Secuenciacindeoperacionesparaconfiguracionesde plantatipoflexibleJobShop:Estadodelarte SchedulingforshopsettingstypestoflexibleJobShop: Stateoftheart

AlexanderAlbertoCorreaEspinal,Ph.D,ElkinRodrguezVelsquez,MSc,MaraIsabelLondooRestrepo,Ing. EscueladeIngenieradelaOrganizacin,UniversidadNacionaldeColombiaSedeMedelln alcorrea@unal.edu.co,erodrigu@unal.edu.co,milondo0@unal.edu.co

Recibido para revisin: 2 de Octubre de 2008, Aceptado: 28 de Noviembre de 2008,Versin final: 22 de Diciembre de 2008

ResumenUn nmero considerable de investigaciones han sido

enfocadas en solucionar el problema de las configur acion es de plantatipoFlexibleJ obShop,problemagenricocorrespondiente al problema J ob Shop por aos, numerosos mtodos han sido pr opuestos pa r a resolver difer ent es inst ancias del problema, dependiendo de las restricciones impuestas y delobjetivo mismo. Recientementemuchosdeesosacercamientossehanconcentrados en tcnicas conocidas comoalgoritmos interactivos de bsqueda local o meta heursticas.En este artculo estamos interesados en ilu st r a r el est a do act u al d e d esa r rollo d e los mt od os met a heursticos,principalmente algor itmos genticos existentes en la literatura para elproblema genrico del J ob Shop minimizando el ma kespan.Adicional a esto incluimos las posibles lneas de investiga cin en trabajos futuros.

I.INTRODUCCIN

P a la bra s Cla ve F lexib le J ob Sh op , Algor it mos gen t icos, Secuenciacin de oper aciones, Makespan.

rwich y Brech [1984] introducen referencias sobre la planificacindelaproduccin,indicanquetodaaquella personaqueestfamiliarizadaconlaindustriadebeapreciarla enormeventajaqueseobtienedeunanlisisdelasnecesidades, siesposible,paratodoelao.Indicanquecuandounoconoce, a intervalos regulares de tiempo, la cantidad de produccin queesdemandada,porlotanto,aprocesar,esposibledesarrollar programasparalamanufactura,quepermitanalacompaa alcanzarunplenorendimientoquelaproduccinseabarate enormementequenoseanecesariomantenergrandesstocks entiemposexcesivosqueelcapitalyelintersseeconomicen, engeneralqueaumentelaeficacia[1]. Laplanificacinesunprocesocomplejo,enelquehayque tenerencuentamuchosfactoresyconsiderarciertosobjetivos. Precisamenteporestemotivonoesposibletenerlosencuenta a la vez y, por lo tanto, se debe establecer una metodologa racionalsise deseanobtenerresultadostiles.Poreso,seconsideran diferentesnivelesdeplanificacinrelacionadosentres,condistintos nivelesdedetalle,yplazosdetiempoparallevarlosacabo. La secuenciacin de operaciones hace parte del nivel de planificacinacortoplazo yprincipalmente,esunareade investigacindesdehacemsdecincodcadas,esunaramade la optimizacincombinatoria queha desarrolladosu propia metodologa utilizando herramientas matemticas y computacionalesvariadasdondeelobjetivoesencontraruna secuencia ptima para la ejecucin de unos trabajos y sus respectivasoperacionesenlasmquinasorecursosdisponibles limitados,laoptimalidaddelasecuenciadependedelafuncin objetivo.Esunprocesodetomadedecisionesqueconstituye uno de los problemas ms importantes en gestin de la produccin,tantodesdeelpuntodevistatericocomoprctico [2].Lasinvestigacionesrecientesenlateoradelasecuenciacin

AbstractA considerable numb er of research have been focused

onsolvingtheproblemoftheconfigurationsofshoptypeFlexible J obShop,itsthegenericproblemfortheJ obShopproblem,for yea r s, ma ny met h od s ha ve b een p roposed to solve differ en t instances of the problem, depending on the constraints and the performanceindicator .Recently manyof theseapproaches have focusedontechniquesknownasinteractivelocalsearchalgorithms or heuristics. In this paper,we are interested in illustrating the current state of development of the heur istic methods, mainly genetic algor ithms in the liter ature for the gener ic problem of J obShopminimizingthemakespan.Additionaltothisweinclude the possible lines of research in future works.

KeywordsFlexible J ob Shop, Genetic algorithms, Scheduling,

Makespan.

RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663

152

RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663

de operacioneshansidoobjetodesignificativosdesarrollos contcnicascomoreglasdedespachoaltamentesofisticadas yalgoritmosbasadosenheursticasymetaheursticas,estos desarrollos han sido formulados por un amplio y diverso espectrodeinvestigadores,indicandoentonces,lamultiplicidad deestecampo,ademselampliocampodeaplicacindela secuenciacin, a su vez se han hecho acercamientos a diferentestiposdeconfiguracionesdeplanta. Uno de los ms populares modelos en la teora de la secuenciacin es el problema del Job Shop (JSSP), que es considerado como una buena representacin de las configuraciones de planta industriales reales modernas sin embargoeninvestigacionesrecientesseestableciunproblema msgenricoparaelJSSP,llamadoelproblemadelFlexible JobShopScheduling(FJSSP)porloqueesunarepresentacin realmenteaproximadaalossistemasdemanufacturaactuales, dadolaposibilidaddelaconfiguracindecentrosdetrabajo en la planta, que constituye un conjunto de mquinas que pueden ejecutar una de las operaciones especificas de los trabajos,porloqueelFJSSPesmscomplejoqueelJSSP,por que la meta de la secuenciacin es, escoger una asignacin para cada una de las operaciones de los trabajos a alguna mquinadelconjunto,elproblemagenricodelJSSPhasido menosestudiadoqueesteltimo,sinembargosehaconocido comounproblemaNPHard,porloquelosinvestigadoreshan desarrollado diferentes tcnicaspara llegar a acercamientos exitososenlasecuenciacindelproblemaFlexibleJobShop Scheduling. Por lo tanto, El objetivo de este documento es ofrecer una visin de este problema de secuenciacin y los mtodos,desdesusinicioshastalaactualidad,destacandolas referenciasylaspropuestasdecadaautor.
II.CONCEPTOSBSICOS

sean ptimas, de acuerdo a los componentes anteriores, los problemasdeplanificacinsedividenendos, deterministicos yestocsticos. Se denomina deterministico, (Deterministic machine scheduling ) cuando todos los datos del problema de planificacin son conocidos a priori. Estos modelos son estudiadosporlaoptimizacincombinatoriaunacaracterstica comn a la mayora de los problemas estudiados por la optimizacincombinatoriaesquesonrelativamentefciles deplantear,perodifcilesdemodelizary,consecuentemente, muchomsdifcilesderesolver,[6]. Una extensin natural de los modelos de planificacin determinstico, consiste en asumir que ciertos datos del problemavaranaleatoriamentey,deesaforma,aparecenlos problemas de Planificacin Estocstica (Stochastic machine scheduling )[7]. Elestadodeplanificacindeterminstica,esespecialmente frecuenteenlosproblemasdeplanificacinysecuenciacin detareas,portantosuresolucinexigeelusodemediosde computacin adecuados. Los correspondientes aspectos computacionales se estudian analizando la complejidad computacionaldelosmtodospropuestos. Enestesentido,esimportantemencionarelanlisisdela complejidadcomputacional deproblemascombinatoriosylas implicacionesresultantesparaeldiseoyanlisisdealgoritmos adecuados.Seaceptacomnmentequeunproblemaestbien resueltooesfcilsisepuederesolverporunalgoritmocuyo tiempodeejecucinsteacotadoporunafuncinpolinomial eneltamaodelproblema[8].Enlamayoradeproblemasde optimizacin combinatoria no se tiene conocimiento de la existencia de tal algoritmo entonces, surge la cuestin de probarsielproblemaes NPHard opuederesolverseentiempo polinomial,(losproblemasNPhardsonunsubconjuntodela claseNPProblemasparalosquenosepuedetenerunasolucin en tiempo polinomial para todas sus instancias Con la caractersticadequetodoslosproblemasdestaclasepueden ser reducidos a NP). Los problemas para los que se puede encontrar un algoritmo de solucin en tiempo polinomial formanlaclaseP,queesunsubconjuntodelaclaseNP,[9y 10]. Es decir, el tiempo de cmputo que se requiere para resolverunodeestosproblemasseincrementanconformecrece eltamaodelproblemapresentandounadependenciafuncional tal que no admite ser acotada por un polinomio en consecuenciaaesto,laresolucindeestetipodeproblemasse centraenencontrarsolucionescuasiptimasentiemposde aplicacin razonable lo que quiere decir que se prefiere comprometerlacalidaddelasolucinacambiodeobtenerel accesodelresultadoenuntiempoviable. Muchos autores han medido los algoritmos de acuerdo a variosindicadores,paraescogerelmismo,unodelosdistintos tiposdeindicadores,incluyen,larazcuadradadelretraso,el tiempomediodeestanciaenelsistemayelnmerodecambios

Segn Fogarty,Blackstone y Hoffmann [1991] plantean que,laplaneacindeproduccineslafijacindeobjetivosde produccincuantificableseneltiempo(Planeacinestratgica) y la toma de decisiones sobre la determinacin de cmo lograrlosporloqueestoimplicadeterminarlascantidadesa producir para un horizonte temporal de planificacin, conformandoloquesedenominaunplandeproduccin[3].

Laprogramacindeoperaciones (scheduling),enunsentido amplio, puede pensarse como la asignacin de recursos (mquinas)enunlapsodetiempopararealizarunconjunto detrabajos[4],obiencomoresolverelproblemadeencontrarla asignacinptimadeciertosrecursosadeterminadostareas[5].
Porloque,enunproblemadeplanificacinsiempreexistir tres componentes diferenciadas: las tareas u operaciones (trabajos)quesetienenquerealizar,losrecursosdisponibles parasurealizacin(mquinas),ylasfinalidadesuobjetivos (funcin objetivo) que se desean lograr y que nos permite identificar,entrevariasplanificacionesposibles,aquellasque

Secuenciacin de operaciones para configuraciones de planta tipo flexible Job Shop: Estado del arte Correa, Rodrguez y Londoo 153

derecursosauxiliares.Amedidaqueaumentalautilizacin de la planta, el estudio revelar que un algoritmo escogido proporciona muy buenos resultados en los tres tipos de indicadoresmencionados[11]. Teniendoencuentaquelosalgoritmosadaptativosparala programacindelaproduccin,comolosalgoritmosgenticos han entregado buenas soluciones durante el proceso de investigacin, y usualmente mejoran al acercamiento de la solucinptima,eseeselenfoquequesediscutiratravsde estedocumento. Los a lgoritmos genticos (AG) son algoritmos de optimizacin aproximados que utilizan una terminologa basadaenlosprocesosdeevolucingenticosdelasespecies. En realidad, losAG emplean los mecanismos de seleccin natural y la gentica para encontrar soluciones ptimas a problemasdeoptimizacincombinatorios.LosAGsurgieron apartirdelosestudiosllevadosacaboporJohnHollandenla UniversidaddeMichigan.Goldberg[1989]proporcionauna interesanterecopilacindeltrabajoprcticollevadoacaboen estarea. Los Algoritmos Genticos pueden entenderse como una generalizacindelosalgoritmosestocsticosdebsquedalocal. Elespaciodebsquedadelassolucionescandidatasseasemeja aun conjuntode organismosagrupados enpoblaciones que evolucionaneneltiempo.Lafuncinobjetivodelproblema de optimizacin se implementa como una funcin de adaptacindeorganismos.Lafuncindeadaptacinrepresenta el grado de adaptacin al entorno del organismo. Los Algoritmos Genticos se aplican a campos como la planificacindeoperacionesenplanta,problemasdecortede materialesydecomponentesirregulares,elentrenamientode redesneuronalesymuchosotrosproblemasdeoptimizacin. LosAG presentan muchas ventajas de cara a su empleo en problemas de programacin de operaciones en planta. La calidad de la solucin y el tiempo de proceso dependen directamentedelosparmetrosdelosAG,concretamentedel nmerodeorganismosdelapoblacinydelmximonmero degeneracionesaprobar.Estacaractersticalesconfieregran flexibilidad.RossiyDini[2000][12]afirmanqueesposible encontrar los mejores valores de los parmetros de configuracin de unAG a travs de otro procedimiento de optimizacin.
III.DESCRIPCINDELPROBLEMA

ejecutadadebenesperarelprocesamientodedichalistaensu totalidad.Aestasituacinhayqueagregarlelacaracterstica deheterogeneidaddelasmquinas:cadatareademoratiempos distintos de ejecucin en cada mquina. El objetivo ser minimizareltiempoacumuladodeejecucindelasmquinas, conocidoenlaliteraturacomomakespan En el problema de asignacin de operaciones en la configuracindeplantatipoFlexibleJobShop,presentados problemasaresolverelprimeroconsisteenlaasignacinde cada operacin a la mquina y el segundo es referente a la secuenciadeoperacionesacadamquinaparaminimizarla funcinobjetivo. ElproblemadeFJSSPsueleserdefinidoporlassiguientes condiciones[13]: Hay n trabajos con subndice i, y estos trabajos son independientesentreellos. Cadatrabajoitieneunasecuenciadeoperacin,denotada porJ. i CadatrabajoconsistedeunaomsoperacionesO i,j. Cadasecuenciadeoperacinestordenadaporunjuegode operacionesO i,j HaymmquinasconsubndiceK(Elksimamquinaes denotadoporm ) k ParacadaoperacinO hayunjuegodemaquinascapaces i,j. decumplirconlafuncinobjetivo.Estejuegodemquina esdenotadoporU . i,j LostiemposdeprocesamientoP,deunaoperacinO en i i,j unamquinaKespredefinidoymayorquecero. Restriccionesgenerales Cada operacin no puede ser interrumpida durante el cumplimientodelaejecucindelamisma. Todaslasmquinasestndisponibleseneltiempot=0 CadamquinaK,nopuedeprocesarmsdeunaoperacin simultneamente. Unproblemadeprogramacindeoperacionesestdefinido portrescampos a, b, g,donde a representalaconfiguracin del taller, b representa las restricciones y/o caractersticas propias a las tareas, y g es la funcin objetivo que se va a minimizar. Por consiguiente, nuestro problema es denotado por Vaessens,ensutesisdoctoral,[1995],basadaenlosestudios de Grahamy otros [1966],entonces, el problemapuede ser denotadocomo[14]: m1m/Chain,opd/Cmax, donde:el primer campom especifica el numero de maquinas, es una constante,1especificaquealgunaoperacinrequierealmenos deunamquinaparaserprocesadaylasegundamindicaun limitesuperiordelnumerodemquinasquepuedeprocesar una operacin. El segundo campo muestra el estado de las restricciones de precedencia y el mximo numero de operacionesportrabajo,mientrasqueeltercercampoindicala funcinobjetivo.

ElproblemadesecuenciacindeFJSSPpresentaunaserie devariantesdependiendodelanaturalezayelcomportamiento tanto de las operaciones como de las mquinas. Una de las variantesmsdifcilesdeplantear,debidoasualtacomplejidad computacional,esaquellaendondelastareassondependientes ylasmquinassondiferentes.Enestavariantecadatrabajo presentaunalistadeoperacionesquelaprecedenyparaser

154

RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663

Este problema es conocido como fuertemente NPHard, incluso si el trabajo tiene tres operaciones y tan slo dos mquinas [15]. Williamson y otros [16] demostraron que, cuando el nmero de mquinas, trabajos y operaciones por trabajo son parte de la entrada, en este caso no existe una aproximacinde tiempopolinomial con elpeor delos casos comolimiteinferiorde5/4amenosqueP=NP.Otraversinde la complejidad computacional es presentada por Gonzlez y Sahni[1978]esqueelproblemaesfuertementesensiblecuando m=3y=3[17]
IV.SECUENCIACINDEOPERACIONESDEUNAPLANTACON CONFIGURACINTIPOJ OBSHOP

combinacin de reglas de despacho, el propsito de este

algoritmofuemejorarunasolucinanteriormentedeterminada paraesteproblema,reduciendoelmakespanal30%sobreese sistema, que consista en, un algoritmo ramal y limite que determinaba el ptimo makespan probado para un pequeo grupo de problemas y basado en heursticas de reglas de despacho especificas para minimizar diferentes medidas de cumplimientodisponiblesparaungrangrupodeproblemas Azarmiyotros[2000][22],ellospropusieronunalgoritmo gentico con una representacin incompleta , lo que quiere deciresque,elnumerodegenesesmenorqueelnmerode operacionesyloaplicaronalJSSP,lomasimportantedesu desarrollo fue la decodificacin en la secuenciacin del cromosoma y el resto del programa es completado por una simplereglaheurstica,esteenfoquefueconsideradodebidoa quelasolucindeestetipodeproblemasescontenidoporun cromosoma a una programacin real, desde el primer gen hasta el ltimo gen presentndose dos problemas para los algoritmosgenticos,altaredundanciaypequeasignificancia deposterioresgenessobrelacalidaddelasecuenciacin. Eikelderyotros[2001][23],ellosdescribenunalgoritmo hibrido,unacombinacindealgoritmosgenticosybsqueda tab, los componentes de su algoritmo gentico son: Una representacin natural de la solucin y una recombinacin capaz de transmitir las caractersticas significativas de los padresaloshijoslosproblemasdefactibilidadyrestricciones delostrabajosfuerondiscutidasysolucionadasenelesquema detrabajo.Eloperadordecruce(Recombinacin)desarrollado preservaladiversidadenlasecuenciadelospadres.Adems, todoelalgoritmogenticofuehibridizadoconbsquedatab (tabusearch,TS)ysusresultadosexperimentalesmostraron que es ms beneficioso combinar GA con TS que otros acercamientos como el recocido simulado, porque requiere menostiempoparaobtenerunasolucindecalidadyunagran diferenciaenelordendelasmagnitudesenlasolucin. En estas instancias los autores requieren determinar los valoresparalosparmetrosdelosalgoritmospropuestospara entregarenmenortiempounasolucindecalidad,porloque, la parametrizacin de los modelos comenz a ser un tema adicionalenlostrabajosdesarrolladosparalasecuenciacin de operaciones, cmo mtodo para mejorar la calidad de la solucin y los tiempos computacionales Prez y Herrera [2006],[24]desarrollaronun algoritmogenticomultimodal,

El problema clsico de programacin Job Shop para minimizar el makespan, J//C fue presentado por primera max vezporFisheryThompson ,[1963]desdeentonceselproblema hasidountemaestndarenlaprogramacinysecuenciacin de operaciones. [18] Morton y Pentico, [1993] Y Rinnooy Kan, [1976]proporcionaron unestudio paraeste problema delademostracindequeelproblemaesNPHard. ElproblemadelJobShopesunprogramaqueconsisteen un juego de N trabajos en M mquinas, cada trabajo i es procesado en una mquina de acuerdo a la secuencia de operacionesJi,ademslasecuenciafinaldelasoperaciones esindependientedelostiemposdeprocesamientodecadauna delasoperacionesylostrabajosdondegeneralmenteseha encontradoquelasinvestigacionesdeterminancomocriterio de optimalidad para este problema, la minimizacin de la funcinregulardeoptimizacin,Makespan. Uno de los acercamientos ms tempranos al esquema de algoritmo gentico fue desarrollado por Nakano y Yamada [1991],quienescrearonunacodificacinbinariabasadaen

las relaciones de precedencia de operaciones con iguales mquinasunaestrategiallamadaForcing ,en1992estos

mismosautoresmejoraronestetrabajo,definiendounoperador decrucellamadoGA/GTbasadoenelalgoritmodesarrollado porGiffleryThompson[1960].EneldesarrollodeNakanoy Yamadaloscromosomasestnenunalistaordenadadetiempos decompletacindelasoperaciones[19]. Unacercamientoimportantemediantealgoritmosgenticos lodioBean[1994],dondepropusosistemasdealeatoriospara lacodificacindeestametaheurstica,Beanynorma[1997] desarrollaronymejoraroneldesarrolloanteriordeBean,donde establecieroncadagen,medianteunageneracinaleatoriade caracteres,que secomponade dospartes:una parteentera {1,2,,m}yunasegundafraccingeneradadeunaleatorio (0,1).Laparteenteradelgeneslaasignacindelamquina mientras que la parte binaria, determina la secuencia de operacinencadamquina[20]. Kumar y otros [1996] [21] direccionaron su trabajo de investigacin,eneldesarrollodeun algoritmogenticoyuna

paraelproblemadeJobShop,conelcriteriodeoptimalidad del makespan, donde inicialmente pretendan conocer ms

sobre este mtodo, el que a demostrado ser uno de los ms potentes,yconocersobreelcomportamientodeestemtodo conrespectoalavariacindesusparmetrosdondeanalizaron lainfluenciadedichosparmetrosenlaeficaciadelmtodo,y principalmente,sobresuefectividad,entendidaestacomola capacidaddealcanzarenunanicaejecucindelalgoritmoel mayor nmero posible de soluciones ptimas globales del problema. Adems, estudiaron la posibilidad de dirigir la

Secuenciacin de operaciones para configuraciones de planta tipo flexible Job Shop: Estado del arte Correa, Rodrguez y Londoo 155

bsquedahacialaexploracindelespaciodebsquedaosu explotacin,variandolaparametrizacin,laparametrizacin del algoritmo lo desarrollaron mediante un mtodo denominado clearing. En el 2007, [25] desarrollaron un algoritmo basado en agentes,coloniadehormigasparaelproblemadelJobShop schedulingparaminimizarelmakespan,dondelosparmetros del algoritmo fueron calibrados utilizando un diseo experimental, factorial completo en los modelos de secuenciacinlosparmetrossoncalibradosparareducirlos tiempos computacionales de ejecucin de algoritmo sin sacrificarlacalidaddelasolucin.Yparadeterminarlosefectos einteraccionesenelvalordelmakespan,utilizaronundiseo experimentalfraccionado. Enel2008,[26],consideraronelproblemadeJobshopcon fecha previstapara iniciacinde cada unode lostrabajos y fechaprevistadeentrega,conelobjetivode minimizarelpeso totaldelatardanza ,enestainvestigacinusanunalgoritmo genticocombinadoconunabsquedainteractivalocal,que usaunalargarutadeacercamientoenungraficodeunmodelo disyuntivo,dondeesempleadoeldiseodeexperimentospara calibrarlosparmetrosyoperadoresdelalgoritmodondeellos detectaron que, los algoritmos genticos son altamente dependientes de las cromosomas que son decodificadas, tambin ellos muestran que, la eficiencia de los algoritmos genticosnodependedelaconstruccindelaprogramacin cuandounaheursticadebsquedalocalinteractivaesusada. Sin embargo, en las investigaciones recientes los acercamientosalaconfiguracindeplantatipoJobShophan sido,medianteoptimizacinbicriterio,esdecirdoscriterios deoptimizacin,dondelafuncinobjetivonoesunafuncin regular. En el 2008, se hicieron acercamientos con optimizacinbicriterio(Makespanymximademora)[27]en estainvestigacinencontraronunaaproximacinalafrontera dePareto.Ellospropusieronunalgoritmogenticorpidoy elitista,basadoenNSGAII parasolucionarelproblema,eneste trabajo la poblacin inicial del algoritmo es generado por un aleatoriodepartidageneradousandounalgoritmodebsqueda tab los dos algoritmos desarrollados son probados mediante programabenchmarkylosresultadoscomputacionalesmuestran laefectividadyeficienciadelalgoritmoporlaresolucindeambos mtodos.
V.SECUENCIACINDEOPERACIONESPARALA CONFIGURACINDEPLANTATIPOFLEXIBLEJ OBSHOP

Varios procedimientos heursticos (reglas de despacho, bsquedalocalymetaheursticos)hansidoutilizadoenlas investigacionesdeacercamientoalaconfiguracindeestetipo de planta como son: bsqueda tab (tabu search, TS), enfriamientosimulado(simulatedannealing,SA)yalgoritmos genticos(geneticalgorithm,GA)hansidodesarrolladosen los ltimos aos para FJSSP. La solucin de este tipo de problemas pueden ser clasificados en dos categoras:

planteamientosjerrquicosyplanteamientosintegrados. A. Planteamiento jerrquico e integrado para el enfoque desolucin Elplanteamientojerrquico,trataderesolverelproblema

pordescomposicindeunasecuenciaensubproblemas,ycon ello reducir la dificultad. Una tpica descomposicin es la asignacinluegosecuenciar,partiendodesdelaobservacin trivial,unavezquelaasignacineshecha,elresultadodela programacin es un Job Shop Scheduling. Este enfoque ha sido trabajado por Brandimarte P. [1993], Paulli J. [1995], ChambersJByBarnesJW.[1996]ellostratanderesolverel problemadeasignacinutilizandoreglasdedespacho,yluego resolver el resultado de JSSP usando diferentes algoritmos, entreellosbsquedatab[28]. Por otra parte el planteamiento integrado, es realizar de formaintegradalaasignacinylasecuenciacin,poseems dificultad para ser resuelto, pero en general da mejores resultados,comolodescribeVaessensyotros[1994],Hurink J,JurishB,TholeM.,[1994],Mastrolilli MyGambardella LM., [1996] y DauzrePrs S y Paulli J., [1997]. Ellos adoptanunplanteamientointegrado,proponiendodiferentes formas de bsqueda tab para resolver el problema [29]. Mastrolilli y Gambordella, [30] muestran resultados computacionalesloscualesenseanqueeldesempeodela bsquedatabesmejorqueotrosdesarrollosheursticos,ambos en trminos de tiempo de procesamiento computacional y calidaddelasolucin.

B.EnfoquedesolucinparaelproblemaGeneraldelJobShop
Muchos autores han definido el modelo general y han trabajadoconelensusinvestigaciones,elproblemaquehan consideradocomomodeloGeneraldelJobShopScheduling Problem(GJSSP),esdefinidocomounnumerodetrabajosa ejecutar,cadaunoconunjuegodeoperacionesquedebenser procesadas en un especifico orden las rutas no son necesariamentelinealeslosrecursossonmquinasquepueden serusadasparadiferentestiposdeprocesamientoylaejecucin de cada una de las operaciones puede ser realizada en un recurso elegido de un grupo de ellas. Este problema es consideradoporunasrazonesprcticas,nonecesariamentea losautoreslesinteresaunnicocriteriodeoptimalidad,sino querequierenvarioscriteriosparatenerunamejorcalidadenla solucin[31],enlamayoradelostrabajosrelacionadosala

ElproblemadelFlexibleJobShopScheduling(FJSSP)es unageneralizacindelclsicoproblemadeJobShop,donde sedeterminayseoptimizadeacuerdoauncriterio,lasrutas delostrabajos,porloquesignificadecidir,larutaparacada operacin, en que mquinas ha ser procesadas y la disponibilidaddelasmismas,optimizandoesasecuencia.

156

RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663

programacindetareasseconcentraenelJSSP,sonpocoslos quehaysobreGJSSP,quepuedeserconsideradoplenamente comounFJSSP,lossiguientessonlostrabajosdesarrollados enlaliteraturaquesolucionanelproblemadelGJSSP. Para el GJSSP, Paull [1995] [32] plantea un algoritmo jerrquico donde el primer paso es resolver el problema de asignacin,yel segundopasoesresolver elJSSP.Dauzre PrsSyotros[1997][33]proponenunalgoritmodebsqueda tabpararesolverelmakespandeunGJSSP.Kacemyotros [2002][34]plantealahibridacindeunalgoritmoevolutivoy lgicadifusa.AlvarezValdezyotros[2005][35]planteanun algoritmo heurstico para un GJSSP para una industria de vidrioconrestriccionesdenoesperaotraslapes.Conelobjetivo de encontrar una secuencia con un criterio basado en las penalizaciones de tardanza y en la prontitud. Los autores generanunalgoritmodedospasosenelprimeropriorizan las rutas de los trabajos que son utilizadas para resolver el problema,yenelsegundopasomejoranlasolucinconuna bsquedalocal. Para la investigacin de G. Vilcot y J. Billaut, [2008], planteada anteriormente en el cual desean comparar los procedimientos de bsqueda tab y el algoritmo gentico, consideran como problema base el General J ob Shop SchedulingProblemGJSSP.

distribucindeprobabilidadafavordelosbuenoscromosomas, y con ello obtener una mejor oportunidad de generar una siguientegeneracinbuena.Considerandolosfactoresenla evaluacindelaprogramacinlatardanza,laprontitud,los tiemposdeutilizacinylavariabledecostosesoptimizadala secuenciaparalasmquinasenparalelo. Adems,enlaprogramacindelostrabajosenlasplantas de manufactura, se utilizan mtodos de secuenciacin heursticos,losquesebasanenreglasymtodosadaptativos. Losheursticosbasadosenreglassehanrealizadodependiendo de los tipos de ordenamiento y los tiempos de carga de las maquinas,conlocuallasreglasquemsfrecuentementese utilizan para configuraciones con una maquina, como lo muestra la literatura [37] al secuenciar a partir de Earliest Due Date (EDD), y [38] con un Shortest Processing Time (SPT).Paraextenderestasreglasparamaquinasenparalelo necesitaronintegrarlascaractersticasdelostrabajosasignados a las maquinas. Por otra parte se han hecho desarrollos mediante los heursticos adaptativos en estos desarrollo se encuentranautorescomo:AartsyKorst,[1989],VanLaarhoven yAarts, [1987], Palmer, [1996], utilizando algoritmos de enfriamiento simulado, otros utilizan bsqueda Tab entre ellos,BrandimarteyCalderini[1995],BenDayayAlFawzan, [1998],ArmentanoyRonconi,[1999],ademsdealgoritmos Hill Climbing se encuentran Bonet y Geffner, [1999] y en secuenciacinconalgoritmosgenticosseencuentranautores como:Goldberg,[1989],GenyCheng,[1997],[LiuyTang, 1999],[Leeetal.,2002],[Kacem,2003].Loscualessehan acercado a la solucin ptima a travs de la interaccin de parmetros ajustados para obtener una solucin subptima. Unadelascaractersticasdelosalgoritmosadaptativosesque todosellosnecesitanalgunaevaluacinojuzgamientodeque tan buena es la solucin subptima. Ellos pueden luego modificarlaconfiguracindeprobabilidadexistentegenerando solucionesmuysimilares,ycontinuarlabsquedadelasolucin ptimahastaqueresultesatisfactoria[39].

C. EnfoquedesolucinJ errquicoparaelFlexibleJ obShop medianteelenfoquedemquinasparalelas

Alprocesarunacantidaddetrabajosestosdebenpasarpor variasetapas,yencadaetapahayundeterminadonumerode maquinas paralelas con diferentes capacidades de procesamiento de los trabajos. Adems generalmente hay etapasquerepresentancuellosdebotellaparaelprocesamiento delostrabajos,conlocualalsecuenciarlostrabajossetienen en cuenta las restricciones, como la capacidad y la productividad de cada maquina, el tomar la decisin de la posicindelostrabajosparalasmaquinasylaseleccinde los tiempos de comienzo de cada trabajo, es un proceso complejoquerequiereseranalizadoydiscutidodesdevarias perspectivas, el problema de secuenciar en una planta con configuracinFJSSP,puedeseradaptadoasecuenciar,teniendo encuentaprincipalmentelaconfiguracindelosrecursosen cadaetapa. Chichang[2005][36],realizunainvestigacinevaluando unalgoritmogenticoconparticindegenessubindexados con nmero distintivo (GASP), con operadores que incrementanladiversidaddepermutacin,cuandoelnmero degeneracionesconlamismamejorsolucinexcedeunpunto deinicio,uncomportamientoescambiadoparaayudaraque elalgoritmoseimpulsefueradelsuboptimoyconelloprevenir una convergencia prematura utilizando el mtodo de la seleccindelaruleta,encogiendolabasedecromosomassobre el valor de la funcin, y asignando a los cromosomas una

D.EnfoquedesolucinutilizandoAlgoritmosGenticos Recientementelos algoritmosgenticos hansidoadoptados

para resolver el problema de Flexible Job Shop Scheduling (FJSSP),generandounincrementoenelnmerodeestudios desarrolladoscomolomuestranlaspublicaciones,porquelos algoritmos genticos tienen unos atributos que permiten desarrollar adecuadamente la tarea de la secuenciacin, entonces,losGAtienencincoatributosbsicos:representacin genticadesolucionesparalosproblemaselcaminoparacrear la poblacin inicial operadores genticos para cambiar la poblacin gentica funcin de evaluacin y valor de los parmetros estos parmetros han permitido que los investigadoresdesarrollenteorasatravsdeestoselementos y mejoren los acercamientos desde el modelo simple de algoritmogenticoparaoptimizarlasecuenciadeoperaciones mediantealgunamedidadecumplimientoenlaproduccin.

Secuenciacin de operaciones para configuraciones de planta tipo flexible Job Shop: Estado del arte Correa, Rodrguez y Londoo 157

Algunosdelostrabajosmsrelevantesloshandesarrollado Lehmannyotros[1999] [40],ellosproponenunalgoritmo gentico para el FJSSP, donde dividen la representacin de cromosomas en dos partes, la primera define la poltica de enrute, y la segunda los operadores de secuencia sobre la mquinasegnellos,laprincipalventajadesualgoritmoes quepuederesolverunalargaclasedeproblemas,incluyendo el JSSP las pruebas iniciales del algoritmo muestran que encontraron una alta calidad en la secuenciacin para los problemasdeunatallarealistayentoncesconsideranquees unaprometedoraaplicacinpractica.Elalgoritmopresentado sloconsideraelcriteriodelMakespanydentrodeesemismo algoritmopuedenconsiderarotrocriteriocomoeselpesodel flujo de tiempo total o flujo de tiempo total o la tardanza totallo queellos consideraroncomo deberaser untrabajo futuroeneldesarrolloobtenido. KacemI,HammadiS,BorneP.,[2002],JiaHZ,NeeAYC,Fuh JYH,ZhangYF.,[2003]yTayJCyHoNB[2004],todosellos han utilizado enfoques integrados, cada uno con diferentes esquemasderepresentacin,generacindepoblacininicial, seleccin de cromosomas y estrategias de generacin de poblaciones. [41]Jeongyotros[2002],evalanlasalternativasdeprocesos enlaplantaparatrabajosconrestriccionesdeprecedenciaenla planeacin avanzada y secuenciando sistemas utilizando algoritmosgenticos,incluyendoenlafuncindeevaluacin parmetrosdeintervalosdeentregadelostrabajosycostosde salvamentodeoutsourcing.KacemI,yotros[2002][42],utiliza larepresentacindecromosomasquecombinalainformacin desecuenciaydeenrute,ydesarrollaunplanteamientopor localizacinparaencontrarunaasignacininicialprometedora. Lasreglasdedespachosonluegoutilizadasparalasecuenciade lasoperaciones.Unavezquelapoblacininicialesencontrada, ellos aplicanoperadores demutacin y de cruce juntando y modificandolaasignacinylasecuencia,produciendomejores individuosparacadageneracin Kacem, [2003] [43] utiliza un algoritmo gentico con operadoresdepreservacindeprecedenciaparaminimizarel makespanylostiemposdecargadelasmaquinas.Esemismo aoestemismoautorpresenta,unalgoritmogenticoparael peorcasodeanlisis[44],dondeproponeunmtodoheurstico para solucionar el problema, mediante operadores de preservacin de precedencia, para una optimizacin multiobjetivo,ademsusandounmtododelocalizacinenel primerpaso,enelsegundopasounalgoritmoevolucionario para encontrarla solucininicial, tomando encuenta todas las restricciones y especificaciones del problema, en este proceso muchos operadores son asignados, concernientes a doscomponentesdelproblema:Laasignacinylasecuencia. Algunaspruebasdesimulacinrealizadasenestainvestigacin muestranque,lapequeadistanciaentreloslmitesinferiores y el valordel criterio obtenido por lasolucin generada, es

generalmentesatisfactoriaypromisoria,ensutrabajoconcluyen quesusresultadosobtenidosdemuestranlabuenacalidadde losdiferenteslmitesylaadecuacindelmtodoevolucionario, alproblema. Sankaryotros,[2003][45]adoptaunalgoritmogenticopara minimizarelcostototaldepenalizacinymaximizarlautilizacin delasmaquinasparaunsistemademanufacturaflexible. TayJ.CyHoN.B.,[2004][46],proponeunametodologa eficientellamadaGENACEbasadaenlaculturadearquitectura evolucionara para resolver el FJSSP con recirculacin, muestrancomounCDR(Composicindereglasdedespacho) sonusadasparasolucionarelFJSSPconrecirculacinporellos mismos y generando un mecanismo de inicializacin GENACE. Ellos adoptaron una arquitectura cultural evolucionaria,manteniendoelconocimientodelesquemayla localizacindelosrecursosaprendidossobrecadageneracin. La creencia de la influencia de los espacios de mutacin y seleccin sobre una representacin factible del cromosoma. Los resultados experimentales que muestran de GENACE obtienenmejoresresultadospara loslimitessuperiorespara 11de13problemasbenchmarkconunamejoradelosfactores entreun2y48porcientocuandolosresultadossoncomparados conlosestudiosrealizadosporKacemyBrandimarteyeluso deCDRsolamente. Tanev,yotros[2004][47],proponenunalgoritmohibrido evolucionario, el cual combina las prioridades de reglas de despacho (Priority Dispaching Rules) PDRs con algoritmos genticoscon lasreglas dedespacho determinancual esel ordenaejecutardelaprximatarea,desdelalistadetrabajos nosecuenciados.Comparandolasotrasalternativas,lasPDRs ofrecenlaventajadelasimplicidad,generandounbajocosto computacionalypudiendoaplicaralosproblemasrealesque sepresentanenlasplantasdemaquinasdeinyeccindeplstico (factoriesofplasticinjectionmachinesFPIM)quedanlugara la configuracin de planta tipo Flexible Job Shop FJSSP, considerando que las empresas tienen recursos (maquinas, moldes,etc.)quesonimpredecibles,elalgoritmoinfluyede formaimportanteenelxitodelasecuenciacin. Elalgoritmoplanteadonotrata depredecirelfuturosino quetomadecisionessegnelpresente,conlocuallocalizalos procesosdurantelasecuenciacinyconsecuentementereduce elcostocomputacionaldeunalgoritmo,aldescomponerlas tareasdelaprogramacindelostrabajosenagentesautnomos dondecadaagenteesunamaquinadelaplanta.Sinembargo, elprocedimientodePDRtieneelementosnoventajososcomo: Sucortavisin,utilizandounptimolocalqueestlejosde unptimo global,ningn PDRsimple puedeaplicarse para posiblescasosdesecuenciacindeFPIM.Estosedebeaque senecesitaraundesarrolloempricoqueinvolucrePDRscomo combinacin de ellos, que se podra en instancia concreta secuenciacindeFPIM

158

RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663

Porloanterior,seobservaquelosPDRstienendesventajas quedeterioranunasolucinqueseacerqueaunptimoglobal, deformaquelageneracindeunacombinacindeunPDRsyde un algoritmo gentico (GA) utiliza las ventajas de ambos procedimientosdandolugaraunprocedimientodemejorcalidad. Borneyotros(2004)[48],desarrollaronunaaplicacinde algoritmosevolucionariosparaelFJSSPconrestricciones de problemas del mundo real , ellos demostraron que escogiendo una conveniente representacin del cromosoma (Codificacinenparalelo)quees unpasoimportantesegn ellos, para encontrar mejores resultados, desarrollaron un operadorgenticoadaptadoparacadarepresentacin(Cambiar yasignarlamutacinparaelPME(Parallelmachinaencoding) ycontrolarlamutacinparaelPJE(ParallelJobsencoding)) y un eficiente creacin de una poblacin inicial, mediante unacombinacindealgunosmtodosparaPMEyunaleatorio acercamientoparaelPJEporque todaslasrestriccionesson integradas en la sintaxis del cromosoma. Una conveniente seleccindelosparmetrosdelgenticoparaunaaplicacin de los algoritmos evolucionarios. Los parmetros (Tasa de cruce, tasa de mutacin, tamao de poblacin, etc) son usualmenteseleccionadosheuristicamente.Enestetrabajono hay lneas exactas de estrategia a ser adoptadas para los diferentesproblemas.Enestetrabajoaplicanclaramente,un tamaodepoblacinfijacondiferentesvaloresdetasaparael cruceymutacin,ellosencontraronquelamutacincontrolada reduce la seleccin hecha a ciegas. Sus resultados de simulacinmostraronlasrepresentacionesparalelaspropuestas sonmsconvenientesparaelFJSSP,confirmandolaefectividad delosacercamientospropuestos. Genyotros[2005][49],ellosproponenunanuevabasede multiestadoderepresentacinparasimplificarelcromosoma , usandoestemtodolosacercamientosdesarrolladosparalos crucesylamutacinpuedenseraplicados,laimportanciade estesedesarrolloseda,porquelaefectividaddelasolucin es principalmente afectada por la complejidad de la representacindelcromosomaelalgoritmodesarrolladofue diseado para tres criterios de optimizacin incluyendo el Makespan,cargadetrabajototalparacadaunadelasmquinas ylamximacargadetrabajoparatodaslasmquinas,mediante pruebas numricas experimentales ellos demostraron la eficienciadeesteacercamientoalasolucindelFJSSP. Chanyotros[50],tambinexploranun algoritmogentico, basado en el acercamiento a los recursos restrictivos de asignacin de operaciones a mquina , que a su vez puede resolver interactivamenteel problema genrico delJSSP, es decir, el problema resuelto mediante este esquema de acercamiento es RCFJSSP. En este estudio el desarrollo es llamado IGA y muestra las mejoras a este ambiente y al ambientedelasmltiplesmquinasbajorecursosrestrictivos, as,demostraronquelosconflictosentreelMakespanyMIC (Machinaidlecost)pueden sersolucionadosbajodiferentes nivelesderecursoRLdeigualforma,esteacercamientopuede

serfcilmentemodificadoatipoIIFJSSPconmltiplesmquinas noidnticasbajorecursosrestrictivos. Genyotros,[2007][51],realizanlaprogramacindelproblema para planta tipo FJSSP teniendo en cuenta tres objetivos: minimizarelmakespan,minimizarelmximotiempodecargade maquina y minimizar el tiempo total de tiempo de carga, desarrollando un algoritmo hibrido gentico (hGA) para el problema.Basadosenlahabilidaddecruceymutacindelos vectores,mejorandolapoblacinylabsquedapormediode unadescendenciavariabledevecindad(VND),desarrollando un mtodo eficiente para encontrar intervalos de tiempo asignablesparalaeliminacindeoperaciones,basadosenel conceptodeprontitudytardanzadeuntiempopresentado.El movimientoptimolocaldeunaoperacinesmejoradomediante elmovimientodedosoperaciones simultneas.Comoseha descrito, enlos trabajos desarrollados seha encontrado que los autores en las diferentes configuraciones de planta especialmente este tipo de configuracin, consideran restricciones,yaqueunaprogramacinidealocasionaraquela produccinyelSchedulingnoseejecutencomoseplantea [52]existenvarios tiposderestricciones enlaplanta,loscuales se definen en dos tipos fijos y No fijos. Las restricciones asociadasalostiposderestriccionesfijos,sonaquellosque empiezanyterminanenuntiempodefinidomientrasqueenlas restriccionesNofijas,noexistentiemposdefinidosdecomienzo y fin de la parada, periodo en el cual las mquinas no se encuentrandisponibles,estostiemposdebenserdeterminados durantelasecuenciadeproduccin. Enlaproduccinsepresentanmantenimientospreventivos ejecutadosuna vez,en unintervalo detiempo. En algunos horizontes de programacin no hay actividades de mantenimiento.Ademsenalgunosperiodossepresentanuna o varias actividades de mantenimiento que deben ser programadasenlasmquinas,afectandodeformadirectala programacin de las mismas. El manteniendo preventivo impone restricciones no fijas de disponibilidad sobre las mquinas y generalmente el tiempo de inicio del mantenimientopreventivoesflexible. ElproblemaderestriccionesnofijasparaunFlexibleJob Shop Scheduling (FJSSPnfa), es decir, cada mquina est sujeta a un nmero arbitrario de tareas asociadas a mantenimientopreventivoPM,paralocual[53]realizanun algoritmogenticohibrido(hGA),dadoqueenelalgoritmo gentico, un cromosoma nicamente contiene informacin parcialdelasolucincandidataylainformacinignoradaes eliminadaparalaoptimizacindeunmtodoheursticoenel procesodedecodificacin.Contrarioalosalgoritmosgenticos, losoperadoresdecruce(crossover)ydemutacin(mutation) del hGA propuesto son implementados en el espacio del fenotipo,preferiblemente,quealespaciodelgenotipodeacuerdo al incremento de heredabilidad de un hGA. Dos tipos de vecindades las cuales solamente contienen soluciones que tienenposibilidadesdemejorarlasolucininicialdefinidapara

Secuenciacin de operaciones para configuraciones de planta tipo flexible Job Shop: Estado del arte Correa, Rodrguez y Londoo 159

el FJSPnfa, basado en el concepto de ruta crtica. Un procedimiento de bsqueda local que trabaja sobre las dos vecindades es luego hibrizado con el algoritmo gentico de acuerdo al incremento de la habilidad de bsqueda. Por lo cualgenerandosvectoresv1(r)yv2(r),dondev1(r)eselvector deasignacindemquinas,yv2(r)eselvectoroperadorde secuencia, y al programar se realizan cambios de las operacioneshacialaizquierdaparacompactarlomsposible la secuenciacin. Un cambio es llamado cambio global izquierdo(globalleftshift)sialgunaoperacinpuedeempezar mstempranoeneltiemposindemorarlasotrasoperaciones aunsielcambiohechocambialasecuenciadelasoperaciones. Un programa es semiactivo si no hay cambios locales a la izquierdayportantounprogramaesactivosinohaycambio global a la izquierda. En este trabajo, utilizan la prioridad basadaenladecodificacin,dondecadaoperacinbuscael intervalo de tiempo disponible para implementarlo en su mquina asignada enorden a la representacindada por el vectoroperadordesecuencia. Estos mismos autores en el 2008, [54] desarrollaron una extensindeltrabajoanteriorcontrescriteriosdeoptimizacin: Makespan,Minimizacindelamximacargademquinay la minimizacin total de la carga. Este acercamiento fue probadocomputacionalmentecon181problemasbenchmark mostrando el cumplimiento de ese acercamiento, porque muestranquelamismasolucinesobtenidaporlacombinacin deesfuerzosdetrabajosprevios,adems,encuentran38nuevas mejoressoluciones. Otros autores han estudiado como G. Vilcot y J. Billaut, [2008], el desempeo de las diferentes metodologas para problemas particulares, para lo cual [55], comparan un algoritmo Gentico con otro de bsqueda tab, llevando a colacinlosproblemasquesepresentanenlasempresasde impresin y en la industria de encartonado. El objetivo es minimizar el makespan y la mxima tardanza , encontrando una aproximacin de la frontera de Pareto. Proponen un algoritmogenticorpidoyelitistabasadosenNGSAIIpara resolver el problema. La poblacin inicial es generada aleatoriamenteoparcialmenteyambosalgoritmosgenticoy debsquedatabsonprobadossobreproblemasbenchmark, para un anlisis y comparacin computacional para configuraciones de planta Flexible Job Shop obtenidos con ambosmtodos. Pezzellayotros,[2008][56],tomaninicialmentecomobasede suestudiolosdesarrollosrealizadosporKacem[2002]entonces, ellosdesarrollanunalgoritmogenticoparaFlexibleJobShop, enelcualanalizanalgoritmosquenohansidoefectivospara resolver el FJSSP para pequeas instancias. De hecho los mtodosexactosbasadosenrepresentacionesdisyuntivasde losproblemashansidodesarrolladas,peroestosmtodosno son aplicables para instancias con mas de 20 trabajos y 10 maquinas,PinedoM., [2002],porlocualrealizansudesarrollo

en algoritmos heursticos. Desde los estudios anteriores se sabe que ningn algoritmo conocido para FJSSP produce soluciones con una garanta en distancia desde la solucin ptima para mejorar su mtodo, adems conducen los resultadosexperimentalesenejemploscompletandoeltrabajo con unestudio computacionalextensivo, paraconseguir los anteriores resultados los investigadores recurrieron a una integracindediferentesestrategiasparagenerarlapoblacin inicialylasestrategiasparareproduccindenuevosindividuos Hoyotros[2008][57],desarrollaronunestudioparaelFJSSP multiobjetivousandoreglasdedespachodescubiertasatravs deprogramasgenticos,muestranlaevaluacinyempleode parmetrosyoperadoresapropiadosparaconstruirreglasde despachousandogenticos,conunfinhacialaescalabilidady flexibilidad, donde casi todas esas reglas de despacho son basadasenlaexperienciadelprogramador,lageneracinde estasreglasdedespachoserealizaronatravsdeframework quesolucionaefectivamenteelJSSP.Cincoreglasdedespacho fuerongeneradasporelprogramagentico,estasreglasfueron basadas en combinacin de parmetros como: tiempos de procesamiento, fecha prevista, fecha de liberacin, fecha comn,nmerodeoperacionesypromediototaldetiempode procesamiento de cada trabajo. Muchas simulaciones se realizaron para obtener la evaluacin de los criterios de optimizacin de las cinco reglas, variando los grados de flexibilidad del problema otras cinco populares reglas de despacho de la literatura fueron evaluadas y usadas en la simulacin de los problemas benchmark. Los resultados experimentales de esta investigacin mostraron que las populares reglas de despacho validadas en la literatura no cumplensatisfactoriamentecontodosloscriterios,mientras quelacombinacindeparmetroscontribuyeeficazmentecon lasreglas.EncontraronquelaEDDessignificativamentemejor queotrasreglasdelaliteraturaminimizandolatardanza,el flujo de tiempo y el porcentaje de trabajos tardos mientras queespobrelaminimizacindelMakespan.Sinembargo,las reglas generadas por elprograma gentico, cumplieron con loscriteriosdeoptimizacinporencimadelaEDD,mostrando esto que, la aplicacin desarrollada es efectiva en la construccindereglasdedespachoparasolucionarelmulti objetivoFJSSP.Ellosmuestranestadsticamentequesusreglas dedespachosonsuficientesybiendiseadas,realizandoun anlisis de varianza (ANOVA). Finalmente, las reglas de despachodesarrolladaspuedenseraplicadasdirectamenteen laprcticasinmodificaciones.
VI.CONCLUSIONESYPERSPECTIVAS

Losprocesosdemanufacturaenlaactualidadsehanvuelto mscomplejosporloque,lasecuenciadeoperacionesseha convertidoenuntemaimportanteparamejorarlacompetitividad delascompaas,elproblemadelFlexibleJobShopScheduling seajustademaneraadecuadaalosproblemasrealesdecasi

160

RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663

todos los tipos de manufactura y en todos los sectores. Entonces,dadalaimportanciadelosproblemasprcticosdel tipoplaneacinschedulingyasugrandificultaddeobtener solucionesporserdeltipoNPHard,esderelevanciaeldirigir nuestramiradaalosacercamientosatravsdemetaheursticas, puesconunainvestigacinmsprofundasepuedeencontrar uncaminoparaunaimportantesimplificacineneltratode estosproblemas. Deacuerdoalabsquedarealizadaenlaliteraturaencontramos que,losalgoritmosgenticossonlosmsrecurrentesalahora de solucionar el problema genrico del JSSP. Mediante el enfoque de algoritmos genticos se logra encontrar una alternativaparalaevaluacindeunproblemaFlexibleJobShop Scheduling,deacuerdoalaliteratura,tambinencontramos que por medio de este enfoque, se puede incrementar la eficiencia algortmica en cuanto a complejidad y encontrar buenassoluciones,encuantoalaasignacinylasecuencia. Dentrodelosalgoritmosgenticoshayelementosquehan sidopocoestudiadosenlaliteraturadelFJSSP,peroquehan sidodesarrolladosporautoresenelproblemadelJSSPque son los elementos de la parametrizacin del algoritmo de solucinparaelproblema,lasrazonesparaimplementarla parametrizacinenunmodeloespoderobtenernumricamente ydemanerasignificativa,algunosdelosefectos,dadospor elementos como: el tipo de cruce en la calidad de solucin para un problema dado y otro podra ser, la influencia que tieneeltamaodelapoblacinenlacalidaddedichasolucin. Lapreguntaculeseltamaoidneoparaunapoblacin? parecenotenerunarespuestaclara,dadoqueintuitivamente sepuedepensarquelaspoblacionespequeascorrenelriesgo denocubriradecuadamenteelespaciodebsqueda,mientras quetrabajarconpoblacionesdegrantamaopuedeacarrear problemasasociadosalgran costocomputacional,portanto unaspectoimportanteparadesarrollarentrabajosfuturos,es la parametrizacin del enfoque de solucin para el FJSSP mediantealgoritmosgenticos.
AGRADECIMIENTOS

Los autores quieren presentar los ms sinceros agradecimientos a la Direccin de Investigacin de la Universidad Nacional deColombia, Sede Medellin (DIME) por la financiacin del proyecto de investigacin titulado: Evaluacin de la metodologa de algoritmos genticos con diseo experimental para la programacin de plantas con configuracintipoJobShopconcdigoNo.20201007088del cualesteesunodesusresultados.
REFERENCIAS [1]DanteBoiteux,O.,2007.Estadodelartesobreplanificacinagregadadela produccin.Tesisdoctoral,UniversidadPolitcnicadeCatalua,Instituto delaorganizacinysistemasindustriales:Barcelona. [2] Pinedo,M.,1995. Scheduling:theory,algorithmsand systems.Englewood

cliffs, NJ: PrenticeHall. [3]Londoo,M.,2007.Reprogramacindeordenesdetrabajoenelmodelo bsico,conunafechadeentregacomnparaminimizarlapenalizacinpor prontitud / tardanza, basado en mtodos heursticos.Tesis de pregrado, UniversidadNacionalSedeMedelln. [4]OpCit.PinedoM.,[2] [5]Lawler,E.L,Lenstra,J.K.,.RinnooyKan,A.H.G.yShmoys,D.B.,1993. Secuencing and scheduling:Algorithms and complexity. Handbooks in OperationsResearchandManagementScience,NorthHolland. [6]AlcaideLpezdePablo,D.,1995.Problemasdeplanificacinysecuenciacin determinstica:modelizacinytcnicasderesolucin.Cursodecienciay tecnologa.UniversidaddelaLaguna. [7]OpCit.AlcaideLpezdePablo,D.[6] [8]Lawyer,E.L.,1976.CombinatorialOptimization:networksandmatroids, Holt,RinehartandWinston,NewYork. [9] Karp, R.M., 1972. Reducibility among combinatorial problems. En: Complexityofcomputercomputations,PlenumPress,NewYork,pp.85 103. [10]Garey,M.R.yJohnson,D.S.,1979.Computersandintractability:aguide ofthetheoryofNPCompleteness,Freeman. [11]lvarezdelosMozos,E.yZubillaga,F.J.,2004.Anlisiscomparativode mtodosdesecuenciacinparalaprogramacindinmicadeoperaciones. En:VIIICongresodeingenieradeorganizacin,Lganes. [12]Rossi,A.yDini,G.,2000.DynamicSchedulingofFMSusingaRealTime GeneticAlgorithm,InternationalJournalofProductionResearch.Vol.38 (1),pp.120. [13]ChenH.,IhlowJ.yLehmannC.,1999.AgeneticalgorithmforFlexibleJob Shop Scheduling. En: Proceedings of the IEEETransactions on Neural Networks,International ConferenceonRobotics& automation.Detroit, Michigan. [14]JansenK.,MastrolilliM.ySolisOba,R.,2005Approximationalgorithms forFlexibleJobShopProblems.En:InternationalJournalofFoundations ofComputerScience.Vol16,pp.361379 [15]OpCit.JansenK.,Mastrolilli,M.ySolisOba,R[14] [16]Hall,L.,Hoogeveen,J.,Hurkens,C.,Lenstra,J.,Sevastianov,S.,Shmoys, D.yWilliamson,D.,1997.Shortshopschedules.En:OperationResearch, Vol.45,pp.288294 [17]Gonzalez,T.ySahni,S.,1978.FlowshopandJobShopschedules:complexity andapproximation.En:Operationresearch.Vol.26,pp.3652 [18]Baker,K.R.,1974.Introductiontosecuencingandscheduling.JohnWiley andSons,NewYork. [19]Nakano,R.yYamada,T.,1992.ConventionalGeneticAlgorithmforJob ShopProblems,inKenneth,M.K.yBooker,L.B.En:Proceedingsofthe 4thInternationalConferenceonGeneticAlgorithmsandtheirApplications, SanDiego,USA,pp.474479. [20]Norman,B.A.yBean,J.,1997.RandomKeysGeneticAlgorithmforJob ShopScheduling.En:EngineeringDesignandAutomation.Vol.3,pp.145 156. [21] Kumar, N.S. y Srinivasan, G., 1996.A genetic algorithm for Job Shop SchedulingAcasestudy.En:Computerinindustry.Vol.31,pp.155 160. [22]Azarmi, N., Hughest, JG:, Song, Y. yVoudourist, C., 2000.A genetic algorithmwithanincompleterepresentationfordeJobShopScheduling Problems.En:Informedeinvestigacin,UniversityofUlsteratJordanstown. IntelligentSystemResearchGroup. [23] Eikelder, Ten., H.M.M., Moraglio, A. y Tadei, I., 2001. Genetic Local Search for Job Shop Scheduling Problem. Technical Report CSM435 ISSN 17448050 [24] Herrera, F. y Prez, M. E., 2006.Algoritmos genticos multimodales: Un estudio sobre la parametrizacin del mtodo clearing aplicado al problema Job shop. Reporte de investigacin, Universidad de Valladolid, TIN200508386C0501. [25]Engin,O.,Figlali,Al.,Figlali,N.yzcale,C.,2007.Investigationofant systemparameterinteractionsbyusingdesignofexperimentsforJobShop SchedulingproblemsComputers&IndustrialEngineering,pp.122. [26]DauzrePrs,S.,Essafi,I.yMati,Y,2008.Ageneticlocalsearchalgorithm forminimizingtotalweighttardinessintheJobShopschedulingproblem.

Secuenciacin de operaciones para configuraciones de planta tipo flexible Job Shop: Estado del arte Correa, Rodrguez y Londoo 161

Computer & Operation research, Vol.35, pp. 28922907. [27]BillautJ.C.yVilcotG.,2008.Atabusearchandgeneticalgorithmfor solvingabicriteriaJobShopSchedulingproblem,En:Discreteoptimization, EuropeanJournalofOperationalResearch,Vol.190,pp.398411. [28]Ciaschetti,G.,Morganti,G.,yPezzella,F.,2008.Ageneticalgorithmforthe Flexible Job shop Scheduling Problem. En: Computers & Operations Research,Vol.35,pp.32023212. [29]OpCit.Ciaschetti,G.,Morganti,G.,yPezzella,F.[28] [30]Gambardella,L.M.yMastrolilli,M.,1996.Effectiveneighborhoodfunctions fortheflexiblejobshopproblem.JournalofSchedulingVol.3pp.320. [31]OpCit.BillautJeanCharlesyVilcotGeoffrey,[27]. [32]PaulliJ.,1995.AhierarchicalapproachfortheFMSschedulingproblem. En:EuropeanJournalofOperationalResearchVol.86,pp.3242. [33]DauzrePrs,S.yPaulli,J.,1997.Anintegratedapproachformodeling andsolvingthegeneralmultiprocessorjobshopschedulingproblemusing tabusearch.En:AnnalsofOperationsResearchVol.70,pp.281306. [34]Kacem,I.,Hammadi,S.yBorne,P.,2002.Paretooptimalityapproachfor flexible job shop scheduling problems: Hybridization of evolutionary algorithmsandfuzzylogic.En:MathematicsandComputersSimulation Vol.60,pp.245276. [35]lvarezValdez,R.,Fuertes,A.,Gimnez,R.,Ramos,G.yTmarit,J.M., 2005.AheuristictoScheduleflexiblejobshopinglassfactory.En:European JournalofOperationalResearchVol.165,pp.525534. [36]Chichang,Jou.,2005.A geneticalgorithmwithsubindexedpartitioning genesand itsapplicationto productionschedulingof parallelmachines. En:Computers&InductrialEngineering,Vol.48,pp.3954. [37]Cheng,T.C.E.,ySin,C.C.S.(1990).Astateoftheartreviewofparallel machine scheduling research. En: European Journal of Operational Research,Vol.47(3),p.271292. [38]Cheng,T.C.E.yChen,Z.L.,1994.Parallelmachineschedulingproblem with earliness and tardiness penalties. En: Journal of the Operational ResearchSociety,Vol.45,pp.685695. [39]Op.Cit.ChenH.,IhlowJ.yLehmannC[13] [41]Jeong,C.S.,Lee,Y.H.yMoon,C.,2002.Advancedplanningandscheduling with outsourcing in manufacturing supply chain. En: Computers and IndustrialEngineering,Vol.43(2),pp.351374. [42]Borne,P.,Hammad,iS,yKacem,I.,2002Approachbylocalizationand multiobjetiveevolutionary optimizationfor flexiblejobshop scheduling problems.En:IEEETransactionsonSystems,Man,andCybernetics,Part C.Vol.32(1),pp.113. [43] Kacem, I.,2003. Genetic algorithm for the flexiblejob shop scheduling problem.ProceedingsofIEEEinternationalconferenceonsystems,man andcybernetics.Vol.4,pp.34643469. [44]Kacem,I.,2003.SchedulingFlexibleJobShop:Aworstcaseanlisisand an evolutionary algorithm. En: International Journal of Computational IntelligenceandApplications.Vol.3,No.4,pp.437452. [45]Ponnanbalam,S.G.,Rajendran,CySankar,A.S.,2003.Amultiobjetive genetic algorithm for scheduling a flexible manufacturing system. En: InternationalofAdvancedManufacturingTechnology,Vol.22(3),pp.229 236. [46]Ho,N.B.yTay,J.C.,2004.GENACE:AneffectiveculturalAlgorithmfor solvingtheflexiblejobshopschedules,En:LecturenotesinIEEE,pp.1758 1766. [47]Tanev, I. T., Takashi, U. yYoshihauru M., 2004. Hybrid evolutionary algorithmbasedrealworldflexiblejobshopschedulingproblem:application service provider approach. En:Applied Soft Computing, Vol.5, pp. 871 00. [48]Borne,P.,Hammadi,S.yMesghouni,K.,2004.Evolutionaryalgorithms forJobShopScheduling.InternationalJournalApplicationMathematics computersScience.Vol.14(1),pp.91103. [49]Gen,M.yZhang,H.,2005.Multistagebasedgeneticalgorithmforflexible JobShopSchedulingProblem.En:ComplexityInternational.Vol.11,pp. 223232. [50]Chan,F.T.S.,Chan,L.Y.yWong,T.C.,2006.FlexibleJobShopScheduling Problemunderresourceconstraints.En:InternationalJournalofProduction Research.Previewarticle,pp.120. [51]Gao, J.,Gen, M.ySun, L.,2007.Scheduling jobsand maintenancesin

flexible job shop with a hybrid genetic algorithm. En: Journal Intelligent Manufacture Vol.17, pp. 493507. [52]SchmidtG.,2000.Schedulingwithlimitedmachineavailability.En:European JournalOfOperationalResearch,Vol.121,pp.115. [53]Gao,J.,Gen,M.,Sun,L.yZhao,X.,2007.Ahybridofgeneticalgorithm and bottleneck shifting for multiobjective flexible Job Shop Scheduling Problems.En:Computers&OperationsResearchVol.53,pp.149162. [54]Gao,J..,Gen,M.ySun,L.,2008.Ahybridgeneticandvariableneighborhood descent algorithm for Flexible Job Shop Scheduling Problems. En: Computers&OperationsResearchVol.35,pp.28922907. [55]Op.cit.BillautJ.C.yVilcotG.[27] [56]OpCit.Ciaschetti,G.,Morganti,G.,yPezzella,F.[28] [57] Ho, N. B. yTay, J. C., 2008. Evolving dispatching rules using genetic programmingforsolvingmultiobjectiveflexiblejobshopproblems.En: Computers&IndustrialEngineering.Vol54,pp.453473

162

RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663