodelefectoprincipaldelfactorCEXdelpromediodeConjuntosExperimentalesconMargen Operativodel5%,10%,15%y20%.

988