Algoritmos genéticos para planificar la secuencia, asignación, tamaño y cantidad de lotes en una planta multi-producto

Algoritmos genéticos para planificar la secuencia, asignación, tamaño y cantidad de lotes en una planta multi-producto

650

Administración

Planificación de la producción - Modelos matemáticos.

Algoritmos genéticos.

Tesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2014

Planificar la producción es de vital importancia en el mercado altamente competitivo, ya que mejora la eficiencia productiva. Las empresas han aumentado su interés en los softwares de planificación, y así mismo, se ha incentivado la investigación en el área. La producción por lotes es un tipo de manufactura ampliamente estudiado en la literatura. Este es un problema complejo, donde se requiere definir cuántos lotes habrá, su tamaño, qué maquinaria usarán y en qué orden serán producidos. Existen diversas formas de hacer esto, desde heurísticas simples hasta sofisticados métodos de optimización. Uno de estos métodos son los algoritmos genéticos, que basándose en la lógica evolutiva, realizan búsquedas al seleccionar, mutar y cruzar/mezclar soluciones. Estos algoritmos se suelen utilizar para secuenciar lotes, pero no para decidir cuántos lotes habrá, ni tampoco su tamaño; sino que reciben esta información como un dato. Por este motivo, esta tesis busca implementar un algoritmo genético capaz de incorporar estas variables de decisión, obteniendo buenos resultados.Se implementaron tres variantes del algoritmo genético, donde el primero realiza un crossover basado en aristas, el segundo, en la posición de los lotes y el último es una mutación guiada. Ellos se comparan con un algoritmo simulated annealing, una búsqueda totalmente aleatoria y un algoritmo genético modificado que no cuenta con crossover. Los resultados indican que los algoritmos genéticos sí son capaces de resolver la producción por lotes descrita a un bajo costo computacional, al obtener resultados mucho mejores que la búsqueda totalmente aleatoria. El crossover como mutación guiada obtiene los mejores resultados promedio en los 10 escenarios evaluados, cuando se minimiza el tiempo total de producción en búsquedas breves. También fue el mejor en 9 de los mismos 10 escenarios al minimizar la cantidad de pedidos sin cumplir. Además, demuestra tener la convergencia más veloz y solo es vencido por el SA cuando se realizan búsquedas extensas de varias iteraciones.

Castillo Zunino, Francisco Javier

2014-12-19T20:27:09Z

2014-12-19T20:27:09Z

2014

Gazmuri S., Pedro

Pontificia Universidad Católica de Chile. Escuela de Ingeniería

acceso abierto

xiv, 162 páginas

application/pdf

es

tesis de maestría

10.7764/tesisUC/ING/4915

https://doi.org/10.7764/tesisUC/ING/4915

https://repositorio.uc.cl/handle/11534/4915