Resumen

En el presente trabajo se define una nueva y efectiva metodología, basada en agentes inteligentes, para la secuenciación de la producción en ambientes Job Shop; especialmente, para pequeñas y medianas empresas del sector metalmecánico, donde estas técnicas no han sido muy empleadas; debido a la alta resistencia al cambio. 

Este trabajo se desarrolla en dos fases. En la primera, se definen las diferentes técnicas utilizadas. En la segunda, se ejecutan las pruebas estadísticas con el fin de determinar el porcentaje de aproximación de estas soluciones a la solución óptima o subóptima. El resultado de este trabajo muestra que las técnicas basadas en agentes inteligentes, no siempre producen un resultado óptimo; pero en unos pocos segundos, estas técnicas pueden encontrar una solución subóptima con una aproximación del 97,81% y 90,43% a la solución óptima o subóptima, en las variables tiempo total de proceso y tiempo total muerto, respectivamente. Esto contrasta con la poca efectividad encontrada en las técnicas tradicionales.

1 INTRODUCCIÓN

Desde la aparición de las industrias manufactureras y su continuo crecimiento, se ha incursionado en el estudio y mejoramiento de la programación de la producción. En general, algunos autores [1] establecen básicamente tres tipos de sistemas de producción:

a) Configuración por proyectos.

b) Configuración continúa.

c) Configuración por lotes, la cual comprende las configuraciones flow shop y Job Shop; donde esta última se divide en configuración en batch y configuración a la medida o de talleres; siendo esta configuración (talleres) el objeto de análisis de este artículo.

En la anterior clase de sistemas (configuración a la medida o talleres) la diversidad de variables que se deben tener en cuenta en este campo elevan el problema a la categoría NP-Hard [2]; los cuales son problemas que no tienen una única solución o su solución es muy complicada, En estos problemas de secuenciación bajo ambientes Job Shop con N trabajos y M máquinas, el número total de posibles soluciones es (N!)^M, si se tienen en cuenta todas las posibles alternativas, incluso las soluciones no realizables, por limitaciones físicas [3]. Por ende, actualmente se desarrollan diferentes técnicas de investigación en todo el mundo, dado que este problema ha capturado la atención de muchas instituciones pioneras en nuevos enfoques para encontrar mejores soluciones.

Para solucionar este tipo de problemas, de optimización combinatoria, básicamente se emplean tres clases de técnicas:

a) Reglas de prioridad [1].

• Materias:Algoritmos genéticos Estudio de tiempos Gestión de la producción Industrias manufactureras Ingeniería de la producción Programación de la producción
• Subjects:Genetic algorithms Time study Production management Manufacturing industries Production engineering Production scheduling
• Palabras claves:Tiempo de proceso; Tiempo muerto; Agentes inteligentes; Secuenciación de la producción; Job Shop; algoritmos evolutivos; Optimización multiobjetivo
• Keywords:Makespan time; Idle time; intelligent agents; production sequencing; Job Shop; evolutionary algorithms; multiobjective optimization