Resumen

Los algoritmos genéticos (AG) son una técnica heurística de búsqueda de soluciones que puede aplicarse a diversos problemas del ámbito de la fabricación y la gestión de inventarios. Este artículo detalla la aplicación de un AG implementado en un simulador de plan de negocio, cuyo objetivo es la determinación aproximada de la mezcla de producción que involucra a más de un producto, teniendo en cuenta los precios de mercado estimados y las restricciones a través de cuellos de botella en la producción. El simulador contiene datos sobre la estructura de las materias primas y el flujo de producción, lo que permite calcular dinámicamente el resultado de explotación y la rentabilidad. Se exploran una serie de escenarios, en los que el AG tiende a encontrar soluciones heurísticas en un intento de maximizar el beneficio neto, calculado a partir de la cuenta de resultados generada en el simulador, considerando en algunos casos un factor de penalización como restricción del problema.

1. INTRODUCCIÓN

La determinación de la mezcla de producción en la fase de planificación de la fabricación ha sido objeto de amplios estudios en el ámbito de la gestión de la producción, que abarcan técnicas intuitivas o gráficas, la programación matemática y el uso de enfoques heurísticos o estrategias inteligentes. Los métodos intuitivos o gráficos utilizan hojas de cálculo y gráficos para ayudar a elaborar un plan de producción agregado, que se asemeja a un proceso de ensayo y error y es poco probable que dé como resultado un plan óptimo, especialmente cuando se tiene en cuenta un gran número de variables (Lustosa et al., 2008).

En el ámbito de la programación matemática, pueden resolverse problemas similares utilizando métodos de programación lineal. Es necesario modelizar una función objetivo con comportamiento lineal. El problema puede incluir un conjunto de restricciones, en forma de igualdades o desigualdades matemáticas, que limitan la región de posibles valores a calcular por la función objetivo. Tras la modelización, la función objetivo debe maximizarse o minimizarse mediante algún algoritmo, como el algoritmo del elipsoide, los métodos del punto interior y el algoritmo simplex clásico (Cormen et al., 2002; Moreira, 2008). Los métodos de programación no lineal se pueden utilizar cuando el problema a tratar presenta un comportamiento que no se puede modelizar utilizando únicamente funciones lineales. En este campo, podemos enumerar técnicas de búsqueda iterativa como el método de Newton, el descenso de gradiente, el gradiente conjugado y el uso de multiplicadores de Lagrange (Luenberger, 2004).

En el campo de los enfoques aproximados o heurísticos, el uso de Algoritmos Genéticos (AG) se ha extendido a una amplia gama de aplicaciones. Como ejemplos de aplicaciones de AG para la determinación económica de lotes, en Sarker & Newton (2002) y Pacheco et al. (2010), se encuentran métodos para determinar el tamaño óptimo de lote, sujeto a restricciones de suministro de materia prima, acercando el problema al mundo real.

• Materias:Técnica heurística Planificación de la producción Modelado de simulación Algoritmos genéticos
• Subjects:Metaheuristic technique Production planning Simulation modeling Genetic algorithms
• Palabras claves:Algoritmos genéticos; Soluciones heurísticas; Planificación de la manufactura; Simulación de sistemas
• Keywords:Genetic algorithms; Heuristic solutions; Manufacturing planning; Systems simulation