Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2019, No. 1, pp. 154-262
212 Lagos y col.
Tabla 3. Indicadores obtenidos al incorporar la variabilidad del tamaño del pedido y de los tiempos de servicio.
Indicadores
Con variabilidad en el tamaño de
pedido
Con variabilidad en el tamaño de
pedido y tiempo de servicio
Media Desv. Estándar Media Desv. Estándar
Makespan (hora) 389,684 4,471 389,717 5,022
Unidades procesadas 14985,600 171,946 14986,920 193,165
Unidades en sistema 4056,705 92,841 4057,528 104,389
Los resultados indican que al incorporar la
variabilidad dentro del proceso de análisis, el Makespan
aumenta. Para el caso que incorpora la variabilidad en el
tamaño del pedido, el aumento fue de 25,684 horas, lo que
representa un 7,056%. Las cifras fueron muy similares
cuando se consideró la variabilidad del tamaño del pedido
y del tiempo de servicio.
Al observar los indicadores medios del sistema
que incorporan solo la variabilidad del tamaño del pedido,
frente al que además incluye la variabilidad del tiempo de
servicio, estos son prácticamente iguales. La diferencia
más notable entre estos dos casos está en el aumento de la
desviación estándar, en 12%.
Conclusiones
Un secuenciamiento que se construye con datos constante
genera un Makespan menor que aquel que incorpora la
variabilidad dentro del análisis.
Los indicadores medios (Makespan, Unidades procesadas,
Unidades en sistema) de la evaluación del modelo con la
variabilidad en el tamaño del pedido, y del modelo que
además incorpora la variabilidad del tiempo de servicio
son muy similares.
La varianza de los indicadores (Makespan, Unidades
procesadas, Unidades en sistema) es un 12% mayor
cuando se incorpora la variabilidad en el tamaño del
pedido y del tiempo de servicio, que cuando solo se
considera la variabilidad del tamaño del pedido.
[1] Chen W.J.: Scheduling with dependent setups and
maintenance in a textile company. Comput. Ind.
Eng., Vol. 57, No. 3 (2009) 867–873.
[2] Azadeh A., Ghaderi S.F., Dehghanbaghi M. and
Dabbaghi A.: Integration of simulation, design
of experiment and goal programming for
minimization of makespan and tardiness. Int. J.
Adv. Manuf. Technol., Vol. 46, No. 5–8 (2010) 431–
444.
[3] Perez R., Joens S. and Hernandez A.: Solution of
an Estimation of Distribution Algorithm. Rev.
Iberoam. Autom. E Inform. Ind., Vol. 12, No. 1
(2015) 49–57.
[4] Lee T. and Loong Y.: A review of scheduling
shop. Int. J. Ind. Eng. Comput., Vol. 10, No. 1 (2019)
67–88.
[5] Li X. and Gao L.: An effective hybrid genetic
scheduling problem. Int. J. Prod. Econ., Vol. 174
(2016) 93–110.
[6] Ying K., Lu C. and Lin S.: Improved Exact Methods
for Solving No-Wait Flowshop Scheduling
Problems With Due Date Constraints. IEEE
Access, Vol. 6 (2018) 30702–30713.
[7] Wang Y., Li X. and Ma Z.: A Hybrid Local Search
Algorithm for the Sequence Dependent Setup
Times Flowshop Scheduling Problem with
Makespan Criterion. Sustainability, Vol. 9, No. 12
(2017).
[8] Pan Q., Gao L., Wang L., Liang J. and Li X.: Effective
heuristics and metaheuristics to minimize
., Vol. 124
(2019) 309–324.
[9] Gu M., Lu X., and Gu J.: An asymptotically
optimal algorithm for large-scale mixed job shop
scheduling to minimize the makespan. J. Comb.
Optim., Vol. 33, No. 2 (2017) 473–495.
[10] Zhou E., Zhu J. and Deng L.: Flexible job-shop
scheduling based on genetic algorithm and
simulation validation. MATEC Web of Conferences,
Vol. 100 (2017).
[11] Pérez-Rodríguez R., Jöns S., Hernández-Aguirre
A. and Alberto-Ochoa C.: Simulation optimization
an estimation of distribution algorithm. Int. J. Adv.
Manuf. Technol., Vol. 73, No. 1–4, (2014) 3–21.
[12] Guo B., Xu L. and Yang Q.: A production scheduling
method based on interactive simulation and
expert system. ICTE 2011 - Proceedings of the
3rd International Conference on Transportation
Engineering, (2011) 482–487.