herramientas cuantitativas para la planeación y...
TRANSCRIPT
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
99
Herramientas cuantitativas para la planeación y programación
de la producción: estado del arte
Quantitative tools for production planning and scheduling: state of the art
Julián Silva Rodríguez, Camilo Díaz Cárdenas, Julián Galindo Carabalí
Palabras clave: planeación de la producción, programación de la producción, modelos matemáticos
Key words: Production planning, production scheduling, mathematical models
RESUMEN
Este artículo tiene como objetivo primordial
mostrar la tendencia de investigaciones
desarrolladas en las diferentes teorías y
aplicaciones que se han abarcado respecto a la
Planeación y Programación de la Producción,
evidenciando las facilidades que se obtienen al
aplicar modelos matemáticos existentes y usados
por los autores. Para la revisión se utilizó el
método de “Análisis de contenido”, haciendo
uso de bases de datos como Science Direct,
Redalyc, Scopus, Sicelo, entre otras, con el fin de
realizar la búsqueda de artículos de
investigación relacionados con los temas bajo
estudio durante el periodo de 2010 al 2016,
logrando consolidar 50 referencias, las cuales
fueron clasificadas de acuerdo al tema tratado.
Estos modelos se clasifican en: Modelos
Determinísticos y Modelos Estocásticos. Para los
modelos determinísticos se clasificaron tres
métodos de programación que son:
Programación Lineal, Lineal Entera Mixta y
Algoritmos y para los modelos estocásticos se
utilizaron los métodos de Aproximación y la
Programación Estocástica. En la revisión se
evidencia que el 82% de las investigaciones
utilizan modelos determinísticos (41 referencias)
y solo el 18% hace uso de modelos estocásticos (9
referencias). Finalmente, se evidencia un
crecimiento notable de las investigaciones
realizadas en el tema, observando que en los
últimos dos años se agrupa el 58% de los
artículos analizados, lo que indica que este tema
es de gran interés para futuros investigadores.
ABSTRACT
This article has as main objective to show the
tendency of researches developed in the
different theories and applications that have
been covered with respect to the Planning and
Production Programming, evidencing the
facilities that obtained the mathematical
models existing and used by the authors. For
the review, the "Content Analysis" method
was used, using databases such as Science
Direct, Redalyc, Scopus, Sicelo, among others,
in order to search for research articles related
to the subjects under study during the period
from 2010 to 2016, consolidating 50 references,
which were classified according to the subject.
These models are classified in: Deterministic
Models and Stochastic Models. For the
deterministic models three programming
methods were classified: Linear Programming,
Linear Mixed Integer and Algorithms and for
the aesthetic models used the methods of
Approximation and Stochastic Programming.
The review shows that 82% of the
investigations refer to deterministic models
(41 references) and only 18% to uses of
stochastic models (9 references). Finally, there
is a remarkable increase in the research carried
out on the subject, observing that in the last
two years 58% of the analyzed articles are
grouped, indicating that this topic is of great
interest for future researchers.
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
100
En la actualidad las empresas
manufactureras han optado por la
implementación de la planeación y
programación de la producción como una
técnica usada para el desarrollo de una
cierta cantidad de productos que tengan
diferentes características, así mismo como
el buen manejo de sus recursos en cada
uno de ellos (Collier & Evans ,2009). Esta
técnica ha sido definida por distintos
autores que resaltan la importancia que
tiene para una empresa. Según Chapman
(2006) y Chase, Aquilano & Jacobs (2010),
la planeación y programación de la
producción es la administración de un
conjunto de recursos, materiales humanos
o financieros que se necesitan para la
producción de bienes en un periodo dado.
Por otro lado, la planeación y
programación de la producción se
caracterizan por contar con un conjunto de
decisiones estructurales interrelacionadas,
las cuales permiten definir la actividad
productiva de la organización a corto y
mediano plazo (Machuca, et al., 2003).
De igual forma, según Heizer & Render
(2004), la eficiencia en una empresa se
consigue por medio de un programa que
mantenga una alta utilización de la mano
de obra, del equipamiento y del espacio
con el que cuenta, indicando las ventajas
que tiene realizar una planeación y
programación en una empresa,
especificando su tipo de producto, la
capacidad de producción con la que
cuente y el espacio necesario para cumplir
con esa capacidad de producción.
Es así que autores como Seker, Erol, &
Botsali (2013), He, Zhang & Li (2014) y Sel,
Bilgen, Bloemhof-Ruwaard, & Van der
Vorst (2015) han tenido como referencia el
uso de esta técnica que la han estructurado
y desarrollado en cada uno de sus estudios
con el fin de optimizar los procesos,
analizando los problemas que surgen al
planear y programar cualquier sistema de
producción. Los estudios que abarcan este
tema no han sido de gran auge, solo desde
el año 2014 se ha evidenciado un
aumentando en la cantidad de
investigaciones realizadas donde se
implementa esta temática, con esto,
podemos observar que la tendencia de
aumento se refleja en la necesidad actual
de las empresas por la implementación de
esta técnica.
Teniendo en cuenta lo anterior, este
artículo tiene como objetivo analizar y
evidenciar cada una de las investigaciones
en las cuales se ha implementado la
técnica de Planeación y Programación de
la Producción encaminando a futuros
investigadores a aplicar esta técnica en sus
empresas, sin importar el tipo al que
pertenezca, bien sea manufacturera,
siderúrgica o industrial. Además, se da
una visión de las diferentes herramientas
matemáticas utilizadas, las cuales sirven
para dar solución a los problemas
generados en la investigación,
presentando la tendencia de cada una de
estas herramientas en las investigaciones.
Cabe resaltar la importancia de la creación
de un estado del arte para mostrar los
INTRODUCCIÓN
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
101
antecedentes de la planeación y
programación de la producción, así mismo
evidenciar las tendencias de esta temática
al pasar de los años. En constancia de lo
anterior esta revisión brinda una amplia
gama de pautas para que futuros
investigadores desarrollen nuevos
proyectos encaminados a la planeación y
programación de la producción en
empresas.
El método empleado para la revisión
literaria en el presente artículo es el
denominado “Análisis de Contenido” que
según Krippendorff (2012), es una técnica
de investigación que busca ser objetiva,
sistemática y cuantitativa a la hora de
estudiar el contenido de cualquier tipo de
comunicación. Así mismo otros autores
como Pokharel & Mutha (2009), reflejan
un método de investigación por
observación utilizado para evaluar los
diferentes contenidos teóricos existentes
de todas las formas de comunicación, por
consiguiente, permite identificar,
seleccionar y clasificar la literatura en
varias de las distintas categorías.
La investigación se delimitó a aquellos
artículos relacionados con la temática de
planeación y programación de la
producción, enfocándose en estudios de
carácter netamente cuantitativo, teniendo
en cuenta aquellos que utilizaron para su
desarrollo herramientas matemáticas o
estadísticas durante el periodo del año
2010 al 2016. Para la búsqueda de cada
uno de los artículos se hizo uso de bases
de datos como: Sciencedirect, E-brary,
ProQuest, Scielo, Redalyc y Scopus. De
igual forma para la búsqueda de los
artículos se utilizaron palabras claves
como “Production” “Scheduling production”,
“Planning production”, “MRP” y “MPS”
para categorizar cada uno de los artículos.
En la presente revisión se incluyeron 50
artículos los cuales han sido organizados y
categorizados según el modelo
matemático empleado en cada uno, siendo
estos los modelos Determinísticos y
modelos Estocásticos.
Se tomó como pauta para categorizar las
investigaciones, el tipo de modelo
matemático empleado en cada una. La
figura 1 evidencia que el 85% de las
investigaciones fueron desarrolladas con
modelos matemáticos determinísticos,
mientras que el 15% de estas utilizaron
modelos matemáticos estocásticos.
Las investigaciones que utilizaron
modelos matemáticos determinísticos se
clasificaron según la herramienta
matemática como se muestra a
continuación:
• Programación lineal.
• Programación lineal entera mixta.
• Algoritmos.
De igual manera las investigaciones con
modelos matemáticos estocásticos se
clasificaron así:
• Programación Estocástica
• Métodos de aproximación.
METODOLOGÍA
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
102
Figura 1. Referencias por tipo de modelo matemático
Por otra parte, la búsqueda de los artículos
se limita para el periodo comprendido
entre el año 2010 y el 2016. En la figura 2
se evidencia que en los años 2015 y 2016 se
han publicado el 58% de los artículos
incluidos en el presente documento. De
igual forma, bajo la temática de
programación lineal se han publicado la
mayor parte de los artículos, contando con
12 referencias para los años 2015 y 2016.
Además, se encuentra una tendencia en
aumento de la cantidad de publicaciones
de artículos relacionada con la temática
tratada.
Figura 2. Clasificación de artículos de los temas de estudio por año
RESULTADOS
Modelos determinísticos
A lo largo de la revisión, se recolectaron 41
artículos los cuales desarrollaron sus
investigaciones mediante el uso de
modelos matemáticos determinísticos,
utilizando métodos matemáticos como
programación lineal, programación lineal
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
103
entera mixta y algoritmos de
programación. Con estos métodos de
programación se han desarrollado
diversas investigaciones, ya que según
Shabani & Sowlati (2013) afirma que se
pueden lograr resultados con mayor
exactitud que si se utilizaran otro tipo de
técnicas. Por lo tanto, el 85% de las
investigaciones indican que los autores
prefieren realizar sus investigaciones por
modelación determinística.
Programación Lineal
Según Martínez, López & Vertiz (2014), la
programación lineal es una herramienta
que le permite al investigador incluir
todas las variables y parámetros que
influyen en un análisis del sistema
productivo de una empresa. Debido a lo
anterior, autores como Tan et al (2016),
determinaron los ajustes óptimos en los
niveles de producción para identificar las
variables que existen en la pérdida de
insumos por medio de un modelo de
programación lineal difuso, de igual forma
un año más tarde Ammar, Guillaume &
Thierry (2016) utilizan el mismo modelo
de Tan et al (2016) los cuales obtienen sus
resultados mediante la aplicación de un
plan de requerimiento de materiales,
obteniendo una variación en el costo de
parametrización en una cadena de
suministros de un producto.
De igual forma, Motta & Silva (2016) y
Tonelli et al. (2016) por medio de un
modelo de programación lineal difuso,
planificaron la producción de envases de
vidrio minimizando el tiempo de tardanza
en los estándares de producción.
Igualmente, haciendo uso de un modelo
de programación lineal difuso,
Vafaeenezhad & Tavakkoli-Moghaddam
(2016) mejoran la planeación, distribución
y componentes de la cadena de suministro
y transporte requeridos en la industria de
madera y papel.
Por otra parte, Orejuela, Carrillo & Micán
(2010), formulan y aplican una propuesta
metodológica que guía a PYMES del sector
publi-comercial de la ciudad de Cali-
Colombia, con el fin de estipular la forma
correcta de realizar la construcción de un
programa de producción donde se les
permita establecer fechas de entrega
confiables. De igual forma, disminuir los
efectos ocasionados por los síntomas
observados en el área productiva y que
repercuten en las áreas administrativa y
comercial de dichas empresas. Así mismo,
Agostino Villa & Teresa Taurino (2015)
enfocan su trabajo en las PYMES cuyo con
el fin de diseñar programas de producción
que tengan en cuenta aspectos como la
secuencia de mecanizado precisa que debe
seguirse, la fecha en la que las órdenes se
liberan junto con las materias primas
necesarias, y la fecha de entrega que debe
cumplirse.
Seker, Erol & Botsali (2013) plantean un
mecanismo de organización para cumplir
con la demanda requerida, teniendo en
cuenta varios factores como cambios de
entorno de la empresa, flexibilidad de
producción y maquinaria. Además, las
recolecciones de los datos fueron
obtenidos durante 5 días de una empresa
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
104
mexicana equilibrando la capacidad de
todo el sistema.
Kumar, Chen & Esmaili (2015) usaron la
programación lineal como herramienta
para optimizar en tiempo real las
decisiones que se toman en sistemas de
múltiples plantas de producción que
realizan el mismo producto y varían la
eficiencia de la planta respecto al costo.
Abd, Abhary & Marian (2012) desarrollan
un modelo de optimización especificado
en cuatro reglas para encontrar la solución
óptima para la programación de dos
robots que ensamblan productos
tecnológicos en tres estaciones.
Dong, Lu & Gui (2012) resuelven la
planeación de la producción y la
programación tradicional mediante un
modelo de optimización lineal integrado,
enfocándose de manera heurística para
facilitar la solución del problema, de igual
forma se mejoró la manera de codificar y
decodificar las partículas, logrando
optimizarlas para el desarrollo del modelo
planteado.
En conclusión, se evidencia una gran
utilización de la programación lineal como
herramienta principal de las
investigaciones, desarrollando modelos
matemáticos que tengan en cuenta
parámetros como los costos de producción
y los precios de venta de los productos,
tomando en algunos casos además costos
de inventario. De igual forma se evidencia
que los modelos desarrollados tienen
como objetivo maximizar las utilidades o
minimizar los costos.
Además, los modelos desarrollados
contienen una serie de restricciones
primordiales, como lo son las restricciones
de oferta y demanda, inventario,
capacidad máxima y requerimiento de los
materiales.
Programación lineal entera mixta
A lo largo de la búsqueda, se encontró 15
investigaciones que utilizan la
programación lineal entera mixta, como
herramienta matemática. Este tipo de
programación requiere que algunas
variables tengan valores enteros mientras
que otras pueden asumir cualquier
número no negativo siendo así un modelo
de programación idóneo para la aplicación
en cualquier tipo de estudio, ya sea
experimental o documental.
En consecuencia, Gómez-Herrera, Escobar
& Figueroa-Cabrera (2013) desarrollan una
investigación con el fin de definir la
cantidad de materias primas requeridas
para el abastecimiento de panaderías a
nivel nacional por medio de un modelo de
programación lineal entera mixta. Así
mismo, Schenker, Steingrímsson,
Borndörfer & Seliger (2015) identifican las
variables de entrega en la fabricación de
materias primas para el ensamble de
bicicletas, tomando como referencia la
metodología propuesta para la
planificación de líneas de ensamble
secuenciales propuesta por Shi & Zhou
(2015).
Del mismo modo, Martínez, Toso &
Morabito (2016) definen patrones para
minimizar los costos totales de fabricación
de las máquinas empacadoras de pulpa
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
105
por medio de una programación lineal
entera mixta según limitantes como
características del producto y tamaño de
producción. Igualmente Sel, Bilgen,
Bloemhof-Ruwaard, & Van der Vorst
(2015) y Roshani & Giglio (2015), por
medio de herramientas computacionales,
analizan los resultados obtenidos para
mejorar la eficiencia de producción en la
industria del yogurt, con el objetivo de
minimizar los costos de producción
específicamente en el balanceo de líneas
de producción, basándose en las técnicas
de optimización planteadas por Bilgen &
Çelebi (2013). Así mismo, resaltan los
factores necesarios para implementar sus
modelos de optimización, como lo son la
capacidad que tiene la empresa para
producir un producto en específico, la
composición de su cadena de suministros
y modificación de sus líneas de
producción, los cuales hacen que el
estudio tenga mejores resultados a
comparación de otra empresa que no
cuente con los factores anteriormente
mencionados.
El uso de la programación lineal entera
mixta no solo puede ser utilizado para
empresas manufactureras, sino también se
puede realizar para otro tipo de empresas.
Esta idea la refleja Tan (2016)
desarrollando un modelo para determinar
la cantidad necesaria de CO2 para la
elaboración de biocarburos teniendo en
cuenta la metodología de extracción en
plantas petroquímicas planteada por
Kadambur & Kotecha (2016). En la
investigación se observan los niveles de
producción de cada una de las plantas de
las 8 empresas bajo estudio ubicadas en
Arabia Saudita.
De modo similar, Merchan, Lee &
Maravelias (2016) demuestran mediante
un estudio computacional integral, que
existen aceleraciones de hasta cuatro
órdenes de magnitud comparado con los
enfoques de coordinación y control
existentes de producción por lotes. Este
estudio en general aplica a la mayoría de
empresas químicas que realizan su
producción por lotes. Así mismo, Xu,
Sand, Harjunkoski & Engell (2012) definen
un método de coordinación en base de la
programación de dos tramos consecutivos
de producción, aplicado a una planta
siderúrgica. Igualmente, Gebennini,
Zeppetella, Grassi & Rimini (2015)
optimizaron la producción de una
empresa cervecera en Italia, en la cual, a
través de un modelo de programación
lineal entera mixta, determinaron las
variables y parámetros necesarios para la
producción, alcanzando los resultados de
coordinación y control que posteriormente
son analizados y estudiados.
Por otra parte, Milne, Mahapatra & Wang
(2015) en una empresa de memorias para
diferente tipo de dispositivos en Taiwán,
determinan los valores óptimos para los
plazos de entrega previstos para ser
utilizado por un sistema Plan de
Requerimiento de Materiales (MRP),
durante la ejecución de órdenes
planificadas bajo restricciones de
disponibilidad de capacidad. Así mismo,
Mori & Mahalec (2016) desarrollan una
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
106
metodología en una empresa metalúrgica,
con el fin de determinar el tipo de acero
que se debe utilizar para optimizar la
producción por colada continua.
Finalmente, mediante un modelo de
programación lineal entera mixta, autores
como Moussavi, Mahdjoub & Grunder
(2016) plantean un sistema de rotación de
personal para coordinar y controlar todos
los flujos de trabajadores que se maneja a
lo largo de todo un año, con el fin de
reducir el tiempo de producción durante
los 7 días de la semana.
El proceso de modelación por medio de
programación lineal entera mixta es
similar al modelo anterior, ya que de igual
manera se dan aquellos datos o cifras que
ya se tienen como parámetros, se busca la
maximización de la utilidades o
minimización de los costos y se tienen sus
restricciones según el tipo de problema
que se vaya a abordar. Sin embargo, se
observa una restricción para dos variables
que sean enteras y la utilización del
método de los números binarios, donde se
le dan valores a las variables, que pueden
ser 1 o 0, donde los autores las utilizan
para tomar decisiones respecto a si abrir o
no plantas de producción o centros de
distribución, De igual forma decidir si
producir cierto producto.
Algoritmos
Muchos modelos matemáticos pueden ser
definidos, ya sea por programación lineal
o programación lineal entera mixta,
dependiendo las características del sistema
a analizar, pero en algunos casos no
pueden ser solucionados por estos
métodos, debido a la complejidad
existente en los sistemas productivos y el
objetivo que desean alcanzar los
investigadores, lo que indica que se deben
tener otras formas de plantear un modelo
y desarrollarlo. Los algoritmos son una
buena estrategia de solución para
problemas que en algunos casos no
pueden ser desarrollados por métodos
convencionales. Debido a lo anterior,
diferentes autores desarrollan y analizan
sus resultados con diferentes tipos de
algoritmos, como multi-objetivo, genético,
entre otros, para la solución de problemas
y desarrollar mejor sus estudios con un
nuevo y útil sistema de solución.
Seker, Erol & Botsali (2013) & Zhang, Ong
& Nee (2015) mediante un algoritmo
multi- objetivo proponen un sistema
integrado de planificación que responda a
los diferentes tipos de fluctuación que
puedan existir durante los tiempos de
producción. De igual forma, Yang, Ma &
Wu (2016) y Roshani & Giglio (2015)
utilizan el algoritmo multi-objetivo con el
fin de minimizar el tiempo de fabricación
y costo de almacenamiento de varias
líneas de producción logrando optimizar
el proceso de fabricación de productos
prefabricados.
Por otro lado, Razmi, Jafarian & Amin
(2016) determinan el grado de satisfacción
que debe tener la empresa respecto a su
producción con ayuda de herramientas de
análisis de calidad. Zhang & Wong (2016)
diseñaron un sistema de planificación del
proceso (maquinaria, especificaciones del
producto, herramientas) para mejorar la
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
107
capacidad de respuesta de la empresa a
posibles cambios de un sistema de
producción.
Chen, Weng, Rong & Fujimura (2015)
diseñaron un método de optimización
para reducir los costos de inventario y
aumentar la satisfacción del cliente en un
entorno de producción, utilizando un
método integrado para mejorar el
rendimiento de un sistema de producción
y puede ser implementado y desarrollado
en investigaciones futuras.
Mourtzis, Doukas, Lalas & Papakostas
(2015), aumentan la productividad en la
industria textil, diseñando un sistema de
planificación y control por medio de un
algoritmo MRP, aplicándolo en un sistema
de mediana escala en una empresa de
Europa. Moniz, Barbosa-Póvoa & De
Sousa (2014), proponen un enfoque de
solución que tenga en cuenta la
integración y programación a corto plazo
en las plantas dosificadoras de usos
múltiples, de las empresas Quimico-
farmaceuticas, tomando 5 productos de
estas empresas en un tiempo de 3 meses.
Meneghetti & De Zan (2016), exponen un
modelo de programación el cual maneja la
logística de distribución y almacenamiento
de diferentes navíos de carga para
optimizar la entrega y desembarque de
conteiner en puertos marítimos, donde se
evidencia que el modelo se puede usar
como herramienta de ayuda en la decisión
para evaluar el impacto en los parámetros
definidos de distribución y
almacenamiento.
Salazar-Hornig & Medina (2013),
determinaron mediante el uso algoritmos
genéticos, la programación de las
diferentes máquinas que requieren una
intervención inmediata en la preparación
de la secuencia de producción, eliminando
el makespan en máquinas paralelas a
estas. Así mismo, |Eduardo & Giselle
(2014), realizaron una investigación sobre
la mejora y el análisis de las causas de los
makespan en máquinas secuenciales y
paralelas, determinando estrategias para
eliminarlas mediante algoritmos a
distintos problemas de programación de
las máquinas.
Por otra parte, autores como Cheref,
Artigues & Billaut (2016), emplearon
algoritmos de búsqueda tabú con el fin de
encontrar un programa y un plan de
entrega, con el fin de minimizar los
criterios de robustez de un escenario
incierto, realizando experimentos
computacionales los cuales proporcionan
el rendimiento de los métodos propuestos.
Pessoa, Montesco, Junqueira, Filho &
Miyagi (2013), establecieron diferentes
escenarios de planificación de la
producción, donde presentan de
procedimientos de asignación de tareas
por medio de métodos heurísticos. De
igual forma, en esta investigación se
presenta una asignación heurística dentro
de los sistemas de APS (Advanced
Planning and Scheduling) mediante el
empleo de las ventanas de tiempo de los
lotes con respecto a las limitaciones en la
programación de la producción con las
fechas finales de los productos.
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
108
En la gráfica 3, se puede evidenciar que la
programación lineal entera mixta junto
con los algoritmos, son las herramientas
matemáticas más utilizadas en los estudios
con modelos determinísticos,
evidenciando que cada una de estas
representan un 35% de los artículos
incluidos en esta categoría. Mientras que
la programación lineal solo cuenta con un
30% de las investigaciones.
Figura 3.- Clasificación de artículos por modelo determinístico
Modelos Estocásticos
Un proceso estocástico es un concepto
matemático que sirve para tratar con
magnitudes aleatorias que varían con el
tiempo, o más exactamente para
caracterizar una sucesión de variables
aleatorias, que evolucionan en función de
otra variable, generalmente el tiempo
(Marufuzzaman, Eksioglu & Huang, 2014).
Además, de acuerdo con Puterman (2014),
cualquier desarrollo temporal, sea
determinista o esencialmente
probabilístico, que pueda ser analizable en
términos de probabilidad merece ser
denominado como un proceso estocástico.
Teniendo en cuenta las investigaciones
encontradas, se evidencia que un 15% de
estas han aplicado modelos estocásticos.
Es así que autores como Ohno, Boh,
Nakade & Tamura (2016) establecen un
sistema de producción y distribución
basada en soluciones obtenidas por
métodos de solución markovianos y una
programación dinámica aproximada.
Araúzo, Olmo-Martínez, Laviós & Benito-
Martín (2015), desarrollan un sistema
holónico basado en aproximaciones, con el
fin de implementar un software de
programación y control para sistemas de
fabricación flexibles. Igualmente
González-Neira et al. (2016), desarrollan
una investigación con el fin de programar
almacenes de flujo flexible, bajo criterios
de decisión estocásticos tanto cuantitativos
como cualitativos, donde el criterio
cuantitativo es la tardanza total ponderada
y el cualitativo es la importancia del
cliente para la empresa, además se utilizó
un método de análisis integral, dado en
cuatro etapas: descripción del problema,
análisis cardinal, análisis ordinal, e
integración, siendo el análisis ordinal el
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
109
que se realiza mediante aceptabilidad
multicriterio estocástica con datos
ordinales, así mismo este análisis se
califica en función de la importancia del
cliente, obteniendo resultados que
evidencian un análisis integral, el cual
permite seleccionar las alternativas de
mejora en ambos criterios.
Hu & Hu (2016), plantean un modelo de
programación estocástica en una empresa
de equipos de frenado, la cual se
desarrolla en dos etapas donde
dimensionan los lotes y la programación
con baja incertidumbre, con el fin de
encontrar la mejor secuencia de cantidades
de producción bajo una demanda aleatoria
con órdenes pendientes permitidas,
evidenciando que el modelo estocástico
supera al modelo determinístico. De igual
forma a través de métodos estocásticos
Biyanto, Ramasamy, Jameran & Fibrianto
(2016), revisan los impactos térmicos e
hidráulicos en la programación de la
limpieza de un tren, mediante métodos
estocásticos recientes, ayudan a resolver el
tipo de modelo MINLP que se presenta
debido a que es muy complejo y encontrar
el óptimo global es difícil. Así las
optimizaciones se realizaron 44 meses
después de las variaciones de la pizarra
bruta y las condiciones de operación,
dando una solución a los algoritmos
estocásticos, observando que ignorando el
costo de bombeo adicional resulta como
programa de limpieza óptima.
Ghalelou, Fakhri, Nojavan, Majidi &
Hatami (2016), desarrollan un programa
estocástico de auto programación para el
almacenamiento de aire comprimido en
fuentes de energía renovable, basado en
un mecanismo de respuesta a la demanda.
Además, se incorpora un problema
estocástico de auto programación por un
tomador de decisiones para reducir el
costo de operación, considerando modelos
de incertidumbre de precio de mercado,
carga y velocidad del viento.
Por otra parte, Leite & Dimitrakopoulos
(2014), desarrollan una investigación con
el objetivo de realizar de la programación
de la producción minera, mostrando que
los métodos convencionales no dan cuenta
de incertidumbres técnicas inherentes
como la incertidumbre del suministro de
mineral/metal esperado del subsuelo,
siendo este el más crítico, en la cual se
formula la programación entera
estocástica en un depósito de cobre
maximizando el valor económico de un
proyecto y minimizando las desviaciones
del objeto de producción en presencia de
la incertidumbre. Finalmente, Abubakar,
Sriramula & Renton (2015) utilizan un
modelo de programación estocástica
entera para programar la producción en
una mina, teniendo en cuenta factores
como extracción, equipos y rendimiento
de trabajadores.
En la tabla 1 se muestra un resumen de los
artículos referenciados en este artículo, los
cuales han sido objeto de revisión en cada
una de las temáticas tratadas.
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
110
Tabla 1.- Estructura contenido revisión de literatura
MODELOS DETERMINISTICOS
Programación lineal He, Zhang, & Li (2014); Tan et al. (2016) ; Ammar, Guillaume, &
Thierry (2016); Motta, Silva, Bressan & Almada (2016) ; F. Tonelli et
al. (2016); Vafaeenezhad & Tavakkoli-Moghaddam(2016); Cabrera,
Ocampo & Micán (2010); Villa & Taurino(2015); Kumar, Chen &
Esmaili(2015); Abd, Abhary & Marian(2012); Dong, Lu, & Gui(2012).
Programación lineal
entera mixta
Sel, Bilgen, Bloemhof & van der Vorst (2015); Juan, John & Álvaro
(2013); Schenker, Steingrímsson, Borndörfer & Seliger (2015); Shi &
Zhou (2015); Martínez, Toso & Morabito (2016); Roshani & Giglio
(2015); Yue & You (2015); Tan (2016); Kadambur & Kotecha (2016);
Serrano, Moral, Delorme & Dolgui (2016); Merchan, Lee &
Maravelias (2016); Xu, Sand, Harjunkoski & Engell (2012);
Gebennini, Zeppetella, Grassi & Rimini (2015); Milne, Mahapatra &
Wang (2015); Mori & Mahalec(2015); Moussavi, Mahdjoub &
Grunder (2016).
Algoritmo Seker, Erol & Botsali (2013); Zhang, Ong & Nee (2015); Yang, Ma &
Wu (2016); Roshani & Giglio (2015); Razmi, Jafarian & Amin (2016);
Zhang & Wong (2016); Chen, Weng, Rong & Fujimura (2015);
Mourtzis, Doukas, Lalas & Papakostas (2015); Moniz, Póvoa Sousa
(2014); Meneghetti & Zan (2016); Salazar & Medina (2013); Eduardo
& Giselle (2014); Cheref, Artigues & Billaut (2016); Pessoa, Montesco,
Filho & Miyagi (2013).
MODELOS ESTOCÀSTICOS
Programación
estocástica
Ohno, Boh, Nakade & Tamura (2016); Araúzo, Martínez, Laviós, &
Martín (2015); González, García, Villalobos, Sánchez, & Torres
(2016); Hu & Hu (2016); Biyanto, Ramasamy, Jameran, & Fibrianto
(2016); Ghalelou, Fakhri, Nojavan, Majidi, & Hatami (2016); Leite &
Dimitrakopoulos (2014); Matamoros & Dimitrakopoulos (2016);
Abubakar, Sriramula, & Renton (2015).
Método de
aproximación Araúzo, Martínez, Laviós, & Martín (2015)
CONCLUSIONES
La revisión muestra un incremento en el
número de publicaciones acerca del tema
de Planeación y Programación de la
Producción, la gran mayoría aplicadas en
empresas manufactureras y muy pocos
estudios realizados en empresas de tipo
Industrial. Estas revisiones se realizaron
con investigaciones publicadas hasta el
año 2016, lo que muestra que este artículo
cuenta con los últimos estudios respecto al
tema en estudio, las aplicaciones que se
hicieron en diferentes partes del mundo y
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
111
las soluciones para cada tipo de estudio
con la implementación de esta nueva
técnica de producción.
De la misma forma, se evidenció que
existe una mayor cantidad de artículos
relacionados con los Modelos
Determinísticos, siendo investigaciones
netamente de tipo cuantitativo. En
concordancia con lo anterior, las empresas
han venido tomando conciencia de la
importancia de implementar esta técnica
de producción, debido a los beneficios que
le puede atribuir a la empresa que la
aplique, además de la rentabilidad
económica que obtendrá, evidenciado en
el artículo investigado al culminar la
revisión.
REFERENCIAS
Abd, K., Abhary, K., & Marian, R. (2012).
Efficient scheduling rule for robotic flexible
assembly cells based on fuzzy approach.
Procedia CIRP, 3, 483-488.
Abubakar, U., Sriramula, S., & Renton, N. C.
(2015). Stochastic techno-economic
considerations in biodiesel production.
Sustainable Energy Technologies and Assessments,
9, 1-11.
Alejandro, G.-H. J., Willmer, E. J., & Álvaro,
F.-C. (2013). A Multi-Product Lot-Sizing
Model for a Manufacturing Company.
Ingeniería, Investigación y Tecnología, 14(3), 413-
419.
Ammar, O. B., Guillaume, R., & Thierry, C.
(2016). MRP parameter evaluation under
fuzzy lead times. IFAC-PapersOnLine, 49(12),
1110-1115.
Araúzo, J., del-Olmo-Martínez, R., Laviós, J., &
de-Benito-Martín, J. (2015). Programación y
Control de Sistemas de Fabricación Flexibles:
un Enfoque Holónico. Revista Iberoamericana de
Automática e Informática Industrial RIAI, 12(1),
58-68.
Bilgen, B., & Çelebi, Y. (2013). Integrated
production scheduling and distribution
planning in dairy supply chain by hybrid
modelling. Annals of Operations Research,
211(1), 55-82.
Biyanto, T. R., Ramasamy, M., Jameran, A. B.,
& Fibrianto, H. Y. (2016). Thermal and
hydraulic impacts consideration in refinery
crude preheat train cleaning scheduling using
recent stochastic optimization methods.
Applied Thermal Engineering, 108, 1436-1450.
Cabrera, J. P. O., Carrillo, J. J. O., & Rincón, C.
A. M. (2010). Propuesta metodológica para la
programación de la producción en las PYMES
del sector artes gráficas, área publi-comercial.
Estudios Gerenciales, 26(114), 97-118.
Chapman, S. N. (2006). Planificación y Control
de la Producción. México: Pearson educación.
Chase, R. B., & Jacobs, F. R. (2010).
Administración de operaciones: producción y
cadena de suministros. México: McGraw Hill.
Chen, J., Weng, W., Rong, G., & Fujimura, S.
(2015). Integrating Genetic Algorithm with
Time Control for Just-In-Time Scheduling
Problems. IFAC-PapersOnLine, 48(3), 893-897.
Cheref, A., Artigues, C., & Billaut, J.-C. (2016).
A new robust approach for a production
scheduling and delivery routing problem.
IFAC-PapersOnLine, 49(12), 886-891.
Collier, D., & Evans, J. (2009). Administración de
operaciones. México: Cengage Learning.
Dong, Q., Lu, J., & Gui, Y. (2012). Integrated
optimization of production planning and
scheduling in mixed model assembly line.
Procedia Engineering, 29, 3340-3347.
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
112
Eduardo, S.-H., & Giselle, S.-A. (2014).
Estrategias evolutivas para la minimización
del makespan en una máquina con tiempos de
preparación dependientes de la secuencia.
Ingeniería, Investigación y Tecnología, 15(1), 1-10.
Gebennini, E., Zeppetella, L., Grassi, A., &
Rimini, B. (2015). Production scheduling to
optimize the product assortment in case of
constrained capacity and customer-driven
substitution. IFAC-PapersOnLine, 48(3), 1954-
1959.
Ghalelou, A. N., Fakhri, A. P., Nojavan, S.,
Majidi, M., & Hatami, H. (2016). A stochastic
self-scheduling program for compressed air
energy storage (CAES) of renewable energy
sources (RESs) based on a demand response
mechanism. Energy Conversion and
Management, 120, 388-396.
González-Neira, E. M., García-Cáceres, R. G.,
Caballero-Villalobos, J. P., Molina-Sánchez, L.
P., & Montoya-Torres, J. R. (2016). Stochastic
flexible flow shop scheduling problem under
quantitative and qualitative decision criteria.
Computers & Industrial Engineering, 101, 128-
144.
He, N., Zhang, D., & Li, Q. (2014). Agent-
based hierarchical production planning and
scheduling in make-to-order manufacturing
system. International Journal of Production
Economics, 149, 117-130.
Heizer, J., & Render, B. (2004). Principios de
administración de operaciones. México: Pearson
Educación.
Hu, Z., & Hu, G. (2016). A two-stage stochastic
programming model for lot-sizing and
scheduling under uncertainty. International
Journal of Production Economics, 180, 198-207.
Kadambur, R., & Kotecha, P. (2016). Optimal
production planning in a petrochemical
industry using multiple levels. Computers &
Industrial Engineering, 100, 133-143.
Krippendorff, K. (2012). Content analysis: An
introduction to its methodology. USA: Sage.
Kumar, D., Chen, Y., & Esmaili, A. (2015).
Inclusion of Long-term Production
Planning/Scheduling into Real-time
Optimization. IFAC-PapersOnLine, 48(8), 229-
233.
Leite, A., & Dimitrakopoulos, R. (2014).
Stochastic optimization of mine production
scheduling with uncertain ore/metal/waste
supply. International Journal of Mining Science
and Technology, 24(6), 755-762.
Machuca, J. A. D., González, S. G., Machuca,
M. Á. D., Jiménez, A. R., & Gil, M. J. Á. (2003).
Dirección de operaciones: aspectos tácticos y
operativos en la producción y los servicios.
México: McGraw-Hill.
Martínez, I., López, F., & Vertiz, G. (2014).
Investigación de Operaciones: Serie Universitaria
Patria. México: Grupo Editorial Patria.
Martínez, K. Y., Toso, E. A., & Morabito, R.
(2016). Production planning in the molded
pulp packaging industry. Computers &
Industrial Engineering, 98, 554-566.
Marufuzzaman, M., Eksioglu, S. D., & Huang,
Y. E. (2014). Two-stage stochastic
programming supply chain model for
biodiesel production via wastewater
treatment. Computers & Operations Research, 49,
1-17.
Meneghetti, A., & De Zan, E. (2016).
Technicians and Interventions Scheduling for
the Maintenance Service of Container Ships.
Procedia CIRP, 47, 216-221.
Merchan, A. F., Lee, H., & Maravelias, C. T.
(2016). Discrete-time mixed-integer
programming models and solution methods
for production scheduling in multistage
facilities. Computers & chemical engineering, 94,
387-410.
Milne, R. J., Mahapatra, S., & Wang, C.-T.
(2015). Optimizing planned lead times for
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
113
enhancing performance of MRP systems.
International Journal of Production Economics,
167, 220-231.
Moniz, S., Barbosa-Póvoa, A. P., & de Sousa, J.
P. (2014). Simultaneous regular and non-
regular production scheduling of
multipurpose batch plants: A real chemical–
pharmaceutical case study. Computers &
chemical engineering, 67, 83-102.
Montroll, E. (2012). Fluctuation phenomena (Vol.
7): USA: Elsevier.
Mori, J., & Mahalec, V. (2016). Planning and
scheduling of steel plates production. Part II:
Scheduling of continuous casting. Computers &
chemical engineering.
Mourtzis, D., Doukas, M., Lalas, C., &
Papakostas, N. (2015). Cloud-based integrated
shop-floor planning and control of
manufacturing operations for mass
customisation. Procedia CIRP, 33, 9-16.
Moussavi, S., Mahdjoub, M., & Grunder, O.
(2016). Reducing production cycle time by
ergonomic workforce scheduling. IFAC-
PapersOnLine, 49(12), 419-424.
Ohno, K., Boh, T., Nakade, K., & Tamura, T.
(2016). New approximate dynamic
programming algorithms for large-scale
undiscounted Markov decision processes and
their application to optimize a production and
distribution system. European Journal of
Operational Research, 249(1), 22-31.
Pessoa, M. A., Montesco, R. A. E., Junqueira,
F., dos Santos Filho, D. J., & Miyagi, P. E.
(2013). Advanced planning and scheduling
systems based on time windows and
constraint programming. IFAC Proceedings
Volumes, 46(7), 192-197.
Pokharel, S., & Mutha, A. (2009). Perspectives
in reverse logistics: a review. Resources,
Conservation and Recycling, 53(4), 175-182.
Puterman, M. L. (2014). Markov decision
processes: discrete stochastic dynamic
programming. USA: John Wiley & Sons.
Razmi, J., Jafarian, E., & Amin, S. H. (2016). An
intuitionistic fuzzy goal programming
approach for finding pareto-optimal solutions
to multi-objective programming problems.
Expert Systems with Applications, 65, 181-193.
Roshani, A., & Giglio, D. (2015a). A
Mathematical Programming Formulation for
Cost-oriented Multi-manned Assembly Line
Balancing Problem. IFAC-PapersOnLine, 48(3),
2293-2298.
Roshani, A., & Giglio, D. (2015b). A simulated
annealing approach for multi-manned
assembly line balancing problem type II.
IFAC-PapersOnLine, 48(3), 2299-2304.
Salazar-Hornig, E., & Medina, S. (2013).
Minimizatión del makespan en máquinas
paralelas idénticas con tiempos de preparación
dependientes de la secuencia utilizando un
algoritmo genético. Ingeniería, Investigación y
Tecnología, 14(1), 43-51.
Schenker, S., Steingrímsson, J. G., Borndörfer,
R., & Seliger, G. (2015). Modelling of Bicycle
Manufacturing via Multi-criteria Mixed
Integer Programming. Procedia CIRP, 26, 276-
280.
Seker, A., Erol, S., & Botsali, R. (2013). A
neuro-fuzzy model for a new hybrid
integrated Process Planning and Scheduling
system. Expert Systems with Applications,
40(13), 5341-5351.
Sel, C., Bilgen, B., Bloemhof-Ruwaard, J., &
van der Vorst, J. G. (2015). Multi-bucket
optimization for integrated planning and
scheduling in the perishable dairy supply
chain. Computers & chemical engineering, 77, 59-
73.
Shabani, N., & Sowlati, T. (2013). A mixed
integer non-linear programming model for
tactical value chain optimization of a wood
Ingeniería Industrial.
Actualidad y Nuevas Tendencias
Año 10, Vol. V, N° 18
ISSN: 1856-8327
Silva, et al.,… planeación y programación de la producción… , p. 99-114
114
biomass power plant. Applied Energy, 104, 353-
361.
Shi, T., & Zhou, X. (2015). A mixed integer
programming model for optimizing multi-
level operations process in railroad yards.
Transportation Research Part B: Methodological,
80, 19-39.
Tan, R., Aviso, K., Cayamanda, C., Chiu, A.,
Promentilla, M., Ubando, A., & Yu, K. (2016).
A fuzzy linear programming enterprise input–
output model for optimal crisis operations in
industrial complexes. International Journal of
Production Economics, 181, 410-418.
Tan, R. R. (2016). A multi-period source–sink
mixed integer linear programming model for
biochar-based carbon sequestration systems.
Sustainable Production and Consumption, 8, 57-
63.
Vafaeenezhad, T., & Tavakkoli-Moghaddam,
R. (2016). Fuzzy multi-objective supply chain
master planning in a wood and paper
industry: A case study. IFAC-PapersOnLine,
49(12), 1632-1637.
Villa, A., & Taurino, T. (2015). Open-Loop-
Feedback Scheduling for Multi-stage
Production Systems. Procedia CIRP, 33, 99-104.
Xu, C., Sand, G., Harjunkoski, I., & Engell, S.
(2012). An innovative scheduling coordination
method for improved productivity and energy
efficiency of a large-scale integrated steel
plant. IFAC Proceedings Volumes, 45(23), 250-
255.
Yang, Z., Ma, Z., & Wu, S. (2016). Optimized
flowshop scheduling of multiple production
lines for precast production. Automation in
Construction, 72, 321-329.
Zhang, L., & Wong, T. (2016). Solving
integrated process planning and scheduling
problem with constructive meta-heuristics.
Information Sciences, 340, 1-16.
Zhang, R., Ong, S., & Nee, A. Y. (2015). A
simulation-based genetic algorithm approach
for remanufacturing process planning and
scheduling. Applied Soft Computing, 37, 521-
532.
Autores
Julián David Silva Rodríguez. Universidad de Boyacá. Grupo de Investigación LOGyCA.
Ingeniero Industrial de la Universidad de Boyacá, Magister en Ingeniería con énfasis en
Ingeniería Industrial de la Universidad Pedagógica y Tecnológica de Colombia. Docente
Investigador del Programa de Ingeniería Industrial de la Universidad de Boyacá, Colombia.
Email: [email protected]
Camilo Alejandro Díaz Cárdenas. Universidad de Boyacá. Grupo de Investigación LOGyCA.
Tunja, Boyacá, Colombia. Estudiante del Programa de Ingeniera Industrial de la Universidad de
Boyacá. Semillero de Investigación PRODUCTIVIDAD.
Email: [email protected]
Julián Hernando Galindo Carabalí. Universidad de Boyacá. Grupo de Investigación LOGyCA.
Tunja, Boyacá, Colombia. Estudiante del Programa de Ingeniera Industrial de la Universidad de
Boyacá. Semillero de Investigación PRODUCTIVIDAD.
Email: [email protected]
Recibido: 19-08-2016 Aceptado: 25-10-2016