Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CIENCIAS BÁSICAS
TUTOR:
SEBASTIAN ESPITIA NAVAS
POLITÉCNICO GRANCOLOMBIANO
INGENIERÍA INDUSTRIAL
2019
FACULTAD DE INGENIERÍA Y
CIENCIAS BÁSICAS
Contenido
1. INTRODUCCIÓN 3
1.1. OBJETIVO PRINCIPAL. 4
1.2. OBJETIVOS SECUNDARIOS 4
1.3. CRONOGRAMA DE ACTIVIDADES 4
2. MARCO TEÓRICO – SECUENCIACIÓN DE MÁQUINAS 5
2.1. TIPOS PRINCIPALES DE PROBLEMAS EN SECUENCIACIÓN DE MÁQUINAS 5
2.2. ALGORITMOS PRINCIPALES PARA SECUENCIACIÓN EN PROBLEMAS MONO-
MÁQUINA 6
2.3. ALGORITMOS PRINCIPALES PARA SECUENCIACIÓN EN PROBLEMAS MULTI-
MÁQUINA 7
3. SOLUCIÓN DEL ESTUDIO DE CASO 11
4. CONCLUSIONES Y RECOMENDACIONES 12
4.1. CONCLUSIONES 12
BIBLIOGRAFÍA 14
ANEXOS 15
FACULTAD DE INGENIERÍA Y
CIENCIAS BÁSICAS
1. INTRODUCCIÓN
La función del scheduling es la asignación de recursos limitados a tareas a lo largo del tiempo y
tiene como finalidad la optimización de uno o más objetivos. Las prioridades competitivas se hallan
relacionadas con las características de los productos o servicios que los clientes consideran
deseables, por esto el sistema de producción es un factor determinante para el desarrollo de la
actividad empresarial (Castrillón, O.D, 2009).
La teoría del scheduling ha originado diferentes alternativas para generar las mejores soluciones a
dicho problema de programación y se propone con el desarrollo de este software probar estas
alternativas mediante simulación computarizada. Las ventajas que la simulación trae consigo es la
posibilidad de evaluar el impacto que las decisiones tomadas tendrán, para así tener un
acercamiento a la realidad que permita evaluar las decisiones con vista a tomar la más asertiva. La
simulación permite tener un enfoque holístico de las situaciones teniendo en cuenta factores
deterministas y estocásticos (Castrillón, O.D, 2010).
El desarrollo de este estudio caso se realiza con el fin de mostrar una serie de estrategias
desarrolladas en secuencias que permitan minimizar el makespan de una litografía en la cual se
analiza la secuencia de dos máquinas por medio del Algoritmo de Johnson que aportan a la
elaboración de la producción.
El makespan está muy arraigado ya que por medio de este podremos saber el tiempo usado para
completar el grupo de trabajos, el máximo tiempo de finalización de todos los trabajos, también se
puede interpretar como la diferencia entre el tiempo de inicio y el final.
FACULTAD DE INGENIERÍA Y
CIENCIAS BÁSICAS
“En los años 50 se comenzaron a desarrollar algoritmos orientados a la secuenciación como los de
Johnson el SPT y el EDD relacionados con los tiempos de procesado y de entrega respectivamente
para flow shops de dos máquinas, [Johnson,1954]. Destacan también entre ellos McNaughton, que
en 1959 que consiguió resolver el problema de minimizar el tiempo total de procesos de trabajos
interrumpibles en máquinas idénticas. En la década de los 60 cuando la complejidad de los modelos
aumentaba se desarrolló el método de resolución Branch-and-Bound, que es usada por la
herramienta de resolución de modelos LINGO, en la cual se enumeraban todas las posibles
soluciones que podía tener un problema y encontraba la óptima de todas ellas, pudiendo desechar
un gran número de soluciones de manera anticipada con sencillos análisis de mejora de los
objetivos marcados por el modelo.”
FACULTAD DE INGENIERÍA Y
CIENCIAS BÁSICAS
Algoritmo de Moore
Este algoritmo tiene como objetivo minimizar el número de trabajos atrasados, por lo general consta
de 4 pasos (Geo tutoriales ,2014)
Paso 1. Ordenar los trabajos de acuerdo a la regla de prioridad EDD (Earliest Due Date o Fecha de
Entrega más Próxima).
Paso 2. Seleccionar el primer trabajo atrasado en la secuencia actual, digamos el trabajo i. Si no hay
ninguno atrasado siga al Paso 4.
Paso 3. Considere los trabajos 1 al i. Rechace el trabajo con mayor tiempo de proceso, vuelva al
Paso 2.
Paso 4. Forme la secuencia que resulta de tomar la secuencia actual y colocar todos los trabajos
rechazados al final.
Algoritmo Húngaro
Paso 1
Antes que nada, cabe recordar que el método húngaro trabaja en una matriz de costos n*m (en este
caso conocida como matriz m*m, dado que el número de filas es igual al número de columnas n =
m), una vez construida esta se debe encontrar el elemento más pequeño en cada fila de la matriz.
(Salazar, 2016)
Paso 2
FACULTAD DE INGENIERÍA Y
CIENCIAS BÁSICAS
Una vez se cumple el procedimiento anterior se debe construir una nueva matriz n*m, en la cual se
consignarán los valores resultantes de la diferencia entre cada costo y el valor mínimo de la fila a la
cual cada costo corresponde (valor mínimo hallado en el primer paso) (Salazar, 2016)
Paso 3
Este paso consiste en realizar el mismo procedimiento de los dos pasos anteriores referidos ahora a
las columnas, es decir, se halla el valor mínimo de cada columna, con la diferencia que este se halla
de la matriz resultante en el segundo paso, luego se construirá una nueva matriz en la cual se
consignarán los valores resultantes de la diferencia entre cada costo y el valor mínimo de la
columna a la cual cada costo corresponde, matriz llamada "Matriz de Costos Reducidos”.
(Salazar,2016)
Paso 4
Paso 5
Este paso consiste en encontrar el menor elemento de aquellos valores que no se encuentran
cubiertos por las líneas del paso 4, ahora se restará del restante de elementos que no se encuentran
cubiertos por las líneas; a continuación, este mismo valor se sumará a los valores que se encuentren
en las intersecciones de las líneas horizontales y verticales, una vez finalizado este paso se debe
volver al paso 4. (Salazar, 2016)
Hipótesis:
● Instantes de comienzo:
FACULTAD DE INGENIERÍA Y
CIENCIAS BÁSICAS
Algoritmo Johnson
1. k=1 y l=n
2. Lista actual de trabajos no programados: {J1,J2,.....,Jn}
3. Encontrar mínimo de los a_i y b_i de los trabajos no programados
4. Si mínimo es un a_i:
a. Programar J_i en K-ésima posición, borrar J_i lista trabajos no programados
b. k ← k +1. Ir a 6.
5. Si mínimo es un i b:
a. Programar J_i en l-ésima posición, borrar i J lista trabajos no programados b
b. l ← l −1. Ir a 6
6. Si hay trabajos sin programar ir a 3. En otro caso, parar.
Extensión: Minimizar tiempos máximos de cumplimiento con 4 tipo de trabajos.
Tipo A: Sólo por la máquina M1
Tipo B: Sólo por la máquina M2
Tipo C: primero máquina M1 y luego M2
Tipo D: primero máquina M2 y luego M1
Programación Óptima
FACULTAD DE INGENIERÍA Y
CIENCIAS BÁSICAS
2 Trabajos
3 Máquinas
❖ Variables de decisión T_ij→ Instante de iniciar operación trabajo J_i en máquina M_j
❖ Restricciones tecnológicas→ Si J_i va a antes en Máquina M_j que en M_j’, T_ij + P_ij ≤
T_ij´
En este estudio de caso y por medio de las herramientas de Scheduling (programación de tareas de
un proceso) con base en la herramienta de ofimática Excel se procedió con los datos suministrados
a realizar la asignación de una programación para que las máquinas disponibles en el taller pudiesen
desarrollar las tareas planteadas buscando que los tiempos y los recursos se distribuyeran de manera
óptima buscando la eficiencia de los procesos.
El algoritmo usado para la realización de esta programación según el estudio de caso suministrado
es el algoritmo O regla de JOHNSON. Para su desarrollo se requirió conocer el tiempo de operación
tanto de la máquina 1 como de la máquina 2. Luego de conocer los tiempos se elige el tiempo más
corto, con dicha información se asigna la máquina que realiza el trabajo de manera sucesiva hasta
completar la programación que reporte la secuencia óptima.
En este caso como consta en el archivo anexo de Excel la secuencia óptima luego de aplicar el
algoritmo fue:
FACULTAD DE INGENIERÍA Y
CIENCIAS BÁSICAS
4. CONCLUSIONES Y RECOMENDACIONES
4.1. CONCLUSIONES
❖ El tiempo más breve corresponde al trabajo B, por tanto, se asigna en primer lugar y
se ejecuta al final de la secuencia. Luego el tiempo más breve es para el trabajo Q,
siendo este trabajo asignado en segundo lugar y ejecutado penúltimo. Finalmente se
asignan los trabajos O y A respectivamente.
❖ El tiempo de flujo es de 42982,4
❖ En el día a día se necesitan herramientas fáciles de entender que nos ayuden a
mejorar los tiempos reprogramando las tareas y cumpliendo con la promesa de
producción
❖ Se logra el objetivo que minimizar una o más tareas o trabajos.
❖ se determina la serie de trabajos que nos entregan el Makespan (Tiempo entre el
comienzo y la finalización de un trabajo), para determinar el tiempo de finalización.
FACULTAD DE INGENIERÍA Y
CIENCIAS BÁSICAS
4.2. RECOMENDACIONES:
BIBLIOGRAFÍA
Castrillon, O.D.; Giraldo, J.A.; Sarache, W.A. (2009) Técnicas de Programación de la Producción.
Aplicaciones en Ambientes Job Shop. Unibiblos. Bogotá, Colombia
Castrillon, O.D.; Giraldo, J.A.; Sarache, W.A. (2010) Técnicas Inteligentes y Estocásticas en
Scheduling. Un Enfoque en la Producción y las Operaciones. Unibiblos, Bogotá, Colombia.
González, J. E. R., Aguas, J. P. Z., & Londoño, C. A. A. Supply Scheduling in Projects through
Dynamic Batch Methods.
Peña-Arenas, I. G., & López-Castro, L. F. (2016). Algoritmo genético para solucionar el problema
de dimensionamiento y programación de lotes con costos de alistamiento dependientes de la
secuencia. Ingeniería y Desarrollo, 34(1), 64-87.
Ramos, A., Sánchez, P., Ferrer, J. M., Barquín, J., & Linares, P. (2010). Modelos matemáticos de
optimización. Publicación Técnica, 1. Disponible en:
https://www.iit.comillas.edu/aramos/simio/transpa/t_ts_ar.pdf
Torres, J. R. M., Verján, G. R., & Alba, L. M. (2006). Estudio de algoritmos dinámicos para el
problema de secuenciación de trabajos en una máquina simple. Ingeniería y Universidad, 10(2).
FACULTAD DE INGENIERÍA Y
CIENCIAS BÁSICAS
ANEXOS