Diseño de una metaheurística PSO hibridada con la metodología PAES para minimizar Tardiness y Flowtime en un ambiente hybrid flow shop
La programación de la producción es una metodología que toman las empresas para poder crear mejores rendimientos en sus procesos y ser competitivas. Ante esto, el presente trabajo contiene la propuesta para el desarrollo de una metaheurística Particle Swarm Optimization (PSO) hibridada con la metodo...
- Autores:
-
Valderrama Paez, Genner Juan Pablo
Sierra Ibáñez, Santiago Andrés
Baez Fuentes, Johann Andrey
Llerena Murcia, Sebastian
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Pontificia Universidad Javeriana
- Repositorio:
- Repositorio Universidad Javeriana
- Idioma:
- spa
- OAI Identifier:
- oai:repository.javeriana.edu.co:10554/59285
- Acceso en línea:
- http://hdl.handle.net/10554/59285
- Palabra clave:
- Scheduling
Hybrid Flow Shop (HFS)
PSO
PAES
Tardiness
Flowtime
MDD
SPT
Scheduling
Hybrid Flow Shop (HFS)
PSO
PAES
Tardiness
Flowtime
MDD
SPT
Ingeniería industrial - Tesis y disertaciones académicas
Metaheurística
Flujo de trabajo
Mejoramiento de procesos
- Rights
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
Summary: | La programación de la producción es una metodología que toman las empresas para poder crear mejores rendimientos en sus procesos y ser competitivas. Ante esto, el presente trabajo contiene la propuesta para el desarrollo de una metaheurística Particle Swarm Optimization (PSO) hibridada con la metodología Pareto Archived Evolution Strategy (PAES) para obtener la frontera de Pareto entre el Tardiness y el Flowtime en un ambiente Hybrid Flow Shop con máquinas en paralelo no relacionadas, donde es de importancia abordar tanto el multiobjetivo como el hecho de que las máquinas sean no relacionadas debido a que son lo más cercano a un problema del mundo real. El desempeño del PSO se evaluó en comparación con el modelo matemático obteniendo una mejora promedio de más del 20% en ambas funciones objetivo, esto debido a que después de una hora de ejecución el modelo matemático sólo pudo encontrar solución óptima en 9 de 81 instancias y solución factible en las 72 instancias restantes. El PSO en menor tiempo computacional a una hora encontró mejor solución que el modelo matemático, en ambas funciones objetivo, en 72 de las 81 instancias pequeñas evaluadas. Adicionalmente, los resultados del PSO en instancias grandes se compararon contra los obtenidos por las reglas de despacho Modified Due Date (MDD), para la función de Tardiness, y Shortest Processing Time (SPT) para la función de Flowtime, obteniendo un porcentaje de mejora mayor al 10% en ambas funciones objetivo. Vale la pena anotar que la instancia más grande de 100 trabajos 8 estaciones tuvo un tiempo de ejecución de 40 minutos, mostrando que el PSO propuesto es aplicable en entornos reales con buenos resultados y tiempos computacionales razonables. |
---|