Está en la página 1de 5

5th Americas International Conference on Production Research

PLANIFICACIN JERRQUICA DE LA PRODUCCIN BAJO INCERTIDUMBRE


1

V.M. Albornoz1, V. Ortiz-Araya2 Departamento de Industrias, Universidad Tcnica Federico Santa Mara. Avda. Santa Mara 6400. Santiago. Chile. victor.albornoz@usm.cl 2 Departamento de Ciencias Bsicas, Universidad del Bo-Bo. Avda. Andrs Bello s/n. Chilln. Chile. vortiz@ueubiobio.cl

Abstract En este trabajo se resume lo realizado por los autores para abordar un problema de planificacin jerrquica de la produccin en distintos niveles de desagregacin, asumiendo condiciones de incertidumbre en las demandas futuras. El problema considera mltiples periodos de planificacin, mltiples productos y un conjunto de escenarios de demanda definidos sobre todo el horizonte de planificacin, que mediante una estructura arborescente reflejan el comportamiento dinmico y variable de la misma como representacin de la incertidumbre. Para ello se formula y resuelve tres modelos con recurso de programacin estocstica multi-etapa, el primero para abordar un plan agregado de la produccin por familias de productos y los otros dos para obtener un plan detallado de produccin por producto. Palabras Clave: Planificacin, planificacin jerrquica del la produccin, programacin estocstica.

1 INTRODUCCIN Numerosos procesos productivos en el mbito de la logstica de la produccin son abordados mediante el uso de modelos determinista de optimizacin. Sin embargo, en diversas situaciones el empleo de un modelo de esta naturaleza puede conducir a decisiones muy poco apropiadas cuando simplemente se hace uso del valor esperado o del peor escenario en el caso de las demandas futuras para los diferentes productos a elaborar. De hecho, es conocido que la principal fuente de incertidumbre es el efecto bullwhip causado por las variaciones en las demandas. Esto ha motivado el empleo de metodologas que permitan incluir explcitamente la variabilidad e incertidumbre de la demanda en el modelo propuesto. Existen diversas formas de modelar la incertidumbre y tambin diferentes metodologas posibles de emplear para su inclusin en un modelo de optimizacin. En este trabajo, en particular, se considera los denominados modelos de optimizacin estocstica con recurso de mltiples etapas, los cuales permiten incorporar posibles escenarios de demanda futura a travs de un rbol de escenarios que recoja igualmente la naturaleza dinmica de estas posibles variaciones, ver e.g. Birge and Louveaux [1], Ramos et al. [2], Ruszczynski and Shapiro [3] y Sen and Higle [4]. Ahora bien, en la planificacin de la produccin es usual comenzar con un modelo de planificacin agregada que provea decisiones ptimas en los niveles de produccin de las mltiples familias de productos, considerando un horizonte de planificacin de mediano plazo, usualmente de 12 o 18 meses. En el caso determinista, este modelo permite hallar una poltica ptima de produccin que satisface los requerimientos (estimados) de demanda, que se supone conocida, tomando en cuenta la escasez de recursos y los distintos costos incurridos en la elaboracin de los lotes de produccin, en cada perodo del horizonte de planificacin. Enseguida, con el propsito obtener un plan ptimo de produccin para cada producto, se procede a un proceso de desagregacin que sea consistente con el plan agregado resuelto para las diferentes familias. Esto define un esquema de planificacin jerrquica de la produccin, que desde una perspectiva histrica comienza con un modelo propuesto por Bitran and Hax [5], el cual

posteriormente es extendido por numerosos autores como Erschler et al. [6], Merc [7], Ortiz [8], zdamar et al. [9], entre otros. En todos estos artculos el propsito principal consiste en proponer modelos deterministas que den origen a un plan ptimo de produccin para cada producto que sea robusto, estable y consistente con el plan de produccin por familias. En este trabajo, se extiende lo anterior al formular y resolver diferentes modelos de optimizacin estocstica con recurso, que a travs de un esquema de planificacin jerrquica como el sealado contribuye no slo a la obtencin de decisiones de produccin coordinadas entre los niveles tcticos y operacionales sino que toma en cuenta igualmente la existencia de posibles escenarios de demanda futura. A este respecto, un primer modelo comprende la determinacin de lotes ptimos de produccin por familias de productos, empleando un modelo de optimizacin estocstica con recurso multi-etapa que incorpora explcitamente un nmero finito de escenarios de demanda para cada familia. Enseguida, a partir del plan anterior, se considera las decisiones ptimas de produccin de cada familia y se lleva a cabo la desagregacin de los productos por separado, formulando y resolviendo un segundo modelo (no-lineal) de programacin estocstica con recurso que provee una solucin ptima para cada producto dentro de la respectiva familia. Finalmente, un tercer modelo entrega para cada producto por separado, decisiones de produccin estables y robustas en cada semana del horizonte fijo de produccin en un nivel final de desagregacin. Los diferentes modelos comentados se resumen a continuacin.

2 PLANIFICACIN JERARQUICA DE PRODUCCIN 2.1 Plan Maestro de Produccin. La planificacin de lotes de produccin es uno de los problemas importantes en la gestin de operaciones de sistemas de manufactura y se relaciona usualmente con decisiones tcticas. A este nivel corresponden decisiones que son actualizadas regularmente en un horizonte de mediano plazo. Los modelos resultantes se ocupan de proveer polticas ptimas de produccin, inventario y mano

de obra que, por una parte, minimicen los costos totales y, por otra, satisfagan los requerimientos estimados de demanda, tomando en cuenta la existencia de recursos escasos. Esta planificacin se hace comnmente de manera agregada para facilitar la resolucin del problema, pues se hace difcil abordar cada detalle y al mismo tiempo tomar varios periodos de planificacin, ver Hax and Candea [10]. Enfrentados a distintos escenarios de demanda, es posible emplear modelos de programacin estocstica con recurso de dos etapas o mltiples etapas que permitan incorporar explcitamente la variabilidad presente en las mismas. Esto dar origen a diferentes modelos para los problemas considerados como parte de la planificacin jerrquica empleada, con la debida coordinacin entre los distintos niveles jerrquicos existentes. En el caso de problemas de planificacin de la produccin existen trabajos previos que hemos tomado como base para el presente desarrollo, ver Albornoz y Contesse [11], AlonsoAyuso et al. [12], Bitran and Yanasse [13], Escudero et al. [14] y Mula et al. [15], y lo mismo para algunos esquemas de planificacin jerrquica que asumen algn antecedente bajo incertidumbre como son los trabajos de Gfrerer and Zpfel [16], Laserre and Merc [17] y Wu and Ierapetritou [18], que a continuacin se propone extender para contribuir a ampliar el mbito de aplicacin de la metodologa adoptada. El primer modelo corresponde al plan agregado de la produccin que minimiza los costos esperados de produccin, inventario y mano de obra, a la vez que satisface restricciones de disponibilidad de los recursos y de cumplimiento de las respectivas demandas, haciendo uso en esta ltima de una variable auxiliar de recurso para eventuales incumplimientos que puedan ocurrir para cada escenario particular. Ms precisamente el modelo considera una demanda futura representada a travs de diferentes escenarios segn un rbol de escenarios como el que se muestra en la Figura 1, que considera cada escenario como una rama del rbol desde el nodo raz hasta un nodo extremo. En lo que sigue se considera la siguiente notacin: denota el conjunto de todos los escenarios posibles, G representa los grupos de escenarios a travs de las diferentes etapas, que muestra los distintos valores que puede tomar un parmetro a medida que se va revelando la informacin (representado por cada nodo en el rbol), g denota el conjunto de escenarios que incluyen el grupo gG y (g) denotar el grupo de escenario que precede a g. Con todo lo anterior es posible describir el primer modelo empleando para ello los siguientes antecedentes: Parmetros: dg: demanda del grupo de escenario gG. g: probabilidad grupo de escenario gG. cg: costos de produccin para grupo gG. rg: costos tiempo regular para grupo gG. og: costos de sobretiempo para grupo gG. fg: costos de demanda no satisfecha para grupo gG. mg: tiempos unitarios de cada familia para grupo gG. rmg: disponibilidad total en tiempo regular para grupo gG. omg: disponibilidad total en sobretiempo para grupo gG. Variables de decisin: g X : volumen de produccin para el grupo de escenario g. g R ,: horas en tiempo normal en el grupo de escenario g. Og : horas de sobretiempo en el grupo de escenario g. I : nivel de inventario bajo el grupo de escenario g G
g

U : unidades de demanda no satisfecha para el grupo escenario gG De este modo el modelo propuesto para el plan agregado de produccin por familias puede resumirse segn: Min s.a. gG g ( cgX + rgR + ogO + hgI + fgU ) X +I
T g (g) g g g g g g

(1) (2) (3) (4) (5)

- I + U = dg
g

para todo gG para todo gG para todo gG para todo gG

mg X = R + Og Rg rmg O omg
g

Xg0, Ig0, Ug0, Rg0, Og0 para todo gG (6) La funcin objetivo en (1) tiene por propsito la minimizacin de los costos esperados de produccin y mano de obra, conjuntamente con los costos esperados de inventario y demanda no satisfecha. La restriccin (2) representa los requerimientos de demanda, que son atendidos con la produccin de unidades y las existencias en inventario, permitiendo el eventual incumplimiento de las mismas a travs de una variable de faltante, definida para cada familia, periodo y escenario. La restriccin (3) permite imponer a las decisiones de produccin un lmite en funcin de la disponibilidad de recursos de mano de obra, cuyos valores para estas ltimas deben respetar ciertas cotas superiores en (4) y (5). Por ltimo, en (6) se impone la no-negatividad de las distintas variables de decisin. El modelo resultante corresponde a un modelo lineal de programacin estocstica con recurso (parcial) multietapa que considera de manera implcita las restricciones de no-anticipatividad, que impone un mismo valor a todas las decisiones de un periodo dado (definidas por escenarios) en la medida que estos escenarios de demanda coinciden hasta dicho periodo. El modelo anterior provee en consecuencia decisiones ptimas implementables para cada familia de productos por grupos de escenarios a travs de cada mes (etapa) del horizonte de planificacin de mediano plazo considerado.

Figura 1: rbol de 8 escenarios con ={8,,15}, G={1,,15}

2.2 Plan de desagregacin por familias. Las decisiones de produccin e inventario del modelo propuesto (1)-(6) son incorporadas en un segundo modelo de optimizacin denominado plan intermedio de desagregacin. Este segundo modelo minimiza el valor

5th Americas International Conference on Production Research

esperado de las variabilidades en los niveles de unidades disponibles (al inicio de cada etapa) de todos los productos terminados respecto a la disponibilidad de unidades de la familia a la que pertenece, tomando en cuenta todos los meses (etapas) del horizonte de planificacin. El modelo comprende como restricciones los requerimientos de demanda para cada producto y restricciones para garantizar la coherencia entre las decisiones de produccin, inventario y faltante por producto con lo propuesto por el plan agregado para esa misma familia. Para su descripcin se considera la siguiente notacin adicional: Parmetros. dig: demanda familia i en el grupo de escenario gG. Xig : volumen de produccin de la i-sima familia para el grupo de escenario g. g Ui : unidades de demanda no satisfecha de la i-sima familia para el grupo escenario gG Variables de decisin: g Y : produccin de familia i para grupo de escenarios g g I : nivel de inventario de familia i y grupo de escenarios g Vg: unidades de demanda no satisfecha de familia i y grupo de escenarios g. De este modo el modelo correspondiente al primer nivel de desagregacin para una familia dada puede resumirse segn: 2 (g) g+ X I i j (g) g Yj + I j jJ (i ) Min g gG di jg di jg jJ (i ) ( ) j J i s.a (7)

para el producto j-simo sobre un horizonte planificacin de los primeros G grupos de escenarios:

de

Parmetros. sjp: costo de setup del producto j en semana p. djpg: demanda producto j en semana p del grupo de escenario gG. g Yj : volumen de produccin de producto j para el grupo de escenario gG. g Vj : unidades de demanda no satisfecha del producto j para el grupo escenario gG. Variables de decisin: g Zp : volumen de produccin del producto j de cada semana p del mes t(g) y grupo de escenario gG. g Ip : nivel de inventario del producto j de cada semana p del mes t(g) y grupo de escenario gG. g W : unidades de demanda no satisfecha del producto j de cada semana p del mes t(g) y grupo de escenario gG. De este modo el modelo propuesto para el nivel final de desagregacin, representado para el j-simo producto puede resumirse en:
Min

gG '

g

p
(g)

s.a Zp + Ip-1 1 Zpg = 1TWpg = g g


T g

s jp dj pg g Zp
g g

(12) (13) (14) (15) (16) para todo gG

- Ip + Wp = djpg p=1,2,3,4 gG para todo gG para todo gG


g

I0g = I4(g) Yi
g

Yg + I(g) - Ig + Vg = dig 1 V = Ui
g g T g g g

para todo gG

(8) (9) (10)

Vig

1TYg = Xig

para todo gG para todo gG

Y 0, I 0, V 0 para todo gG (11) En el modelo (7)-(11) la funcin objetivo busca minimizar, en valor esperado, las variabilidad de los niveles de unidades disponibles de productos terminados respecto a la disponibilidad dada de unidades de la familia. La restriccin (8) impone los requerimientos de demanda de cada producto en la familia i, que son atendidos con la produccin de unidades y las existencias en inventario, permitiendo el eventual incumplimiento de las mismas a travs de una variable de faltante nuevamente. La restriccin (9) expresa que el total resultante de unidades elaboradas en cada etapa coincida la decisin de produccin de la familia y (10) expresa lo mismo pero para los niveles de demanda pendiente. Por ltimo, en (11) se impone la no-negatividad de las distintas variables de decisin. El modelo resultante corresponde ahora a un modelo cuadrtico de programacin estocstica con recurso completo multi-etapa que provee las decisiones ptimas de produccin para cada uno de los productos de la familia i-sima. 2.3 Plan de desagregacin de cada producto Por ltimo, se describe un nivel final de desagregacin que busca obtener los niveles de produccin para cada producto (por separado) pero ahora en periodos semanales de los primeros meses del horizonte de planificacin. Esto configura el plan maestro sobre el periodo fijo ms inmediato con los niveles de produccin qua permite implementar las decisiones operacionales, usualmente a travs de un esquema de MRP. Este tercer modelo de optimizacin toma como datos de entrada las decisiones establecidas en el nivel superior dadas por el modelo (7)-(11) y considera la siguiente notacin adicional

para todo gG (17) Z 0, I 0, W 0 En el modelo (7)-(11) la funcin objetivo no-lineal minimiza en valor esperado la suma de los costos de setup multiplicados por el cuociente de la demanda y la decisin de produccin propuesta que busca definir soluciones estables a travs del mes pero tomando en cuenta las respectivas demandas. La restriccin (13) impone los requerimientos de demanda del j-simo producto en cada semana p. La restriccin (14) establece que el inventario inicial de un mes (etapa) corresponde al inventario final del mes (etapa) anterior. Como antes, las restricciones (15) y (16) establecen la coordinacin de los niveles de produccin y demanda no satisfecha entre las decisiones por semana y lo arrojado para el mes por el nivel de desagregacin superior en el modelo (7)-(11). Por ltimo, en (17) se impone la no-negatividad de las distintas variables de decisin. El modelo resultante corresponde en este caso a uno modelo no-lineal de programacin estocstica con recurso multi-etapa.

3 RESULTADOS COMPUTACIONALES La metodologa empleada ha sido estudiada mediante la resolucin directa de diferentes instancias de problemas de planificacin jerrquica de la produccin. Para ello se ha utilizado un computador Pentium IV con procesador Intel de 1.86Ghz y 256 MB de memoria RAM, empleando el software de modelado algebraico AMPL [19] para la representacin y traspaso de informacin entre los modelos propuestos en la estructura jerrquica adoptada. El uso de AMPL se combina con CPLEX 11.0 como solver de programacin lineal y cuadrtica para la resolucin de los dos primeros modelos y con MINOS 5.5 para la resolucin del modelo no-lineal (convexo) en el nivel final de desagregacin.

El tamao de las instancias resueltas permite la resolucin directa de los diferentes modelos propuestos, esto es sin un algoritmo ad-hoc de optimizacin estocstica. Sin embargo, el modelo (12)-(17) se abord empleando un esquema de horizonte rodante en la resolucin del ltimo nivel de desagregacin. En este esquema simplemente se va resolviendo el modelo de manera secuencial para cada mes (etapa) y una vez resuelto se entrega los resultados al mes (etapa) que sigue en esta descomposicin temporal del modelo. Para ilustrar lo realizado, una de las instancias comprende 10 productos agrupados en 3 familias, considerando un horizonte de planificacin de 12 meses. La Figura 2 muestra las demandas promedio de estas familias. En relacin con el tamao de los modelos propuestos, el modelo (1)-(6) posee tan slo 120 variables de decisin y 63 restricciones con un solo escenario de demanda pero aumenta a 696 variables y 336 restricciones en el caso de 9 escenarios de demanda por ejemplo. El modelo (7)-(11) por su parte posee 36 variables de decisin y 31 restricciones para un solo escenario y aumenta a 228 variables de decisin y 174 restricciones para la primera familia con 4 productos y estos mismos 9 escenarios.

recurso de mltiples etapas. Ms an tambin es posible medir econmicamente la pertinencia de su empleo a travs de algunas medidas que avalan el uso de la metodologa, como el Valor de la Solucin Estocstica (VSS), que en el caso de modelos multi-etapa ha sido introducida recientemente (Escudero et al. [20]) y cuyos valores fueron igualmente calculados para las mismas.

Figura 2: demandas de las familias de productos.

4 CONCLUSIONES Encontrar tcnicas que permitan coordinar distintos niveles de decisin y planificacin sobre la produccin resulta crucial en las empresas, dado el nmero de participantes que interactan en la planificacin de la produccin, el constante choque que existe entre los objetivos departamentales con los objetivos generales de la empresa y la cantidad de productos a elaborar. Este trabajo presenta el desarrollo de una metodologa correspondiente a una aproximacin jerrquica, aplicada para encontrar valores ptimos sobre las decisiones inmersas en la planificacin de la produccin que incorpora escenarios de demanda de manera explcita en los modelos propuestos. La aplicacin de esta metodologa en las instancias consideradas muestra las ventajas de la aplicacin del esquema jerrquico mediante una modelacin estocstica, que entrega una nueva herramienta para enfrentar de mejor forma la toma de decisiones de planificacin tctica y operacional. Habindose abordado la resolucin directa de instancias pequeas y medianas de los diferentes modelos propuestos, a travs de solvers de optimizacin lineal o no-lineal segn lo requerido, cabe como extensin generar y resolver con posterioridad instancias de gran tamao y utilizar alguna estrategia algortmica ad-hoc que, basada en mtodos numricos de optimizacin, permita la descomposicin por etapas y/o escenarios de los modelos de programacin estocstica empleados.

As entonces para esta instancia se resuelve primero el modelo (1)-(6) que arroja la poltica ptima para las tres familias de producto. Enseguida se resuelve separadamente el modelo (7)-(11) para cada familia, obteniendo la poltica ptima para cada producto dentro de la familia respectiva. Finalmente, a travs del empleo del modelo (12)-(17), se obtiene una poltica ptima para cada producto en las primeras 12 semanas, como se puede apreciar en la Figura 3 para el caso de los productos de la familia 2.
500,0000 450,0000 400,0000 350,0000 300,0000 250,0000 200,0000 150,0000 100,0000 50,0000 0,0000 0 5 10 15 FCS -4 -3 MCS - 4 -1 ZSC - 4

5 AGRADECIMIENTOS Este trabajo ha sido posible gracias al apoyo de la Direccin General de Investigacin y Postgrado de la Universidad Tcnica Federico Santa Mara, a travs del financiamiento otorgado por el Concurso de Fondos de Investigacin 2010.

Figura 3: niveles de produccin familias 2 en las primeras 12 semanas del horizonte de planificacin.

Los resultados alcanzados en instancias como la descrita permiten apreciar la validez de la metodologa adoptada y ampliar el mbito de aplicacin de los modelos de planificacin jerrquica y programacin estocstica con

6 REFERENCIAS [1] Birge, J., Loveaux, F. Introduction to Stochastic Programming. Springer Verlag, New York, USA, 1997. [2] Ramos A., Alonso-Ayuso, A., Prez, G. (Eds.). Optimizacin bajo incertidumbre. Biblioteca Comillas. Publicaciones de la Universidad Pontificia Comillas, Espaa, 2008. [3] Ruszczynski A., Shapiro A. (Eds.). Stochastic Programming. Handbooks in Operations Research and Management Science, Vol. 10. New York, NorthHolland, 2003. [4] Sen S, Higle JL. Introductory Tutorial on Stochastic Linear Programming Models. Interfaces 1999, 29, 2, 33-61.

5th Americas International Conference on Production Research

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

Bitran, G.R., Hax, A.C. On design of hierarchical production planning systems, Decision Sciences, 1977, 8, 28-55. Erschler, J., Fontan, G., Merc, C. Consistency of the disaggregation process in hierarchical planning, Operations Research, 1986, 34, 464-469. Merc, C. Cohrence des dcisions en planification hirarchise. Thse de Doctorat dEtat, Universit Paul Sabatier, Toulouse, 1987. Ortiz, V. Proposition dun modle de dsagrgation pour un plan tactique stable dans le contexte de Chane Logistique et de lusage dun APS. These de Doctorat de lUniversit Henri Poincar, Nancy I, 2005. zdamar, L., Atli, A.., Bozyel, M.A. Heuristic family disaggregation techniques for hierarchical production planning systems, International Journal of Production Research, 1996, 34, 9, 2613-2628. Hax, A., Candea, D. Production and Inventory Management. Prentice-Hall, Inc, Englewood Cliff, New Yersey, USA, 1984. Albornoz, V., Contesse, L. Modelos de Optimizacin Robusta un Problema de Planificacin Agregada de la Produccin bajo Incertidumbre en las Demandas. Investigacin Operativa, 1999, 7, 3, 1-15. Alonso-Ayuso, A., Escudero, L., Ortuo, M.T. (2005). Modelling production planning and scheduling under uncertainty. In Applications of Stochastic Programming, Wallace, S.W. and Ziemba, W.T., (Editors). SIAM Publications, Philadelphia. Bitran, G., Yanasse, H. Deterministic approximations to stochastic production problems. Operations Research, 1986, 32, 5, 999-1018. Escudero, L., Kamesan, P., King, A. and Wets, R. (1993). Production Planning via Scenarios Modelling. Annals of Operations Research 43, 311-335. Mula, J., Poler, R., Garca-Sabater, J.P., Lario, F.C. Models for production planning under uncertainty: A review, International Journal of Production Economics, 2006, 103, 271285. Gfrerer, H., Zpfel, G. Hierarchical model for production planning in the case of uncertain demand, European Journal of Operational Research 1995, 86, 142 - 161. Laserre, J.B., Merc, C. Robust hierarchical production planning under uncertainty, Annals of Operation Research 1990, 26, 73-87. Wu, D., Ierapetritou, M. Hierarchical approach for production planning and scheduling under uncertainty, Chemical Engineering and Processing, 2007, 46, 11291140. Fourer R., Gay, D.M., Kernigham, B.W. AMPL: a modeling language for mathematical programming. 2nd ed. Duxbury Press, USA, 2002. Escudero, L.F., Garn, A. Merino, M., Prez, G. The value of the stochastic solution in multistage problems. TOP, 2007, 15, 48-64.