FACULTAD DE

INGENIERÍA Y CIENCIAS

BÁSICAS

Litografía Harry Plotter Institución Universitaria Politécnico Grancolombiano

Estrategia de solución

Ingrid Julieth Guzman Paez 1711021630

Ruby Johana Hernández Grimaldo 1911023396

José Joaquín Cruz 1811021646

Dylan Julián Rodríguez Castiblanco

Erick Jhonnatan Rojas Espejo 1421027976

Tutor

Carlos Alfonso Bautista Murcia

Institución Universitaria Politécnico Grancolombiano

Scheduling e inventarios

Bogotá, 2021
 Tabla de contenido

Introducción___________________________________________________________________3
Objetivo general_______________________________________________________________4
Descripción del problema________________________________________________________5
2. METODOS HEURISTICOS Y METAHEURISTICAS______________________________________7
2.1 METODO HEURISTICO_____________________________________________________________7
2.2 METODO METAHEURISTICOS_______________________________________________________7
3. ALGORITMOS PARA SECUENCIACIÓN DE MONO-MAQUINA__________________________7
EL ALGORITMO Q – LEARNING_________________________________________________________8
ALGORITMO DE MOORE______________________________________________________________8
ALGORITMO DE MCNAUGHTON________________________________________________________9
4. ALGORITMOS PARA SECUENCIACIÓN DE MULTI-MAQUINA__________________________10
ALGORITMO DE JOHNSON______________________________________________________10
ALGORITMO GENÉTICO_________________________________________________________11
Referencias___________________________________________________________________12
 Introducción

En el mundo industrial donde se realizan la venta de productos y servicios donde cada decisión

influye ya sea de manera negativa o positiva, el scheduling e inventarios llega a desempeñar un

importante papel. El scheduling “planificación” nace con la necesidad de implementar la

organización de los factores de mano de obra, materias primas, maquinaria y equipo todo esto a

través de un análisis basado en técnicas matemáticas, el cual nos asignara recursos racionales que

lleven al cumplimiento de objetivos y metas de la compañía, además de una excelente

optimización de tiempo y de recursos.

Ahora hablando desde nuestro aprendizaje ya que abre nuestra mente a las diferentes

formas en que podríamos llevar a cabo cada proceso de forma óptima, sabiendo que la

planificación es todo aquello que nos lleva a estructurar una investigación para luego construir,

administrar, gestionar y evaluar cada proceso a analizar.

En desarrollo de este caso se aplicará cada una de las estrategias que se irán adquiriendo

a lo largo del módulo, cada uno de estos conocimientos se aplicarán a la optimización del

proceso realizado por la litografía Harry Potter.

 Objetivo general

Planificar y desarrollar un plan efectivo que genere la optimización del proceso y el desempeño

de las 5 máquinas utilizadas por el taller de la litografía “Harry Potter”, logrando así minimizar

el tiempo y costo exigido para completar todos los trabajos programados alcanzado los objetivos

de dicha empresa.
Descripción del problema

La litografía Harry Potter es la empresa con la cual se dará desarrollo al caso en base a

scheduling, esta empresa lleva a cabo 6 diferentes procesos para estos cuenta con 5 maquinas

estos generan diferentes costos y tiempo que a continuación se describirán.

MAQUINA

SY

    TIEMPO          

TRABAJ INGRESOS FECHA DE

O A B C D E ESPERADOS ENTREGA

16h(3

1 2 h (1) 5h (2) )   5h (4) $ 480.000 45h

23h 11h(4

2 (2) 18h (1)   ) 2h (3) $ 330.000 60h

10h 21h(2

3 (4)   5h (3) ) 4h (1) $ 250.000 85h

12h

4 2h (2)       (1) $ 120.000 26h

35h 23h(1

5 (3) 40h (2) )     $ 200.000 76h

6   8h (4) 11h(1 5h (2) 4h (3) $ 600.000 40h

 )

10% de multa por

retraso

1.1 Elaboración propia

En la anterior tabla se relaciona tanto las maquinas utilizadas en cada proceso como el orden que

se utilizan y el tiempo que participa en cada proceso adicional se muestra la fecha de entrega y

los ingresos esperados. Se aclara multa de 10% por retraso.

EN EN

MAQUIN STANDB OPERACIÓ

A Y N

A $800/h $1500/h

B $1200/h $1700/h

C $1000/h $2000/h

D $650/h $900/h

E $450/h $1100/h

Costo EM $ 10.000

1.2 Elaboración propia

Se elabora la siguiente tabla mostrando el costo de la maquina en standby vs en operación se

aclara que las maquinas no se apagan hasta que la operación no termina pues esto generaría sobre

costos.

2. Adicionalmente incluye: descripción de heurísticas o metaheurísticas, tales como algoritmos

genéticos y similares.

2. METODOS HEURISTICOS Y METAHEURISTICAS

2.1 METODO HEURISTICO

El método heurístico proveniente de la palabra griega “heuriskein” (Cañari, 2005)que significa

descubrir o encontrar, enfocada o definida como el modo de resolver un problema con la

información disponible de forma inteligente además que en este concepto se incluyen soluciones

por medio de Algoritmos o métodos exactos, los cuales posee un alto grado de confianza que

apoyan en gran manera optimizando el tiempo y aportando alta calidad con respecto a la

solución.

“Un método heurístico es un procedimiento para resolver un problema de optimización bien

definido mediante una aproximación intuitiva, en la que la estructura del problema se utiliza de

forma inteligente para obtener una buena solución.” (Díaz, 1996).

2.2 METODO METAHEURISTICOS

Los métodos metaheurísticos derivan de los procesos heurísticos y de la necesidad de obtener

mejores resultados aun así estos métodos utilizan los heurísticos y los combinan para lograr un

nivel superior.

3. ALGORITMOS PARA SECUENCIACIÓN DE MONO-MAQUINA

El algoritmo se conoce como conjunto de actividades ordenadas que se llevan a cabo para dar

solución a un problema especifico continuación se dan a conocer algunos de estos específicos

para secuencias de una sola máquina.

EL ALGORITMO Q – LEARNING

El algoritmo se basa en aprender una función acción-valor que brinda la utilidad esperada de
tomar una acción determinada en un estado específico. El algoritmo se basa en una simple
actualización de valores. Este algoritmo es utilizado de cada episodio ya que se considera una
sesión de entrenamiento. (Palacio, 2015)

La regla de actualización completa es la siguiente:

𝑄 (𝑠, 𝑎) ← 𝑄 (𝑠, 𝑎) + 𝛼 [𝑟 + 𝛾 𝑚𝑎𝑥𝑄 (𝑠 ′, 𝑎 ′) − 𝑄 (𝑠, 𝑎)]

1.1 Seudocódigo del algoritmo

ALGORITMO DE MOORE

Este algoritmo tiene como objetivo minimizar el número de trabajos atrasados, por lo general
consta de 4 paso. (la-programacion-de-n-trabajos-en-una-maquina/, 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 DE MCNAUGHTON

Este logaritmo sirve para resolver problemas donde se ejecutan actividades independientes y son
programadas en máquinas idénticas para minimizar el tiempo de operación.
Este algoritmo se utiliza para minimizar el “makespan” con máquinas paralelas idénticas.

Los pasos a seguir son:

1. Seleccionar algún trabajo para iniciar en la maquina numero 1, en el tiempo 0

2. Elija cualquier trabajo no programado, prográmelo lo mas temprano posible en la misma
máquina. Repita este paso hasta que una maquina se ocupe más allá del tiempo M*(o hasta que
todos los trabajos sean programados)
3.reasigne el proceso programado mas allá de M* a la siguiente maquina en lugar del otro,
comenzando en el tiempo cero. Vuelva a l paso 2. (anonimo)

Este logaritmo no genera una única solución, produce una solución potencial y algunas más que
pueden optimizar el proceso.

4. ALGORITMOS PARA SECUENCIACIÓN DE MULTI-MAQUINA

ALGORITMO DE JOHNSON

La regla de Johnson: es un algoritmo heurístico que se utiliza para resolver secuencias de casos
de procesos en los que una o más instrucciones pasan a través de dos máquinas o estaciones de
trabajo. Su principal objetivo es reducir el tiempo total de procesamiento de un grupo de tareas.
Este algoritmo implica la aplicación de cuatro sencillos pasos:

El primer paso es enumerar todas las funciones o actividades y sus tiempos de procesamiento
para cada estación de trabajo o dispositivo.
El segundo paso es elegir el tiempo de procesamiento más corto. Recuerde que después de
aplicar el paso 1, obtenemos dos columnas de horas (horas de las estaciones de trabajo 1 y 2); Si
el menor tiempo está en la columna correspondiente a la estación de trabajo (máquina) 1, esta
tarea se programará primero, si no, si está en la columna correspondiente a la estación de trabajo
2, esta tarea se programará posteriormente. El empate de Cualquiera podría romperse a voluntad.
Cuando se programa un trabajo, al principio o al final, se elimina de la lista original.
Los pasos 2 y 3 deben repetirse para las publicaciones restantes, mirando hacia el centro de la
secuencia.

ALGORITMO GENÉTICO

El modelo planteado es un problema de programación lineal entera con codificación binaria. Los
modelos de optimización binaria son NP-Hard, y los métodos exactos de optimización han
encontrado severas dificultades de rendimiento en esas aplicaciones en particular. Esta
circunstancia los hace poco apropiados para el uso habitual en la programación de la producción
en entornos reales, donde se requieren respuestas rápidas. (Arango, 2013).

Este modelo es eficiente y se caracteriza por ser de carácter aleatorio este modelo se desarrolla
en el siguiente orden en:
  Población Inicial

 Selección de padres

 Cruzamiento

 Mutación

 Actualización de la población

 Criterio de Parada

 Secuenciación

Referencias
(s.f.). Obtenido de https://www.ingenieriaindustrialonline.com/produccion/regla-de-johnson/
anonimo. (s.f.). alternativas de solucion de casos similares.
http://tesis.uson.mx/digital/tesis/docs/21155/Capitulo4.pdf.
Arango, J. A. (2013). Programación de Máquinas Paralelas no Relacionadas con Tiempos de
Montaje dependientes de la Secuencia y Entrada Dinámica usando Algoritmos
Genéticos. Manizales- Colombia: La Serena.

Cañari, A. C. (2005). Conceptos, algoritmo y aplicación al problema de las N –. lima-peru:

https://sisbib.unmsm.edu.pe/.

Díaz, A. (1996). Optimización Heurística y Redes Neuronales. Madrid: Paraninfo.

la-programacion-de-n-trabajos-en-una-maquina/, h.-d.-t.-d.-m.-a.-a. (2014). algoritmo de moore
aplicado ala programacion de trabajos.

López, B. S. (s.f.). Regla de Johnson - Ingenieria Industrial Online. Obtenido de Regla de

Johnson - Ingenieria Industrial Online:
https://www.ingenieriaindustrialonline.com/produccion/regla-de-johnson/

Palacio, J. C. (2015). Algoritmos para problemas de secuenciación ONLINE. Santa Clara:

Facultad de Matemática, Física y Computación.

Vargas, f. (2008 – Diciembre). Implementación de un procedimiento basado en algoritmos

evolutivos para programar la producción de marquillas estampadas por transferencia
térmica. Obtenido de http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S012
21262008000200005

Mellado, r. (2014 – Agosto). Aplicación del problema flow- shop scheduling a la programación
de reparación de equipos médicos. Obtenido de
http://opac.pucv.cl/pucv_txt/txt3500/UCE3936_01.pdf

(s.f.). Obtenido de https://www.ingenieriaindustrialonline.com/produccion/regla-de-johnson/

López, B. S. (s.f.). Regla de Johnson - Ingenieria Industrial Online. Obtenido de Regla de
Johnson - Ingenieria Industrial Online:
https://www.ingenieriaindustrialonline.com/produccion/regla-de-johnson/