ppi 201502ZU4659
continuidad de la revista impresa
ISSN 0254-0770 / e-ISSN 2477-9377/ Depósito legal pp 197802ZU38
UNIVERSIDAD DEL ZULIA
Una Revista Internacional Arbitrada
que está indizada en las publicaciones
de referencia y comentarios:
• REDALYC
• REDIB
• SCIELO
• DRJI
• INDEX COPERNICUS INTERNATIONAL
• LATINDEX
• DOAJ
• REVENCYT
• CHEMICAL ABSTRACT
• MIAR
• AEROSPACE DATABASE
• CIVIL ENGINEERING ABTRACTS
• METADEX
• COMMUNICATION ABSTRACTS
• ZENTRALBLATT MATH, ZBMATH
DE LA FACULTAD DE INGENIERÍA
VOLUMEN 45 ENERO - ABRIL 2022 NÚMERO 1
REVISTREVISTA
A TÉCNICA
• ACTUALIDAD IBEROAMERICANA
• PERIODICA
• BIBLAT
Rev. Téc. Ing. Univ. Zulia. Vol. 45, Nº 1, Enero - Abril, 2022, 48-57
Rev. Téc. Ing. Univ. Zulia. Vol. 45, Nº 1, Enero - Abril, 2022
Evaluación del Algoritmo Genético y GRASP para Minimizar
el Makespan en la Programación de un Taller de Flujo en
Diferentes Instancias de Número de Trabajos e Iteraciones
Juan Paredes-Quevedo1* , Luis Alpala2,3 , Luis Soto-Chávez4, Alberto
León-Batallas1
1Facultad Ciencias e Ingeniería, Universidad Estatal de Milagro (UNEMI), Km 1.5 vía Km
26, Ciudadela Universitaria Milagro 09150, Ecuador.
2Grupo de Investigación Eslinga. Universidad Cooperativa de Colombia-Pasto, Colombia.
3Grupo de Investigación en Informática Gráfica. Universidad de Granada, España.
4Facultad de Ingeniería Industrial. Universidad de Guayaquil, Ecuador.
*Autor de correspondencia: jparedesq@unemi.edu.ec
https://doi.org/10.22209/rt.v45n1a05
Recepción: 18 de junio 2020 | Aceptación: 15 de octubre de 2021 | Publicación: 27 de diciembre de 2021
Resumen
En este artículo se plantean algoritmos meta-heurísticos para el problema de programación de producción de un
taller de flujo, considerado como un problema no polinómico completo debido a su complejidad. El estudio de la
problemática es relevante dada su utilidad en la práctica, por ejemplo, en fábricas con líneas de ensamblaje o en
la planificación de cadenas de suministro colaborativas. De esta manera, el objetivo del presente estudio
consistió en evaluar dos algoritmos meta-heurísticos, GRASP y algoritmo genético. Se planteó un diseño
experimental para determinar cuáles factores (método, número de trabajos y número de iteraciones) tienen un
efecto estadísticamente significativo en el tiempo de finalización de programación de producción. Según los
resultados se pudo observar que existe incidencia tanto de primer como de segundo y tercer orden de los
factores, permitiendo caracterizar el desempeño de los dos algoritmos en entornos generados por la interacción
de los tres factores analizados.
Palabras clave: anova; algoritmo genético; GRASP; makespan; taller de flujo.
Evaluation of Genetic Algorithm and GRASP to Minimize
Makespan in Flow Shop Scheduling at Different Instances
of Number of Jobs and Iterations
Abstract
In this article, meta-heuristic algorithms are proposed for the production scheduling problem of a flow workshop,
considered as a complete non-polynomial problem due to its complexity. The study of the problem is relevant
given its usefulness in practice, for example, in factories with assembly lines or in collaborative supply chains
planning. Thus, the objective of the present study consisted of evaluating two meta-heuristic algorithms, GRASP
and a genetic algorithm. An experimental design was proposed to determine which factors (method, number of
jobs and number of iterations) have a statistically significant effect on production scheduling completion time.
According to the results, it could be observed that there is incidence of the first, second and third order of the
factors, allowing to characterize the performance of the two algorithms in environments generated by the
interaction of the three factors analyzed.
Key words: anova; genetic algorithm; GRASP; makespan; flow shop.
Paredes - Quevedo et al. 49
Rev. Téc. Ing. Univ. Zulia. Vol. 45, Nº 1, Enero - Abril, 2022
Avaliação do Algoritmo Genético e GRASP para
Minimizar o Makespan na Programação de uma Oficina
de Fluxo em Diferentes Instâncias de Número de trabalhos
e Iterações
Resumo
Neste artigo, algoritmos meta-heurísticos são propostos para o problema de programação de produção de uma
oficina de fluxo, considerado um problema não polinomial completo devido à sua complexidade. O estudo do
problema é relevante dada a sua utilidade na prática, por exemplo, em fábricas com linhas de montagem ou no
planejamento de cadeias produtivas colaborativas. Assim, o objetivo deste estudo consistiu em avaliar dois
algoritmos meta-heurísticos, GRASP e um algoritmo genético. Um projeto experimental foi proposto para
determinar quais fatores (método, numero de trabalhos e iterações) têm um efeito estatisticamente significativo
no tempo de conclusão do cronograma de produção. De acordo com os resultados, observou-se que há incidência
tanto da primeira, segunda e terceira ordem dos fatores, permitindo caracterizar o desempenho dos dois
algoritmos, em ambientes gerados pela interação dos três fatores analisados.
Palavras-chave: anova; algoritmo genético; GRASP; makepan; oficina de fluxo.
Introducción
El makespan o Cmáx es el criterio de optimización más estudiado en la literatura reciente (Lagos et al.,
2019; Castillo et al., 2018), a través de la minimización del tiempo máximo de terminación de la programación
(Vallada y Ruiz, 2011). Se considera que minimizar el makespan equivale a maximizar la utilización de las
máquinas, en otras palabras, disminuir los tiempos de alistamiento y de ocio de las máquinas (Hekmatfar et al.,
2011).
Los problemas de programación de producción en su mayoría son no polinómicos (NP)-completos y
requieren para su solución procedimientos complejos y costosos en el tiempo (Tavares Neto y Godinho Filho,
2013). Por ello, existen muchas técnicas como las heurísticas o metaheurísticas que surgen como alternativas
interesantes, para encontrar soluciones de muy buena calidad, en tiempos de cómputo bastante razonables
(Hussain et al., 2018).
Para esta investigación se evaluaron dos metaheurísticas como son GRASP (Greedy Randomized
Adaptive Search Procedures) y algoritmo genético; estos dos algoritmos tienen diferentes procedimientos para
llegar a la solución más óptima. La metaheurística GRASP es un método que construye una solución miope
aleatorizada; más una búsqueda local que se ejecuta utilizando la solución construida como punto inicial de
partida (Resende y González, 2003).
Taller de flujo flow shop
En el tipo de configuración productiva del caso general flow shop, el problema de programación
consiste en secuenciar una cantidad de n trabajos, que siguen la misma ruta de procesamiento, en una serie de m
máquinas ordenadas linealmente (Akhshabi et al., 2012; Shabtay, 2012). La programación de producción del
flow shop es un problema combinatorio bastante complejo, ya que la cantidad de posibles alternativas de
secuenciación requeriría varios años si se quieren enumerar todas las posibilidades de un problema grande
(Hentous y Merabti, 2010).
Metaheurísticas aplicadas a la dirección de producción y operaciones
Los problemas de programación de producción son en su mayoría NP-completos y requieren para su
solución, de procedimientos complejos y costosos en el tiempo (Tavares Neto y Godinho Filho, 2013). En casos
como este, las técnicas de optimización combinatorial surgen como alternativa interesante, ya tienen la
capacidad de encontrar soluciones de muy buena calidad, en tiempos de cómputo bastante razonables (Villalba et
al., 2005). Los métodos de resolución existentes en la literatura pueden agruparse en dos grandes familias, que
Evaluación de Algoritmos Meta-Heurísticos para Programación de un Taller de Flujo. 50
Rev. Téc. Ing. Univ. Zulia. Vol. 45, Nº 1, Enero - Abril, 2022
son: los métodos exactos (como el modelo de programación lineal entera) y los métodos de aproximación (como
las heurísticas y metaheurísticas) (Yalaoui et al., 2011; Lagos et al., 2019).
La complejidad computacional y del modelamiento que implica el problema de programación del flow
shop, conlleva a que el problema de optimización combinatorial resulte muy complicado y difícil (Zhang, 2010).
Actualmente, las metaheurísticas más aplicadas a los problemas de programación de configuraciones
tipo flow shop son el algoritmo de búsqueda tabú, la optimización por colonia de hormigas, los algoritmos
genéticos, el recocido simulado, entre otros. Cada uno de los cuales tiene sus propias ventajas y desventajas
(Qiao y Sun, 2011).
Algoritmos genéticos
Los algoritmos genéticos, desarrollados en la década de los 70 por Holland (Gómez, 2007; Mahdavi et
al., 2008), son técnicas de búsqueda heurística que toman la analogía de los conceptos de la selección natural,
empleando una población de soluciones candidatas y combinándolas en formas específicas con el fin de obtener
mejores soluciones (Feng et al., 2009). Estos algoritmos se han convertido en una metodología muy popular para
solucionar una gran variedad de problemas complejos (Bertel y Billaut, 2004). El algoritmo genético, siendo una
técnica de búsqueda estocástica, se ha logrado aplicar a varias áreas, incluyéndose los problemas de
programación de máquinas (Hsu et al., 2009).
En el algoritmo genético una solución factible se conoce con el término de cromosoma, el cual es
representado con una cadena de valores enteros, cada uno de los cuales se denomina gen (Tang et al., 2010). La
calidad de un cromosoma se denomina fitness, que establece la concordancia de la alternativa de solución de
acuerdo con la función objetivo definida (Chiou et al., 2012). Las combinaciones de los genes van
evolucionando a través de las operaciones genéticas (reproducción, cruce y mutación) para crear la
descendencia, de manera que los cromosomas se van aproximando a la solución óptima generación tras
generación (Engin et al., 2011). Sin embargo, es necesaria una codificación adecuada para cada problema y tener
una función de ajuste que represente claramente la medida de calidad para cada solución alternativa (Hekmatfar
et al., 2011).
Metaheurísticas GRASP
Es una técnica combinatorial que permite encontrar soluciones subóptimas de buena calidad a
problemas de optimización lineales o no lineales. GRASP es una metodología que construye una solución inicial
mediante una función de adaptación codiciosa o greedy aleatoriamente (Ángel-Bello et al., 2011).
Posteriormente, una búsqueda local se ejecuta utilizando una solución construida como punto inicial de partida.
Una solución se construye mediante la incorporación de un nuevo elemento al tiempo hasta que una nueva
solución se ha completado (Resende y Ribeiro, 2016).
Una de las principales características de este método, es el uso de las listas restringidas de candidatos
(LRC). Una LRC contiene los elementos candidatos con mejor valor de función greedy, que ayuda a enfocar más
el proceso de búsqueda. Los ciclos iterativos se llevarán a cabo hasta que se cumpla cierto número de búsquedas
en la vecindad, o se haya explorado toda la región de vecindad o cuando no se supere la solución actual en un
determinado número de exploraciones (Resende y Ribeiro, 2016).
Materiales y todos
El diseño experimental propuesto nos condujo a conocer cuál método es mejor y bajo qué condiciones.
El primer paso del diseño de experimentos es tener claro el método de análisis que se empleará. Para este caso,
se quiere determinar la influencia de las variables explicativas con respecto al incremento porcentual sobre el
óptimo del valor medio examinado (IPSOVEP), tras comparar dos metaheurísticas (GRASP y algoritmo
genético), en diferentes escenarios en torno al número de trabajos e iteraciones. El método de análisis (anova o
análisis de varianza) mediante factores múltiples.
Identificación de la variable explicada y de las variables explicativas
Para el estudio se definió una variable explicada (dependiente) cuyo valor es función de varias variables
explicativas (independientes), a saber:
Variable explicada: IPSOVEP
Paredes - Quevedo et al. 51
Rev. Téc. Ing. Univ. Zulia. Vol. 45, Nº 1, Enero - Abril, 2022
Variables explicativas: método (Mt), número trabajos (nT), iteraciones (It).
Como medida comparativa (variable explicada) se utilizó la media del aumento de porcentaje sobre el
nivel óptimo, o el nivel más bajo conocido del resultado medio (IPSOVEP medio) de un problema o instancia
determinada. Esta medida se puede expresar, como (Gómez-Gasquet et al., 2012):
 󰇡

 󰇢
(1)
La variable Sol i es el valor del makespan obtenido con una instancia dada del algoritmo en evaluación.
La variable MejorSol i representa el valor del mejor makespan conocido para esta instancia. Por lo tanto, los
valores positivos para IPSOVEP implican que el algoritmo tenga un margen de tiempo peor que el punto de
referencia utilizado, y los valores negativos para IPSOVEP implican que el modelo ha sido mejorado.
Finalmente, la variable n es el número de ejemplares representativos que se consideren para calcular el valor del
IPSOVEP medio.
Estrategia experimental o plan de experimentación
El planteamiento se realizó con un conjunto de 10 ejemplares, para cada instancia de datos que se
empleó para la ejecución del algoritmo. Posteriormente, se calculó el valor medio IPSOVEP del conjunto de
ejemplares asociado a cada instancia. Este procedimiento se repitió hasta tener una muestra de diez datos.
Cada instancia era una combinación de parámetros que define un escenario y estaba vinculado a los
valores que toman las variables explicativas. Variables explicativas (factores):
Método (mT) = algoritmo genético, GRASP.
Número de trabajos (nT) = 20, 50.
Iteraciones (iT) = 1000, 10000.
La combinación de parámetros para el escenario propuesto fue de: 2 x 2 x 2 = 8 combinaciones.
Algoritmo propuesto
La metaheurística GRASP es de tipo multi-arranque y es provista de dos fases en cada iteración
(Resende y González, 2003): una primera fase un procedimiento greedy que sirve para construir una solución
aceptable sin que sea preciso alcanzar el óptimo global, y una segunda fase para obtener un óptimo local dentro
de un vecindario y teniendo como punto de partida la solución que resulta al aplicar el procedimiento greedy de
la fase uno. En la Figura 1 se puede observar un esquema general del algoritmo (Bautista et al., 2013).
1. Inicialización
2. Mientras tiempo CPU ≤ CPUmax
2.1. Solución ← Fase_constructiva (Semilla)
2.2. Solución ← Mejora_local (Solución)
2.3. Acutalizar_solución (Solución, Mejor_solución)
3. Salida: Mejor_solución
Figura 1. Esquema general de la meta-heurística GRASP (Bautista et al., 2013). CPU: central processing unit.
Fase constructiva: para garantizar dicha diversidad se empleó el azar, de manera que el siguiente
elemento a añadir a una solución parcial se elige aleatoriamente entre los elementos de una lista restringida de
candidatos (LRC); dicha lista contenía los candidatos que presentan los mejores valores con relación a una
función objetivo diseñado para la selección.
Para el presente trabajo se ha considerado utilizar el mecanismo de construcción con LRC basada en el
valor (Resende y Ribeiro, 2016) (Figura 2). Esta LRC contenía todos los elementos candidatos cuyo valor de
función objetivo C(e) cumplía con el siguiente criterio: C(e)<=C* + α (C* C*). Se puede observar que si α = 0,
entonces este esquema de selección es un algoritmo miope, mientras que si α = 1, entonces es totalmente
aleatorio.
Evaluación de Algoritmos Meta-Heurísticos para Programación de un Taller de Flujo. 52
Rev. Téc. Ing. Univ. Zulia. Vol. 45, Nº 1, Enero - Abril, 2022
Figura 2. Seudo-código de construcción GRASP: LCR basada en valor (Resende y González, 2003).
c(e): función miope (Cmáx, por ejemplo) dado un elemento candidato, C: conjunto de elementos que
pueden seleccionarse como parte de una solución parcial, α: número aleatorio que oscila entre 0 y 1.
Fase de búsqueda local: se proponen dos procedimientos para ejecutar la fase de búsqueda local. El
primer procedimiento de mejora local es un adJointSwap que se aplica a la solución obtenida en la fase
constructiva. El segundo procedimiento (Swap + adJointSwap) consist en un bucle que aplica
consecutivamente una mutación Swap a la solución obtenida en el primer procedimiento hasta alcanzar un
óptimo local, y seguidamente se procede a realizar una búsqueda local con una mutación adJointSwap (primer
procedimiento).
Tanto para el primer como para el segundo procedimiento, se consideró definir los parámetros
respectivos (Tabla 1).
Tabla 1. Número máximo de iteraciones para la fase de búsqueda local.
Parámetro
Valor
Condición de parada adJointSwap
1000
Condición de parada Swap
1000
Desarrollo de los experimentos
Para la ejecución de los experimentos se utilizó el programa Java versión 2017, donde se obtuvieron los
ficheros de resultados. Para el tratamiento de los resultados se empleó el programa estadístico Statgraphics
versión 2017, realizando el análisis anova multifactorial.
Resultados y Discusión
En el experimento computacional se usaron las instancias del problema descritas anteriormente. Los
resultados del IPSOVEP medio de cada una de las 8 instancias y de las 10 muestras, se visualizan en la Tabla 2.
Para la obtención del valor IPSOVEP se tomaron los valores óptimos proporcionados por Taillard (1993); los
cuales también están presentes en estudios realizados por Ocampo et al. (2006) y mez-Gasquet et al. (2012).
En la Tabla 2 se compara el valor de IPSOVEP obtenido tanto para el algoritmo genético como para
GRASP, considerando las instancias de problemas con 20 y 50 trabajos, así como 1000 y 10000 iteraciones para
buscar la mejor solución.
De estos resultados se puede hacer las siguientes observaciones: en general, ambos algoritmos
presentan un desempeño similar (la media de las muestras: 7,70 algoritmo genético y 7,53 GRASP), cuando el
número de trabajos es menor (20) y el número de iteraciones es igual a 1000.
procedure Construcción-V
Require: ;
;
;
Calcular costo miope ;
While do
mín ;
Actualizar el conjunto de candidatos C;
Calcular el costo miope ;
end while
máx ;
RCL ;
Seleccionar un elemento sde LRC al azar;
;
return x;
Paredes - Quevedo et al. 53
Rev. Téc. Ing. Univ. Zulia. Vol. 45, Nº 1, Enero - Abril, 2022
Tabla 2. Comparativa de IPSOVEP obtenido para cada algoritmo.
N° de
muestra
Número de
trabajos
(nT)
IPSOVEP
AG
GRASP
0
20
8,14623
7,85123
1
20
7,58204
7,60187
2
20
7,32192
5,77536
3
20
7,11603
6,79938
4
20
7,37709
7,46124
5
20
7,74586
7,24190
6
20
7,68815
7,82348
7
20
8,58171
8,48440
8
20
7,89753
8,60354
9
20
7,61444
7,69766
0
50
4,20164
3,39033
1
50
4,61916
2,82515
2
50
4,03438
3,43772
3
50
5,08509
3,08596
4
50
4,73249
3,09694
5
50
4,64585
3,35456
6
50
4,97437
2,96714
7
50
4,92010
3,11762
8
50
4,87561
2,79198
9
50
4,64119
2,87680
0
20
6,03736
7,58858
1
20
6,15794
9,16808
2
20
6,10841
10,19786
3
20
6,71705
7,33776
4
20
6,17980
7,83965
5
20
6,46187
8,32607
6
20
6,45557
7,41847
7
20
6,27003
8,33910
8
20
6,42008
6,96850
9
20
6,99880
8,06642
0
50
4,32398
3,08958
1
50
4,01301
3,02947
2
50
4,15659
2,58577
3
50
3,74023
3,49007
4
50
4,06964
3,14456
5
50
4,30636
3,52381
6
50
3,74479
3,53161
7
50
3,96751
2,99282
8
50
4,13869
2,30381
9
50
3,98973
3,25579
IPSOVEP: incremento porcentual sobre el óptimo del valor medio examinado, AG: algoritmo
genético, GRASP: greedy randomized adaptive search procedures.
En la instancia de 50 trabajos y 1000 iteraciones se visualiza que el algoritmo GRASP tuvo un valor
medio de 3,09 y el algoritmo genético 4,67, es decir, el primero tuvo mejor desempeño en esta instancia.
El algoritmo genético presentó una pequeña ventaja cuando se experimentaba con 20 trabajos y 10000
iteraciones, dado que obtuvieron valores medios de IPSOVEP de 6,38 y de algoritmo GRASP de 8,12.
Evaluación de Algoritmos Meta-Heurísticos para Programación de un Taller de Flujo. 54
Rev. Téc. Ing. Univ. Zulia. Vol. 45, Nº 1, Enero - Abril, 2022
Para un análisis resumido se generó la Figura 3 (interacciones entre mT nT) donde se puede observar
que el algoritmo GRASP cuando el número de trabajos es igual a 20 registra un IPSOVEP mayor con respecto al
valor registrado por el algoritmo genético. En el mismo gráfico se puede ver que al tratarse de un número de
trabajos mayor (50) el algoritmo GRASP registra un valor de IPSOVEP menor que el algoritmo genético.
Figura 3. IPSOVEP medio para 20 y 50 trabajos. nT: número de trabajos, mT: algoritmos
analizados, IPSOVEP: incremento porcentual sobre el óptimo del valor medio examinado, GRASP:
greedy randomized adaptive search procedures, AG: algoritmo genético.
Por otra parte, en la Figura 4 (interacciones entre mT- iT), se puede observar que el algoritmo GRASP
cuando el número de iteraciones es igual a 1000 registra un IPSOVEP menor con respecto al valor registrado por
el algoritmo genético. En el mismo gráfico se puede ver que al tratarse de un número de iteraciones mayor
(10000) el algoritmo GRASP registra un valor de IPSOVEP mayor que el algoritmo genético.
Figura 4. IPSOVEP medio para 1000 y 10000 iteraciones. iT: número de iteraciones, mT:
algoritmos analizados, IPSOVEP: incremento porcentual sobre el óptimo del valor medio
examinado, GRASP: greedy randomized adaptive search procedures, AG: algoritmo genético.
En la Tabla 3 se muestran los resultados del anova, resultantes del análisis multifactorial para IPSOVEP
y las combinaciones significativas con un α=0,05. Los valores-P fueron menores que 0,05; estos factores de
manera individual tienen un efecto estadísticamente significativo sobre IPSOVEP con un 95,0 % de nivel de
confianza. Adicionalmente, se valida el análisis de los 3 factores, dado que la interacción conjunta tiene efecto
significativo sobre el valor del IPSOVEP, lo cual implica un insumo para la toma de decisión al momento de
elegir un algoritmo para determinada instancia.
Paredes - Quevedo et al. 55
Rev. Téc. Ing. Univ. Zulia. Vol. 45, Nº 1, Enero - Abril, 2022
Tabla 3. Resultados del análisis de varianza para IPSOVEP (suma de cuadrados tipo III).
Fuente
Suma de
cuadrados
gl
Cuadrado medio
Razón-F
Valor-P
Efectos principales
A:mT
1,14631
1
1,14631
4,12
0,0461
B:nT
275,269
1
275,269
989,07
0,0000
C:iT
2,32219
1
2,32219
8,34
0,0051
Interacciones
AB
21,0141
1
21,0141
75,51
0,0000
AC
8,10071
1
8,10071
29,11
0,0000
BC
0,0145086
1
0,0145086
0,05
0,8200
ABC
2,07757
1
2,07757
7,46
0,0079
Residuos
20,0383
72
0,27831
Total (corregido)
329,983
79
nT: número de trabajos, mT: algoritmos analizados, nI: número de iteraciones, gl: grados de libertad.
El algoritmo metaheurístico GRASP propuesto incluye en la fase de búsqueda local, dos
procedimientos para mejorar la solución obtenida en la fase constructiva, validada a través de los estudios
revisados, que analizan el problema de programación de un taller de flujo (Zobolas et al., 2009; Salazar Hornig y
Figueroa Morales, 2012; César et al., 2014) y que utilizan los datos proporcionados por Taillard (1993).
Del mismo modo, se pueden encontrar algoritmos GRASP con la misma función objetivo que el
algoritmo propuesto (Prabhaharan et al., 2006; Bautista et al., 2013), y con multiobjetivo (Choong y Alias, 2011;
Zabihzadeh y Rezaeian, 2016), que nos permiten validar el rendimiento del algoritmo GRASP propuesto en este
trabajo. A su vez, los resultados revisados muestran valores porcentuales con respecto al óptimo que no
presentan diferencias considerables. Motivo por el cual, el algoritmo propuesto de baja complejidad en su
construcción representa una alternativa viable para la solución de la problemática de programación de un taller
de flujo.
Conclusiones
Al evaluar el desempeño de los algoritmos planteados en el problema de programación de producción
de un flow shop no se puede afirmar de manera absoluta que uno de los algoritmos proporcione los mejores
resultados que el otro, dado que en las diferentes instancias determinadas por la combinación de los factores
(variables explicativas) los valores de IPSOVEP de dichos algoritmos varían.
El procedimiento anova multifactorial permitió construir un modelo estadístico para conocer si existe
un impacto significativo de los factores (mT, nT, iT) en una variable dependiente IPSOVEP. Según los
resultados se pudo observar que existe incidencia tanto de primer, segundo y tercer orden de los factores sobre la
variable dependiente. Esto permite caracterizar de manera s precisa el comportamiento y desempeño de estos
algoritmos en entornos generados por la interacción de los tres factores analizados en este artículo. En la práctica
esta información puede permitir mejorar el proceso de la toma de decisiones en la planta.
La investigación futura podría abordar este enfoque para problemas más complejos de flow shop, que
involucren tiempos de alistamientos dependientes de la secuencia. También se pueden probar con diferentes
funciones objetivo.
Referencias Bibliográficas
Akhshabi, M., Haddadnia, J., Akhshabi, M. (2012). Solving flow shop scheduling problem using a parallel
genetic algorithm. Procedia Technology, 1, 351-355.
Ángel-Bello, F., Álvarez, A., Pacheco, J., Martínez, I. (2011). A heuristic approach for a scheduling problem
with periodic maintenance and sequence-dependent setup times. Computers and Mathematics with Applications,
61, 797-808.
Evaluación de Algoritmos Meta-Heurísticos para Programación de un Taller de Flujo. 56
Rev. Téc. Ing. Univ. Zulia. Vol. 45, Nº 1, Enero - Abril, 2022
Bautista, J., Cano, A., Alfaro, R., Batalla, C. (2013). Algoritmos GRASP para solucionar el problema blocking
flow shop. Multiconferencia CAEPIA'13. IX congreso español de metaheurísticas, algoritmos evolutivos y
bioinspirados - MAEB 2013. Barcelona: Universitat Politécnica de Catalunya, 443-452.
Bertel, S., Billaut, J.C. (2004). A genetic algorithm for an industrial multiprocessor flow shop scheduling
problem with recirculation. Journal of the Operational Research Society, 159, 651-662.
Castillo, T. A., Díaz, C. E., Gómez, J. D., Orduz, E. A., Niño, M. L. (2018). Optimización del makespan en el
problema de Job Shop Flexible con restricciones de transporte usando Algoritmos Genéticos. Entre Ciencia e
Ingeniería, 12, 105-115.
César, Y., Reyna, F., Jiménez, Y.M., Enrique, Á., León, F., Alberto, L., 2014. Influencia de los parámetros
principales de un Algoritmo Genético para el Flow Shop Scheduling. Revista Cubana de Ciencias Informáticas,
8, 99111.
Chiou, C. W., Chen, W. M., Liu, C. M., Wu, M. C. (2012). A genetic algorithm for scheduling dual flow shops.
Expert Systems with Applications, 39, 1306-1314.
Choong, F., Alias, M.Y., 2011. Expert Systems with Applications Metaheuristic methods in hybrid flow shop
scheduling problem. Expert Systems With Applications, 38, 1078710793.
Engin, O., Ceran, G., Yilmaz, M. K. (2011). An efficient genetic algorithm for hybrid flow shop scheduling with
multiprocessor task problems. Applied Soft Computing Journal, 11, 3056-3065.
Feng, H., Lu, S., Li, X. (2009). Genetic algorithm for hybrid flow-shop scheduling with parrel batch processors.
2009 WASE international conference on information engineering, ICIE 2009. Jinan: IEEE Computer Society, 2,
9-13.
Gómez-Gasquet, P., Andrés, C., Lario, F. C. (2012). An agent-based genetic algorithm for hybrid flowshops
with sequence dependent setup times to minimise makespan. Expert Systems with Applications, 39, 8095-8107.
Gómez, P. (2007). Un nuevo algoritmo genético basado en un sistema multiagente para la programación de la
producción en un taller de flujo híbrido. XI congreso de ingeniería de organización. Madrid: Asociación para el
Desarrollo de la Ingeniería de Organización,1675-1685.
Hekmatfar, M., Fatemi Ghomi, S. M. T., Karimi, B. (2011). Two stage reentrant hybrid flow shop with setup
times and the criterion of minimizing makespan. Applied Soft Computing Journal, 11, 4530-4539.
Hentous, H., Merabti, B. (2010). A branch and bound heuristic for the flow shop problem. Proceedings - 4th
international conference on sensor technologies and applications, SENSORCOMM 2010. Venice: IEEE
Computer Society, 352-356.
Hsu, H. M., Hsiung, Y., Chen, Y. Z., Wu, M. C. (2009). A GA methodology for the scheduling of yarn-dyed
textile production. Expert Systems with Applications, 36, 12095-12103.
Hussain, K., Najib, M., Salleh, M., Cheng, S., Shi, Y. (2018). Metaheuristic research: a comprehensive survey.
Artificial Intelligence Review, 52, 2191-2233.
Lagos, D., Mancilla, R., Leal, P. (2019). Evaluación de la solución obtenida con una metaheurística de
secuenciamiento mediante la incorporación de elementos de variabilidad. Revista Técnica de la Facultad de
Ingeniería, Univiversidad del Zulia, 1, 209-212.
Mahdavi, I., Mojarad, M.S., Javadi, B., Tajdin, A. (2008). A genetic approach for solving a hybrid flow shop
scheduling problem. 2008 IEEE international conference on industrial engineering and engineering management,
IEEM 2008. Singapore: IEEE, 1214-1218.
Ocampo, T., Mirledy, E., Grisales, R., Steven, Y. O. V., Echeverri, G. (2006). Algoritmo genético modificado
aplicado al problema de secuenciamiento de tareas en sistemas de producción lineal - Flow shop. Scientia Et
Technica, 7, 285-290.
Paredes - Quevedo et al. 57
Rev. Téc. Ing. Univ. Zulia. Vol. 45, Nº 1, Enero - Abril, 2022
Prabhaharan, G., Khan, S.H., Rakesh, L., 2006. Implementation of grasp in flow shop scheduling. The
International Journal of Advanced Manufacturing Technology, 30, 11261131.
Qiao, P., Sun, C. (2011). Research on hybrid flow-shop scheduling problem based on improved immune particle
swarm optimization. 2nd international conference on artificial intelligence, management science and electronic
commerce, AIMSEC. Deng Feng: IEEE, 4240-4243.
Resende, M. G. C., González, J. L. (2003). GRASP: Procedimientos de búsquedas miopes aleatorizados y
adaptativos. Inteligencia artificial. Revista Iberoamericana de Inteligencia Artificial, 7, 61-76.
Resende, M. G. C., Ribeiro, C. C. (2016). Optimization by GRASP. 1st ed. New York: Springer
Science+Business Media.
Salazar Hornig, E., Figueroa Morales, B., 2012. Minimización de la tardanza para el flowshop flexible con setup
utilizando heurísticas constructivas y un algoritmo genético. Ingeniare. Revista chilena de ingeniería, 20, 8998.
Shabtay, D. (2012). The just-in-time scheduling problem in a flow-shop scheduling system. European Journal of
Operational Research, 216, 521-532.
Taillard, E. (1993). Benchmarks for basic scheduling problems. European Journal of Operational Research,
64(2), 278-285.
Tang, J., Zhang, G., Lin, B., Zhang, B. (2010). Hybrid genetic algorithm for flow shop scheduling problem.
International conference on intelligent computation technology and automation, ICICTA 2010. Changsha: IEEE,
2, 449-452.
Tavares Neto, R.F., Godinho Filho, M. (2013). Literature review regarding ant colony optimization applied to
scheduling problems: Guidelines for implementation and directions for future research. Engineering
Applications of Artificial Intelligence, 26, 150-161.
Vallada, E., Ruiz, R. (2011). A genetic algorithm for the unrelated parallel machine scheduling problem with
sequence dependent setup times. European Journal of Operational Research, 211, 612-622.
Villalba, G., Castro, F. De, Saldarriaga, J. G. (2005). Algoritmos de optimización combinatoria (AOC) aplicados
al diseño de redes de distribución de agua potable. Revista de Ingeniería Universidad de los Andes, 22, 118-125.
Yalaoui, N., Mahdi, H., Amodeo, L., Yalaoui, F. (2011). A particle swarm optimization under fuzzy logic
controller to solve a scheduling problem. International Conference on Communications, Computing and Control
Applications (CCCA), Hammamet: IEEE, 16.
Zabihzadeh, S.S., Rezaeian, J., 2016. Two meta-heuristic algorithms for flexible flow shop scheduling problem
with robotic transportation and release time. Applied Soft Computing Journal, 40, 319330.
Zhang, S. (2010). Large-scale flow shop scheduling based on genetic algorithm.. 2nd international conference on
education technology and computer, ICETC 2010. Shanghai: IEEE, 1, 308-310.
Zobolas, G.I., Tarantilis, C.D., Ioannou, G., 2009. Minimizing makespan in permutation flow shop scheduling
problems using a hybrid metaheuristic algorithm. Computers & Operations Research, 36, 12491267.
REVISTA TECNICA
DE LA FACULTAD DE INGENIERIA
UNIVERSIDAD DEL ZULIA
www.luz.edu.ve
www.serbi.luz.edu.ve
www.produccioncienticaluz.org
Esta revista fue editada en formato digital y publicada
en Diciembre 2021, por el Fondo Editorial Serbiluz,
Universidad del Zulia. Maracaibo-Venezuela
Vol. 45. N°1, Enero - Abril, 2022_________________________