Función Objetivo

El propósito de la metodología de programación es en principio obtener la asignación de los trabajos i, a las máquinas k, en los procesos j, en una secuencia de procesamiento l, de tal manera que logre reducirse el tiempo máximo de procesamiento o makespan (Cmax), definido como:

𝑀𝑖𝑛 (𝐶𝑀𝑎𝑥) (2.1)

2.5.2 Restricciones

 Asignación

La variable Xikj, determina que cada trabajo i es asignado sólo una vez a la máquina k

en cada etapa j, por lo tanto:

∑ 𝑋𝑖𝑘𝑗 𝑛

𝑘=1

≤ 1, 𝑋𝑖𝑘𝑗 = (0,1) (2.2)

La condición de que toda máquina k de la etapa j puede procesar un trabajo i como máximo viene dada por la siguiente expresión:

∑ 𝑋𝑖𝑘𝑗 𝑛

𝑖=1

≤ 1, 𝑋𝑖𝑘𝑗= (0,1) (2.3)

 Tiempos de procesamiento

Teniendo máquinas paralelas no relacionadas y tiempos de alistamiento dependientes de la secuencia, cada trabajo i tendrá un tiempo de procesamiento y de alistamiento en cada máquina k de la etapa j del proceso productivo, se tiene un tiempo de terminación definido por la expresión:

𝑇𝐹𝑖𝑘𝑗 = 𝑇𝐼𝑖𝑘𝑗+ 𝑇𝐴𝑖𝑘𝑗+ (𝑇𝑃𝑖𝑘𝑗∗ 𝐸𝑘) (2.4)

Donde, TAikj es el tiempo de montaje del trabajo i en la máquina k del proceso j, y

TPikj es el tiempo de procesamiento del trabajo i, en la máquina k del proceso j.

Además TPikj es afectado por el factor de eficiencia Ek que presenta la máquina k,

causado por los problemas de calidad, errores humanos y condiciones de la máquina.  Restricciones de precedencia

La operación subsiguiente j de un trabajo i no puede iniciar antes de terminar la operación anterior j0, es decir:

𝑇𝐼𝑖𝑘𝑗 ≥ 𝑇𝐹𝑖𝑘𝑗𝑜+ 𝑇𝐴𝑖𝑘𝑗, 𝑗𝑜, 𝑗 𝜖 𝑅𝑃𝑖 (2.5)

Donde, TFijo es el tiempo de terminación del trabajo i en la etapa j0, TIij es el tiempo

de inicio del trabajo i en el proceso j, y RPi es la ruta de procesamiento del trabajo i a

través de los procesos productivos. Además se garantiza la secuencia de los trabajos

i0 e i en una máquina k del proceso j, cuando:

𝑇𝐹𝑖𝑜𝑘𝑗 ≤ 𝑇𝐼𝑖𝑘𝑗+ 𝑇𝐴𝑖𝑘𝑗 (2.6)

 Mantenimiento

Las actividades de mantenimiento que se realizan en la planta se tomarán como un factor porcentual que afectará el rendimiento de las máquinas así:

𝐸𝑘 = 𝑈𝑘− 𝑀𝑘, 𝑈𝑘, 𝑀𝑘 𝜖 (0,1) (2.7)

En donde Uk define el porcentaje de utilización de la máquina k, y Mk equivale al

factor de mantenimiento que reducirá el nivel de eficiencia de la máquina k.  Makespan

La siguiente fórmula garantiza que la función objetivo estará relacionada con el tiempo de terminación de cualquier trabajo i en la última etapa de procesamiento j:

 Restricciones de capacidad

La capacidad del sistema está establecida en función del tiempo disponible para que cada máquina pueda cumplir con la asignación y secuenciación realizada dentro del periodo de programación congelado. De esta manera:

∑ 𝑇𝑃𝑖𝑘𝑗 𝑛

𝑖=1

≤ 𝐶𝑃𝑘 (2.9)

En otras palabras, los tiempos de procesamiento de los trabajos asignados a la máquina k (TPikj), no podrán superar el tiempo máximo que dispone su capacidad de

procesamiento CPk.

Finalmente, reuniendo las ecuaciones mostradas anteriormente (2.1) a (2.9) se tiene el siguiente modelo matemático:

Función Objetivo: 𝑀𝑖𝑛 (𝐶𝑀𝑎𝑥) (2.1) Sujeto a: ∑ 𝑋𝑖𝑘𝑗 𝑛 𝑘=1 ≤ 1 (2.2) ∑ 𝑋𝑖𝑘𝑗 𝑛 𝑖=1 ≤ 1 (2.3) 𝑇𝐹𝑖𝑘𝑗 = 𝑇𝐼𝑖𝑘𝑗+ 𝑇𝐴𝑖𝑘𝑗+ (𝑇𝑃𝑖𝑘𝑗∗ 𝐸𝑘) (2.4) 𝑇𝐼𝑖𝑘𝑗 ≥ 𝑇𝐹𝑖𝑘𝑗𝑜+ 𝑇𝐴𝑖𝑘𝑗, 𝑗𝑜, 𝑗 𝜖 𝑅𝑃𝑖 (2.5) 𝑇𝐹𝑖𝑜𝑘𝑗 ≤ 𝑇𝐼𝑖𝑘𝑗+ 𝑇𝐴𝑖𝑘𝑗 (2.6) 𝐸𝑘 = 𝑈𝑘− 𝑀𝑘 (2.7)

𝑀𝑖𝑘𝑗𝑙 ≥ 𝑇𝐹𝑖𝑘𝑗 (2.8) ∑ 𝑇𝑃𝑖𝑘𝑗 𝑛 𝑖=1 ≤ 𝐶𝑃𝑘 (2.9) 𝑋𝑖𝑘𝑗, 𝑈𝑘, 𝑀𝑘, 𝐸𝑘 𝜖 (0,1) (2.10) 𝑇𝐹𝑖𝑘𝑗, 𝑇𝐼𝑖𝑘𝑗, 𝑇𝐴𝑖𝑘𝑗, 𝑇𝑃𝑖𝑘𝑗, 𝐶𝑀𝑎𝑥 ≥ 0 (2.11)

2.6 Conclusiones parciales

La presentación de esta sección ha facilitado la caracterización de la empresa objeto de estudio y la descripción en detalle de su sistema de producción y de la configuración flow

shop híbrido flexible que dispone al interior de su planta. Asimismo, fueron descritos los

procesos productivos y el flujo secuencial de las operaciones que contempla el mencionado sistema.

Teniendo en cuenta una dinámica actual de los mercados internacionales completamente rápida, evolutiva y competitiva, sumado a la fuerte política exportadora de la organización, es vital para su sostenibilidad el reconocimiento de la importancia que implica cumplir satisfactoriamente los pedidos de sus clientes en función de las fechas de entrega, sin ir nunca en detrimento de la calidad de los productos ofertados.

Con el propósito de cumplir lo que se acaba de expresar, el papel que juega el proceso de programación de producción es de inmensa importancia, ya que esta herramienta debe propender por la continuidad de las operaciones, la disminución de tiempos improductivos por montajes y alistamientos, y el impacto a la eficiencia global del sistema.

En últimas, se ha logrado construir un modelo matemático que tomó las condiciones operacionales reales vistas al interior de la fábrica y fueron llevadas a restricciones matemáticas que definirán la función objetivo de reducir el makespan. Dicho modelo se

convierte en una herramienta poderosa para rediseñar la metodología actual de programación realizada a partir de la planificación de producción de la empresa.

2.7 Bibliografía

[1] C. Kahraman, O. Engin, I. Kaya, and R. E. Öztürk, “Multiprocessor task scheduling in multistage hybrid flow-shops: A parallel greedy algorithm approach”, Applied Soft

Computing, vol. 10, pp.1293-1300, 2010.

[2] F. Choong, S. Phon-Amnuaisuk, and M. Y. Alias, “Metaheuristic methods in hybrid flow shop scheduling problem”, Expert Systems with Applications, vol. 38, pp. 10787- 10793, 2011.

[3] S. Wang, and M. Liu, “A heuristic method for two-stage hybrid flow shop with dedicated machines”, Computers & Operations Research, vol. 40, pp. 438-450, 2013. [4] A. N. Haq, T. R. Ramanan, K. S. Shashikant, and R. Sridharan, “A hybrid neural

network–genetic algorithm approach for permutation flow shop scheduling”,

International Journal of Production Research, vol. 48, no. 14, pp. 4217-4231, 2010.

[5] J. Jungwattanakit, M. Reodecha, P. Chaovalitwongse, and F. Werner, “A comparison of scheduling algorithms for flexible flow shop problems with unrelated parallel machines, setup times, and dual criteria”, Computers & Operations Research, vol. 36, pp. 358-378, 2009.

[6] S. Carpov, J. Carlier, D. Nace, and R. Sirdey, “Two-stage hybrid flow shop with precedence constraints and parallel machines atsecondstage”, Computers &

Operations Research, vol. 39, pp. 736-745, 2012.

[7] B. Naderi, M. Zandieh, and V. Roshanaei, “Scheduling hybrid flowshops with sequence dependent setup”, International Journal of Advanced Manufacturing

Technology, vol. 41, pp. 1186-1198, 2009.

[8] S. Khalouli, F. Ghedjati, and A. Hamzaoui, “A meta-heuristic approach to solve a JIT scheduling problem in hybrid flow shop”, Engineering Applications of Artificial

Intelligence, vol. 23, pp. 765-771, 2010.

[9] Departamento Administrativo Nacional de Estadística – DANE, “Clasificación Industrial Internacional Uniforme de todas las actividades económicas. Revisión 4 adaptada para Colombia.” Marzo 2012. [Online]. Disponible en:

3. Experimentación y resultados

3.1 Introducción

Teniendo en cuenta que el capítulo anterior se dedicó a la construcción del modelo matemático relacionado con el problema de programación de un flow shop híbrido flexible, se propone el diseño, ejecución y aplicación de un algoritmo genético que logre dar solución al problema planteado en una industria del sector textil. Como se ha comentado anteriormente, este tipo de meta-heurísticas resultan válidas como alternativa para obtener resultados de muy buena calidad y cercanos al óptimo con tiempos computacionales bastante razonables [1], [2].

Este capítulo comienza con la descripción detallada del proceso de codificación del algoritmo partiendo del modelo matemático del sistema productivo, luego se presenta el procedimiento que ejecuta el algoritmo genético a través de las operaciones de selección, cruce, mutación y actualización de la población. Posterior a ello, son presentados los criterios de simulación establecidos para la validación del algoritmo y se muestran los resultados estadísticos de la simulación con su correspondiente análisis. Además se realiza la comparación de los resultados obtenidos con un algoritmo aleatorio, y con otros algoritmos genéticos propuestos para problemas similares encontrados en la literatura. Finalmente, se presentan las consideraciones y conclusiones parciales del capítulo.

3.2 Representación y codificación

Para una ejecución del algoritmo sin perturbaciones es necesario ingresar unos datos iniciales coherentes, que se pueden definir como las variables de entrada del algoritmo. Se ha establecido de acuerdo a información de la realidad, ritmos de producción, porcentajes de eficiencia, tiempos de producción en condiciones normales, que impliquen

unos resultados arrojados por el algoritmo, razonables con los la dinámica real del contexto productivo. De esta manera logra establecerse los criterios iniciales o variables de entrada del algoritmo, que se listan a continuación:

 Número de trabajos o pedidos a procesar.

 Características de los pedidos en lo referente a cantidades y los porcentajes de participación de las materias primas necesarios para la obtención de cada producto.  El factor de eficiencia que implica el procesamiento de cada referencia en cada uno

de los telares

 Número de tramas por centímetro de tela.

 Peso del material, medido en kilogramos por centímetro.  Velocidades de las máquinas.

 Ruta de procesamiento de cada tipo de trabajo, es decir, las máquinas por donde es posible procesar cada referencia.

 Tiempo de alistamiento del trabajo i en cada máquina k en el proceso de tejeduría, aquí los tiempos de alistamiento son dependientes de la secuencia, trabajo entrante en función del saliente.

 Factor de eficiencia de la máquina k, afectado por el rendimiento, el nivel de utilización y el porcentaje de tiempo dedicado a mantenimiento para cada máquina.  Tamaño de la población.

 Número de iteraciones del algoritmo.  Puntos de cruce.

 Tasa de mutación.