¿Gupta una heurística confiable

para la secuenciación?
Walber José Miranda Romero
Aldeir Enrique Zambrano Ahumedo
Universidad del Atlántico
__________________________________________________________________

Con el fin de resolver problemas complicados con eficiencia, en ocasiones es

necesario comprometer algunos requisitos para optimizar y construir una
estructura de control que no garantice encontrar la mejor respuesta pero que casi
siempre encuentre una buena solución. De esta forma, surge la idea de heurística.
La palabra heurística viene de la palabra griega heuriken que significa “descubrir”,
que es también origen de eureka, derivado de la famosa exclamación de
Arquímedes, heurika (“lo encontré”).
Así definieron Bartholdi y Platzman (1988) lo que es heurística para ellos:
“Una heurística puede verse como un procesador de información que,
deliberadamente, peor juiciosamente, ignora cierta información. Ignorando
información, una heurística se libra de gran parte del esfuerzo que debió haberse
requerido para leer los datos y hacer cálculos con ellos. Por otra parte, la solución
producida por tal heurística, es independiente de la información ignorada, y de
este modo no se ve afectada por cambios en tal información. Idealmente, se busca
ignorar información que resulta muy caro colectar y mantener, esto es,
computacionalmente caro de explotar y mantener, y que contribuye en poco a la
precisión de la solución.”
Una función heurística es una correspondencia entre las descripciones de estados
del problema hacia alguna medida de deseabilidad, normalmente representada
por números. Quiere decir que mensura cada estado del problema (solución) y
dice qué tan cerca de la solución óptima está.
Podemos decir que el propósito de una función Heurística es el de guiar el
proceso de búsqueda en la dirección más provechosa sugiriendo qué camino
tomar cuando hay más de uno disponible.
Durante el semestre hemos visto en clase diferentes heurísticas para identificar
secuencias que se acerquen o lleguen a darnos el menor tiempo de terminación
posible de las mismas. Los problemas de Flow-Shop pueden ser resueltos con
regla de Johnsom, Heurística de Palmer, CDS (Campbel, Dudek y Smith) en
inclusive con a través de métodos de programación lineal, que son resueltos por
servidores especializados como lo es el Neos Server.
Se ha propuesto un nuevo método para la solución de problemas de Flow-Shop, la
heurística de GUPTA. Un método similar al Palmer, pero que define los índices de
una manera diferentes tomando dentro de la cuenta unos interesantes hechos de
la optimización de la regla de Johnson para el problema de tres máquinas, esto
fue definido en el artículo “Aplicación de la Heurística de Gupta en la
secuenciación de n tareas en m maquinas: un caso de estudio” publicado en
Diciembre de 2011, por la Universidad Tecnológica de Pereira, donde también
proponen que este método “entregará una solución muy buena y rápida”. Esta
última frase empieza a perder credibilidad cuando se culmina el ejercicio
propuesto en el documento, para llegar allá primero se debe de hablar de cómo
hacer el método de Gupta, para empezar el documento habla de unos indicadores
que dan conocer como S j y e j, los cuales no están definidos en un concepto como
tal, es decir no se sabe claramente que indican. Después de una investigación
encontramos en el libro de planeación y control de la producción de Daniel Sipper
y Robert L. Bulfin Jr. Editorial Mc Graw Hill impreso en julio de 1998, donde
estipulan a S j como el indicador que define la secuencia de permutación,
organizando los trabajos de menor a mayor, y e j como el algoritmo heurístico
propuesto por Gupta (1972) que toma valores de −1 si Pi 1< P ℑ y 1 si Pi 1 ≥ P ℑ, donde
Pℑ son los tiempos de procesado de los trabajos ilas maquinas m (Cambell, Dudek
y Smith (1970)).
Con respecto al problema resuelto en el documento que tiene los siguientes datos

Se asumieron los siguientes Supuestos:

1. Al momento de aplicar el Método Gupta al problema, fue mal interpretada S j
, generando secuencias que nos da Cmáx altos comparados con otros
obtenidos con otras Heurísticas e inclusive sin necesidad de aplicar
ninguna. Ese supuesto surge por lo siguiente, el libro calcula
ej
S j= . Los resultados obtenidos en el documento están en
mint ≤ k ≤m−1 { t kj + t k +1 j }
la siguiente tabla:

donde k =m−1 para el problema anterior k =5−1=4, por consiguiente y

como se explica en el libro de planeación y control de la producción la
expresión t kj +t k+1 j no llega a m, sino hasta k, es decir que en el documento
sumaron ( P1 j + P2 j) ;(P2 j + P3 j);( P3 j+ P 4 j ); ( P4 j+ P 5 j) , cuando realmente de
debían sumar ( P1 j + P2 j) ;( P2 j + P3 j);(P3 j+ P 4 j ), basándonos en esto se
procedieron a hacer los cálculos de las nuevas sumas

t kj +t k+1 j      
Tarea P1+P2 P2+P3 P3+P4 ej Sj
0,1666666
1
10 10 6 1 7
0,0769230
2
14 13 18 1 8
3 13 9 4 -1 -0,25
4 5 4 8 1 0,25
5 5 6 6 -1 -0,2
0,0666666
6
18 15 17 1 7
7 10 11 14 1 0,1
0,1111111
8
15 13 9 1 1
9 10 11 13 1 0,1
 0,1428571
10
7 8 11 1 4

Para calcular e j solo fueron comparados los tiempos de procesamiento de

los trabajos en la maquina 1 y 5, bajo la regla expuesta anteriormente.
Luego se procedió a organizar la secuencia:
S j={ 3,5,6,2,7,9,8,10,1,4 } con un Cmax =93, aunque el resultado obtenido aquí fue
igual al obtenido en el documento de la UPT, cabe resaltar que la secuencia
no es la misma ya que la del documento fue la siguiente
S j={ 3,5,6,2,7,10,8,1,9,4 }; para este ejercicio no aplicó que estas pequeñas
variaciones en la secuencia alteraran el resultado del C max, pero es probable
que en otros ejercicios estos cambios puedan realizar un aumento o
disminución del C maxobtenido.
Como habíamos dicho anteriormente, Gupta diseñó el método similar al de
palmer exceptuando la definición de los índices, pero lo que hay que tener
en cuenta además es que toma dentro de la cuenta unos interesantes
hechos de la optimización de la regla de Johnson para el problema de 3
máquinas, por lo dicho anteriormente esta herramienta tendrá un mejor
desempeño cuando queremos optimizar el trabajo con 3 máquinas, por eso
el C max de los K=1,2 y 3, es más óptimo que el Cmáx del K=4. Por ende,
este un factor que se podría tener muy en cuenta a la hora de elegir la
utilización de esta herramienta. Cabe resaltar que, aunque por lo dicho
anteriormente este método aún sigue siendo una herramienta amigable que
nos permite encontrar rápidamente soluciones sin realizar exhaustivos
cómputos. Para comprobar esto, realizamos el método Gupta en la forma
explicada por nuestro profesor, el Ingeniero Dionicio Neira Rodado.
Para K=1
5 3 2 4 2 4
3 7 6 3 1 10
2 10 4 9 9 8
6 10 8 7 10 8
8 10 5 8 1 5 Cmáx: 89
10 6 1 7 4 4
7 9 1 10 4 4
1 3 7 3 3 2
4 2 3 1 7 1
9 8 2 9 4 1

Para K=2
4 2 3 1 7 1
5 3 2 4 2 4

Cmáx: 87
 10 6 1 7 4 4
2 10 4 9 9 8
6 10 8 7 10 8
3 7 6 3 1 10
7 9 1 10 4 4
8 10 5 8 1 5
1 3 7 3 3 2
9 8 2 9 4 1

Para K=3
4 2 3 1 7 1
5 3 2 4 2 4
10 6 1 7 4 4
2 10 4 9 9 8
6 10 8 7 10 8
Cmáx: 87
7 9 1 10 4 4
9 8 2 9 4 1
3 7 6 3 1 10
8 10 5 8 1 5
1 3 7 3 3 2

Para K=4
5 3 2 4 2 4
3 7 6 3 1 10
6 10 8 7 10 8
2 10 4 9 9 8
7 9 1 10 4 4 Cmáx: 93
8 10 5 8 1 5
10 6 1 7 4 4
9 8 2 9 4 1
1 3 7 3 3 2
4 2 3 1 7 1

No solo nos podemos basar en los supuestos anteriores para ver la viabilidad de
utilizar Gupta como un método confiable para la secuenciación, así que utilizamos
El NEOS Server que consta de un servicio gratuito basado en Internet para
resolver problemas de optimización numérica. Organizado por el Instituto de
Wisconsin para el descubrimiento de la Universidad de Wisconsin en Madison,
NEOS Server proporciona acceso a más de 60 solucionadores, el estado de la
técnica en más de una docena de categorías de optimización. Entre estos
solucionadores se encuentran soluciones optimas a modelos matemáticos de
programación lineal.
Los datos del ejercicio propuesto en el documento fueron ingresados en Neos
Server arrojando los siguientes resultados. Un C max=84 y cuya secuencia fue
S j={ 6,2,7,8,3,4,10,5,1,9 }, por ser este el de menor tiempo de duración de todo el
proceso lo tomaremos como nuestro valor real ya que es el tiempo más óptimo
entre todos los tiempos.
% De error con
Modelo Utilizado respecto al optimo
Método Gupta Documento UPT 93 10,714
Método Gupta poniendo en practica lo aprendido en
93 10,714
el libro del planeación y control
Método Gupta explicado en Clases con K=1 89 5,952
Método Gupta explicado en Clases con K=2 87 3,571
Método Gupta explicado en Clases con K=3 87 3,571
Método Gupta explicado en Clases con K=4 93 10,714
Neos Server 84 Optimo

En la tabla se puede observar el porcentaje de error que ahí entre los diferentes
métodos con respecto al C max optimo, podemos decir que el Gupta como fue
aplicado en el documento de la UPT, como fue explicado en el libro de planeación
y control de la producción y el mismo método explicado en clase con K=4 poseen
el mayor porcentaje de error, y teniendo en cuenta que los errores más bajos se
obtuvieron en el método explicado en clases con K=1, 2 Y 3, Gupta es
conveniente utilizarlo en casos en que hayan entre 2 y 4 máquinas, una vez este
límite se supere puede no dar una secuencia óptima.
Debido a las investigaciones que se hicieron para la generación del ensayo, no se
encontró nada parecido al método Gupta explicado por el profesor en clases, se
plantea el supuesto de que este método es una variación del Método Gupta, y que
por los cálculos realizados y viendo el porcentaje de error con relación al optimo
se puede decir que, bajo estas circunstancias, y a pesar de que para nosotros sea
una variación es preferible utilizar este método, que el propuesto por la UPT y el
del libro de planeación y control de la producción.
Además, podemos asegurar que el Documento de la UPT, comprendió mal el
método Gupta, esto basándonos en las ejercicios y explicaciones del libro de
planeación y control.
Al final de todo solo nos queda preguntarnos ¿Es Gupta una heurística confiable
para la secuenciación?