Dada la necesidad que tienen las compañías manufactureras de sobresalir en la industria y adquirir una ventaja competitiva en el mercado, la planeación y programación de la producción juegan un papel determinante, pues hasta en los mejores planes se pueden presentar eventos inesperados o perturbaciones. Para controlarlos, es preciso establecer un sistema de inspección sobre los progresos de las operaciones que pueda revelar desviaciones de los planes y poner en marcha medidas correctivas, que permitan mejorar la eficiencia, eficacia y efectividad de los sistemas productivos de dichas industrias.
Dentro de las variables críticas que tienen efectos relevantes en la operación de una industria, está el tiempo. Factores como el tiempo de entrega y el tiempo de procesamiento, juegan un papel determinante y pueden ser criterios diferenciadores entre empresas. Sin embargo, dadas las condiciones de un mercado globalizado y cambiante, es casi inevitable que las industrias incumplan en su totalidad con los tiempos de entrega establecidos, incurriendo de esta forma en tardanzas que obligan a reprogramar la producción.
Con el fin de minimizar dichas tardanzas, se encuentra necesario realizar la simulación de la programación de la producción en una máquina en la que se consideren perturbaciones reales. Dichas perturbaciones, fueron establecidas como tareas que llegan de improviso y deben realizarse de inmediato. Sin embargo, para evitar tiempos innecesarios en la preparación de la máquina para realizar dicha perturbación, se establece que la tarea imprevista se va a poder ejecutar únicamente cuando la tarea que se esté llevando a cabo finalice.
Una vez establecido el sistema complejo que se quiso evaluar, se desarrolló un algoritmo genético con criterio de selección por ruleta, sistema de reproducción uniforme y criterio de mutación por intercambio. Con este, se busca minimizar la tardanza total ponderada cada vez que se realice una tarea, con el fin de hallar la mejor combinación posible de trabajos en tiempo real. En el instante en que una tarea es realizada y se ha incurrido en un tiempo de procesamiento, este algoritmo reorganiza las tareas faltantes para seleccionar la siguiente, de esta forma la producción se va reprogramando, y por lo tanto la tardanza se va minimizando.
Por otro lado, se realizó un sistema Multiagente definido con una arquitectura Heterárquica, en el cual las tareas y las perturbaciones representan agentes independientes que negocian entre sí, e interactúan con la máquina cada vez que se realiza un trabajo. De esta manera, a medida que el tiempo de entrega de un trabajo se va acercando, éste cobra mayor importancia, de tal modo que dentro de la negociación será más relevante y apto para ser ejecutado.
86
Una vez ejecutados estos dos modelos, se realizó un diseño de experimentos tanto para la tardanza total ponderada, como para el tiempo promedio de ejecución de cada uno. En este se obtuvo, que el algoritmo genético, al ser un modelo más robusto por tener una característica evolutiva que mejora generación tras generación, arrojó mejores resultados para la tardanza total ponderada que el sistema Multiagente. Por su parte, el sistema Multiagente, al ser un modelo más liviano, no requiere tanto tiempo computacional para ser ejecutado, por lo tanto arrojó mejores resultados para el tiempo promedio de ejecución.
En efecto, en el 99,2% de las instancias evaluadas, el algoritmo genético fue 2,16 veces mejor que el sistema Multiagente, es decir la tardanza total ponderada arrojada por el algoritmo genético, aproximadamente fue la mitad de la tardanza total ponderada del sistema Multiagente. Por otro lado, en cuanto al tiempo de ejecución de los modelos, en el 99,2% de las instancias valoradas, el sistema Multiagente fue 2,00 veces mejor que el algoritmo genético, lo que indica que el sistema Multiagente tiene el doble de rapidez computacional que el algoritmo genético.
Ahora bien, como se ha establecido, el objetivo principal de la simulación de la programación de la producción para una máquina es la minimización de la tardanza total ponderada, y aunque el tiempo de ejecución se tomó como un indicador, no es lo que va a determinar el modelo más eficiente a la hora de evaluar la función objetivo; por esta razón se concluye que el algoritmo genético es el método más adecuado para modelar la programación de la producción en una máquina teniendo en cuenta perturbaciones con prioridad.
Las metaheurística son métodos de solución que adquieren una mayor flexibilidad por su gran número de iteraciones. En este caso particular, el algoritmo genético como método de búsqueda, está diseñado para localizar un óptimo dentro de una estructura de datos, mediante un proceso iterativo que permite eliminar soluciones a través de las generaciones hasta llegar a una solución óptima. Este factor hace que el tiempo computacional de ejecución del modelo sea mayor, pero logre alcanzar óptimos locales mejores que el sistema Multiagente.
Teniendo en cuenta lo mencionado anteriormente, se puede concluir que los algoritmos genéticos son modelos eficientes para realizar la programación de la producción en una máquina, con la inclusión de perturbaciones, gracias a que añade flexibilidad y adaptabilidad en la resolución, combinando la robustez y las ventajas de la búsqueda global.
87