U295957 PDF

II.
07( 10)142
MODELO DE OPTIMIZACION PARA LA PLANEACIÓN DE LA

PRODUCCIÓN EN UNA PLAN TA D E A LIMENTOS
CONGELADOS
GUILLERMO A. RODRIGU EZ RODRIGU EZ
UNIVERSIDAD DE LOS AND ES
FACULTAD D E ING ENI ERÍA

DEPAR TAMENTO DE INGENI ERÍA INDUSTRIAL
BOGOTÁ D.C., COLOMBIA
JUNIO DE 2007
1
II.07( 10)142
MODELO DE OPTIMIZACION PARA LA PLANEACIÓN DE LA

PRODUCCIÓN EN UNA PLAN TA D E A LIMENTOS
CONGELADOS
GUILLERMO A. RODRÍGU EZ RODRÍGU EZ
Trabajo de grado para optar al tí tul o de:

Ingeniero Industrial
Asesor
GERMAN RIAÑO
UNIVERSIDAD DE LOS AND ES
FACULTAD D E ING ENI ERÍA

DEPAR TAMENTO DE INGENI ERÍA INDUSTRIAL
BOGOTÁ D.C., COLOMBIA
JUNIO DE 2007
2
II.07( 10)142
TABLA DE CONTENIDO
INTRODUCCIÓN ................................................................................................. 6
METODOLOGÍA ...............................................................................................................9
M ARCO TEORICO ............................................................................................10
ADMINISTRACIÓN DE INVENTARIOS..............................................................................10
ELSP – ECONOMIC LOT SCHEDULING PROBLEM.......................................................11
Conjunto .................................................................................................................13
Parámetros .............................................................................................................13
Variables.................................................................................................................13
Función O bjetivo ...................................................................................................13
Res tricciones .........................................................................................................14
SOLUCIO N ELS P .....................................................................................................15
SOLUCIÓ N ELS P PAUL ZIPK IN ............................................................................16
DESCRIPCION DEL PRO BLEM A .................................................................20
IDENTIFICACIÓN DEL PROBLEMA ..................................................................................20

PAR ÁMETROS DEL PR OBLEMA .....................................................................................21
Conjunto .................................................................................................................21
Parámetros .............................................................................................................21
METODOLOGÍA A CTUAL ...............................................................................................25
CONSECUENCIAS .........................................................................................................28
SOLUCIÓN .........................................................................................................30
PROPUESTA DE SOLUCIÓN...........................................................................................30
METODOLOGÍA DE LA SOLUCIÓN..................................................................................30
RESULTADOS ...................................................................................................37
SI MULACIÓN .................................................................................................................37
ESC ENARIO PROPUESTA DE ZIPKIN.............................................................................38
ESC ENARIO METODOLOGÍA ACTUAL ............................................................................39
CONCLUSIONES, RECOM ENDACIONES Y ESTUDIOS POSTERIORES

..............................................................................................................................40
3
II.07( 10)142
BIBLIOG RAFÍA .................................................................................................43
ANEX OS .............................................................................................................44
ANEXO 1: CÓDIGO DE PROGRAMACIÓN PROBLEMA DE AGEN TE VIAJERO ( TRAVELING

SALESMAN PROBLEM) EN XPRESS..............................................................................44
ANEXO 2: MATRICES ALGORI TMO DE ZIPKIN (1985) ..................................................46
ANEXO 3: CÓDIGO DE PROGRAMACIÓN HEURÍSTICA ZIPKIN (1985) EN MATLAB.......48
4
II.07( 10)142
INDICE DE GRAFICOS, TABLAS Y DIAGRAMAS
DI AGR AM A 1. ESTRUCTURA DE UNA CADENA DE ABASTECIMIENTO .................................6

GRAFICO 1. PIB 2006 POR RAMAS DE ACTIVIDAD ECONÓMICA EN COLOMBIA. .............11
DI AGR AM A 2. SU BPROBLEMAS DE ELSP.......................................................................12
T ABL A 1. CARAC TERISTICAS SUBPROBLEMAS ELS P ....................................................12
GRAFICO 2: CURVA DE INVENTARIO VS. TIEMPO............................................................14
T ABL A 2. SUB INDICES DE LAS REFERENCIAS.................................................................21
T ABL A 3. DEMANDAS ANUALES DE LA REFERENCIAS POR UNIDADES ............................22
T ABL A 4. PRODUCCIONES ANUALES DE LA REFER ENCIAS POR UNIDADES ....................22
T ABL A 5. COSTO MENSUAL DE ALMACENAMIENTO POR ALMACÉN .................................23
T ABL A 6. COSTO ANUAL DE ALMACENAMIENTO PROMEDIO POR ESTIBA .......................24
T ABL A 7. NUMERO DE UNIDADES POR ESTIBA PARA CADA REFERENCIA .......................24
T ABL A 8. VALOR DE ALMACENAMIENTO DE UNA UNIDAD ANUAL.....................................24
T ABL A 9. TIEMPO DE SET UP ENTR E LAS REFERENCIAS .................................................25
T ABL A 10. SECUENCIA DE PRODUCCIÓN PLANTA DE PRODUCTOS CONGELADOS .........27
GRAFICO 3. DEMANDA MENSUAL DE UN PRODUCTO A BASE DE AGUA ...........................28
GRAFICO 4. DEMANDA MENSUAL DE LOS PR ODUCTOS A BASE DE LECHE ......................28
GRAFICO 5. DEMANDA MENSUAL DEL PRODUC TO CILÍNDRICO .......................................29
GRAFICO 6. GR AFO PROBLEMA AGENTE VIAJERO. .........................................................31
GRAFICO 7. RESULTADO PROBLEMA RELAJADA TSP.....................................................32
GRAFICO 8. SOLUCIÓN PROBLEMA AGENTE VIAJER O PARA SECUENCIA ÓPTI MA DE
PRODUCCIÓN............................................................................................................34
T ABL A 11. TIEMPOS DE PRODUCCIÓN ETAPA 2 ALGORI TMO DE ZIPKIN .........................36
5
II.07( 10)142
INTRODUCCIÓN
Todas las organiz aciones c on ánimo de lucro entr e su misión o vis ión deben
tener la gener ación de valor c omo uno de sus objetiv os primor diales para
obtener may or es ingr esos a menor costo, siendo estos últimos pr inc ipalmente,
el reflejo de las dec is iones tomadas en el área de cadena de abas tec imiento.
Es por esto que todos los esfuerzos deben ir enc aminados en la r evis ión de los
proc esos que intervienen en la cadena de abastecimiento, para encontrar los
puntos neur álgicos y maximizar los ahorros en c ada una de las etapas del
proc eso de producción de los productos c ongelados.
Diagrama 1. Estructura de una cadena de abastec imiento
El dis eño del diagrama es pr opio
Sin embar go este pr oyecto se enfoc a en la pr imera etapa de la cadena de

abastec imiento de pr oductos congelados , planeación de la producción, por ser
este el proc eso gener ador c ada oc ho días de la informac ión necesar ia par a la
labor de las demás áreas. De ahí el valor de esta infor mación por las
repercusiones en el andamiaje de toda la cadena.
Los proc esos der ivados del plan de producción publicado c ada oc ho días son:
1. Necesidades de c ompra de materi as primas y material de em paque

MRP (Material Requi erem ent Planning). En la empr esa de productos
congelados el área de c ompr as realiz a los planes de adquis ic ió n de
materiales c on los pr oveedores . En caso de un cambio imprev isto en
el pr ogr ama se corre el r iesgo de escasez de alguna materia prima y
6
II.07( 10)142
por ende no se lleve a cabo la pr oducc ión hasta la res puesta del
prov eedor.
2. Planeaci ón del recurs o hum ano para llevar a cab o los pl anes de
producción. Se organiza el rec urso humano par a llev ar a c abo las
producciones programadas con los distintos c olabor adores de la
organización ( oscilan entre 500 a 600). Co mo r esultado de este
proc eso se ar man las tr ipulaciones por máquina tenie ndo en cuenta
las restricc iones del pers onal c omo: vac ac iones, c apac itac iones e
inc apac idades.
3. Estim ar la capacidad de alm acenamiento. El área de logística estima
el es pac io nec esar io par a guar dar las producciones en el cuarto frío.
Al ser una planta de productos congelados el es pacio es una
restr icción a tener en cuenta, debido a las espec ificac iones de frió
(almacenar lo a -34ºC) del producto para mantener sus estándares de
calidad, mas aun c uando es te tipo de pr oductos no se puede
almac enar fuer a del mismo.
4. Planear el núm ero de vehículos par a tr ansportar el pr oducto. Realizar
la planeación de vehíc ulos necesarios par a r ealizar los car gues a las
difer entes r egionales a las cuales la planta de pr oductos c ongelados
prov ee de inventar io.
Por lo anter iormente descr ito es fundamental realiz ar una adecuada

planeac ión, por ende es te pr oy ecto busc a r ealiz ar un programa de planeac ión
de pr oducc ión con un hor izonte super ior a 30 días, par a la máquina con mayor
numero de r eferencias a s u c argo en la planta de productos c ongela dos. Con el
fin de obtener mayor es utilidades al aumentar el margen de los pr oduc tos
debido a la r educc ión de los cos tos .
El pr oblema que enfrenta en la actualidad la c adena de abastecimiento de esta

organización, s e debe a la polític a de reposición de inventarios para
deter minar el numer o de unidades a producir , este metodología es mas
propens a a tener altos costos de pr oducc ión y logís ticos como consec uencia de
la INCERTIDUMB RE de la demanda. A difer enc ia de la metodología por
órdenes de compra la cual tiene la ventaja de producir ex actamente las
7
II.07( 10)142
unidades a vender, por ende s e puede afirmar que labor an c on una demanda
deter ministic a, y ponen en marc ha s u proces o pr oductiv o s olo cuando y a tienen
la venta as egur ada del pr oducto ter minado.
Actualmente en la planta de pr oduc tos congelados se presentan los siguientes

inconvenientes:
• Altos niv eles de pr oducto ter minando tr aduc iéndose en una disminuc ión
del EVA (Economic V alue A dded) por la reducción de la liquidez de la
compañía a causa de la gran cantidad de días de inventar io.
• Venc imiento de un pr oduc to si se manejan referenc ias per eceder as.
• Constantes cambios de refer encia en las máquinas.
• Falt antes de pr oducto ter minado.
Con bas e a este panor ama, la planeación de producción al s er el proc eso

responsable de garantiz ar el abas tec imiento de pr oductos para obtener altos
niveles de serv icio a los c li entes, s urge la neces idad de plantear un modelo el
cual contemple la var iabilidad de la demanda y busque r educir los costos de
abastec imiento (logís tico y produc tivo). Con el fin de: evitar los faltantes de
producto (indic ador fundamental de las c adenas de abastecimiento); optimizar
los costos y gastos en la pr ogramación y gener ar impacto en las utilidades de
la empr esa. Para lograrlo en este proy ecto se implementa la s oluc ión propuesta
por Zipkin (1989) para una máquina de productos congelados con once
referenc ias a pr ogramar.
Zipkin (1989) par a solucionar el problema pr opone hallar los tiempos de

producción de cada una de las refer encias confor me a una sec uencia óptima
de elabor ac ión de las mis mas, en la literatur a es te problema es c onocido c omo
ELSP ( Economic Lot Schedulin g Pr oblem). A l soluc ionar el problema se genera
un pr ograma de producción para un horiz onte s uper ior a 30 días con el fin de
tener el menor número de cambios sobr e la marc ha y garantiz ar el nivel de
servic io a los clientes .
8
II.07( 10)142
Apar te de los resultados generados por la implementac ión de la heurística

descr ita. El proyecto br inda una s eria de r ecomendac iones a la gerencia de
cadena de abastecimiento par a gener ar ahorr os anuales superiores a $
200’000.000 COP siempr e y cuando se inv ier ta en infraestr uctura. De igual
forma se cr eo una hoja de c alc ulo donde s e realiz a: la simulac ión de la
alter nativa de pr oducc ión hallada y s e deja como herramienta a los
planeadores de la planta de producción para no s olo tener en c uenta el nivel de
inventarios sino el cos to de almac enamiento y faltantes con el fin de esc oger
las mejores dec isiones a la hora de realiz ar el pr ograma de pr oducción.
Finalmente el objetiv o del pr oyec to consiste en optimizar el pr ogr ama de

producción para una máquina productora de referenc ias c ongeladas, sujeto a
las r estr icc iones de c apac idad de pr oducc ión y almacenamiento para:
racionalizar los tiempos de set-up, contribuy a c on abar atar los c ostos del
proc eso productivo y r eduzc a los faltantes de producto, impulsando el mar gen
de ganancia que obtiene la empres a por c ada unidad v endida al c ons umidor.
Metodología
Este documento se divide en cinco par tes . En la primer a de ellas, se pr es enta

el pr oceso de planeación de pr oducción como factor clav e de éx ito de una
organización, los r etos que implica par a una cadena de abastecimiento tr abajar
reponiendo inventario. En la segunda sección, se define el proble ma que se
busc a s oluc ionar y los pr oc edimientos necesar ios par a la implantación de la
misma. En tercer lugar, s e describe el problema en la planta junto sus
cons ecuenc ias . En la cuarta sección se ex ponen los res ultados. Finalmente, en
la quinta s ección, s e pres entan las r ecomendac iones y c onclusiones del
estudio, as í como estudios pos ter iores que se puedan r ealizar alr ededor del
tema y/o de la empresa.
9
II.07( 10)142
MARCO TEORICO
Adm inistración de inventarios
Dada la competencia que enfrentan las compañías hoy en día en cualquier

sector de la economía, las diferenc ias frente a las demás empr esas s e generan
princ ipalmente en las áreas de: serv ic io al c liente y logística. Esta última
entendida c omo: “Aquella parte del pr oc eso de la cadena de abastecimiento
que pla nea, implementa y c ontr ola el flujo y almac enamiento de pr oductos y
servic ios” Acer o ( 2003). Como engranaje fundamental de este proc eso se
encuentra el tema de administrac ión de inventarios , que como su nombr e lo
indica, busc a el nivel óptimo de unidades en el sis tema teniendo en cuenta un
equilibrio entr e un conjunto de costos inher entes al inventar io. Con este fin,
varios autores han emprendido dif er entes metodologías para soluc ionar el
problema de planeac ió n de producción. Sin embar go, la liter atura se ha
centrado en darle respuesta a un pr oblema r ecurrente en las cadenas de
abastec imiento reales el ELSP: (Ec onomic Lot Scheduling Problem) sec uencia
y tamaño de lotes par a la planeación ec onómica de la producc ión.
El inter és en este problema surge debido a la dec is ió n óptima de las

organizaciones por optar en tener una maquinaria de alta tecnología con la
capac id ad de realiz ar muc hos productos a tener muc has máquinas dedic adas a
una solo referenc ia, como lo afir ma Gr egory Dobson (1987) en su doc umento
sobr e el tema. Por otr a parte las empresas que afrontan este tip o de conflic tos
y tienen la s olvenc ia económica para adquirir esta c lase de maquinar ia aportan
entre el 15% al 20% del Producto Interno Br uto en nac iones en vía de
desarrollo c omo Colo mbia.
Aunque este pr oyecto enfatiza una soluc ión al problema de adminis trac ión de
inventarios par a una planta de pr oduc tos congelados, esta puede ser extendida
a los demás r amas de la industria manufac tur er a como: bebidas, pr oduc tos
químicos, alimentos, entr e otr os que enfrentan el mis mo problema.
10
II.07( 10)142
Gr afico 1. PIB 2006 por r amas de activ idad económic a en Colombia.
PIB 2006 por ramas de actividad económica

en Colombia
Agropecuari, Silvicultura , Caz a y

Pesca
6% 11% Explotación Minas y Canteras
Electricidad, Agua y Gas

6%
19%
Industria Manufacture ra
4%
Const rucción
Comercio, Restaurantes, Turismo
15% Transp orte, Almacen amiento y

Comunica cione s
14% Est ablecimient os Financieros y
servicios
Servicios S ocia les, comunale s y
7% person ales
7%
11% Otros
Fuente: Departamento Administr ativ o Nacional de Estadística
ELSP – Economic Lot Scheduling Problem
El ELSP cons iste en hallar la s ecuencia y los tamaños de lote que minimicen
los c ostos de mantener inventar io y cambio de r efer enc ias, s ujeto a: la
capac id ad de producción de la máquina y la satisfacc ión de las demandas de
las r efer enc ias producidas. Sin embar go, par tiendo de es ta definic ión ex isten
variac io nes al pr oblema or iginal, los cuales se clasifican s iguiendo tres
carac ter ísticas :
• Pr esenc ia o aus encia de tiempos y costos de set up.
11
II.07( 10)142
• Planeac ión contr a or den de c ompr a ( Customiz ed o make to or der) o

contra inventar io ( Standar diz ed o make to stoc k).
• Tasas de producción y demandas es toc ásticas o deter ministicas
(Winands. et all. 2005).
Las c aracter ísticas de los ocho subproblemas con sus r espec tivas var iantes
se s intetizan en el siguiente diagrama de Venn
Diagrama 2. Subproblemas de ELSP
Fuente: The Stochastic Ec onomic Lot Sc heduling Problem: A Survey ( 2005).

Tabla 1. Caracter isticas subproblemas ELSP
Subpr oblema Ex istenc ia Planeac ión Estocástico
de Setups contra
inv entario
1 No No No
2 No Sí No
3 Sí No No
4 Sí Sí No
5 No No Sí
6 No Sí Sí
7 Sí No Sí
8 Sí Sí Sí
El pr oblema a tr atar en este proyec to s e c las ific a en la s ección cuatro del

diagrama, las c ar acter ístic as de es te subproblema s on:
1. Ex iste un número de referencias a pr oduc ir en un s olo r ecurs o.
2. Solo se puede producir una r eferenc ia a la vez en el r ecurs o.
12
II.07( 10)142
3. Ex isten tas as de pr oducción y demanda c onstantes a lo lar go del

horiz onte de tiempo.
4. Ex iste un tiempo de alistamiento del rec urs o antes de iniciar la
producción de una referencia.
Con base a es ta infor mación proc edemos a plantear el problema de

optimización.
Conjunt o
Numero de referencias: i = { 1,2.., N}
Parámetros
d i = Tas a de demanda del pr oducto i.
pi = Tas a de producción del producto i.
s i = Tiempo de set up del pr oduc to i
hi = Costo de almacenamiento del producto i.
ai = Costo de set up.
ρ i = di / pi
Variables
f i = Sec uencia de pr oducción de los i pr oductos
t i = Tiempo de producción del producto ubic ado en f i .
u i = Tiempo ocioso de la máquina después de realiz ar el produc to ubic ado en
fi .
Función Objetivo
La func ión objetiv o de es te problema esta c ompuesta por los costos: debido a
los c ambios de r efer enc ia de la máquina y el de almacenamiento de las
unidades. Este último se calcula multiplic ando el parámetr o hi por el nivel de
inventario promedio de c ada referencia. A continuac ión se deduce la ex pres ión

para el niv el promedio de inv entario, el c ual es el área bajo la curva de
Inventar io vs. Tiempo.
13
II.07( 10)142
Gr afico 2: Curva de inventar io vs. Tiempo
Fuente: A nálisis de la producción y las oper aciones ( Nahmias 1999) .

(p − d) p 1 1− ρ
( p − d )t = d (s + u) → ( s + u) = t = ( − 1)t = ( − 1)t = t
d d ρ ρ
⎛ t ( p − d )t (s + u )d (s + u ) ⎞ 1− ρ 2
Area = ⎜ + ⎟ / T = (t p(1 − ρ ) + ρp(
2
t ) ) / 2T
⎝ 2 2 ⎠ ρ
⎡ (1 − ρ ) ρ (1 − ρ ) 2 ⎤ 2 ⎡ ρ − ρ + 1− 2ρ + ρ ⎤
2 2
2 ⎛1 − ρ ⎞
t 2 p⎢ + ⎥ / 2T = t p⎢ ⎥ / 2T = t p⎜⎜ ⎟⎟ / 2T
⎣ ρ ρ ⎦ ⎣ ρ ⎦ ⎝ ρ ⎠
t 2 p(1 − ρ )
Area =
2Tρ
Al obtener la expresión par a el inv entario promedio, proc edemos a escribir la

función objetivo.
n ⎛ 2 ⎞
t p (1 − ρ i )
min ∑ ⎜⎜ i i + a i ⎟⎟ / T
i= 1 ⎝ 2 ρi ⎠
Restricciones
La r estr icción de demanda se deduce partiendo del gr áfic o 2 donde el tiempo
de pr oducc ión debe satisfacer la demanda del produc to hasta la próx ima
elaborac ión del mis mo.
( p − d )t = d (s + u ) → p (1 − ρ )t = pρ ( s + u ) → (1 − ρ )t = ρ ( s + u ) →
t i = ρ i (s i + t i + u i ) ∀i ∈ N
14
II.07( 10)142
La segunda restricción limita los tiempos de producción a un periodo T .

N
∑ (s i + ti + u i ) = T
i =1
t i , ui ≥ 0 ∀i ∈ N
SOLUCION ELSP
La s oluc ión al pr oblema ELSP no s olo ha despertado el inter és del mundo
académico por la frec uencia de ocurr encia en esc enar ios reales , s ino, por la
dificultad para llegar a una s olución óptima del mis mo. Lo anter ior se explica
debido a la teor ía de la complejidad computac io nal, la cual estudia los recursos
requeridos (tiempo y memoria del c omputador) para darle solución a un
problema.
En la teoría de la complejidad computacional ex isten dos tipos de problema P y

NP. Los pr imer o s on aquellos donde el tiempo de ejecución para hallar una
respuesta es func ión polinómic a del tamaño del problema. El pr oblema de tipo
NP no tienen una soluc ión práctic a o el tiempo de ejecuc ión para hallar una
respuesta es func ió n ex ponencial al tamaño del pr oblema, por ende una
máquina no puede res olver los en tiempo raz onable , un ejemplo de estos último
es el pr oblema ELSP. Por ende, para solucionarlo se rec urr e a algoritmos o
heur ístic as las c uales arrojan una aprox imación al r esultado óptimo.
Khouja, Mec halew icz y Wilmot ( 1998) pr oponen el uso de algor itmo genético.
Esta heurística s upone: el planteamiento de un periodo básic o donde los
tiempos de producción de los produc tos son un múltiplo enter o del mismo y
unas cotas inferior es y superior es para el valor de las v ariables. Se inicializ a el
método generando una población aleator ia de s oluciones, donde los valores
son transfor mados a base binaria y cada var iable es repr esentada por un
número determinado de bits para for mar un cr omosoma de unos y cer os. A
continuación, por medio de oper aciones de combinación entr e los cromosomas
y el cambio de valor en alguna de s us posiciones se v an variando las
soluc iones de tal que forma que a la s ig uiente generación s obr evivan las
mejor es soluciones, esta técnic a es conoc ida como elitismo r ealiz ando un s ímil
a la teor ía de ev olución de Darw in.
15
II.07( 10)142
… … … …
k1 k2 k11 g
Dobs on en 1985 se enfoco en brindar una metodología para hallar s ec uenc ias
óptimas de producción. Donde los tiempos de elabor ación de una referencia
podr ían var iar a lo lar go de un c iclo y no depender de la r estr icción de periodo
básic o. Su heur ís tic a se bas a en deter minar frecuencias de producc ión
teniendo en cuenta el tiempo de duración de cada refer encia. De esta for ma
proc esa las órdenes por dos criter ios: el pr imero es la frecuencia de producc ión
en el cic lo y luego de menor a may or tiempo de pr oducc ión.
Sin embargo la técnic a escogida para res olver el pr oblema de progr amac ión en
la planta de pr oductos c ongelados se basa en el estudio elabor ado por Paul
Zipkin ( 1989) por:
• Fácil implementación a difer enc ia del algoritmo genétic o donde hay que
hacer transfor maciones de base binar ia a dec imal.
• Tiene en c uenta los tiempos de set up para constr uir la sec uencia de
producción.
• Br inda como res ultado los tiempos y secuencia de producción a
difer encia de la técnic a de Dobs on (1985) la cual se limita a calcular una
secuencia óptima de producc ión.
SOLUCIÓN ELSP PAUL ZIPKIN
Paul Zipkin (1989) considera que el pr oblema ELSP esta confor mado por dos
etapas, la primer a de ellas es un pr oblema de combinac ión lineal donde se
halla la s ecuencia óptima de producción c ons ignada en el vec tor f , la primera
posic ión c orresponde al pr oducto a elabor ar en primera ins tancia y as í
suces iv amente. Zipkin se apoya en la metodología r ealizada por Dobson (1986)
para enc ontrar esta secuenc ia óptima y parte de este resultado para solucionar
la segunda etapa del problema. Sin embar go, en este pr oy ecto se r esuelve
16
II.07( 10)142
esta primer a parte del pr oblema us ando la metodología del problema del
agente viajero, gr acias al supuesto par a este cas o donde las r eferencias no se
repiten dur ante el ciclo de pr oducción T .
La s egunda parte es de tipo c ontinuo y c onsis te en deter minar : el tiempo de

producción de una r efer enc ia y el tiempo de ciclo de la máquina. Par a esto
Zipkin ( 1989) adopta la notac ión inicial del ELSP donde c ada uno de los
parámetr os (tasa de demanda, tas a de pr oducc ión, tie mpo de set up, el costo
de s et up y almac enamiento) s e le agrega un sub índic e, el cual indica el v alor
del parámetro par a la pos ición deter minada. Por ejemplo p jf significa la tas a de
producción del pr oduc to ubic ado en la pos ición j del vector f . Por otr a parte,
el autor define un vec tor J i = { j : f j
= i} donde J i es el conjunto de pos iciones
donde s e r epite la producción del pr oduc to ubic ado en la pos ición j del vector
f . Sin embar go par a el pr oblema de la planta de productos congelados las
referenc ias a pr oducir solo apar ec en una vez en la secuencia óptima f como
cons ecuenc ia de la metodología implementada en la primer a etapa del
problema. Por ende el número de elementos del conjunto J es igual J i = 1 lo
que s implific a la cons ecuc ión de la s olución final del pr oblema.
Zipkin ( 1989) pr opone plantear la matr iz B defin ida como:

⎧1 for k = j , j + 1,...next ( j ) − 1
b jk = ⎨
⎩0 dlc
Con el fin de prec isar el tie mpo de pr oducción en la posic ión f j , el cual debe
satisfacer la demanda de unidades has ta la próxima pr oducción de esta

referenc ia. Sin embar go, confor me a la s implificación dada al pr oblema, donde
las refer encias no se r epiten a lo largo de s ecuenc ia, esta matr iz s e conv ierte
en una matriz de unos. Finalmente s e definen tr es matrices: P = diag ( ρ ) ,
j
A = PB y H = diag (h j p j (1 − ρ j ) / ρ j ) , esta última para los cos tos de

almac enamiento deducidos anterior mente. Y un vec tor que suma los costos de
set up a = e ai donde el vec tor e es una c olumnas de unos.
t
17
II.07( 10)142
Matr icialmente el problema ELS P s e define a c ontin uación.

1
min( t t Ht + a) / T
2
S. A
t = A( s + t + u )
et (s + t + u) = T
t, u ≥ 0
El paso clav e que propone Zipkin (1989) en s u planteamiento es fijar la v ar iable
T y a este pr oblema aplicar las c ondiciones de Kar ush Kuhn Tuc ker (KKT),
esta herramienta es una generalizac ión del método de multiplic ador es de
Lagr ange donde se busc a hallar el óptimo par a los problemas de programac ión
no lineal. Estas condiciones suponen una función objetivo F ( x) y restr icciones
g ( x) y h(x ) las c uales son continuas y difer enciables en el punto x*. Si x * es un
míni mo loc al ex isten c ons tantes λ ≥ 0 , µ i ≥ 0 , v j
Al realiz ar las condiciones KKT al problema ELS P matric ial s ur gen cuatro
ecuac io nes de gran utilidad para res olver el pr oblema para un T fijo.
Ht − eλ − (I − At )µ = 0
− eλ + At µ = v
et t + et u = T − s
(I − A)t − Au = As
u ≥ 0, v ≥ 0, u t v = 0
Donde µ es el vector de las var iables duales de las res tricc iones t = A(s + t + u) ;
λ es la var iable dual de la restricc ión e(s + t + u) = T . y v son los cos tos
reduc idos de las variables u .
Para inic ializ ar el algoritmo propuesto por Zipkin (1989) se crea una sec uencia
finita de pos ib les valor es para la v ariable T ( TO ...TK ) donde la cota inferior es
igual a:
s
To =
1− ρ
Los pas os del algor it mo s e descr iben a continuación:
18
II.07( 10)142
Paso 1: Solucionar el problema ELSP con el sistema de ecuaciones KKT para

T k y Tk + 1 dados.
*
Paso 2: Calcular el v alor de las direcc iones y el valor de Tk que ser á optimo si
se encuentra entr e Tk , Tk +1 debido a que la función objetivo es c onvexa. El
cálculo de las direcciones se mues tra a continuac ión.

t (Tk ) − t (Tk +1 )
δk =
Tk − Tk +1
1
η k = δ kt Hδ k
2
1
α k = (t k − Tk δ k )t H (t k − Tk δ k )
2
Tk* = (α k + a ) / η k
Paso 3: Si Tk > Tk + 1 se incrementa T y k hasta que Tk ∈ [Tk ,T k+ 1 ] . Per o si Tk < T k

* * *
se decr ece T y K hasta que Tk* ∈ [Tk ,T k+ 1 ] .
Las condiciones de parada del algoritmo son dos:
• Cuando en una iter ación s e c umpla Tk* ∈ [Tk ,T k+ 1 ] para los Tk y Tk + 1
analiz ados en la iterac ión

• Cuando en la iterac ió n se llega a la cota mínima de To.
Por medio de este algoritmo se pr etende llegar a una programación óptima de

la planta de pr oduc tos congelados con el fin de gener ar mayor v alor agr egado
a la empr esa.
19
II.07( 10)142
DESCRIPCION DEL PROBLEMA
Identificación del problema
La empresa de pr oduc tos c ongela dos ofrece un portafolio de cinc uenta y ocho
referenc ias con el fin de satisfacer los diferentes gustos de los consumidor es.
Cada ocho días el área de planeación in dustr ia l de la organiz ación realiz a un
progr ama de pr oducc ión con un horizonte de quinc e días para cada una de las
referenc ias teniendo en cuenta: inventarios iniciales, pronóstico de ventas,
faltante de pr oducto, capac idades de las máquinas, mano de obr a, eventos
extr aordinar ios , entre otros.
Pero onc e de los c inc uenta y oc ho pr oductos de la empres a son produc idos en
una mis ma máquina, s iendo este equipo el de mayor numero de referencias a
progr amar en toda la compañía y el pr oblema a r esolver en este proy ecto.
Para realiz ar los cambios de referencia entr e baches de pr oducción esta

maquinar ia r equier e una configuración mecánic a y limpiez a entr e los cambios
de producto. Los tiempos de alistamiento del equipo para la s iguiente
referenc ia dependen de los c ambios a realiz ar en la máquina y del lavado. Por
ejemplo, s e necesita un mayor tiempo de configurac ión s i se pasa de un
producto a bas e de agua que a uno que use galletas para su elabor ación, o se
neces it a mayor tiempo de lavado s i s e pas a a producir una sustancia blanca
después de realiz ar una r oja.
Por otra par te, el realizar corridas muy largas de las refer encias gener a altos
costos de almacenamiento, sumado a que al ser una empr esa de pr oduc tos
congelados los productos no pueden ser depositados a la intemper ie, sino en
unos cuartos fríos a una temper atur a de - 34º C par a mantener las propiedades
y par ámetr os de calidad, sumado a que la capac idad de almacenamiento de la
compañía es limitada (1120 pos iciones) de las cuales 350 fueron as ignadas a
esta máquina.
20
II.07( 10)142
Por lo anter ior sur ge la necesidad de implementar un modelo de progr amac ión
de pr oducc ión el cual sugier a una metodología de planeación par a esta
máquina y genere ahorros para la c ompañía.
Parámetros del problema
Conjunt o
El número de r eferencias que se produc en en la máquina de alta tec nología

son once. Los subíndic es con los cuales s e identifican los pr oduc tos en el
problema s e muestran a continuac ión:
Tabla 2. Sub índic es de las r efer enc ias
Subíndice Product o
1 Pr oducto c ilíndr ic o
2 Producto a base de agua 1
3 Producto a base de agua 2
4 Producto a base de leche 1
10 Pr oducto con harina 1
11 Pr oducto con harina 2
Al analiz ar el conjunto de productos se id entifican c uatr o tipos de familias:

Pr oductos a base de agua ( 2), pr oductos a bas e de leche (6), productos con
harina (2) y finalmente el pr oducto c ilíndric o.
Parámetros
Di = Es la demanda anual de la referencia i.
Para la constr ucción de es te dato s e analizo el his tóric o de ventas de los

últimos 18 mes es par a cada referenc ia. No s e logr o tener un hor iz onte mayor
para este anális is, porque la máquina inicio pr oducc iones en Octubr e de 2005 y
desde ese entonc es se están lanz ando nuevos pr oductos al mercado, es tos
últimos s on los pr oductos con harina 1 y 2 que fuer on lanzados en Septiembre
21
II.07( 10)142
y Octubre de 2006, respectiv amente. Para estos casos donde tan s olo se
tienen dos meses de datos, el parámetr o Di sale del pr esupuesto de ventas
elaborado por el ár ea de mercadeo de la compañía en el cual s e es pec ific a el
número de unidades a vender para los pr óximos doc e mes es.
Tabla 3. Demandas anuales de la r eferenc ias por unidades

Producto (i) Di
Pr oducto c ilíndr ic o 2,175,848
Producto a base de agua 1 4,794,704
Producto a base de agua 2 298,700
Producto a base de leche 1 505,853
Producto a base de leche 2 2,765,803
Producto a base de leche 3 1,263,072
Pr oducto c on har ina 1 2,687,658
Pr oducto c on har ina 2 3,526,572
Pi = Tas a anual de pr oducción del produc to i.
Esta información fue obtenida de ac uer do a las velocidades de la máquina,

establecidas por el ár ea de producción para c ada pr oducto. Las velocidades se
deter minan con base al numer o de unidades c apac es de realiz ar en un turno
de pr oducc ión (cada tur no es de ocho horas) teniendo en cuenta el tiempo de
alistamiento y el lavado del equipo.
Por otra par te, la máquina tiene contemplada dos tr ipulaciones de gente, para
trabajar dos tur nos al día. Con esta infor mac ión calculamos las tas as anuales
de pr oducc ión, tenie ndo en cuenta que por polític as de la compañía no se
permite trabajar los domingos ni festivos . En el año son 18 festiv os, lo que
repr esenta 3 semanas de producc ión por ende los cálc ulos se hacen de la
siguiente for ma:
Pi = Numer o de unid ades en dos turnos de producción (diarias) * 6 días * 49
semanas.
Tabla 4. Producc io nes anuales de la referencias por unidades
22
II.07( 10)142
Producto (i) Pi
Producto c ilíndric o 21.168.000
Pr oducto a base de agua 1 26.460.000
Pr oducto a base de agua 2 26.460.000
Pr oducto a base de leche 1 24.108.000
Pr oducto con harina 1 20.580.000
Pr oducto con harina 2 10.584.000
Con esta infor mación podemos c omprobar la condic ión de factibil idad del
modelo, el cual exige ∑ρ
i =1
i = 0 .973 < 1 .
H i = Cos to anual de mantener una unidad del pr oducto i en inventari o.
La c ompañía tiene dos bodegas de almac enamiento con c apacidad para 800 y
420 estibas r espectiv amente. De igual forma cuenta con un prov eedor que
pres ta el s ervicio de almac enamiento en frío, el cual cobra de acuerdo al
número de pos iciones que tenga la empr esa almac enadas en su bodega. El
costo por una estiba de produc to almacenada en el pr oveedor durante un mes
es de: $ 119.880. Sin embar go de acuer do con los lineamentos de la gerencia
de la cadena de abastec imiento solo s e per mite un máximo de 150 es tibas en
el almacén externo. Dado que el pr oduc to se almac ena en tres bodegas
difer entes, el c osto de mantener una unidad de producto en el inventar io es un
promedio ponderado entre los tres centros.
Tabla 5. Costo mens ual de almac enamiento por almac én

Costo d e al macenamien to
AL MAC EN 1 AL M AC EN 2 PR OVEED OR
Energía mes 13,683,810 7,184,000 0
Transporte estiba 0 7,280,000 18,200
Costo diario x Estiba prov eedor 0 0 3,996
Nomina mes 41,515,740 3,389,040 0
Vigilancia 0 2,980,000 0
Capacidad cuarto 800 420 150
% De producto almacenado 58.4% 30.6% 10.94%
Costo mes x Estiba 68,999 49,602 138,080
23
II.07( 10)142
Con los porcentajes de produc to almacenado en cada almac én se calc ula un

promedio ponderado c on los costos en las tr es bodegas. Y se multiplica por 12
para obtener el costo anual de almacenamiento de una estiba.
Tabla 6. Cos to anual de almac enamiento pr omedio por Estiba

Costo mes x Estiba 70,616
Costo anual x Estiba 847,398
De igual for ma hay que tener en c uenta que las unidades por estiba var ían de
acuer do al v olumen de c ada pr oducto. A contin uación hay una tabla donde se
espec if ica las unidades por estiba para cada r efer enc ia.
Tabla 7. Numer o de unidades por estiba par a c ada r efer encia

Producto (i) Und/Estiba
Pr oducto cilíndr ico 12,480
Pr oducto a base de agua 1 6,000
Pr oducto a base de agua 2 9,000
Pr oducto a base de leche 1 5,544
Pr oducto c on har ina 1 10,200
Pr oducto c on har ina 2 8,500
Con esta infor mac ión se calc ulo el de la siguiente for ma:
Costo _ anual _ almacenamiento _ x _ Estiba

Hi =
unidaes _ estiba i
Tabla 8. V alor de almac enamiento de una unidad anual

Producto (i) Hi
Pr oducto cilíndr ico 67.90
Pr oducto a base de agua 1 141.23
Pr oducto a base de leche 1 152.85
Producto c on har ina 1 83.08
Producto c on har ina 2 99.69
24
II.07( 10)142
S ij = Tiempo de preparaci ón de Set up
Teniendo en c uanta los tiempos de alistamiento mec ánico y lavado del equipo,
se c ons truy o la matriz de tiempos en hor as par a el cambio de la referencia i a
la referencia j.
Tabla 9. Tiempo de set up entre las r eferencias

Referencia j
Referencia i 1 2 3 4 5 6 7 8 9 10 11
Pr oducto cilíndr ico 4 4 4 4 4 4 4 4 8 8
Pr oducto a base de agua 1 6 1 2 2 2 2 2 2 8 8
Pr oducto a base de agua 2 6 1 2 2 2 2 2 2 8 8
Pr oducto a base de leche 1 6 3 3 1 2 2 0,5 2 8 8
Pr oducto a base de leche 2 6 3 3 2 2 2 2 0,5 8 8
Pr oducto a base de leche 3 6 3 3 2 2 1 2 2 8 8
Pr oducto a base de leche 4 6 3 3 1 2 2 2 2 8 8
Pr oducto a base de leche 5 6 3 3 0,5 2 2 2 2 8 8
Pr oducto a base de leche 6 6 3 3 2 0,5 2 2 2 8 8
Pr oducto con harina 1 6 6 6 6 6 6 6 6 6 2
Pr oducto con harina 2 6 6 6 6 6 6 6 6 6 2
Con bas e a esta matr iz de tiempos se soluciona la primer a etapa del pr oblema
para hallar la secuenc ia óptima de producción f.
a i = Costo de set up.
De acuer do a la infor mac ión reportada por el ár ea de c ostos de la compañía, el

costo de Set up par a c ada pr oducto se calcula de la siguiente for ma:
a i = Costo de las unidades no pr oduc idas dur ante el Set up + mano de obra
requerida en la configuración de la máquina.
Este valor ser á estimado cuando se tenga la secuencia de pr oducción óptima o
vector f .
Metodología Actual
En la ac tualidad el área de planeac ió n industrial de la organiz ación, realiz a un
progr ama de producc ió n c ada miérc oles c on un hor izonte de 30 días. Es
25
II.07( 10)142
revis ado c ada oc ho días con el fin de hacer c ambios al pr ogr ama c omo
cons ecuenc ia de v ar iaciones en la demanda.
El proceso par a r ealizar el programa de pr oducción c onsta de las siguientes

etapas:
1. Revis ión de los días de inventar ios de las onc e r efer encias.
2. Elaborac ión de tres pronósticos (s uav iz ación exponencial, método de
Winters y promedio ar itmético) con base al histórico de v entas y
faltantes de los últimos tres meses. Cabe aclar ar que le empresa de
productos c ongelados tiene unos pic os de venta los días jueves y
viernes, por ende el pronostico de venta s e cons truye tomando los días
de la s emana por s epar ado. De igual forma la planilla de planeac ión
toma el pronóstico que haya dado la mayor v enta. Esto con el fin de
asegurar el abas tec imiento y tener un stoc k de s eguridad en los
inventarios.
3. Teniendo en c uenta las c apacidades de pr oducc ión y la dis ponibilidad de
materia prima y empaque se pr ogr ama la producc ión.
4. Se tiene en cuenta alguna activ idad especial para progr amar
producciones adicionales: actividades de rec urs os humanos , progr ama
de mantenimiento del equipo, inv entar ios f ísic os.
Como cons ecuencia de esta labor surge el progr ama de producc ión de la
máquina, pero al rev isar la pr ogramación de los últimos tr es mes es no se
encuentra un patrón claro en los tiempos de durac ión par a cada lote de
producción. Sin embargo s e r espeta un patr ón sobre el orden en que deben
progr amars e las r eferenc ias entre familias de pr oductos, el patrón sigue el
siguiente or den:
• Pr oductos a base de agua
• Pr oductos a base de leche: r espetando las pigmentaciones de
cada referencia donde se pasa del produc to con ingredientes más
claros a los oscur os.
• Pr oductos a base de harina.
• Pr oducto cilíndr ico.
26
II.07( 10)142
La media de dur ación de los bac hes de producción de cada referencia se

cons igna en la siguiente tabla:
Tabla 10. Secuenc ia de pr oducc ión planta de produc tos congelados
Producto (i) t (dias)
Pr oducto cilíndr ico 3.5
Pr oducto a base de leche 1 1
Producto c on har ina 1 4
Producto c on har ina 2 8
Al sumar los tiempos de pr oducción c on los de set up da c omo res ultado un

tiempo de ciclo de 27 días a los cuales se vuelve a repetir el ciclo. Sin embargo
los pr oductos a base de lec he 5 y 6 por s u baja r otación en el merc ado se
progr aman cada 60 o 90 días , dependiendo si dentr o de las activ idades de
estimulación de la demanda se inc luyen estas referenc ias.
Con estos tiempos y sec uencia de producción se c alcula el costo de

almac enamiento y de setup par a realizar un estimativo de los gastos anuales
en los que incurr e la empres a con el actual modelo de planeación de
inventarios.
11
c(T ) = ( t t Ht + ∑ a i ) / T = (11'242.729 + 32'648.375) / 0.0589 = $745'128.046
1
2 i= 1
El 25.6% de los gastos anuales de este equipo son gener ados por el numero
de unidades almac enadas en los cuartos fríos. El r estante 74.4% se debe a los
cambios de referencia que debe soportar el equipo, 11 en total, a lo largo de los
30 días hábiles de pr oducción. Estos cambios no solo cas tigan la eficiencia de
la máquina al r ealizar menos unidades por tur no, sino que ex pone a las piezas
de tecnología de punta, a la manipulación recurr ente de los operarios de
mantenimiento donde se corre un mayor riesgo de r uptur a en un engranaje
para el nor mal funcionamiento del r ec urso. Sumado a que este equipo al tener
27
II.07( 10)142
una tec nología s ofisticada es ta elaborado para r ealizar c orridas lar gas de
alr ededor de una s emana.
Consecuencias
Las cons ecuencias de pr ogramar el r ecurs o bajo este esquema de inventar ios
son:
• Altos costos de alistamiento.
• Fatiga mec ánic a de algunas piezas por frec uente manipulac ión de los
oper arios.
• Perdida de tiempo efectiv o de producción y mano de obr a.
• Sub utilizac ión de la c apacidad tec nológic a de la máquina.
Finalmente es un error pr ogr amar la planta c on base a los his tór ic os de ventas
de los últimos tr es meses. Porque estos no predicen con exactit ud el s iguiente
mes de ventas que puede estar afectado por alguna es tacionalidad del año.
Siendo este el cas o de los pr oductos congelados donde hay un aumento de
ventas par a los meses de ju nio y dic iembr e en las refer encias .
Gr afico 3. Demanda mens ual de un producto a base de agua
800.000 UN
700.000 UN
600.000 UN
500.000 UN
400.000 UN Producto a base de Agua
300.000 UN
200.000 UN
100.000 UN
0 UN
05
06
06
06
06
06
20
20
20
20
20
20
ri l
e
to
re
ni
br
er
Ab
os
ub
Ju
br
em
Ag
ct
Fe
O
i ci
D
Gr afico 4. Demanda mens ual de los productos a base de leche
28
II.07( 10)142
Gr afico 5. Demanda mensual del producto c ilíndr ico
Esta estacionalidad de los productos se explica por el v erano que sufre el país
durante estos meses, donde s e incr ementa la v enta de los pr oduc tos
congelados por s atisfacer la necesidad de r efrescanc ia de los c onsumidor es.
Por ende s ería un error proyec tar las ventas de los mes es de venta pico s obre
los histór icos de los últimos datos r egistrados .
29
II.07( 10)142
SOLUCIÓN
Propuesta de solución
En pr oc ura de una s oluc ión par a el gr ave pr oblema hasta ahora descrito, en
este doc umento s e pretende aplic ar el método de planeación propuesto por
Zipkin (1989) que per mita planificar la producción buscando dis minuir los
gastos en los que le empres a de pr oduc tos congelados incurr e por faltantes o
exces o de inventarios. Esta sección desarrollar á el método basado en valores
pasados de la demanda, que s ervir á como apoyo para la toma de las
decis iones de producc ión.
Metodología de la solución
Zipkin ( 1989) div ide el problema en dos etapas, la primera de es tas es un

problema de optimiz ación c ombinator ia que c ons iste en hallar la sec uencia
óptima de pr oducc ión o v ector f . La segunda es un pr oblema de optimizac ión
con variables continuas que busca hallar los tiempos y la frec uencia de
producción de las r efer encias.
Et apa 1
Para res olv er la pr imera etapa s upondr emos que a lo largo de la secuencia de
producción no se repite ninguna r eferencia, como c onsecuenc ia a los altos
costos de set up en relación a los costos de almacenamiento de un turno de
producción. Bajo este panor ama el problema de optimizac ión es similar al del
agente v iajero TSP (Trav eli ng Sales man pr oblem).
El TS P c ons iste en un vendedor el cual debe vis itar n c lientes antes de r etor nar
a su punto de salida. El tiempo que le toma ir del cliente i al j es C ij y se
busc a encontr ar el orden en el cual debe realiz ar las v isitas de manera que le
tome el menor tiempo pos ible. La adaptación de este pr oblema par a la
30
II.07( 10)142
situac ión pr oblemátic a enunc iada en este doc umento, s e logra r edefiniendo los
nodos ya no como c lientes sino c omo las onc e referenc ias a producir en el
equipo y el agente viajer o es la máquina de producción. De esta for ma se
garantiza que la máquina pr ograme las once r efer enc ias y enc uentr e la
secuencia que minimice los tiempos de set up. En el gr áfic o seis se enc uentra
el gr afo par a este pr oblema donde los nodos s on las referencias y los arcos
son los tiempos de set up registrados en la tabla 9.
Gr afico 6. Gr afo problema agente v iajer o.
El objetivo de minimiz ar los tiempos de set up del la máquina genera c omo

cons ecuenc ia el aumento de la productividad del equipo. Sumado que al haber
menor inactividad del rec urso, los intervalos de tie mpo entre las pr oducciones
de deter minada refer enc ia van a s er menor es impactando el numero de
unidades neces arias para mantener en inventar io.
Las restricc iones de este problema de programac ión combinatoria son:

• Cada nodo debe s er v isitado y abandonado solo una vez.
• No se pueden for mar c iclos entr e c ualquier s ubc onjunto de nodos.
El planteamiento al pr oblema se muestr a a continuación:
31
II.07( 10)142
11 11
min ∑ ∑ S ij x ij
i= 1 j =1
11
s.a ∑x
i= 1
ij =1 ∀j ∈ S (1)
11
∑x ij =1 ∀i ∈ S (2)
j= 1
∀S ⊆ {2 ,..., NR} : ∑x i,j ≤ S −1 (3)

(i, j)∈ S
⎧1 si se programa la referencia j despues de i

x ij ⎨
⎩0 de lo contrario
Las r estricc iones uno y dos garantizan que cada bac he tenga un único
predeces or y suc esor. Sin embargo estas dos no gar antiz an solucionar el
problema porque exis te la probabilidad de gener arse s ub c iclos dentr o el gr afo.
En efecto, c uando s e r elaja esta r estr icción y s e r es uelv e el pr oblema en la
herr amienta de pr ogr amación lineal ( X-pr ess) el r esultado de la optimizac ión
arroja s ub c iclos los c uales no son una res puesta factible al problema.
Grafico 7. Res ultado problema r elajada TSP
La s alida de la herramienta de pr ogramación se muestr a a continuac ión, no

sobr a ac larar que se penalizo con valores altos la diagonal de la matriz de
tiempos (tabla 9) con el fin de evitar que el progr ama diera como optimo
quedars e pr oduciendo una misma refer encia.
32
II.07( 10)142
Minimizar tiempo de set up máquina

Status : Solv ed to optimality
Tiem po de cambio de referencia: 19
x(1,6) =1 x(2,3) =1 x(3,2) =1
x(4,8) =1 x(5,9) =1 x(6,7) =1
x(7,1) =1 x(8,4) =1 x(9,5) =1
x(10,11) =1 x(11,10) =1
Para lograr que el modelo genere un solo cic lo pasando por todas las
referenc ias se agr ega al problema la r estr icción (3) la c ual analiz a c ada
subc onjunto del grafo. Si una solución contiene un subcic lo dentro de un
conjunto de nodos S, la suma de los xij de 1 hasta S tiene el mis mo v alor al
número de nodos del s ubconjunto. Per o la res tricc ión ( 3) genera un número
exponencial de conjuntos 2 N − 1 = 2 10 =1024, donde N es el númer o de nodos del
grafo, que no puede ser r esuelto por el s oftw are de pr ogr amación lineal debido
a la complejidad c omputacional mencionada anterior mente.
Por lo anterior es nec es ario usar otra r estr icc ión cr eando una var iable real y j ,
la cual evita la for mación de sub c iclos dentro del algor itmo. El numer o de
restr icciones c on esta modificación es igual a N( N-1) = 11 x 10 = 110, siendo
este un problema de tamaño razonable par a programar en el softw are Xpress.
∀j ∈ referencias : y j ≥ 0
∀i ∈ referencia s, ∀j = 2,..., NR, i ≠ j : y j ≥ yi + 1 − NR (1 − xi, j )
Al adicionar estas dos restr icciones y realizar la for mulación del problema en el
softw are de optimiz ac ión se obtiene el siguiente r esultado:
Minimizar tiempo de set up máquina

Status : Solv ed to optimality.
Tiem po de cambio de referencia: 28
x(1,3) =1 x(2,6) =1 x(3,2) =1
x(4,8) =1 x(5,9) =1 x(6,7) =1
x(7,4) =1 x(8,5) =1 x(9,10)=1
x(10,11) =1 x(11,1)=1
La r espuesta hallada v a en línea c on r ealizar los pr oduc tos teniendo en cuenta

la familia a la que per tenecen. Por ende la s ecuencia óptima inicia
progr amando el producto cilíndrico (C) , continúa con los productos a bas e de
33
II.07( 10)142
agua (A), luego los s eis productos a base de lec he y finalmente los dos a base
de harina.
Con esta soluc ión hallamos el vector f el c ual es la base para la s egunda
etapa del proble ma, el cual muestr a la sec uenc ia de producción de las
referenc ias . fj
1 3 2 6 7 4 8 5 9 10 11
Con esta secuenc ia de pr oducc ión s e c alcula los tie mpos de alistamiento pr evio
a cada una de las producciones de la s ecuenc ia .
Si
6 4 1 2 1 1 0,5 2 0,5 8 2
Finalmente con es ta información se c alcula los c ostos de s et up para esta

secuencia de pr oducc ión confor me a las horas en que la máquina se enc uentra
en alistamiento par a la elabor ac ión de las referencias a i :
7.141.500 2.388.750 1.871.625 5.040.000 1.796.000 1.388.000 470.000 2.984.000 684.000 7.440.000 1.444.500
Grafico 8. Solución problema agente viajer o par a s ec uenc ia óptima de

producción
Como era de esperarse el costo de s et up más alto se pr esenta al pasar de la

referenc ia nuev e a la diez, donde pasa de la familia de produc tos a bas e de
leche a los pr oductos c on har ina, c omo c onsec uencia al c ambio de
configuración que debe r ealiz ar la máquina para poder r ealizar los pr oduc tos de
34
II.07( 10)142
la última familia. Finalmente los gastos de set up par a la máquina al r ealizar

esta s ecuencia de producción es de $32’648.375 COP.
Et apa 2
El objetiv o de la segunda parte del pr oblema es hallar el tiempo de cic lo y la
durac ión del bache de producción par a las onc e r eferenc ias , partiendo de la
secuencia encontr ada en la pr imera etapa. Sin embargo a diferencia de la
primera fas e, Zipkin (1989) destac a que la natur alez a c uadrática del pr oblema
dificulta la obtenc ión de una solución por los métodos tradic ionales de
optimización. Surge entonces la neces idad de fijar la var iable tiempo de c iclo
( T ).
La v ariable tiempo de cic lo tiene una cota inferior para gar antizar la factibilidad
del pr oblema.
s
To =
1− ρ
11
Donde s es la suma de los tiempos de set up de la sec uencia f y ρ = ∑ρ i , el
i =1
T 0 es igual a 0.1183 años corr espondientes a 43 días . Lo anter ior sugier e que al
menos c ada c uar enta y tres días s e r epite la secuenc ia de pr oducc ión. Luego
se define el c onjunto de v alor es pos ibles par a , la c ota s uper ior para esta
variable se calc ula con el númer o máx imo de estibas as ignado par a la máquina
en el cuarto fr ío. El número per mitido es de 350 posiciones almacenando una
parte en el proveedor de externo. Sin embar go el v alor máximo deducido para
esta var iable es de 75 días por que c on esta frecuenc ia genera un inventar io
promedio de 360 estibas que supera al máx imo permitido por la gerencia de
cadena de abastec imiento y evita tomar espacios de almac enamiento
asignados a las demás máquinas de la c ompañía. Por ende los “br eakpoints”
suger idos por Zipkin (1989) par a r ealiz ar son el conju nto de númer os impares
que v an del 43 a 75 días . Porque r es puestas con tiempos de cic los may or es a
75 días sobr epasa las capacidades de almac enamiento de la organiz ación.
La solución óptima encontr ada por el algor itmo dis eñado de Zipkin (1989) al
iterar entre el c onjunto de tiempos de c iclo se ilustra a c ontinuación:
35
II.07( 10)142
Tabla 11. Tiempos de producc ión etapa 2 algoritmo de Zipkin

t (año) t (días)
Pr oducto cilíndr ico 0,0188682 6,89
Pr oducto a base de agua 2 0,0020722 0,76
Pr oducto a base de agua 1 0,0332624 12,14
Pr oducto a base de leche 3 0,0096172 3,51
Producto c on har ina 1 0,0209758 7,66
Producto c on har ina 2 0,0611624 22,32
T ópitm o 0,184272 67,26
El res ultado sugiere un tiempo de c iclo de nueve s emanas, donde el costo por
almac enamiento aumento en su par tic ipac ión, paso de un 25 % a un 66.4%, en
relac ión a la pr imera opción. Por otra par te, con esta solución s e r ealizan un
menor numero de cambios de refer encia y se opta por tener un mayor nivel de
inventarios, no solo por mantener los estándar es de servicio a los clientes de la
empr es a, s ino por que los c ostos de almacenamiento s on mas bajos a los de
alistamiento del equipo.
El valor de los cos tos totales bajo este panor ama se mues tra a continuac ión
11
c(T ) = ( t t Ht + ∑ a i ) / T = (64 '794.309 + 32'648.375) / 0 .18427 = $528'803.842
1
2 i= 1
Con la implementación de estos tiempos de producc ión y tiempos de s et up la

' .046 a
compañía pas o de tener unos c ostos de abastecimiento de $ 745128
$528’803.842 gener ando un ahorro de $ 216’324.204 anuales en valores
absolutos y del del 40.9% en valores porc entuales.
36
II.07( 10)142
RESULTADOS
Simulación
Para medir la efectividad de la solución se implementó una simulac ión

( mediante una macr o de Vis ual Basic en Micr osoft Excel), que per mite
compar ar el desempeño de la propuesta descr ita has ta este punto contr a las
polític as de inv entar ios actuales de la compañía frente al histór ico de ventas
de es as r eferencias para el primer s emestr e del presente año.
Con la implementación de esta simulación s e tendrá en cuenta los costos de

almac enamiento, s et up del r ecurs o y de faltante de unidades, en c aso de que
el nivel de inv entario se enc uentr e por debajo de cer o, c on el fin de prec isar
exac tamente los costos y la viabilidad de la solución enc ontr ada al realiz ar la
heur ístic a de Zipkin ( 1989).
Para enc ontrar un valor par a el costo de faltante, se deter mina que és te s erá
igual a lo que la empr esa deja de ganar por la v enta, es to en otr as palabras es
el pr ecio de venta del pr oducto.
Tabla 12: Prec io de producto por r eferenc ia.
Referencia $ COP
Producto Cilindric o 476
Pr oducto a base de agua 1 395
Pr oducto a base de agua 2 350
Pr oducto a base de harina 1 410
Pr oducto a base de harina 2 625
37
II.07( 10)142
Con el fin de realiz ar la simulac ión en un escenar io real de la alternativa

propues ta por Zipkin (1987) c ompar ándola c on la metodolo gía actual de
progr amación de la máquina. Ambas políticas son s ometidas al histórico de
ventas del último año con el fin de cuantificar los exc esos o faltantes de
inventario. No sobr a aclarar que s e toman en c uenta los costos generados a
partir de super ado el primer c iclo de pr oducción ( T) para que los inventar ios
iniciales no influyan en el valor de la propuesta, por ende par a los esc enar ios
actuales y el hallado en este doc umento s e empiez an a cuantificar los c ostos a
partir del día 27 y 67 respectivamente.
Escenario propuesta de Zipkin

Bajo es te panorama se gener o un valor por conc epto de faltantes igual a
115’466.953 distr ibuidos pr incipalmente entre tr es produc tos : pr oducto a base
de harina 1 (66 %), producto a bas e de agua 2 (30 %) y producto a bas e de
harina (4 %).
Al s uger ir un tiempo de cic lo de nueve semanas para la planeac ió n de la

producción, implic a tener un may or nivel de inv entario de las r eferenc ias
generando que 90 de los 245 días simulados ( 36%) s obrepasen el númer o de
estibas de 350 per mitidas. Este fenómeno se pr esenta en los meses
princ ipalmente en el mes de Septiembr e donde las v entas de pr oducto son
bajas. Por ende la organiz ac ión no tiene el espac io ni la logística para
adminis trar esta cantidad de producto, sumado a que aumenta dr amátic amente
los días de inventario afectando el capital de tr abajo de la empres a. Los
productos que mas estibas generan s on el pr oducto a base de agua 1 con un
promedio de 103 y el producto a base de leche 2 con un promedio de 59.
Para poder implementar esta solución la organiz ación nec esita ampliar su
bodega de almacenamiento ha 100 posiciones adicionales par a esta máquina.
De igual for ma puede reduc ir el tiempo de pr oducción par a los pr oductos a
base de agua 1 y el producto a base de leche 2 par a aumentar los tiempos de
38
II.07( 10)142
producción de los pr oductos a bas e de harina 1 y a bas e de agua 2 que están

generando faltantes.
Escenario metodología actual

Para esta metodología el tiempo de cic lo de cada r eferenc ia es de 27 días, hay
que anotar que dado los bac hes c ortos que realiza el rec urs o en esta política
se satisface la res tricc ión del número de estibas as ignadas a esta máquina en
el cuarto fr ío, las cuales no s obr epasan a las 350 posiciones en ninguna época
del año.
En c uanto al produc to faltante, en esta polític a se incr ementa el valor del

número de faltantes en relación al primer escenario, los faltantes s on igual a
345’730.264 generados en un 44% por el pr oducto a bas e de agua 1 (44%),
producto a bas e de harina ( 41%) y el produc to c ilíndric o( 11%). Las principales
caus as de estos faltantes se debe a los cortos tiempos de producc ión.
A diferencia del anter ior escenario en este caso los produc tos no tienen exc eso
en estibas de almacenamiento para un promedio de 283. Por ende es pr obable
incrementar las producciones de los pr oductos c on mayor es faltantes, sin
embargo esto afecta el tiempo de cic lo de las demás r efer enc ias pudiendo
generar pos iblemente mas agotados.
Por otro lado es ta cif ra de faltantes obtenida por la simulac ión no se asemeja al
valor real de faltantes pr esentado por la c ompañía en el último año para es tas
referenc ias , el cual fue de 64’354.600. Esto ev idencia la no exis tencia de un
patrón de tiempos de pr oducción par a cada una de las refer encias, dado que
cada ocho días se realiz a la pr ogr amación de la máquina evitando así generar
faltantes al detec tar c ambios dr ásticos en la demanda aleatoria de los
productos. Por ende esta aproximación a los tiempos de pr oducción no logra
ser la mas adecuada, como consecuencia de los constantes cambios a los que
es s ometido el programa de producción.
39
II.07( 10)142
CONCLUSIONES, R ECOMENDACIONES Y ESTUDIOS

POSTERIOR ES
La c onclus ión fundamental de este trabajo es que la c ompañía de pr oduc tos

congelados no tenía la infraestructura par a recibir un equipo de alta tec nología.
En c ons ecuenc ia s e encuentra sub utilizada las capac idades del recurs o al no
realizar c orr idas largas de producc ión debido a la ausenc ia de espac io en el
cuar to frío.
Los pr oblemas de es pac io e ineficiencia de la máquina los produce

princ ipalmente la r eferencia 11 (Pr oducto a bas e de har ina 2) el c ual tiene la
tasa de demanda mas alta c on la tasa de pr oducción mas baja. Gener ando un
tiempo de c iclo para este pr oducto de oc ho y veintitrés días en las alter nativas
estudiadas gener ando que las demás refer enc ias aumenten el nivel de
inventarios dado lo durader o del tiempo de c ic lo. Una rec omendac ión par a la
organización es revis ar mecanismos par a aumentar la productividad de la
máquina, o dado el éx ito en ventas del producto en los primer os meses
contemplar la adquisic ión de un nuev o equipo para r ealiz ar productos a base
de harina.
Al s ometer ambas metodologías de pr oducc ión a la simulación c on los

histór icos de venta se gener an faltantes tres y siete vec es más para la soluc ión
de la apr ox imación a la metodología actual y Zipkin. Este dato refleja que la
aprox imación hec ha par a la programac ión actual no es del todo pr ecis a por que
esta maneja un nivel inferior de faltantes. Por otr o lado aunque existe una
secuencia óptima de producc ión en la actualidad (igual res ultado se obtuvo por
Zipkin). Los tiempos de pr oducc ión de las referencias es variable y responde a
cambios inesperados de la demanda.
Aunque la s olución al pr oblema ELSP realizada con la metodología propuesta

por Zipkin ( 1989) brinda una mejor s oluc ión por $ 216’324.204 CO P anuales,
Esta solución es dif ícil de implementar en la realidad por que:
40
II.07( 10)142
• Se r equiere alr ededor de 100 posic iones adic ionales para almac enar el
producto en la r ed de frío.
• No hay velocidad de reacción ante cambios súbitos en el
comportamiento de la demanda. Siendo este un punto critico por que las
referenc ias elaboradas en la planta de productos congelados s on de
cons umo masiv o y por ende responden a una demanda estoc ástica. De
ahí que al momento de r ealiz ar la s imulación los faltantes de pr oducto se
hayan incr ementado en un 50% en r elación al niv el de faltantes que
sostiene la compañía actualmente.
Con el fin de gener ar valor a la compañía el r esult ado de la s imulación género

una hoja de cálculo en Excel, la cual facilita la pr ogramación del equipo, no s olo
teniendo en cuenta la demanda de las onc e refer enc ias (c omo s e hace
actualmente), sino inc luyendo el v alor del faltante y la r estr icc ión de
almac enamiento. Por su fácil implementación esta hoja es el modelo para
transponer a los demás recursos de la empres a.
Se recomienda a la organiz ac ión en lo pos ible buscar otr a metodología para

reduc ir los cos tos de cambios de r eferencia. Para esto el ár ea de planeac ión
industrial debe realiz ar pr onósticos teniendo en cuenta el comportamiento del
mes a proy ectar, en los años inmediatamente anter iores . A difer encia de la
metodología de tr abajo actual donde el pr onostic o de ventas sur ge del histór ico
en los últimos tr es meses . Lo anterior con el fin de tener en cuenta las
estacionalidades que se pr es entan a lo lar go del año y en especial la
temporada de los meses de Junio y Dic iembr e.
La implementación de un hor izonte a mediano plazo de la producción es

fundamental para gener ar el menor número de traumatis mos en los pr oc esos
que se desprenden de planear la producción (compras , pr oducc ión,
almac enamiento y transporte). Por ende se rec omienda implementar, con
ayuda de la herr amienta de infor mación de la c ompañía, un horizonte a
mediano plazo par a brindar un panorama a las demás áreas y des arr ollar mejor
utiliz ación de los r ecursos
41
II.07( 10)142
Como es tudios posterior es se puede analiz ar la factibilidad de inv ertir en la

ampliac ión del almacén de productos c ongelados de la compañía c on el fin de
aumentar la capacidad de almac enamiento. Por otr a parte dado que las
demandas estocásticas, supues to no tenido en c uenta en es te doc umento,
juegan un papel tr ascendental en la deter minac ión de los lotes de pr oducc ión,
se sugiere realizar el mismo estudio aplicando el modelo SELSP Stochastic
Ec onomic Lot Scheduling Problem. Finalmente s e sugier e a la compañía
realizar un es tudio para pr onos ticar la demanda teniendo en cuenta las
estacionalidades de los fines de semana y en las épocas de v erano del año.
42
II.07( 10)142
BIBLIOGRAFÍA
A CERO, M. 2003. Nota Editorial. A dministr ación de la c adena de s uministros.

La Repúblic a. 3.
BAZA RAA, M., JA RV IS, J., SHERALI, H. 1990. Progr amación lineal y flujo en
redes, Gr upo Noriega Editor es, Méx ico.
DEPARTAMENTO A DMINISTRATIVO NACIONAL DE ESTA DISTICA . 2007.

Colombia, principales agregados macr oeconómic os pr ecios corr ientes a 1994.
Recuper ado el 11 de May o de 2007 de http://www.dane.gov.co/files/
investigaciones/pib/anuales/c uadros_publicac ion/Ctas_Consolidadas-y-
Resultados _Gr les _1994-2005/ctas_nles_agr egados _macr oecon_prec ios _
corrientes_1994-05.xls
DOBSO N, G. 1987. The economical Lot-Scheduling Pr oblem: Achiev ing

feasibil ity us ing Time-v ary ing Lot Siz es. Oper ations Researc h, Vol. 35 (5), 764
– 771.
GUERET, C., PRINS, C., SEVA UX, M. 2000. Applic ations of optimization w ith
Xpress- MP, Editions Enrolles , Paris , Fr ance. Pag 133
KHO UJA, M. MICHALEWICZ, Z. WILMOT, M. 1998. The us e of genetic

algorithms to s olve the ec onomic lot siz e sc heduling pr oblem. Eur opean Jour nal
of operational r esearc h, V ol 110, 509-524.
NAHMIA S, S. 1999. Anális is de la producción y las oper ac iones, Compañía

Editor ial Continental, México.
W INA NDS, E., ADAN, I.,VAN HOUTUM, G. 2005. The Stoc hastic Ec onomic Lot
Sc heduling Problem: A Surv ey. International Journal of Production Economics,
vol 88, 231 – 242.
ZIPKIN, P. 1989. Computin g optimal lot s iz es in the economic lot scheduling

problem. Operations Res earch, Vol 39, 1. 56 – 63.
43
II.07( 10)142
ANEXOS
Anexo 1: Código de programación problema de agente viajero

(Traveling Salesman Problem) en Xpress.
model orden de pr oducción
uses "mmx prs"
forw ard function getPr oblemStatus(status:integer):string
!Declaración de par ámetros y variables del pr oblema
declarations
NR = 11
Refer encias = 1..NR
Tcam bio: array (refer encias, referencias) of integer
x: arr ay(refer encias, refer encias) of mpv ar
y: arr ay(refer encias) of mpvar !V ariables que exc luyen s ubtours
end- dec larations
!Estas son l as asignaci ones de los par ámetros
Tc ambio:= [99, 4, 4, 4, 4, 4, 4, 4, 4, 8, 8,
6, 99, 1, 2, 2, 2, 2, 2, 2, 8, 8,
6, 1, 99, 2, 2, 2, 2, 2, 2, 8, 8,
6, 3, 3, 99, 1, 2, 2, 0.5, 2, 8, 8,
6, 3, 3, 2, 99, 2, 2, 2,0.5, 8, 8,
6, 3, 3, 2, 2, 99, 1, 2, 2, 8, 8,
6, 3, 3, 1, 2, 2, 99, 2, 2, 8, 8,
6, 3, 3,0.5, 2, 2, 2, 99, 2, 8, 8,
6, 3, 3, 2,0.5, 2, 2, 2, 99, 8, 8,
6, 6, 6, 6, 6, 6, 6, 6, 6, 99, 2,
6, 6, 6, 6, 6, 6, 6, 6, 6, 2, 99]
!O bjetivo: minimizar la duraci ón de l os c ambios de refer encia
tiempoc iclo:= sum( i,j in r eferenc ias |i<>j)Tcambio( i,j) *x(i,j)
!Restricciones par a un suc es or y un predeces or
forall( i in referencias) s um(j in refer encias|i<>j)x(i,j) = 1
forall( j in referencias) s um(i in refer encias|i<>j)x(i,j) = 1
44
II.07( 10)142
!Excl uir los s ubciclos

forall( i in referencias, j in 2..NR | i<>j)y( j) >= y(i) + 1 - NR*(1-x( i,j))
forall( i,j in refer encias | i<>j)x( i,j) is_binary
minimize( tiempocic lo)
!Definición de la funci ón Status
function getProblemStatus(status: integer): str ing
case status of
XPRS_O PT: retur ned:="Solv ed to optimality."
XPRS_UNF: retur ned:="Unfinished."
XPRS_INF: r eturned:="Infeas ible."
XPRS_UNB: retur ned:="Unbounded."
els e r etur ned:= "Unknow n Status ."
end-c ase
end-functio n
!G eneraci ón del Reporte
w riteln("Minimizar tiempo de set up máquina")
w riteln("Status : ", getPr oblemStatus( getprobstat))
w riteln("Productividad en la empres a: ", getsol(pr oduc tiv idad))
forall( i in trabajador, j in máquina)
w riteln(" x(",i," ,",j,") = ", getsol(x( i,j)));
end- model
45
II.07( 10)142
Anexo 2: Matrices algoritmo de Zipkin (1985)
Pr oducto k
b jk
1 2 3 4 5 6 7 8 9 10 11
1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 1 1 1 1 1
Producto j
3 1 1 1 1 1 1 1 1 1 1 1
4 1 1 1 1 1 1 1 1 1 1 1
5 1 1 1 1 1 1 1 1 1 1 1
6 1 1 1 1 1 1 1 1 1 1 1
7 1 1 1 1 1 1 1 1 1 1 1
8 1 1 1 1 1 1 1 1 1 1 1
9 1 1 1 1 1 1 1 1 1 1 1
10 1 1 1 1 1 1 1 1 1 1 1
11 1 1 1 1 1 1 1 1 1 1 1
Matriz P
0,103 0 0 0 0 0 0 0 0 0 0
0 0,011 0 0 0 0 0 0 0 0 0
0 0 0,181 0 0 0 0 0 0 0 0
0 0 0 0,052 0 0 0 0 0 0 0
0 0 0 0 0,002 0 0 0 0 0 0
0 0 0 0 0 0,021 0 0 0 0 0
0 0 0 0 0 0 0,115 0 0 0 0
0 0 0 0 0 0 0 0,039 0 0 0
0 0 0 0 0 0 0 0 0,002 0 0
0 0 0 0 0 0 0 0 0 0,114 0
0 0 0 0 0 0 0 0 0 0 0,333
Matriz A
0,103 0,1028 0,103 0,103 0,10279 0,103 0,103 0,103 0,10279 0,103 0,1
0,011 0,011 0,011 0,011 0,01129 0,011 0,011 0,011 0,01129 0,011 0,01
0,181 0,1812 0,181 0,181 0,18121 0,181 0,181 0,181 0,18121 0,181 0,18
0,052 0,0524 0,052 0,052 0,05239 0,052 0,052 0,052 0,05239 0,052 0,05
0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002
0,021 0,021 0,021 0,021 0,021 0,021 0,021 0,021 0,021 0,021 0,021
0,115 0,1147 0,115 0,115 0,11473 0,115 0,115 0,115 0,11473 0,115 0,11
0,039 0,0388 0,039 0,039 0,03877 0,039 0,039 0,039 0,03877 0,039 0,04
0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002 0,002
0,114 0,1143 0,114 0,114 0,11427 0,114 0,114 0,114 0,11427 0,114 0,11
0,333 0,3332 0,333 0,333 0,3332 0,333 0,333 0,333 0,3332 0,333 0,333
46
II.07( 10)142
Matriz H (en millones de COP)

12. 546 0 0 0 0 0 0 0 0 0 0
0 218.20 2 0 0 0 0 0 0 0 0 0
0 0 16. 886 0 0 0 0 0 0 0 0
0 0 0 66. 648 0 0 0 0 0 0 0
0 0 0 0 1.0 07. 82 8 0 0 0 0 0 0
0 0 0 0 0 171 .93 0 0 0 0 0 0
0 0 0 0 0 0 28. 434 0 0 0 0
0 0 0 0 0 0 0 91. 356 0 0 0
0 0 0 0 0 0 0 0 1.0 07. 82 8 0 0
0 0 0 0 0 0 0 0 0 15. 146 0
0 0 0 0 0 0 0 0 0 0 2.1 12
47
II.07( 10)142
Anexo 3: Código de programación heurística Zipkin (1985) en

Matlab.
function tFinal=AlgoritmoKKT()
%********************************************************************
% Esta función c alc ula el tFinal c ombinando otras dos func iones
%*********************************************************************
%Leer datos
matr izH=xlsr ead('Datos','matrizH');
matr izA=xlsr ead('Datos','matr izA');
vectorS=xlsr ead('Datos','v ector S');
vectorT=xlsread('Datos','v ector T');
% Pedir otr o datos al usuario
a=input('Digite el valor de a: ') ;
s=in put('Digite el v alor de s: ');
p=input('Digite el valor de ro: ');
%Definir cota mínima
Tmin=s/( 1-p)
%Analiz ar c ondiciones de T
[row T,colT]=siz e(vectorT);
%Iter aciones
if mod(row T,2) ==0
k=r ow T/2;
else
k=(row T/2)+0.5;
end
T=vector T( k,1) ;
condicion=0;
w hile T>Tmin && c ondicion==0 && k<r ow T-1
T=vec tor T(k,1);
T1=v ector T( k+1,1);
[tOpt,tk,uk]=Pas oDos( matr izA,vector S,s,matriz H,a,T,T1);
if tOpt>T1
k=k+1;
48
II.07( 10)142
elseif tOpt<T
k=k-1;
else
condic ion=condic ion+1;
end
end
function [tOpt,tk,uk]=Pas oDos(matr izA,vector S,s,matr iz H,a,T,T1)
%*********************************************************************
% Esta función c alc ula el T óptimo
%INPUTS:
% v ector S:
% matr izA:
% matr iz H:
% a:
% T:
% T1:
%OUTPUT:
% tOpt
%********************************************************************
%Definic ión de var iables
delt a=zeros( 0,0);
%Calcular tk
[tk,uk]=SolucionELSPNueva( matrizA,v ectorS,s ,T);
%Calcular tk+1
[tk1,uk1]=Soluc ionELS PNuev a( matrizA ,vec tor S,s,T1);
%Calcular delta
delt a=(tk- tk1)/( T-T1);
%Calcular nk
nk=0.5*delta'*matr izH*delta;
%Calcular alpha
alpha=0.5*(tk- T*delta)'*matr iz H*(tk- T*delta) ;
%Calcular t óptimo
tOpt=(alpha+a)/nk;
tOpt=tOpt^0.5;
49
II.07( 10)142
end
function [t,u]=Soluc ionELSPNueva( matrizA ,vector S,s,T)
%********************************************************************
% Esta función s oluciona el pr oblema ELS P para un v alor de t dado
%INPUTS:
% matr izA
% v ector S:
% s:
% T:
%OUTPUT:
% t
% u
%*********************************************************************
%Definic ión de las variables
u=zer os( 0,0);
v=zeros( 0,0);
% Plantear el s istema de ecuaciones
sol1=T-s ;
sol2=matrizA*v ectorS';
[row A,colA]=siz e( matr izA);
I=ey e(row A,colA);
e=ones(row A,1)'; %Tamaño e
%Solucionar el sistema
mat1=e*inv( I-matrizA) *sol2;
mat2=e*inv( I-matrizA) *matrizA;
mat2=mat2+e;
mat3=sol1- mat1;
%Soluciones
u=linsolv e( mat2,mat3) ;
t=inv( I-matr izA)*(s ol2+( matr izA*u)) ;
end
50

U295957 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

U295957 PDF

Cargado por

Copyright:

Formatos disponibles

II.

MODELO DE OPTIMIZACION PARA LA PLANEACIÓN DE LA

GUILLERMO A. RODRIGU EZ RODRIGU EZ

UNIVERSIDAD DE LOS AND ES

FACULTAD D E ING ENI ERÍA

MODELO DE OPTIMIZACION PARA LA PLANEACIÓN DE LA

GUILLERMO A. RODRÍGU EZ RODRÍGU EZ

Trabajo de grado para optar al tí tul o de:

UNIVERSIDAD DE LOS AND ES

FACULTAD D E ING ENI ERÍA

M ARCO TEORICO ............................................................................................10

DESCRIPCION DEL PRO BLEM A .................................................................20

IDENTIFICACIÓN DEL PROBLEMA ..................................................................................20

CONCLUSIONES, RECOM ENDACIONES Y ESTUDIOS POSTERIORES

BIBLIOG RAFÍA .................................................................................................43

ANEXO 1: CÓDIGO DE PROGRAMACIÓN PROBLEMA DE AGEN TE VIAJERO ( TRAVELING

INDICE DE GRAFICOS, TABLAS Y DIAGRAMAS

DI AGR AM A 1. ESTRUCTURA DE UNA CADENA DE ABASTECIMIENTO .................................6

T ABL A 11. TIEMPOS DE PRODUCCIÓN ETAPA 2 ALGORI TMO DE ZIPKIN .........................36

Diagrama 1. Estructura de una cadena de abastec imiento

El dis eño del diagrama es pr opio

Sin embar go este pr oyecto se enfoc a en la pr imera etapa de la cadena de

1. Necesidades de c ompra de materi as primas y material de em paque

Por lo anter iormente descr ito es fundamental realiz ar una adecuada

El pr oblema que enfrenta en la actualidad la c adena de abastecimiento de esta

Actualmente en la planta de pr oduc tos congelados se presentan los siguientes

Con bas e a este panor ama, la planeación de producción al s er el proc eso

Zipkin (1989) par a solucionar el problema pr opone hallar los tiempos de

Apar te de los resultados generados por la implementac ión de la heurística

Finalmente el objetiv o del pr oyec to consiste en optimizar el pr ogr ama de

Este documento se divide en cinco par tes . En la primer a de ellas, se pr es enta

Adm inistración de inventarios

Dada la competencia que enfrentan las compañías hoy en día en cualquier

El inter és en este problema surge debido a la dec is ió n óptima de las

Gr afico 1. PIB 2006 por r amas de activ idad económic a en Colombia.

PIB 2006 por ramas de actividad económica

Agropecuari, Silvicultura , Caz a y

Electricidad, Agua y Gas

Comercio, Restaurantes, Turismo

15% Transp orte, Almacen amiento y

Fuente: Departamento Administr ativ o Nacional de Estadística

ELSP – Economic Lot Scheduling Problem

• Planeac ión contr a or den de c ompr a ( Customiz ed o make to or der) o

Diagrama 2. Subproblemas de ELSP

Fuente: The Stochastic Ec onomic Lot Sc heduling Problem: A Survey ( 2005).

El pr oblema a tr atar en este proyec to s e c las ific a en la s ección cuatro del

3. Ex isten tas as de pr oducción y demanda c onstantes a lo lar go del

Con base a es ta infor mación proc edemos a plantear el problema de

pi = Tas a de producción del producto i.

s i = Tiempo de set up del pr oduc to i

hi = Costo de almacenamiento del producto i.

ai = Costo de set up.

f i = Sec uencia de pr oducción de los i pr oductos

t i = Tiempo de producción del producto ubic ado en f i .

u i = Tiempo ocioso de la máquina después de realiz ar el produc to ubic ado en

inventario promedio de c ada referencia. A continuac ión se deduce la ex pres ión

Gr afico 2: Curva de inventar io vs. Tiempo

Fuente: A nálisis de la producción y las oper aciones ( Nahmias 1999) .

Al obtener la expresión par a el inv entario promedio, proc edemos a escribir la

La segunda restricción limita los tiempos de producción a un periodo T .

En la teoría de la complejidad computacional ex isten dos tipos de problema P y

SOLUCIÓN ELSP PAUL ZIPKIN

La s egunda parte es de tipo c ontinuo y c onsis te en deter minar : el tiempo de