Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Investigación Job Scheduling Problem
Investigación Job Scheduling Problem
Por tanto, se hace necesario abordar este tipo de problemáticas por medio de métodos que a pesar
de que no encuentren soluciones óptimas en la mayoría de los casos, produzcan aproximaciones
competitivas, a este tipo de métodos se les denomina metaheurísticas.[1]
Donde:
La industria tiene un gran interés acerca de la solución del problema de Job shop scheduling. Por lo
tanto, el logaritmo empleado en esta solución con la ayuda de métodos(metaheurísticas) buscará
crear soluciones óptimas y competitivas. Las metaheurísticas garantizan soluciones aproximadas,
además de reducir el tiempo de cómputo.[1]
Una de las metaheurísticas son los sistemas inmunes artificiales (SIA), que, a través de
abstracciones, utilizan la capacidad del sistema inmune biológico para dar soluciones algorítmicas a
problemas complejos de optimización.
Este tipo de métodos hacen uso de técnicas computacionales que presentan un amplio campo de
aplicación, y además de ser ágil, no demanda una alta complejidad computacional y uso de la
memoria.
La optimización del makespan permite tener un mejor control de la utilización de los recursos
(máquinas) por medio de una correcta planificación y programación de las
operaciones/trabajos/actividades en la producción y busca que las operaciones de todos los
trabajos finalicen en el menor tiempo posible, haciéndolas más eficientes lo que ayuda a que las
organizaciones tengan una mejor planeación de la producción y puedan ser competitivos.
Objetivos planteados
Estos problemas son de tipo combinatorio donde puede haber infinitas combinaciones posibles, así,
a medida que aumenta el tamaño del problema el tiempo de procesamiento aumentará de forma
desproporcional.
Por eso, se han generado métodos que busquen soluciones efectivas. Métodos que buscan
optimizar criterios representados mediante funciones objetivos procurando un beneficio en cuanto
a tiempo, costo, etc.
Uno de los objetivos que desarrolla la optimización es maximizar o minimizar los criterios que están
sujetos a las restricciones ya sea en la maximización de la eficiencia de la utilización de maquinarias.
Inteligencia artificial
Entonces la IA puede ser descrito como "el estudio y diseño de agentes inteligentes"(Russell y Norvig
2003), mediante el uso de técnicas de IA, los investigadores pudieron desarrollar métodos
inteligentes para resolver problemas difíciles.[7]
Uno de los trabajos que ha trabajado en el sistema inmune artificial, teniendo como objetivo
minimizar el makespan (minimizar el intervalo de tiempo entre el inicio del procesamiento del
primer trabajo (tiempo de referencia 0) y el tiempo de finalización del procesamiento del último).
“An Artificial Immune Algorithm for the project scheduling problem under resource constraints”.[2]
Por su parte en “An Artificial Immune Network for Multimodal Function Optimization” desarrollado
por Castro y Timmis, donde adapta un modelo de red inmune que busca resolver problemas de
optimización multimodales.[3]. Rivera et buscan resolver el problema Job Shop Scheduling
mediante el desarrollo de un algoritmo basado en el sistema inmune artificial.[1][4]. El trabajo de
Chandrasekaran et al. “Solving job shop scheduling problems using artificial immune system”, Con
el uso de algoritmo inmune se buscó resolver problemas de programación de tareas JSP con el
objetivo de lograr la minimización del makespan.[4]
Cada uno de estos trabajos que desarrollaron algoritmos para la solución de problemas de JSP
fueron comparados con otros algoritmos presentando mejoras en el sistema inmune artificial.
A continuación, se describen las técnicas y estrategias más importantes utilizadas en la
solución del JSP
Técnicas de optimización
En este tipo de técnica la complejidad crece exponencialmente conforme al tamaño de la entrada,
los métodos buscan una solución óptima a partir de los datos del problema y mediante un orden de
los procedimientos mediante el uso de reglas.
Entre las técnicas de optimización se encuentra la de programación lineal entera mixta desarrollada
por Alan Manne en 1960, esta técnica permite optimizar una función objetivo a través de las
restricciones de sus variables. La técnica de ramificación y poda hace uso de una estructura de árbol,
que muestra de forma dinámica todas las combinaciones o secuencias posibles.[5]. Los algoritmos
genéticos (Genetic algorithms) estos algoritmos imitan el procedimiento de la selección natural
aplicándolo sobre el espacio de soluciones del problema, busca crear generaciones sucesivas de
individuos representativos de posibles soluciones al problema.[5]
Bean search (BS): Es un método heurístico que explora un gráfico expandiendo el nodo más
prometedor en un conjunto limitado. Esta La técnica de búsqueda se utilizó principalmente en
inteligencia artificial para el problema de reconocimiento de voz. [7]
Tabu search (TS): es un método heurístico propuesto originalmente por Glover (1986). Este método
es búsqueda y emplea una búsqueda "inteligente" y una técnica de memoria flexible para evitar
quedar atrapado en el óptimo local., además, mejora el rendimiento de estas técnicas mediante el
uso de estructuras de memoria que describen las soluciones o los conjuntos de reglas.[7]
Técnicas de aproximación
Este tipo de métodos permiten obtener soluciones muy cercanas al punto o resultado óptimo con
unos tiempos de cálculo moderados. EL método se inspira en fenómenos naturales y la resolución
inteligente de problemas que posee permiten que se aplique en problemas combinatoriamente
difíciles.[5]
Las reglas de prioridad de despacho se aplican con mayor frecuencia para resolver problemas de
scheduling, debido a que permite una fácil implementación y una dificultad baja con respecto al
tiempo. Por otro lado, las Heurísticas basadas en cuellos de botella (Bottleneck based heuristics) son
aproximaciones más sofisticadas, que se basan en cuellos de botella, su principal contribución es
que permite decidir el orden en el que las máquinas en un proceso de producción deben ser
secuenciadas.[5]
Modelo Matemático
Se hace uso de técnicas de programación maten ática para dar soluciones óptimas a los problemas
de scheduling, uno de los modelos matemáticos más comunes es la programación lineal entera
mixta (Alan Manne en 1960), contiene restricciones lineales, función objetivo, en este modelo las
variables de decisión pueden tomar valores enteros(binarias).[5]
Caso de aplicación de una de las metodologías de solución de problemas de Job Scheduling
Problem
“Makespan Minimization for The Identical Machine Parallel Shop with Sequence Dependent
Setup Times Using a Genetic Algorithm”
Metodología empleada: ¿Cuáles fueron los métodos o técnicas empleadas para abordar el
problema?
Las empresas que manejan procesos de producción tienen que realizar una correcta programación
de la producción conforme a las necesidades de los clientes, así, los trabajos deben de realizarse de
la mejor manera o eficientemente, considerando el uso de los recursos para mejorar el control de
operaciones y poder ser más competitivos.
El problema que se aborda busca programar trabajos en un sistema de máquinas paralelas idénticas,
es decir, cada máquina puede procesar cada trabajo con un mismo tiempo de proceso, donde los
tiempos de preparación dependen del orden en el que se procesan los trabajos para ello se utiliza
el algoritmo una de las técnicas de optimización.
Objetivo:
Los algoritmos genéticos buscan imitar el procedimiento de la selección natural dentro de las
soluciones del problema, se fundamenta en la creación de generaciones sucesivas de individuos
que representan las soluciones al problema.[5][8]
Análisis de resultados:
TABLA I
Los resultados obtenidos en el proceso experimental del documento, se muestran los métodos
evaluados y sus resultados. Donde, los parámetros de probabilidad de cruzamiento y mutación, y
el tamaño de población del algoritmo genético se calibraron mediante experimentación.
En un estudio preliminar:
Heurística permitió redefinir los tiempos de proceso de cada trabajo, estimando su tiempo de
ocupación de máquina y ordeno los trabajos de mayor a menor tiempo estimado de ocupación de
cada máquina.
Se puede apreciar en la Tabla 2 la comparación de los métodos utilizados, donde el algoritmo LPT*
presenta el desempeño más bajo, los algoritmos AG y SMC presentan un rendimiento muy similar.
Además, hay un buen rendimiento del algoritmo AG+MV, mejorando significativamente su
desempeño respecto de AG.
TABLA II
Comparación de métodos.[8]
Discusión de resultados: La relación entre lo encontrado en el artículo con las otras lecturas
entregadas
Los documentos abordan el problema de Job Shop, el cual se busca solucionar con técnicas de
optimización como la programación lineal, Branch & Bound y algoritmos genéticos entre otros,
también, se tienen las técnicas de aproximación como las reglas de prioridad de despacho, métodos
de búsqueda local y los modelos matemáticos. Estás técnicas buscan optimizar la programación de
las tareas de una cantidad de maquinas con el objetivo de minimizar el makespan. Así, el artículo
encontrado busca solucionar la programación de trabajos en un sistema de máquinas paralelas
idénticas, tiene como objetivo minimizar el intervalo de tiempo entre el inicio del procesamiento
del primer trabajo (tiempo de referencia 0) y el tiempo de terminación del procesamiento del último
trabajo (makespan)[.8], y para la solución se utiliza la técnica de los algoritmos genéticos nombrada
en los demás documentos consultados.
tiene como función la asignación de recursos limitados a tareas a lo largo del tiempo y tiene como
finalidad la optimización los objetivos.[5]
Conclusiones
Actualmente los problemas de programación de JSP son uno de los problemas de más
interés de hoy en día por parte de las industrias de fabricación, y dependiendo de su grado
de dificultad, complejidad y desarrollo se utilizan diferentes tipos de algoritmos y modelos
matemáticos para darle solución a los problemas JSP.
Muchas de las técnicas utilizadas para la solución del JSP no dan soluciones exactas sino que
entregan resultados aproximados, y debido a que en el los problemas JSP se van a convertir
cada vez más complejos, dinámicos y flexibles, donde ya no se consideraran solo máquinas,
sino que se abordaran múltiples máquinas, recursos múltiples, incluso una serie de fábricas
y logística lo que va a generar que las soluciones generadas por los algoritmos no se han de
alta calidad.
Según “Algoritmo Inmune de Selección Clonal para el problema de Job Shop Scheduling”,
las metaheurísticas bioinspiradas presentan buenos rendimientos frente a las soluciones de
otras técnicas de mayor madurez encontradas en la literatura, teniendo en cuenta los
resultados mostrados en el trabajo.
Referencias
[1] N. Martínez, L. Gomez, Diaz. N and Bautista. L, "Algoritmo Inmune de Selección Clonal para
el problema de Job Shop Scheduling", Bucaramanga: Universidad Industrial de Santander, 2013, p.8
[2] M. Mobini, Z. Mobini y M. Rabbani, «An Artificial Immune Algorithm for the project scheduling
problem under resource constraints.,» Applied Soft Computing, vol. 11, nº 2, pp. 1975-1982, 2011.
[3]L. N. de Castro y J. Timmis, «An artificial immune network for multimodal function
optimization,» Proceedings of the 2002 Congress on Evolutionary Computation., vol. 1, pp. 699-
704, 2002.
[4]C. A. Coello C, D. C. Rivera y N. C. and Cortés, «Job Shop Scheduling using the Clonal».
[5] Peña. V and Zumelzu. L, " Estado del Arte del Job Shop Scheduling Problem", Valpara´ıso, Chile:
Universidad Técnica Federico Santa María, 17 de mayo de 2006, p.8
[6] B. Calis and S. Bulkan,“A research survey: review of AI solution strategies of job shop
scheduling problema”, Springer Science+Business Media New York 2013, p.13
[7] J. Zhang, G. Ding, Y. Zou, S. Qin, J. Fu,” Review of job shop scheduling research and its new
perspectives under Industry 4.0”, Springer Science+Business Media, LLC 2017, p.22
[8] S. Hornig and J. Medina, “Makespan Minimization for The Identical Machine Parallel Shop with
Sequence Dependent Setup Times Using a Genetic Algorithm”, Ing. invest. y
tecnol. vol.14 no.1 México ene./mar. 2013.