Mejora de tiempos de entrega en un

flow shop híbrido flexible usando

técnicas inteligentes. Aplicación en
la industria de tejidos técnicos

Jaime Antero Arango Marín

Universidad Nacional de Colombia

Facultad de Ingeniería y Arquitectura, Departamento de Ingeniería Industrial
Manizales, Colombia
2016
Improving delivery times in a hybrid
flexible flow shop using smart
techniques. Application in technical
textiles industry

Jaime Antero Arango Marín

Universidad Nacional de Colombia

Faculty of Engineering and Architecture, Department of Industrial Engineering
Manizales, Colombia
2016
Mejora de tiempos de entrega en un
flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en
la industria de tejidos técnicos

Jaime Antero Arango Marín

Tesis presentada como requisito parcial para optar al título de:

Doctor en Ingeniería

Director (a):
Doctor Jaime Alberto Giraldo García
Codirector (a):
Ph. D. Omar Danilo Castrillón Gómez

Línea de Investigación:
Industria y Organizaciones
Grupo de Investigación:
Innovación y Desarrollo Tecnológico

Universidad Nacional de Colombia

Facultad de Ingeniería y Arquitectura, Departamento de Ingeniería Industrial
Manizales, Colombia
2016
"Los científicos de hoy han substituido los experimentos por matemáticas, y vagan de
ecuación en ecuación, y, finalmente, construyen una estructura que no tiene ninguna
relación con la realidad."
Nikola Tesla

A mi esposa y a mis hijos por su paciencia y

su apoyo.
Agradecimientos
El autor reconoce la guía y orientación del Doctor Jaime Alberto Giraldo García como
director de su proceso de doctorado así como el acompañamiento del Doctor Omar
Danilo Castrillón Gómez en calidad de co-director. Igualmente se valoran los aportes a
este trabajo de los Magister Juan Camilo López Vargas y Ángela González Palacio, que
desarrollaron como trabajos finales de su maestría, elementos parciales de solución al
problema de investigación. También cabe destacar el trabajo de la Ingeniera Mónica
Marcela Ramírez Pimiento, quién como trabajo de grado de pregrado clasificó los
antecedentes bibliográficos para la construcción del estado del arte, así como el aporte
de la Ingeniera Deisy Yesenia Cardona Cundar con su trabajo de grado de pregrado
consistente en encontrar las empresas donde debía aplicarse el trabajo de campo; y la
labor de la Ingeniera Laura Fernanda Ramírez Mejía, como estudiante auxiliar,
documentando los productos de software y haciendo los contactos para el trabajo de
campo.

El autor quiere agradecer en forma especial los comentarios y aportes de los Doctores
William Ariel Sarache Castro, José Adalberto Soto Mejía, Diana María Cárdenas Aguirre
y Yasel José Costa Salas, en calidad de jurados evaluadores del examen de calificación
y la tesis de doctorado. Sus acertadas y constructivas opiniones fueron determinantes
para la calidad del producto final de la investigación

Se reconoce, de igual manera, el apoyo de la Dirección de Investigaciones y Extensión

de la sede Manizales DIMA, dentro de la Convocatoria de apoyo a tesis de posgrado-
DIMA 2012. Proyecto Hermes 15917.
ResumenIntroducción X

Resumen
Se busca aportar herramientas útiles para la programación de producción en la industria
de tejidos técnicos. Se parte de las condiciones actuales de la programación de
producción en este tipo de industria y de los antecedentes en la literatura científica sobre
modelos aplicables a estos entornos. Se propone un modelo de solución por técnicas
inteligentes a la problemática de la secuenciación y asignación de tareas en los entornos
flow shop híbrido flexible considerando situaciones como: paralelismo entre máquinas no
relacionadas, tiempos de montaje dependientes de la secuencia, entrada dinámica de
trabajos, restricción de elegibilidad, maleabilidad y lotes de transferencia variables entre
etapas. De allí se construye la propuesta de solución que involucra simultáneamente
todas las condiciones de entorno real mencionadas y aplica un algoritmo genético
modificado de acuerdo a las características del problema. Se concluye que el modelado
considerando condiciones realistas es posible, que los algoritmos genéticos son una
opción práctica para entornos reales y que las empresas pueden obtener mejoras en su
capacidad de respuesta con este tipo de soluciones.

Palabras clave: Secuenciación de tareas, Industria Textil, Algoritmos Genéticos, Tejidos

Técnicos, Flow shop
Abstract XI

Abstract
It seeks to provide useful tools for production scheduling in the technical textiles industry.
It begins in the current conditions of production scheduling in this type of industry and the
background in scientific literature, applicable to these environments models. The
mathematical model to solve the problem of sequencing and assigning jobs in Flexible
hybrid flow shop environments is developed considering: unrelated parallel machines,
sequence dependent setup time, dynamic entry of jobs, availability constrain, malleability
and variable transfer batches between stages. The solution proposal is build including all
actual environment features considered together and applying a modified genetic
algorithm modeled according to the problem. It is concluded that the model of scheduling
problems considering realistic conditions is possible, that genetic algorithms are a
practical option for real environments, and that companies can achieve improvements in
their responsiveness with this kind of solutions.

Keywords: task scheduling, textile industry, genetic algorithms, Technical textiles, flow
shop
 XII Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Contenido
Pág.

0. Introducción ..................................................................................................................... 4
0.1 Problema de investigación ............................................................................................. 7
0.2 Objetivos ........................................................................................................................... 8
0.2.1 Objetivo General.......................................................................................................... 8
0.2.2 Objetivos Específicos ................................................................................................. 8
0.3 Hipótesis ........................................................................................................................... 9
0.4 Alcance y Limitaciones ................................................................................................... 9
0.5 Metodología.................................................................................................................... 10
0.6 Productos obtenidos ..................................................................................................... 10
0.6.1 Generación de nuevo conocimiento ....................................................................... 10
0.6.2 Productos de Software ............................................................................................. 11
0.6.3 Apropiación Social del Conocimiento..................................................................... 11
0.6.3.1 Ponencias presentadas en eventos académicos en el área del proyecto: .. 11
0.6.3.2 Artículos para revistas indexadas ....................................................................... 13
0.6.3.3 Distinciones ............................................................................................................ 14
0.6.3.4 Trabajos de Grado de pregrado .......................................................................... 14
0.6.3.5 Tesis de Maestría .................................................................................................. 14
0.6.3.6 Tesis de doctorado en Ingeniería (Línea de Investigación en Industria y
Organizaciones). ....................................................................................................................... 14
0.7 Esquema general de la tesis: ...................................................................................... 15

1. Antecedentes Contextuales y Teóricos ............................................................................ 17

1.1 Industria de Tejidos Técnicos ........................................................................................... 17
1.1.1 Descripción General de la Industria de Tejidos Técnicos .................................... 17
1.1.1.1 Materias Primas .................................................................................................. 18
1.1.1.2 Productos............................................................................................................. 18
1.1.1.3 Proceso General................................................................................................. 18
1.1.1.3.1 Preparación de Hilaza ....................................................................................... 18
1.1.1.3.2 Urdizaje ................................................................................................................ 19
1.1.1.3.3 Remetido ............................................................................................................. 19
1.1.1.3.4 Tejeduría .............................................................................................................. 19
1.1.1.3.5 Acabados ............................................................................................................. 19
1.1.2 La Industria de Tejidos Técnicos en Colombia ...................................................... 20
Contenido XIII

1.1.2.1 Las variables a optimizar en la programación de producción de la

Industria de Tejidos Técnicos en Colombia ....................................................................... 21
1.1.2.2 Las metodologías y herramientas de programación de Producción en la
Industria de Tejidos técnicos ................................................................................................ 22
1.1.2.3 La competitividad de la industria de tejidos técnicos en Colombia ............ 23
1.2 El problema de programación de la producción en un flow shop híbrido flexible 23
1.2.1 Problema de Programación de la producción ........................................................ 23
1.2.1.1 Flow shop ............................................................................................................ 24
1.2.1.2 Flow shop Híbrido............................................................................................... 24
1.2.1.3 Flow shop Híbrido Flexible ................................................................................ 24
1.2.2 Condiciones realistas en programación de producción........................................ 24
1.2.2.1 Máquinas Paralelas no relacionadas .............................................................. 24
1.2.2.2 Tiempo de montaje dependiente de la secuencia ......................................... 25
1.2.2.3 Lotes de transferencia ....................................................................................... 25
1.2.2.4 Maleabilidad ........................................................................................................ 25
1.2.2.5 Entrada Dinámica ............................................................................................... 26
1.2.2.6 Restricción de elegibilidad ................................................................................ 26
1.2.2.7 Más de dos etapas ............................................................................................. 26
1.2.2.8 Función objetivo considerando fecha de entrega o costos .......................... 27
1.2.2.9 Datos basados en entornos reales .................................................................. 27
1.2.3 Las técnicas inteligentes ........................................................................................... 27
1.2.3.1 Metaheurísticas................................................................................................... 27
1.2.3.1.1 Algoritmos Genéticos ......................................................................................... 28
1.2.3.1.2 Colonia de Hormigas ......................................................................................... 28
1.2.3.1.3 Recocido Simulado ............................................................................................ 28
1.2.3.1.4 Búsqueda Tabú................................................................................................... 29
1.2.3.1.5 Agentes Inteligentes........................................................................................... 29
1.2.3.1.6 Otros ..................................................................................................................... 29
1.3 Estado del arte ............................................................................................................... 29
1.3.1 Estado del arte de las técnicas de programación de producción en entornos
relacionados con el de producción de tejidos técnicos ....................................................... 30
1.3.2 Estado del Arte de aplicación de condiciones realistas en problemas de
programación de producción afines a la industria de tejidos técnicos .............................. 34
1.3.3 Estado del arte de la programación de producción en entornos flow shop
híbrido flexible ............................................................................................................................ 37
1.4 Conclusiones del capítulo ............................................................................................ 43

2. Modelo matemático de la propuesta de solución ............................................................ 45

2.1 Descripción de la metodología .................................................................................... 45
2.1.1 Definición de conjuntos e índices ........................................................................... 46
2.1.2 Definición de Variables ............................................................................................. 47
2.1.3 Definición de Parámetros ......................................................................................... 47
2.1.4 Modelo matemático completo.................................................................................. 48
2.2 Conclusiones del Capítulo ........................................................................................... 50

3. Algoritmos propuestos para la solución del modelo ......................................................... 52

3.1 Algoritmo genético básico ............................................................................................ 53
3.1.1 Diseño del cromosoma ............................................................................................. 53
3.1.2 Población inicial ......................................................................................................... 53
 XIV Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

3.1.3 Asignación en etapas con máquinas paralelas .................................................... 54

3.1.4 Cálculo de la función objetivo .................................................................................. 54
3.1.5 Selección de Padres: ................................................................................................ 54
3.1.6 Cruzamiento: .............................................................................................................. 55
3.1.7 Mutación ..................................................................................................................... 55
3.1.8 Actualización de la población .................................................................................. 55
3.1.9 Criterio de parada...................................................................................................... 56
3.2 Propuestas de modificaciones al algoritmo ............................................................... 56
3.2.1 Asignación de máquinas en las etapas con paralelismo por Índice de
Flexibilidad ................................................................................................................................. 56
3.2.2 Población inicial basada en reglas de prioridad ................................................... 57
3.2.3 Selección de Padres determinística ....................................................................... 58
3.2.4 Cruzamiento con operador que conserva fragmentos de secuencias en
iguales posiciones. .................................................................................................................... 58
3.2.5 Probabilidad Variable de mutación ......................................................................... 59
3.3 Conclusiones del capítulo ............................................................................................ 60

4. Resultados ..................................................................................................................... 61
4.1 Diseño del conjunto de datos de prueba ................................................................... 61
4.2 Primera fase: Prueba de las propuestas de modificación ...................................... 64
4.2.1 Diseño experimental primera fase .......................................................................... 64
4.2.2 Parámetros de las variantes del algoritmo en la primera fase ........................... 65
4.2.3 Resultados computacionales primera fase ........................................................... 66
4.2.4 Discusión de resultados de la primera etapa ........................................................ 69
4.3 Segunda fase: Prueba de las propuestas definitivas .............................................. 70
4.3.1 Diseño de las variantes del algoritmo para las propuestas definitivas ............. 70
4.3.2 Parámetros de las variantes del algoritmo de las propuestas definitivas......... 71
4.3.3 Resultados computacionales de las propuestas definitivas ............................... 72
4.3.4 Discusión de los resultados ..................................................................................... 82
4.4 Conclusiones del capítulo ............................................................................................ 86

5. Conclusiones Generales .................................................................................................. 87

6. Recomendaciones........................................................................................................... 89

7. Líneas de trabajo futuro.................................................................................................. 91

Lista de figuras XV

Lista de figuras
Pág.
Figura 0-1 Esquema de la introducción ...................................................................................... 4
Figura 1-1 Esquema del capítulo ............................................................................................... 17
Figura 1-2: Proceso de Fabricación de Tejidos Técnicos ....................................................... 18
Figura 1-3 Proporción de trabajos que mencionan su aplicación a la industria textil ......... 31
Figura 1-4: Tipos de problemas estudiados en los artículos sobre secuenciación
revisados para el estado del arte................................................................................................ 32
Figura 1-5: Algoritmos de solución aplicados a problemas de secuenciación .................... 33
Figura 1-6: Porcentaje de aplicación de funciones objetivo en trabajos de secuenciación.
.......................................................................................................................................................... 34
Figura 1-7: Condiciones realistas consideradas en los trabajos de programación de
producción ...................................................................................................................................... 35
Figura 1-8: Distribución porcentual del número de condiciones realistas consideradas
simultáneamente en los artículos científicos sobre programación de producción. ............. 37
Figura 1-9: Algoritmos propuestos para la secuenciación en Flow Shop Híbrido flexible . 40
Figura 1-10: Tipos de funciones objetivo en problemas de secuenciación Flow Shop
híbrido flexible ................................................................................................................................ 41
Figura 1-11: Porcentaje de trabajos que modelan cada una de las condiciones de entorno
real en configuración flow shop híbrido flexible vs otras configuraciones. ........................... 42
Figura 2-1: Esquema del capítulo ............................................................................................... 45
Figura 3-1: Esquema del capítulo ............................................................................................... 52
Figura 3-2: Diseño del cromosoma. Ejemplo con 24 trabajos. A cada posición
corresponde un trabajo. ............................................................................................................... 53
Figura 3-3: Esquema de funcionamiento del operador de cruzamiento K-P. Ejemplo para
16 trabajos con K = 3 puntos de cruce. ..................................................................................... 55
Figura 3-4: Esquema de cruzamiento SJKOX. Ejemplo con 16 trabajos y k = 3 puntos
de cruce. ......................................................................................................................................... 59
Figura 4-1: Esquema del capítulo ............................................................................................... 61
Figura 4-2: Rangos de RDI por caso en cada variante propuesta. ....................................... 77
Figura 4-3: Rangos de RDI por planta en cada variante propuesta...................................... 78
Figura 4-4: Resultados de RDI por variante promediando todos los resultados de todas
las instancias.................................................................................................................................. 79
 XVI Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Figura 4-5: Gráfico de regresión que ilustra la incidencia de la población inicial (reglas de
prioridad) usando asignación por índice de flexibilidad en el RDI del resultado final por la
variante ABDE. .............................................................................................................................. 80
Figura 4-6: Gráfico de regresión que ilustra la incidencia de la población inicial (reglas de
prioridad) usando asignación por máximo tiempo disponible en el RDI del resultado final
por la variante BDE. ...................................................................................................................... 81
Figura 4-7: Tiempos computacionales (en minutos) para llegar a la solución vs número de
trabajos a secuenciar en el problema a resolver. .................................................................... 82
Figura 4-8: Gráfico Gantt resultado de la secuenciación para el caso 5 (30 trabajos) en la
planta 4 (5-2-20-1). Mejor resultado con variante ABDE. ....................................................... 83
Lista de tablas
Pág.
Tabla 1-1: Importancia Variables dependientes según sondeo a expertos. ................... 21
Tabla 1-2: Cantidades promedio y participación porcentual en el diseño de los casos de
prueba en trabajos sobre configuración flow shop híbrido flexible ........................................ 43
Tabla 4-1: Configuración de las plantas para la prueba de las variantes del algoritmo .... 62
Tabla 4-2: Diseño de los casos de prueba ................................................................................ 63
Tabla 4-3: Tiempos de montaje en horas según etapa y características compartidas entre
producto previo y producto a montar.......................................................................................... 63
Tabla 4-4: Resumen diseño del conjunto de datos de prueba............................................... 63
Tabla 4-5: Configuración de las variantes del algoritmo genético para las pruebas de la
primera fase. Factores = propuestas de modificación al genético básico. .......................... 65
Tabla 4-6: Parámetros de operación de las variantes del algoritmo genético para las
pruebas de la primera fase. ......................................................................................................... 66
Tabla 4-7: Signos para cada suma de resultados de combinación de tratamientos en el
cálculo de los contrastes para determinar los efectos de cada factor y sus combinaciones.
Adaptada para 𝑘 = 5 de (Montgomery, 2004). ......................................................................... 67
Tabla 4-8: Resumen análisis de varianza. Efectos significativos de los factores en cada
una de las instancias de prueba. F= Favorable, D=Desfavorable......................................... 68
Tabla 4-9: Configuración de las variantes propuestas de algoritmos genéticos ................. 71
Tabla 4-10: Parametrización variantes propuestas del algoritmo (ABDE, BDE y (1)) ....... 71
Tabla 4-11: Comparativo Tardanza media, Variantes propuestas del algoritmo genético y
mejores resultados por reglas de prioridad. Resaltado el mejor resultado para cada
instancia de prueba ....................................................................................................................... 72
Tabla 4-12: Comparativo RPD, variantes propuestas del algoritmo y mejores resultados
por reglas de prioridad. Resaltado el mejor resultado para cada instancia de prueba ...... 73
Tabla 4-13: Comparativo RPI, Variantes propuestas del algoritmo genético. Resaltado el
mejor resultado para cada instancia de prueba. ...................................................................... 74
Tabla 4-14: Comparación resultados propuestas de variantes del algoritmo genético y
mejores resultados de reglas de prioridad según RDI. Resaltado el mejor promedio para
cada instancia. ............................................................................................................................... 76
Tabla 4-15: Análisis de varianza RDI Factores: Instancias de prueba y variantes del
algoritmo. Nivel de confianza = 1 − α = 0,95 ............................................................................ 79
Tabla 7-1: Análisis de Literatura sobre el tema de secuenciación en entornos afines a la
producción de tejidos técnicos .................................................................................................. 105
 2 Introducción

Tabla 7-2. Condiciones de entorno real consideradas en artículos sobre secuenciación

en modelos afines al de la industria de tejidos técnicos. En tres páginas ......................... 112
Tabla 7-3: Publicaciones científicas de solución al problema de secuenciación en Flow
Shop Híbrido Flexible ................................................................................................................. 115
Tabla 7-4: Lista de máquinas para casos de prueba, incluye código de la máquina, etapa
a la que corresponde, tipo de máquina, tasa de producción en kilogramos por hora,
utilización en porcentaje, referencia en curso al momento de programar y fecha prevista
en la que estará disponible para un nuevo trabajo. ............................................................... 118
Tabla 7-5: Lista de productos usada en los casos de prueba, incluye código del producto,
máquinas elegibles para procesarlo (H=etapa 1, U=etapa 2; T= Etapa 3, A= Etapa 4) y
Unidad comercial en Kilogramos .............................................................................................. 119
Tabla 7-6: Eficiencia en porcentaje según elegibilidad de máquinas. Incluye referencia y
eficiencia de cada máquina cuando procesa ese producto. Casillas vacías significan que
la máquina no es elegible para ese producto. Casillas con valor cero significan que ese
producto no pasa por esa etapa. .............................................................................................. 121
Tabla 7-7: Lista de pedidos incluidos en casos de prueba, con código de pedido, nombre
del cliente, fecha de toma del pedido, plazo máximo de entrega, referencia y casos en los
que se incluye el pedido............................................................................................................. 123
Tabla 7-8: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 1 (89 trabajos) en planta 1 (5-2-20)............................................. 126
Tabla 7-9: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 1 (89 trabajos) en planta 2 (5-20-1)............................................. 127
Tabla 7-10: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 1 (89 trabajos) en planta 3 (2-20-1)............................................. 128
Tabla 7-11: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 1 (89 trabajos) en planta 4 (5-2-20-1) ......................................... 129
Tabla 7-12: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 2 (59 trabajos) en planta 1 (5-2-20)............................................. 130
Tabla 7-13: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 2 (59 trabajos) en planta 2 (5-20-1)............................................. 131
Tabla 7-14: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 2 (59 trabajos) en planta 3 (2-20-1)............................................. 132
Tabla 7-15: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 2 (59 trabajos) en planta 4 (5-2-20-1) ......................................... 133
Tabla 7-16: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 3 (40 trabajos) en planta 1 (5-2-20)............................................. 134
Tabla 7-17: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 3 (40 trabajos) en planta 2 (5-20-1)............................................. 135
Tabla 7-18: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 3 (40 trabajos) en planta 3 (2-20-1)............................................. 136
Tabla 7-19: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 3 (40 trabajos) en planta 4 (5-2-20-1) ......................................... 137
Introducción 3

Tabla 7-20: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 4 (55 trabajos) en planta 1 (5-2-20) ............................................. 138
Tabla 7-21: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 4 (55 trabajos) en planta 2 (5-20-1) ............................................. 139
Tabla 7-22: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 4 (55 trabajos) en planta 3 (2-20-1) ............................................. 140
Tabla 7-23: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 4 (55 trabajos) en planta 4 (5-2-20-1) ......................................... 141
Tabla 7-24: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 5 (30 trabajos) en planta 1 (5-2-20) ............................................. 142
Tabla 7-25: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 5 (30 trabajos) en planta 2 (5-20-1) ............................................. 143
Tabla 7-26: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 5 (40 trabajos) en planta 3 (2-20-1) ............................................. 144
Tabla 7-27: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 5 (30 trabajos) en planta 4 (5-2-20-1) ......................................... 145
Tabla 7-28: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 6 (24 trabajos) en planta 1 (5-2-20) ............................................. 146
Tabla 7-29: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 6 (24 trabajos) en planta 2 (5-20-1) ............................................. 147
Tabla 7-30: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 6 (24 trabajos) en planta 3 (2-20-1) ............................................. 148
Tabla 7-31: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 6 (24 trabajos) en planta 4 (5-2-20-1) ......................................... 149
Tabla 7-32: Programación detallada caso 5 (30 trabajos) en planta 1 (5-2-20-1) obtenida
con el algoritmo ABDE. .............................................................................................................. 150
 4 Introducción

0. Introducción
Figura 0-1 Esquema de la introducción

Vacío de conocimiento Objetivos Metodología

•Realidad •Evaluar estado actual •Trabajo de campo
•Necesidad de modelos de producción industria Tejidos •Investigación Bibliográfica
gestión para mejorar Técnicos • Modelo basado en
competitividad en Industria •Explorar Técnicas Aplicables resultados trabajo de campo
de Tejidos Técnicos a la programación de e Investigación Bibliográfica
•Teoría producción en Tejidos •Análisis Resultados por
•Modelos teóricos de Técnicos Técnicas Estadísticas
programación de •Plantear propuesta de
producción no metodología
corresponden a situaciones •Comparar Resultados
reales de la industria

Se consideran como tejidos técnicos, los productos textiles que no pueden inscribirse
dentro de los usos habituales para vestuario, hogar o decoración (López Rodriguez,
2011). En Colombia, este subsector tiene alto potencial exportador, invierte en
investigación y desarrollo de nuevos productos, y tiene un número creciente de clientes
en sectores especializados. Se compone de seis empresas que fabrican productos con
destino a diferentes sectores industriales. Las aplicaciones de los textiles diferentes al
vestido son cada vez más frecuentes y dinámicas. Se destacan las relacionadas con la
industria de llantas para automóviles, bandas transportadoras, telas para blindaje y
protección balística, y aplicaciones geotextiles.

Las empresas colombianas productoras de tejidos técnicos son de tamaño mediano, con
integración vertical, predominando el sistema de tejido plano. La industria de tejidos
técnicos hace parte del sector textil y su cadena de valor (fibras-textiles-confecciones),
conformando uno de los sectores más importantes en la economía colombiana. Al sector
textil se le reconoce como líder de las exportaciones no tradicionales. La cadena de valor
Introducción 5

de la que hace parte la industria textil tiene un alto impacto en la generación de empleo.
(Escorcia & Duque, 2004).

Entre las mayores debilidades del sector textil, de acuerdo a diferentes estudios, figuran
los costos y los Tiempos de Respuesta. (Arango Serna, Pérez O., & Álvarez Uribe, 2009;
Cidetexco, 2003; DNP, 2007; McKinsey & Company, 2009; USITC, 2004). En cuanto a la
administración de la producción existen dificultades como: bajo nivel de innovación en
productos y procesos, falta de sistemas integrados de información, y producción sin tener
en cuenta parámetros de eficiencia o ineficiencia (Cidetexco, 2003; Van der Bruggen,
1998).

Algunas empresas del sector han hecho altas inversiones en los últimos años en
Sistemas de Información e implementación de herramientas ERP (McKinsey & Company,
2009). Aunque estas herramientas pueden mejorar el desempeño de las empresas y la
toma de decisiones (Escorcia & Duque, 2004), su papel primordial es la gestión de
recursos a nivel táctico y el control de ejecución, más que la programación. Las
estrategias de optimización de la programación no están consideradas en el estándar de
este tipo de sistemas. (Harjunkoski, Nyström, & Horch, 2009). Por otra parte, los ERP
comerciales presentan desventajas que desestimulan su generalización (Aguilar Sánchez
& Sánchez Castelló, 2009). Además, las tecnologías de información para la planificación
y control de producción, están aún poco implantadas en el sector. (Salinas Vivancos,
2004).

Un requerimiento clave para el desarrollo del sector es lograr un alto desempeño en la

gestión de producción. Para acelerar su crecimiento, la industria textil colombiana debe
distinguirse en oportunidad de entrega alcanzando altos niveles en time-to-market y
cumplimiento, y desarrollando o adoptando tecnologías y procedimientos que aseguren
flexibilidad y confiabilidad. Aumentar la velocidad, confiabilidad y costo-eficiencia de los
procesos productivos es una de las habilidades principales a desarrollar (McKinsey &
Company, 2009)

Una estrategia clave del plan de competitividad sectorial dentro de la agenda interna es
“Maximizar la productividad y competitividad mediante la adopción de planes de
innovación y desarrollo tecnológico”. (DNP, 2007). Dado que la programación de la
producción es de vital importancia para mejorar la eficiencia y reducir los costos en los
procesos productivos, determinando qué recursos y qué espacio temporal dedicar a cada
tarea (Niccolò, 2011); es pertinente proponer una metodología de programación de la
producción que permita mejorar los tiempos de entrega de las empresas colombianas
productoras de tejidos técnicos.

El flow shop o taller de flujo híbrido flexible con máquinas paralelas (configuración
productiva de la industria textil en general y en particular del subsector de tejidos
técnicos), ha tenido creciente interés en los años recientes (Ribas, Leisten, & Framiñan,
2010; Ruiz & Vázquez-Rodríguez, 2010), aunque los trabajos publicados rara vez
provienen de aplicaciones al mundo real. Los esquemas de programación de la
producción no han sido aplicados en la industria por razones como el desconocimiento
 6 Introducción

por parte del personal encargado de la planeación y programación de producción y la

gran distancia entre los modelos teóricos y las condiciones reales de fabricación (Gómez
Gasquet, 2010).

Las empresas fabricantes de tejidos técnicos, presentan particularidades en sus

procesos (máquinas paralelas no relacionadas, tiempos de preparación dependientes de
la secuencia, lotes de transferencia variables, maleabilidad, entrada dinámica, restricción
de elegibilidad, etc.), que hacen necesario que, para su programación, se deban
implementar soluciones a la medida de su propia problemática y que, muchas veces,
soluciones estándar para otras industrias no sean aplicables. (Guinet, 1991; Karacapilidis
& Pappis, 1996)

La mayoría de los desarrollos de algoritmos de secuenciación de tareas asume una serie

de supuestos que no corresponden con las situaciones reales (Gómez Gasquet, 2010).
Hay una distancia entre los modelos teóricos y la realidad de la producción (Linn &
Zhang, 1999) y aunque se puede reconocer una tendencia a encontrar modelos más
cercanos a la realidad en trabajos recientes, todavía son escasos los trabajos que
consideran la mayoría de las particularidades de cada industria, y más escasos aun los
que están basados en experiencias sobre plantas de producción del mundo real (Ribas,
Leisten, & Framiñan, 2010; Ruiz & Vázquez-Rodríguez, 2010). Se sabe que este tipo de
problemas son NP-Completos, lo que implica su tratamiento por técnicas inteligentes
(Gómez Gasquet, 2010).

Las técnicas inteligentes son algoritmos matemáticos basados en conocimiento científico

que permiten tratar problemas complejos de optimización cuya solución por métodos
exactos es costosa en tiempo computacional o, en definitiva, imposible de obtener con
los recursos disponibles en un tiempo razonable. En los últimos años y gracias al
desarrollo y popularización de los equipos de cómputo, este tipo de técnicas han llegado
a un alto nivel de eficiencia y se están aplicando a diversos problemas de ingeniería
(Gallego, Escobar, & Romero, 2006).

En una investigación previa para la formulación de este trabajo, se hizo una revisión de
43 artículos científicos de los años 2010 al 2012, cuya temática estaba relacionada con
flow shop híbridos y/o máquinas paralelas, analizando el modelado de situaciones de los
entornos reales de producción. Solo el 12% de los trabajos supuso máquinas paralelas
no relacionadas; el 49% de los trabajos revisados consideró los tiempos de montaje
dependientes de la secuencia; sólo un 7% consideraron la variabilidad del lote de
transferencia y un 2% la posibilidad de entrada dinámica de trabajos a la programación.
Un 7% modeló la maleabilidad de los trabajos; el 53% tuvo en cuenta un modelo de más
de 2 etapas; el 33% tuvo funciones objetivo relacionadas con la fecha de entrega
(mínima tardanza/anticipación) y un 5%, funciones objetivo relativas a los costos. Sólo un
5% trabajó con datos tomados de entornos reales de producción.

Los trabajos de (Linn & Zhang, 1999; Ribas, Leisten, Framiñan, & Framin, 2010; Ruiz &
Vázquez-Rodríguez, 2010) hacen un recorrido similar sobre este tipo de problemas en un
rango de tiempo más amplio (y anterior al considerado en la investigación previa),
Introducción 7

llegando a conclusiones similares a las aquí presentadas. Esta muestra sobre los 3 años
más recientes confirma las apreciaciones de los artículos mencionados acerca de la
tendencia que se aprecia en esta temática.

Todos los trabajos revisados (así como los reseñados (Linn & Zhang, 1999; Ribas,
Leisten, Framiñan, et al., 2010; Ruiz & Vázquez-Rodríguez, 2010)), presentan
deficiencias en la consideración de las dificultades propias de los entornos productivos
reales. Si definimos las siguientes nueve condiciones de entorno realista: Máquinas
paralelas no idénticas o no relacionadas, lotes de transferencia variables, tiempos de
montaje dependientes de la secuencia, maleabilidad, entrada dinámica, más de 2 etapas,
función objetivo relacionada con fecha de entrega o costo, elegibilidad y, datos de
entornos reales; ningún trabajo cumple a la vez con más de 4 condiciones; sólo 2
trabajos cumplen simultáneamente con 4 condiciones; 9 artículos cumplen con 3; 15
documentos cumplen con 2; 12 papers con 1 y 5 no cumplen ninguna. De allí que se la
necesidad de modelar entornos el flow shop híbrido flexible de la forma más completa
posible; teniendo en cuenta la mayoría de las condiciones reales de la producción. En
particular, en este estudio, las que caracterizan a la producción de tejidos técnicos. (En
la sección 1.3.2 (página 34) se presenta el análisis actualizado hasta 2015 de esa
investigación previa).

Se establece entonces que: i) La industria colombiana, en especial el sector textil al que

pertenece la industria de tejidos técnicos, requiere modelos de gestión que aporten a
mejorar su competitividad. Y que: ii) Los trabajos sobre programación de producción
adolecen de desconexión con los entornos productivos reales y requieren un modelado
más completo y aterrizado a la realidad de la industria. Allí se encuentra el vacío de
conocimiento: La industria requiere modelos que mejoren su competitividad y los
modelos de programación desarrollados simplifican demasiado el problema, ignorando
condiciones reales de la producción, haciéndolos inaplicables en la realidad.

0.1 Problema de investigación

A partir del vacío en el desarrollo de soluciones de programación en entornos Flow shop

Híbrido flexible considerando condiciones de entorno real, de la necesidad de la industria
de tejidos técnicos de ser más ágil en la atención a las solicitudes del mercado y del
desarrollo de las técnicas inteligentes como opción para diversas problemáticas de la
industria; se ha planteado el problema de investigación:

¿Cómo se puede mejorar la programación de producción, considerando los

tiempos de entrega, en la industria colombiana de tejidos técnicos por medio de
una metodología de programación de la producción que considere las
características de sus procesos y aplique técnicas inteligentes?

Con las siguientes preguntas que contribuyen a responder para resolver el problema
planteado:
 8 Introducción

¿Cuál es el estado actual de la función de producción en las empresas

colombianas fabricantes de tejidos técnicos?

¿Qué técnicas se han propuesto a nivel internacional para la programación de la

producción que puedan ser aplicadas a la industria textil?

¿Cómo crear una metodología, basada en técnicas inteligentes, para la

programación de la producción de la industria textil que considere la mayoría de
las situaciones que inciden en ese proceso y que mejore los tiempos de entrega
en las empresas colombianas fabricantes de tejidos técnicos?

¿Cómo verificar que la metodología propuesta como resultado de esta

investigación sí contribuye a mejorar los tiempos de entrega de las empresas
colombianas fabricantes de tejidos técnicos?

0.2 Objetivos

0.2.1 Objetivo General

Proponer una metodología de programación de la producción, aplicada a la industria
textil, mediante un análisis de la situación actual de la función de producción en las
empresas productoras de tejidos técnicos, un inventario de las técnicas aplicables, y el
desarrollo con base en la caracterización y el inventario, de un modelo metodológico de
programación de la producción, tanto predictiva como reactiva, basada en técnicas
inteligentes, para mejorar los tiempos de entrega de las industrias colombianas
fabricantes de tejidos técnicos.

0.2.2 Objetivos Específicos

1. Evaluar el estado actual de la función de producción en las empresas
colombianas fabricantes de tejidos técnicos, para definir de la forma más
completa posible las situaciones a considerar en la programación de producción
en este tipo de industrias.

2. Explorar, mediante una investigación bibliográfica, las diferentes técnicas

propuestas a nivel internacional para la programación de la producción aplicables
al modelo de flujo de la industria textil.

3. Plantear una metodología para la programación de la producción en las industrias

del sector textil que considere la mayor variedad posible de condiciones del
mundo real, basado en el estado actual y proponer alternativas de solución
basadas en el inventario de técnicas propuestas a nivel internacional.

4. Comparar, mediante técnicas estadísticas, los resultados de la aplicación de la

metodología producto de esta investigación, frente a otras alternativas de
Introducción 9

programación de la producción de la industria textil, buscando determinar la

efectividad de la solución propuesta, en cuanto a su capacidad de reducir la
tardanza, y por lo tanto, de mejorar los tiempos de entrega.

0.3 Hipótesis
Por medio de una metodología de programación de la producción para las empresas
textiles como el subsector de tejidos técnicos, adecuada específicamente a las
características de sus procesos, que considere todo el proceso productivo y que aplique
técnicas inteligentes; es posible mejorar los tiempos de entrega en la industria
colombiana de tejidos técnicos, contribuyendo, así mismo a la reducción de los costos de
producción, el tiempo de respuesta y los inventarios de producto en proceso.

0.4 Alcance y Limitaciones

El alcance de ésta investigación está planteado sobre el subsector de Tejidos Técnicos
en Colombia, definido como el conjunto de empresas textiles que fabrica telas de uso
industrial, con mayor valor agregado funcional que estético, que aplica el sistema de
tejido plano y tiene integración vertical de al menos dos etapas. Sin embargo, al estar
modelando la configuración flow shop híbrido flexible con condiciones de entorno realista,
se aporta al modelamiento y solución de los problemas de programación de producción
de un amplio número de empresas.

Aunque se tuvieron limitaciones para recibir información por parte de algunas de las
empresas, se logró obtener respuesta de la mitad de las compañías que conforman el
subsector y se pudo establecer el estado de las condiciones en las que se programa la
producción en ese grupo de empresas.

No obstante, aquí no se propone solamente una solución para el problema de programar

producción en el subsector de tejido técnico. La importancia de esta investigación
trasciende más allá, al modelar en conjunto más condiciones de los entornos reales de
producción que el trabajo más completo que se encontró en la revisión bibliográfica en
cuanto a modelado realista para el flow shop híbrido flexible; y al generar propuestas de
solución aplicables a los entornos reales y con desempeños competitivos para la
actividad de programación de la producción en la industria,

Se desarrolló un conjunto de datos basado en situaciones reales de este tipo de industria

y se compararon los resultados con los obtenidos con técnicas y heurísticas probadas
por otros investigadores. Como el modelado que aquí se presenta es mucho más
completo y complejo que los antecedentes teóricos, no se hicieron pruebas con conjuntos
de datos previamente tratados por otros investigadores, que a la luz de lo que se trabajó
en esta investigación resultan al menos incompletos y adolecen de falta de sustento real.
Prioritariamente, se ha trabajado con información basada en la realidad de la industria,
 10 Introducción

incluyendo detalles propios de la producción real que hasta ahora no se habían

modelado conjuntamente para este tipo de trabajos.

0.5 Metodología
El desarrollo metodológico de la tesis incluye una etapa de recolección de información
primaria (trabajo de campo), visitando el entorno de producción, y entrevistando a
expertos relacionados con la industria y a responsables de la programación de
producción en las diferentes empresas. A esa información primaria se le suma la
información secundaria publicada en revistas, libros y memorias de eventos acerca de
propuestas para solucionar problemas relacionados con la programación de la
producción en ambientes similares al textil (flow shop híbrido flexible).

A partir del trabajo de campo y la exploración bibliográfica, se construyen las diferentes

variantes que confluyen en las propuestas de solución. Con base en datos reales, se
elaboran casos de prueba para las variantes del algoritmo. Se implementan las
soluciones en sistemas informáticos y se prueban, recopilando y analizando los
resultados obtenidos. Se modela el proceso completo y se incorporan diferentes
particularidades propias de los entornos reales, probando alternativas de secuenciación y
asignación de trabajos en una propuesta de reducción de tardanza media mediante
algoritmos genéticos incluyendo 9 particularidades deseables en un entorno realista. Esta
solución es la metodología de programación propuesta, que modela un algoritmo
genético con opciones de operadores de cruce y mutación, modelado de población
inicial, selección de padres y tasa de mutación orientadas al tipo de problema que se está
resolviendo, aplicable a la programación de la producción en el entorno estudiado.

0.6 Productos obtenidos

El aporte concreto de la investigación desarrollada, ha generado los siguientes
productos:

0.6.1 Generación de nuevo conocimiento

 Una evaluación del estado actual de la programación de la producción en las
empresas colombianas fabricantes de tejidos técnicos, que se presenta en el
Numeral 1.1.2 (Ver página 20)
 Un inventario general de las técnicas y teorías aplicadas en la actualidad en los
procesos de programación de la producción afines al de la industria textil a nivel
mundial, presentado en el Numeral 1.3 (página 29)
 El Modelado matemático, los algoritmos de solución y las pautas para la
implementación de modelos y métodos apropiados para la programación de la
producción en las industrias fabricantes de tejidos técnicos, con base en técnicas
inteligentes. Resultados previos de la investigación se publicaron en (Arango,
Introducción 11

Giraldo, & Castrillón, 2013; Arango-marín, Giraldo-garcía, & Castrillón-gómez,

2014; González Palacio, Castrillón-gómez, & Arango-marín, 2013; López Vargas,
Giraldo García, & Arango Marín, 2015) y la propuesta final presentada en el
Capítulo 2 (página 45).
 La propuesta metodológica de programación de la producción, para mejorar los
tiempos de entrega en las empresas colombianas fabricantes de tejidos técnicos
que se conforma integralmente en este documento.

0.6.2 Productos de Software

Aplicativo CAL. Programación de máquinas paralelas no relacionadas con
tiempos de montaje dependientes de la secuencia, maleabilidad y entrada
dinámica con algoritmos genéticos. (Registro Libro 13 Tomo 47 Partida 296 del 2
de Junio del 2015 Ministerio del Interior – Dirección Nacional de Derechos de
Autor)

Aplicativo PESO. Diseño de productos textiles con algoritmos genéticos (Registro

Libro 13 Tomo 47 Partida 291 del 2 de Junio del 2015 Ministerio del Interior –
Dirección Nacional de Derechos de Autor)

Aplicativo MIX. Mezcla óptima de productos para una empresa textil (Registro
Libro 13 Tomo 47 Partida 300 del 2 de Junio del 2015 Ministerio del Interior –
Dirección Nacional de Derechos de Autor)

Aplicativo TOC. Heurística de mezcla óptima de teoría de restricciones aplicada a

la programación de producción en máquinas paralelas. (Por registrar).

Aplicativo HFFS-EA. Programación de flow shop híbrido flexible en múltiples

etapas minimizando tardanza media con máquinas paralelas no relacionadas en
todas las etapas, tiempos de montaje dependientes de la secuencia, maleabilidad,
entrada dinámica, lotes de transferencia variables, (En versión Beta).

0.6.3 Apropiación Social del Conocimiento

0.6.3.1 Ponencias presentadas en

eventos académicos en el área del
proyecto:
ARANGO M., Jaime Antero. Diseño Óptimo de Productos usando Algoritmos
Genéticos. En: ALIO/INFORMS International Meeting 2010. Universidad de
Buenos Aires. 2010.
12 Introducción

ARANGO Jaime A., CASTRILLÓN Omar D., GIRALDO G. Jaime A. The optimal
TOC textile product mix. En: II Congreso Peruano de Investigación de
Operaciones y Sistemas COPIOS 2010. Universidad Nacional de San Agustín,
Arequipa (Perú), 2010.

ARANGO Jaime A., CASTRILLÓN Omar D., GIRALDO G. Jaime A. Optimizing

the development of textile products. En: II Congreso Peruano de Investigación de
Operaciones y Sistemas COPIOS 2010. Universidad Nacional de San Agustín,
Arequipa (Perú), 2010.

ARANGO Jaime A., CASTRILLÓN Omar D., GIRALDO G. Jaime A. Finding

Optimal the textile product mix with linear programming and evolutionary
algorithms. En: II Congreso Peruano de Investigación de Operaciones y Sistemas
COPIOS 2010. Universidad Nacional de San Agustín, Arequipa (Perú), 2010.

ARANGO Jaime A., CASTRILLÓN Omar D., GIRALDO G. Jaime A. Optimal

scheduling for a set of looms using evolutionary algorithms. En: II Congreso
Peruano de Investigación de Operaciones y Sistemas COPIOS 2010. Universidad
Nacional de San Agustín, Arequipa (Perú), 2010.

ARANGO Jaime A., CASTRILLÓN Omar D., GIRALDO G. Jaime A. Clasification

of textile products using multivariate discriminant analysis. En: International
Conference on Applied Mathematics and Informatics. San Andrés Islas
(Colombia), 2010.

ARANGO Jaime A., CASTRILLÓN Omar D., GIRALDO G. Jaime A. Optimal

development of textile products using Genetic Algorithms. En: 15th World Multi-
Conference on Systemics, Cybernetics and Informatics WMSCI 2011. Orlando –
Florida (U. S. A.), 2011.

ARANGO Jaime A., GIRALDO G. Jaime A. Mezcla Óptima de Productos para una
Empresa Textil desde el punto de vista de la Teoría de Restricciones. En: III
Congreso Internacional de Ingeniería Industrial. Universidad Libre. Bogotá
(Colombia). 2011.

GONZALEZ Ángela, CASTRILLÓN Omar D, ARANGO Jaime A. Programación de

un flow shop híbrido con tiempos de montaje dependientes de la secuencia y
máquinas paralelas no relacionadas usando métodos aleatorios. En: SEIO 2013
XXXIV Congreso nacional de estadística e investigación operativa. Universitat
Jaume I, Castellón (España). Septiembre 2013.

ARANGO Jaime A, GIRALDO, Jaime A., CASTRILLÓN, Omar D.Reducing

Tardiness in Hybrid Flexible Flow shop Environment: Application to Technical
Textile Industry. En: ICAMI 2013: International Conference on Applied
Mathematics and Informatics. San Andrés Islas (Colombia), Noviembre 2013.
Introducción 13

ARANGO Jaime A, GIRALDO, Jaime A., CASTRILLÓN, Omar D. Programación

detallada de producción textil en un entorno realista usando algoritmo genético
modificado. En: Décima Cuarta Conferencia Iberoamericana en Sistemas,
Cibernética e Informática: CISCI 2015. Orlando – Florida (Estados Unidos de
América), Julio 2015.

ARANGO Jaime A, GIRALDO, Jaime A., CASTRILLÓN, Omar D. Algoritmos

Genéticos para la reducción de tardanza en un flow shop híbrido flexible en
condiciones de entorno real. Aprobado para ser presentado en: 12° Congreso
Interamericano de Computación Aplicada a la Industria de Procesos: CAIP´2015.
Cartagena de Indias (Colombia), Septiembre 2015.

0.6.3.2 Artículos para revistas indexadas

ARANGO Jaime A, GIRALDO, Jaime A., CASTRILLÓN, Omar D. Programación
de Máquinas Paralelas no Relacionadas con Tiempos de Montaje Dependientes
de la Secuencia y Entrada Dinámica usando Algoritmos Genéticos. En: Revista
Información Tecnológica 24(3) páginas 73-84. La Serena (Chile). 2013 (Categoría
A1)

ARANGO, Jaime A, GIRALDO, Jaime A., CASTRILLÓN, Omar D. Applying TOC

Heuristics to Job Scheduling in a Hybrid Flexible Flow shop. Dyna. Vol 81. No.
186. Agosto de 2014. Universidad Nacional de Colombia – Sede
Medellín.(Categoría A1)

LÓPEZ, Juan Camilo; GIRALDO, Jaime Alberto, ARANGO, Jaime Antero.

Reducción del makespan en la programación de producción de un Flow shop
Híbrido Flexible (HFS). Información Tecnológica, 26(3).Mayo-Junio 2015. CIT. La
Serena (Chile). (Categoría A1)

LÓPEZ, Juan Camilo; ARANGO, Jaime Antero. Algoritmo genético para reducir el
makespan en un flow shop híbrido flexible con máquinas paralelas no
relacionadas y tiempos de alistamiento dependientes de la secuencia. Aprobado
para ser publicado en: Revista Entramado. Universidad Libre. Cali (Colombia).
(Categoría B)

ARANGO, Jaime A; GIRALDO, Jaime A.; CASTRILLÓN, Omar D. Modified

Genetic Algorithm to minimize tardiness in a hybrid flexible flow shop environment.
En evaluación: Facultad de Ingeniería. Universidad Pedagógica y Tecnológica de
Colombia (Categoría A2)
14 Introducción

0.6.3.3 Distinciones
Mejor artículo de sesión: Décima Cuarta Conferencia Iberoamericana en
Sistemas, Cibernética e Informática: CISCI 2015. Sesión: Sistemas, Tecnologías,
Aplicaciones de Información e Info-cibernética. . Orlando – Florida (Estados
Unidos de América), Julio 15 2015.

0.6.3.4 Trabajos de Grado de pregrado

MORALES PIMIENTO, Mónica Marcela. Conclusiones de la revisión bibliográfica
sobre técnicas matemáticas aplicadas a problemas de secuenciación. Trabajo de
Grado. Ingeniería Industrial. Universidad Nacional de Colombia – Sede Manizales.
Junio 2012c.

CARDONA CUNDAR, Deisy Yesenia. Formato para la evaluación y determinación

de variables a optimizar en la programación de producción de las empresas
textiles colombianas productoras de tejidos técnicos. Trabajo de Grado. Ingeniería
Industrial. Universidad Nacional de Colombia – Sede Manizales. Junio 2012.

0.6.3.5 Tesis de Maestría

GONZÁLEZ PALACIO, Ángela. Diseño de una metodología de programación de
producción para la reducción de costos en un flow shop híbrido flexible mediante
el uso de algoritmos genéticos. Aplicación a la industria textil. Tesis de grado.
Maestría en Ingeniería Industrial. Universidad Nacional de Colombia - Sede
Manizales. Julio 2013.

LÓPEZ VARGAS, Juan Camilo. Metodología de programación de producción en

un flow shop híbrido flexible con el uso de algoritmos genéticos para reducir el
makespan : aplicación en la industria textil. Tesis de Grado. Maestría en Ingeniería
Industrial. Universidad Nacional de Colombia – Sede Manizales. Abril 2013.

0.6.3.6 Tesis de doctorado en Ingeniería

(Línea de Investigación en Industria y
Organizaciones).
ARANGO MARÍN, Jaime Antero. Mejora de tiempos de entrega en un flow shop
híbrido flexible usando técnicas inteligentes. Aplicación en la industria de tejidos
técnicos. Tesis de Grado. Doctorado en Ingeniería – Industria y Organizaciones.
Universidad Nacional de Colombia – Sede Manizales. 2015 (Es el presente
documento)
Introducción 15

0.7 Esquema general de la tesis:

En el capítulo 1 (página 17) se presenta el marco teórico, el resultado de la evaluación

producto del trabajo de campo que desarrolla el primer objetivo específico y el estado del
arte que desarrolla el segundo objetivo específico.

En el capítulo 2 (página 45) se presenta el modelo matemático basado en el trabajo de

campo y el estado del arte, que hace parte del cumplimiento del tercer objetivo
específico.

En el capítulo 3 (página 52) se presentan las propuestas de solución al modelo

matemático completando el cumplimiento del tercer objetivo específico.

En el capítulo 4 (página 61) se detallan y analizan los resultados de la prueba de los

algoritmos y se hace la discusión de los mismos contrastándolos con lo encontrado en el
estado del arte, cumpliendo el cuarto objetivo específico.

El capítulo 5 (página 87) corresponde a las conclusiones, el capítulo 6 (página 89) a las
recomendaciones y el capítulo 7 (página 91) a las líneas de trabajo futuro.

Posteriormente en los anexos están los documentos de respaldo del trabajo de campo, el
estado del arte, la definición de los casos de prueba y los resultados detallados de las
pruebas.
 1. Antecedentes Contextuales y
Teóricos
Figura 1-1 Esquema del capítulo

Concepto:
Contexto:
Problema de Programación
Industria de Tejidos Estado del arte
Flow Shop Híbrido Flexible
Técnicos
Técnicas Inteligentes

Programación de
Programación de
producción en sistemas
Descripción Industria producción Flow Shop
afines a la producción
Híbrido Flexible
de tejidos técnicos

Modelado de
Situación Industria en Condiciones de entorno
Condiciones de entorno
Colombia real
real

El Flow Shop Híbrido

Técnicas Inteligentes
Flexible

1.1 Industria de Tejidos Técnicos

Los Tejidos Técnicos son productos textiles dirigidos a un mercado especializado,
conformado en su mayoría por grandes empresas fabricantes de productos como: llantas
para automóvil, bandas transportadoras, productos geo-textiles para prevenir la erosión,
chalecos antibalas y blindaje de vehículos, entre otros.

1.1.1 Descripción General de la Industria de

Tejidos Técnicos
Aunque los tejidos técnicos comparten con el resto de productos textiles, muchas de sus
características en cuanto a construcción, proceso y presentación, poseen a su vez un
 18 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

conjunto de características distintivas que los diferencian e inciden en las decisiones

relacionadas con su fabricación.

1.1.1.1 Materias Primas

Los tejidos técnicos se elaboran en su mayoría de fibras sintéticas, en general, en forma
de filamentos continuos. El Nylon, el Polyester y el Polipropileno son algunas de las
composiciones más comunes. En productos de alta resistencia se utilizan poli-aramidas
como el kevlar y el twaron. En Colombia, la mayor parte de las materias primas para los
tejidos técnicos, en la actualidad, se importa del lejano oriente.

1.1.1.2 Productos
Los tejidos técnicos en general se elaboran a la medida de las necesidades de los
clientes. Generalmente se solicitan características técnicas como resistencia al desgarre,
peso o capacidad de adherencia a productos como el látex. En Colombia, se elaboran
productos como chaffer (para llantas), bandas transportadoras, lonas de base para
plastificación, geotextiles y telas para blindajes.

1.1.1.3 Proceso General

Figura 1-2: Proceso de Fabricación de Tejidos Técnicos

Preparación de Hilaza Urdizaje Remetido Tejeduría Acabados

1.1.1.3.1 Preparación de Hilaza

La hilaza, generalmente, requiere procesos como retorcido o taslanizado, para tener las
características requeridas para ser tejida. Estos procesos se realizan en maquinaria con
múltiples entradas y salidas que pueden generar en ocasiones conos de hilo aptos para
alimentar urdidoras y telares, aunque en ocasiones su salida son bobinas arrolladas de
tal forma que requieren luego un proceso de devanado para poder ser utilizadas en los
procesos subsiguientes.
Capítulo 1 19

1.1.1.3.2 Urdizaje
La Urdimbre es el conjunto de hilos que van a lo largo de la tela en el sistema de tejido
plano. Los hilos se colocan paralelos sobre un tambor en el proceso de urdizaje, que
generalmente se realiza por secciones parciales, lo que permite que se requieran menos
conos de hilo de alimentación que los que se necesitarían si se hiciera en un solo paso.

1.1.1.3.3 Remetido
Los hilos de urdimbre, para alimentar los telares deben pasar por el peine (que controla
la densidad del tejido en el sentido de la urdimbre), los lizos (que son las mallas que
suben y bajan los hilos de urdimbre para que la trama quede insertada entre ellos), y las
laminillas (sistema de detección de revientes y tensiones en el sentido de la urdimbre).
Cuando el producto que va a montarse es similar al que reemplazará en el telar, este
proceso no es necesario ya que es posible anudar la nueva urdimbre al final de la
anterior y continuar con el montaje previo.

1.1.1.3.4 Tejeduría
Los telares son las máquinas que, al insertar la trama entre la urdimbre, fabrican el tejido.
Hay diferentes tecnologías de inserción de trama como: lanzaderas, proyectiles, pinzas,
chorro de aire y chorro de agua. En nuestro medio se utilizan mucho los telares de
proyectil y de pinzas, de ancho sencillo (aproximadamente 2 m) o doble
(aproximadamente 4 m), permitiendo varias salidas simultaneas. Aunque en el mundo se
conocen velocidades de tejido de hasta 1200 tramas por minuto, en nuestro medio se
utilizan tecnologías que están entre las 300 y 500 tramas por minuto. Cada telar puede
tener características particulares que lo hacen diferente de los demás y le permiten poder
procesar ciertos tipos de tejido. Entre esas características están el diámetro del
enrollador y del desenrollador de tejido que le permiten trabajar con urdimbres de mayor
tamaño, también están los dispositivos de refuerzo para trabajar con fibras como las poli-
aramidas y los dispositivos de reducción de tramas para hacer tejidos más apretados o
más holgados.

1.1.1.3.5 Acabados
Aunque en general los procesos de acabados comprenden una variedad de tratamientos
como termofijado, lavado, secado, impermeabilizado, adición de látex, tintura, etc., es
posible tener una sola línea de producción de acabados que permite realizar todos los
procesos en un solo paso por la línea, conformada por un tren de máquinas en serie que
conforman el conjunto de procesos a los que debe someterse el tejido para que quede
listo para su uso final.
 20 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

1.1.2 La Industria de Tejidos Técnicos en

Colombia
La industria de Tejidos Técnicos en Colombia está compuesta por seis empresas, de
tamaño mediano, tres de ellas están ubicadas en Bogotá, dos en Medellín, y una en
Dosquebradas (Risaralda).

Aunque muchas empresas del sector textil colombiano tienen en su configuración

comercial una división llamada de tejidos técnicos, en muchas de ellas esa área se
dedica a la comercialización de tejidos con usos como tapicería o forros para asientos de
vehículos y otros productos similares a los tejidos para fabricar prendas de vestir donde
prima la estética sobre la funcionalidad. El presente trabajo se concentra en las
empresas que producen tejidos de uso industrial definidos más por características
técnicas referentes a sus propiedades físicas y químicas, que por su apariencia exterior.
Se consideraron empresas que fabrican productos en el sistema de tejido plano con
algún grado de integración vertical (más de una etapa del proceso de fabricación, incluido
el tisaje o tejeduría), de tal forma que su configuración pueda catalogarse como un flow
shop híbrido flexible.

Algunos de los productos que se elaboran en Colombia en la categoría de Tejidos

Técnicos son: Lonas para carpas, bases para bandas transportadoras, geotextiles para
prevenir la erosión, telas de alta resistencia para blindajes y protección anti-balas, telas
para la fabricación de llantas, y telas para plastificación.

La mayor parte del mercado de esos productos está en el exterior, por lo que el
subsector tiene importante participación en las exportaciones de textiles, en especial al
mercado andino y latinoamericano.

Para la investigación presente, se contactaron las seis empresas textiles colombianas

que fabrican tejidos técnicos en el sistema de tejido plano con proceso de tejeduría y
algún grado de integración vertical. El contacto se hizo por teléfono, correo electrónico y
en forma presencial. De dos de las empresas, pese a insistir por diferentes medios no se
obtuvo respuesta, una de las empresas adujo que sus políticas institucionales le
impedían revelar la información solicitada y las tres restantes suministraron la
información que se resume a continuación. Por lo que se puede establecer que se tienen
respuestas directas de los responsables de planear la producción en el 50% de las
empresas que cumplen el perfil estudiado.
Capítulo 1 21

1.1.2.1 Las variables a optimizar en la

programación de producción de la Industria
de Tejidos Técnicos en Colombia
Un sondeo preliminar a un grupo cerrado de expertos vinculados a la industria de tejidos
técnicos en Colombia, permitió establecer la importancia de diferentes variables
dependientes en la producción de tejidos técnicos. Se les solicito a cada uno de los
encuestados clasificar en las posiciones de la 1ª a la 4ª, donde la 1ª es la más importante
para el entrevistado y la 4ª la menos importante; las cuatro variables que se encuentran
con mayor frecuencia en los trabajos de programación de tareas en plantas industriales.
Cada uno de los entrevistados ordenó las 4 variables propuestas de acuerdo a su criterio
y experiencia en la industria de Tejidos técnicos.

Los resultados obtenidos de la clasificación se muestran en la Tabla 1-1, donde cada

casilla muestra en porcentaje, la porción de expertos que estuvo de acuerdo en clasificar
la variable de la fila respectiva en el lugar mostrado en el encabezado de la columna
correspondiente.

Tabla 1-1: Importancia Variables dependientes según sondeo a expertos.

% Veces clasificada como Posición

Variable 1ª 2ª 3ª 4ª media
Cumplimiento entregas 50% 25% 25% 0% 1,75
Costo 50% 0% 50% 0% 2,00
Tiempo de procesamiento 0% 75% 25% 0% 2,25
Inventario en Proceso 0% 0% 0% 100% 4,00

La Tabla 1-1 muestra una ligera preferencia de los encuestados por el cumplimiento de
entregas como la variable más importante dentro de la industria de tejidos técnicos. Este
sondeo permitió establecer que la variable a optimizar en esta investigación debería estar
relacionada con los tiempos de entrega, en concordancia además con el título y los
objetivos de la investigación.

Todos los expertos consultados coinciden en señalar el inventario en proceso como la

variable menos importante. Al solicitar la justificación sobre la opinión expresada, los
expertos indicaron que la industria de tejidos técnicos es un sector de alta competencia,
donde cada día pueden aparecer nuevos usos y nuevas posibilidades, lo que hace que el
tiempo de respuesta sea de vital importancia. Muchos de los clientes requieren que sus
proveedores tengan la capacidad de reacción suficiente para responder en el menor
tiempo posible a partir del pedido. En el mercado de bandas transportadoras, por
ejemplo, pueden estarse necesitando para un proceso de extracción minera, que espera
el producto para agilizar la explotación. De ahí que la lona de base sea solicitada para
 22 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

entrega en un plazo de una o dos semanas para que el fabricante de la banda finalice el
proceso oportunamente.

El costo es importante en la medida en que, en algunos productos no existe mayor

diferenciación y los clientes pueden inclinarse por un proveedor que les ofrezca un buen
servicio a un costo más favorable que la competencia.

Como las hilazas son importadas, principalmente del lejano oriente, las empresas
acostumbran tener altos niveles de inventario para facilitar su respuesta y acortar los
tiempos de entrega, de ahí que se entienda el hecho de que los inventarios en proceso
sean la variable peor clasificada en el sondeo.

En la encuesta que cubrió el 50% de las empresas del subsector de tejidos técnicos (Ver
el cuestionario en el Anexo A (página 93), la relación del cuestionario con el diseño de
esta investigación en el Anexo B (página 96) y la tabulación de las respuestas en el
Anexo C (página 101)), al ser preguntados sobre los criterios para programar la
producción dentro del marco estratégico de la organización, los puntajes entre las
diferentes opciones fueron también bastante parejos, aunque se encontró preferencia por
el tiempo de procesamiento y el costo sobre el cumplimiento de entregas y el inventario
en proceso.

La mayoría de las empresas interrogadas busca un equilibrio entre el aprovechamiento

de los recursos productivos y el cumplimiento de sus compromisos con los clientes. En
segundo lugar se considera el cumplimiento de la demanda con un mínimo de
inventarios a pesar de que se cause inestabilidad en el uso de los recursos, en especial
de la mano de obra.

1.1.2.2 Las metodologías y herramientas de

programación de Producción en la Industria
de Tejidos técnicos
De las posibles condiciones de entorno real que deben tenerse en cuenta en la
programación de la producción en el flow shop híbrido flexible textil de los tejidos
técnicos, a las que se les da mayor importancia son el paralelismo entre máquinas no
relacionadas o no idénticas y el tamaño de lote variable entre etapas. La calificación, no
obstante, es muy equilibrada, y de cerca se consideran también importantes los tiempos
de montaje dependientes de la secuencia, la maleabilidad de los lotes y la entrada
dinámica de pedidos.

Dos terceras partes de las empresas usan en la mayor parte de sus procesos de
programación de producción la hoja de Cálculo Excel. La calificación que le dan a
flexibilidad de sus herramientas es baja (2/5). Una de las empresas tiene un ERP propio
Capítulo 1 23

diseñado a la medida, hecho por el autor de este trabajo de investigación, que incluye
una solución que hizo parte de la investigación previa. Esa empresa en particular no
contestó esta parte de la encuesta. Dos tercios de las empresas tienen una herramienta
propia para el control de tiempos de máquinas y la considera suficientemente flexible.

De las empresas que contestaron esta parte de la encuesta, se encontró satisfacción en

los resultados en grado medio con el programa maestro y en alto grado con las
herramientas de control (desarrolladas a la medida). En el resto de las etapas se ve
insatisfacción con los resultados. En esas etapas predomina el uso de la hoja de cálculo
Excel.

1.1.2.3 La competitividad de la industria de tejidos

técnicos en Colombia
Las empresas se consideran altamente competitivas en especial en lo que tiene que ver
con la calidad de los productos y el cumplimiento de las entregas. Hay una menor
percepción de competitividad en cuando a costos y tiempos de respuesta.

Para la mayoría de las empresas las fechas de entrega se cumplen la mayoría de las
veces (2/3) o incluso casi todas las veces (1/3).

1.2 El problema de programación

de la producción en un flow
shop híbrido flexible
La programación de la producción en las empresas productoras de tejido técnico se
enmarca en el contexto de la problemática de programación de programación descrito a
continuación, presentado en orden deductivo, empezando por la generalidad de la
programación hasta terminar en el entorno específico aplicable a este subsector.

1.2.1 Problema de Programación de la producción

Dentro de las instancias de planificación, la programación de la producción es la etapa en
la que se define la asignación de cada trabajo a cada máquina o conjunto de máquinas y
la secuencia u orden en que serán procesados los diferentes trabajos pendientes. Estas
decisiones pueden tener una fuerte incidencia en el aprovechamiento de la capacidad
instalada y pueden influir en la capacidad de la empresa de cumplir con los compromisos
con los clientes. (Gómez Gasquet, 2010)
 24 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Sin ser exhaustivos en la enumeración, a continuación se presentan los conceptos de

programación de producción aplicables al problema planteado en este trabajo.

1.2.1.1 Flow shop

El Flow shop es un caso particular del Job Shop (programación de n trabajos en m
máquinas) con la restricción de que todos los trabajos deben de pasar por todas las
máquinas o etapas del proceso en el mismo orden. (Pinedo, 2009)

1.2.1.2 Flow shop Híbrido

El Flow shop Híbrido es un proceso de producción en línea en la que al menos una de las
etapas está conformada por máquinas paralelas.

1.2.1.3 Flow shop Híbrido Flexible

Cuando en un flow shop híbrido, hay trabajos que pueden omitir al menos una de la
etapas del proceso, la configuración se dice que es flexible, configurando por lo tanto un
Flow shop híbrido flexible (Zandieh, Mozaffari, & Gholami, 2010)

1.2.2 Condiciones realistas en programación de

producción
En los trabajos académicos sobre programación de producción se han implementado
diferentes condiciones propias de los ambientes reales de producción. A continuación se
definen las que se han encontrado modeladas en la literatura científica y se pueden
encontrar en el proceso de fabricación de tejidos técnicos.

1.2.2.1 Máquinas Paralelas no relacionadas

Un conjunto de máquinas paralelas se entiende como una etapa de un proceso
productivo en la que un trabajo debe pasar por una y sólo una de varias máquinas que
están en la misma etapa. Las máquinas pueden ser idénticas (con las mismas tasas de
producción y tiempos de alistamiento), no idénticas (o uniformes) o no relacionadas. El
caso más general (y más común en el mundo real) es el de máquinas no relacionadas.
(Gómez Gasquet, 2010; Guinet, 1991). En particular, en la industria de tejidos técnicos
las máquinas paralelas tienden a ser no relacionadas, tanto por la dinámica que tienen
las empresas en su crecimiento que hace que convivan tecnologías de diferentes
épocas, como por la necesidad de responder a diferentes necesidades de los clientes, lo
que implica equipar algunas de las máquinas con características particulares que cubran
esos requerimientos haciéndolas diferentes de las otras máquinas de la misma etapa.
Capítulo 1 25

1.2.2.2 Tiempo de montaje dependiente de la

secuencia
Se considera que el tiempo de montaje es dependiente de la secuencia cuando la
duración de la operación de montaje o cambio de un trabajo a otro en una máquina o en
un proceso de producción, varía sensiblemente según la relación que haya entre el
trabajo que termina y el que inicia inmediatamente después. (Allahverdi, Gupta, &
Aldowaisan, 1999). Esta situación se presenta en la industria de tejidos técnicos. En el
proceso de tejeduría, si el trabajo que se va a montar es similar al anterior, basta hacer
un anudado que puede durar solo una cuarta parte de lo que duraría un montaje de un
trabajo completamente diferente al que fue procesado con anterioridad. Situaciones
similares ocurren en el urdizaje, la preparación de hilos y los acabados.

1.2.2.3 Lotes de transferencia

Un lote de transferencia es una partida de producción o un batch que sale de una
máquina o un proceso productivo, para alimentar el proceso siguiente. Cuando los lotes
de transferencia coinciden con el tamaño de lote a despachar al cliente y el tamaño
permanece constante a lo largo del proceso, se dice que son lotes uniformes. Si existe la
posibilidad de subdividir el trabajo en lotes más pequeños que permiten el procesamiento
paralelo en varias máquinas, y las entradas parciales al siguiente proceso, se dice que se
tienen lotes de transferencia no uniformes. (Zhang et al, 2005). En éste último caso, los
tamaños de lote dependen más de las capacidades individuales de las máquinas que de
las órdenes de producción. Es un caso que se da en casi todas las etapas del proceso
textil; en especial en los tejidos técnicos que pueden tener diferentes tamaños de lote a
diferencia de las telas para vestuario que generalmente corresponden a piezas de tela de
tamaño estándar.

1.2.2.4 Maleabilidad
Un trabajo de producción es maleable cuando tiene la propiedad de poderse dividir en
varios trabajos o varias órdenes de producción, permitiendo el procesamiento simultáneo
en varias máquinas paralelas. También es maleable si puede integrarse con otros
trabajos en un solo lote permitiendo el procesamiento simultáneo de dos o más trabajos
en el mismo recurso productivo. En general, se considera la maleabilidad como la
posibilidad de modificar la subdivisión de un lote a lo largo del proceso productivo
(Sadykov, 2012). Los trabajos en la producción de tejidos técnicos son maleables,
permitiendo dividir lotes para aprovechar mejor el paralelismo de algunas etapas del
proceso y propiciando economías de escala integrando múltiples lotes en otras.
 26 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

1.2.2.5 Entrada Dinámica

Se entiende que existe entrada dinámica a la programación de la producción cuando se
considera que al momento de hacer la programación, existe una producción programada
previamente cuyo desarrollo está en marcha, y por lo tanto, los recursos pueden estar ya
ocupados o comprometidos para programaciones hechas con anterioridad. De igual
manera, la programación tiene entrada dinámica cuando las órdenes o pedidos van
entrando al proceso a medida que son generados por los clientes, añadiéndose a la
programación previamente elaborada, así como cuando se consideran fechas de
disponibilidad de las máquinas diferentes de la fecha inicial de programación, debido a
mantenimientos programados. Considerando la diversidad de tamaños de lote y de
tiempos de proceso que se dan en la industria de tejidos técnicos, resulta mucho más
ajustado a la realidad suponer entrada dinámica de trabajos que modelar una planta
completamente disponible desde la hora cero de la programación. Al considerar la
entrada dinámica se genera una programación que no sólo es proactiva (previa a la
ejecución) sino también reactiva (que permite reaccionar a los cambios).

1.2.2.6 Restricción de elegibilidad

No todas las máquinas pueden procesar todos los trabajos ni todos los trabajos pueden
ser procesados en cualquier máquina dentro de cada etapa. Esta condición proviene de
las especificaciones particulares de los productos y las capacidades especiales de las
máquinas y es común en entornos como el de la producción de tejidos técnicos donde se
requieren configuraciones técnicas diferentes para fabricar tejidos de características
diferentes tanto por su diseño como por su posterior utilización.

1.2.2.7 Más de dos etapas

Independientemente del número de etapas que se encuentren en las configuraciones
reales de producción, es posible que el número de etapas que se consideren en un
modelo de programación sea sólo de una o dos, subordinando el resto del proceso a la
secuencia óptima para una o dos etapas críticas. En el caso de la programación de
tejidos técnicos, cuando hay integración vertical y paralelismo en la mayoría de sus
etapas es necesario tener en cuenta tantas etapas como sea posible y práctico, para que
la programación considere las condiciones de maleabilidad y lotes de transferencia que
pueden causar perturbación en la continuidad del flujo del proceso.
Capítulo 1 27

1.2.2.8 Función objetivo considerando fecha de

entrega o costos
La función objetivo clásica de los trabajos académicos de programación de producción
tiene que ver con la minimización del makespan (máximo tiempo de procesamiento total).
Pese a su uso generalizado y su relación teórica con la eficiencia dado que al minimizar
el máximo tiempo de procesamiento se busca un mejor uso de los recursos, acortando
esperas tanto para el material como para las máquinas; en especial para entornos como
el de tejidos técnicos donde prima el modelo make-to-order (fabricar bajo pedido), el
makespan tiene la debilidad de no considerar en el cálculo de la función objetivo las
fechas de entrega prometidas al cliente (sólo en algunos casos se tienen en cuenta como
restricción). El costo, igualmente, es una variable importante a optimizar en la mayoría de
las empresas y generalmente está asociado a un mejor aprovechamiento del equipo
productivo.

1.2.2.9 Datos basados en entornos reales

En el modelado de la programación de producción se puede trabajar con datos
generados con números aleatorios provenientes de suposiciones del investigador o de
conjuntos de valores arbitrario, como se puede ver en la mayoría de los artículos que
proponen soluciones a los problemas de secuenciación de tareas. Es más realista
considerar conjuntos de datos que sean extraídos de un entorno de producción, o que al
menos se hayan simulado basados en el comportamiento de las variables en esos
entornos. De esta manera el modelado podrá probar su efectividad con conjuntos de
valores proporcionales a los que se presentarían en su uso para programar trabajos a
procesar en una planta de producción verdadera.

1.2.3 Las técnicas inteligentes

Con el desarrollo de las capacidades de cómputo, han proliferado las técnicas llamadas
“inteligentes” para la solución de un amplio rango de problemas en los que los métodos
exactos tienen limitaciones, en especial de eficiencia computacional, para resolverlos. A
continuación se reseñan algunas de las más utilizadas en solución de problemas de
programación de la producción

1.2.3.1 Metaheurísticas
Están basadas generalmente en fenómenos naturales o en conocimientos científicos.
Son técnicas de optimización que, si bien no garantizan la solución óptima ni permiten
determinar qué tan cerca se encuentran sus soluciones de la solución óptima, permiten
encontrar soluciones de alta calidad, en tiempos de cómputo razonables, para problemas
 28 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

en los cuales las técnicas exactas no son eficientes o no logran encontrar la solución del
problema. (Gallego et al., 2006)

1.2.3.1.1 Algoritmos Genéticos

Son algoritmos inspirados en la evolución natural de las especies. Se fundamenta en el
hecho de que existe competencia entre los individuos de una especie para su
reproducción y en la cual son importantes dos aspectos: la diversidad genética y la
interacción con un medio ambiente asociado a factores problemáticos o adversos,
favoreciendo a los individuos mejor dotados. El resultado final es la evolución. Parten de
un conjunto de soluciones generadas por algún procedimiento (determinístico, aleatorio o
una mezcla de los dos), denominada población inicial, y de ese conjunto de soluciones se
selecciona un grupo de individuos para realizar un intercambio de las informaciones
codificadas en sus genes y obtener a partir de allí nuevos individuos (soluciones
candidatas). Este proceso se denomina recombinación. Luego de la recombinación se
realiza un procedimiento denominado mutación que consiste en un cambio inesperado de
alguna característica. Los individuos resultantes compiten entre sí para hacer parte de la
nueva población. El procedimiento se repite hasta que se cumpla un criterio de parada
que puede ser el cumplimiento de un número de generaciones predeterminado o la
diferencia entre dos soluciones óptimas consecutivas. Un algoritmo genético puede
aplicarse a problemas lineales y no lineales, con codificación binaria, entera o real y es
especialmente adecuado a aquellos casos en que se combinan características de no
linealidad, presencia de variables continuas y enteras, y un elevado número de variables
y restricciones (Gallego et al., 2006).

1.2.3.1.2 Colonia de Hormigas

Es un procedimiento inspirado en la observación de los insectos que le dan su nombre.
Las soluciones posibles del problema son caminos sobre los que las hormigas
segregarán sus feromonas de tal manera que otras hormigas los sigan. Los mejores
caminos tendrán más feromonas lo que reforzará que más hormigas los recorran. Los
caminos que no son muy recorridos pueden borrarse de la memoria colectiva por causa
de la evaporación de las feromonas. Cuando se cumple el criterio de parada, se llega a
una solución de muy buena calidad. Se aplica a diferentes tipos de problemas, en
especial a problemas como el del agente viajero y programación cuadrática. (Gallego et
al., 2006).

1.2.3.1.3 Recocido Simulado

Está basado en el proceso termodinámico de calentamiento de un sólido seguido de un
enfriamiento para llegar a un estado óptimo de cristalización. Una configuración de las
variables es una solución factible, la estructura óptima del sistema es la solución óptima
del problema, la energía requerida es el costo de la solución y la temperatura es el grado
Capítulo 1 29

de aleatoriedad. Se ha aplicado a problemas como el de asignación de rutas de

vehículos. (Gallego et al., 2006)

1.2.3.1.4 Búsqueda Tabú

Es una técnica basada en limitar el proceso de búsqueda de soluciones, excluyendo
algunas alternativas y modificando las probabilidades de selección de otras. La búsqueda
se concentra en una vecindad que se modifica en cada iteración, seleccionando como
solución óptima la mejor que se encuentre en cada “vecindario” y ajustando los costos
asociados a cada elemento de los examinados. (Colorni et al., 1996)

1.2.3.1.5 Agentes Inteligentes

Un Agente es un ente con capacidad de computación que en cierto entorno es capaz de
actuar con autonomía y cierta libertad para alcanzar sus objetivos. Es consciente de su
entorno y es capaz de percibir los cambios en el mismo y de actuar en consecuencia
sobre él. Un Agente es todo Sistema Informático que tiene a la vez: autonomía,
sociabilidad, reactividad e iniciativa. Se llama inteligente cuando además tiene:
movilidad, veracidad, benevolencia y racionalidad. (Gómez Gasquet, 2010)

Un sistema basado en agentes utiliza los Agentes como elementos de abstracción para
representar su modelo. Puede estar configurado por uno o más Agentes. Un Sistema
Multiagente está concebido desde su diseño como un conjunto de elementos que
interactúan entre sí para alcanzar un objetivo de forma asociada. (Gómez Gasquet,
2010).

1.2.3.1.6 Otros
Otras técnicas que se han aplicado a problemas de programación de producción
cercanos a la industria textil, son: Búsqueda de la armonía, Búsqueda en vecindario
variable, Búsqueda Local Interactiva, Enjambre de partículas, Algoritmos Inmunes, y
Algoritmos Voráces.

1.3 Estado del arte

A continuación se relacionan en tres niveles, los resultados de la exploración bibliográfica
sobre trabajos relacionados con la programación de la producción. En primer lugar se
muestra la evaluación sobre los problemas de programación de producción en entornos
afines a la fabricación de tejidos técnicos sobre una exploración que abarcó desde 1990
hasta el 2015, luego se aborda la situación del modelado de condiciones realistas en
esos mismos entornos evaluada entre el 2010 y el 2015 y finalmente se presenta el
 30 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

análisis de los trabajos dedicados a la configuración específica de la industria de tejidos

técnicos: el flow shop híbrido flexible. Los trabajos sobre ese tema se han publicado entre
2008 y 2015.

1.3.1 Estado del arte de las técnicas de

programación de producción en
entornos relacionados con el de
producción de tejidos técnicos
Se realizó una revisión de 291 artículos científicos, publicados entre 1990 y 2015, cuyo
tópico se centra en las técnicas inteligentes aplicadas a problemas de optimización de
sistemas productivos, específicamente problemas de secuenciación de tareas. Se
buscaron en las bases de datos científicas Scopus, Science Direct, Jstor, Taylor &
Francis, IEEE Explore, ProQuest y Web of Science, publicaciones sobre Flow Shop, Flow
Shop Híbrido, Flow Shop Híbrido Flexible, Máquinas Paralelas e Industria textil. Se
filtraron y se seleccionaron artículos de interés para el tema de estudio, considerando el
tipo de problema o la aplicación de sus resultados. En el análisis se tabularon las
principales variables de interés obteniendo la información que se muestra en el Anexo D
(página 105) y se describe a continuación:

En la Figura 1-3 se puede ver la proporción los trabajos que mencionan alguna posible
aplicación en la industria textil.
Capítulo 1 31

Figura 1-3 Proporción de trabajos que mencionan su aplicación a la industria textil

Textil
18%

No se encontró ningún trabajo que mencionara explícitamente el subsector de Tejidos

Técnicos. Los que hicieron alguna mención de posibles aplicaciones en la industria textil
son una minoría, menor a la quinta parte de todos los trabajos considerados.

En la Figura 1-4 se muestran los tipos de problemas analizados en los trabajos y su

participación en el total. La suma es superior al 100% dado que hay publicaciones en las
que se mencionan a la vez soluciones a más de un problema de secuenciación.
 32 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Figura 1-4: Tipos de problemas estudiados en los artículos sobre secuenciación

revisados para el estado del arte.

30% 27%

25% 23%

20% 18% 18%

15%

10% 8%
7%

5%

0%
FLOW SHOP FLOW SHOP OTROS FLOW MÁQUINAS UNA SOLA OTROS
HÍBRIDO HÍBRIDO SHOP PARALELAS MÁQUINA PROBLEMAS
FLEXIBLE (HFS)
(HFFS)

El entorno específico aplicable a la industria de tejidos técnicos (y a la industria textil en

general), el flow shop híbrido flexible, sólo aparece modelado en el 8% de los trabajos. Si
bien el resto de artículos tratan problemas relacionados con situaciones que se pueden
presentar en este tipo de industrias, se aprecia una escasa consideración de ese tipo de
entornos. Los que aparecen con mayor frecuencia son los HFS (flow shop híbrido) que
según (Romano, Salort, & Esteban, 2002; Ruiz, 2009) son los más probables en la
producción real donde no abundan ni los talleres de flujo con una única máquina por
etapa, ni una única etapa con máquinas paralelas.

La Figura 1-5 compara la utilización de algoritmos de solución en los trabajos de

secuenciación presentados en los artículos analizados. Como, en repetidos casos, los
investigadores suponen más de una estrategia de solución para un mismo problema, la
suma de los porcentajes mostrados en la figura es superior al 100%.
Capítulo 1 33

Figura 1-5: Algoritmos de solución aplicados a problemas de secuenciación

30%
25%
24% 24%
25%
21%

20%

15% 12%

10%

5%

0%

Los algoritmos genéticos cuya efectividad y eficiencia ya ha sido probada en varios

campos, por su sencillez, adaptabilidad y capacidad de llegar a soluciones óptimas
(Solari Dufour & Ocampo Edye, 2007); sobresalen como la técnica de solución más
utilizada, seguida de cerca por el conjunto de las otras metaheurísticas o técnicas
inteligentes (Búsqueda tabú, sistemas multiagente, GRASP, Colonia de Hormigas,
Partículas swarm, recocido simulado) y por el grupo de heurísticas constructivas de
diferentes clases. Son minoría las aplicaciones de técnicas exactas como la
programación lineal entera con algoritmos como el branch and bound que por su alto
costo computacional solo son aplicables a instancias muy pequeñas de este tipo de
problemas.

La Figura 1-6 presenta los porcentajes de participación de los diferentes tipos de función
objetivo en los trabajos de secuenciación reportados en la literatura consultada. Al haber
problemas que se trabajaron con técnicas multi-objetivo se presenta nuevamente el caso
de una suma total superior al 100%.
 34 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Figura 1-6: Porcentaje de aplicación de funciones objetivo en trabajos de secuenciación.

69%
70%

60%

50%

40%

30% 24%

20% 13%
9%
10%

0%

Coincidiendo con (Maravelias & Sung, 2009) y otras revisiones de literatura, la

minimización del máximo tiempo de procesamiento, conocida como makespan es la
función objetivo más común en los trabajos de secuenciación. La minimización de
tardanza o precocidad y otros objetivos que consideran fecha de entrega sólo se
consideran en la cuarta parte de todos los trabajos.

1.3.2 Estado del Arte de aplicación de

condiciones realistas en problemas de
programación de producción afines a
la industria de tejidos técnicos
En una revisión que incluyó un total de 67 artículos científicos publicados entre los años
2010 y 2015, y disponibles en las bases de datos: Scopus, Science Direct, Jstor, Taylor &
Francis, IEEE Explore, ProQuest y Web of Science, cuya temática estaba relacionada
con programación en entornos afines al de la producción de tejidos técnicos, tales como
las máquinas paralelas, flow shop, flow shop híbridos y flow shop híbridos flexibles, se
analizó el modelado de las condiciones realistas en programación de producción
Capítulo 1 35

expuestas en la sección 1.2.2 (página 24). Los detalles del análisis se pueden encontrar
en el Apéndice E (página 112) y se resumen a continuación:

La Figura 1-7 muestra el porcentaje de los trabajos que tuvieron en cuenta cada una de
las condiciones de entorno real en el conjunto de trabajos analizados.

Figura 1-7: Condiciones realistas consideradas en los trabajos de programación de

producción

70%
61% 60%
60%

50% 43%

40% 34%

30%
21%
20%
12%
9% 7%
10% 6%

0%

Aparte del número de etapas mayor o igual a 3, solo los tiempos de montaje
dependientes de la secuencia superan el 50% en la proporción de trabajos que los
consideran para modelar la programación de la producción, confirmando la afirmación de
(Ruiz & Vázquez-Rodríguez, 2010) acerca del aumento reciente del interés en los
tiempos de cambio sensibles al orden de procesamiento. Condiciones realistas como las
relacionadas con la maleabilidad, los lotes de transferencia variables, la entrada dinámica
de trabajos y el uso de datos basados en producción de empresas reales sólo están
presentes en menos del 10% de los trabajos analizados.
 36 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

(Linn & Zhang, 1999; Ribas, Leisten, Framiñan, et al., 2010; Ruiz & Vázquez-Rodríguez,
2010) hacen un recorrido similar sobre este tipo de problemas en un rango de tiempo
más amplio anterior al 2010, llegando a conclusiones similares a las aquí presentadas.
La muestra del 2010 al 2015 confirma las apreciaciones de los artículos mencionados
acerca de la distancia entre realidad y teoría en los trabajos de programación de
producción.

En las revisiones bibliográficas de (Linn & Zhang, 1999; Ribas, Leisten, Framiñan, et al.,
2010; Ruiz & Vázquez-Rodríguez, 2010) se menciona que las máquinas paralelas
idénticas es el caso más estudiado en el tema de paralelismo, bien sea en una sola etapa
o como parte de un modelo híbrido. El más probable en la realidad (las máquinas
paralelas no relacionadas) es minoría en el modelado del paralelismo.

El 43% tuvo funciones objetivo relacionadas con la fecha de entrega (mínima

tardanza/anticipación) o con los costos, a veces en problemas multi-objetivo en los que
también se minimizaba el máximo tiempo de procesamiento (makespan), que al igual que
en la revisión sobre el modelado mostrada en la Figura 1-6, es el objetivo más frecuente
en los trabajos de programación de producción

La mayoría de los trabajos revisados (así como los reseñados por (Linn & Zhang, 1999;
Ribas, Leisten, Framiñan, et al., 2010; Ruiz & Vázquez-Rodríguez, 2010)), son
deficientes en la consideración de las dificultades propias de los entornos productivos
reales.

La Figura 1-8 muestra cuantas de las 9 condiciones realistas de producción fueron

consideradas simultáneamente en los trabajos. Los valores porcentuales representan la
proporción de artículos que modelaron a la vez la cantidad de condiciones realistas
indicada en la figura.
Capítulo 1 37

Figura 1-8: Distribución porcentual del número de condiciones realistas consideradas

simultáneamente en los artículos científicos sobre programación de producción.

6
2%
5 0
4 7% 7%
1
15% 21%

3 2
27% 21%

La mitad de los trabajos modela a la vez 2 condiciones realistas o menos. Menos del
10% de las investigaciones modelan simultáneamente 5 o más condiciones realistas.
Aunque se confirma la tendencia al modelado realista de los problemas de
secuenciación, aun predominan las simplificaciones que alejan la posibilidad de utilizar
los modelos propuestos en los entornos productivos reales, como se estableció al definir
el vacío de conocimiento. Se resalta que el presente trabajo incluye 9 condiciones
realistas consideradas conjuntamente.

1.3.3 Estado del arte de la programación de

producción en entornos flow shop
híbrido flexible
La primera referencia explícita al problema de secuenciación de producción en ambiente
Flow Shop híbrido flexible es el trabajo de (Ruiz, Şerifoğlu, & Urlings, 2008) basado en la
programación de una industria cerámica. Es mencionado en artículos de revisión de
literatura del 2010 sobre el tema de secuenciación, como (Ribas, Leisten, Framiñan, et
al., 2010; Ruiz & Vázquez-Rodríguez, 2010).

Usando los motores de búsqueda de las bases de datos científicas: Scopus, Science
Direct, Jstor, Taylor & Francis, IEEE Explore, ProQuest y Web of Science con la
expresión “Hybrid Flexible Flowshop” o la expresión “Hybrid Flexible Flow” en el título, el
 38 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

resumen y las palabras clave, se han encontrado un total de 22 artículos publicados en

revistas científicas y en memorias de conferencias1.

Diez de los 22 artículos son producto del equipo de trabajo del profesor Rubén Ruiz,
apareciendo como autores o coautores, tanto él mismo (3 artículos) como sus colegas
Zandieh (7 artículos), Naderi (2 trabajos), Karimi (2 trabajos), Urlings (2 trabajos),
Şerifoğlu (2 trabajos), entre otros. En el trabajo inicial (Ruiz et al., 2008) se plantea el
problema considerando varias condiciones realistas como: máquinas paralelas no
relacionadas, tiempos de montaje dependientes de la secuencia, entrada dinámica,
elegibilidad y más de 2 etapas; se desarrolla el set de datos y se aplica un algoritmo
exacto modelado en CPLEX para resolverlo. Como el trabajo está orientado a la industria
cerámica, el modelo considera restricciones de espera y anticipación de trabajos propias
de esa industria. No se consideran ni la maleabilidad, ni el lote de transferencia variable,
ni función objetivo basada en plazo de entrega, ni datos basados en la realidad.

En los restantes trabajos del grupo se proponen algoritmos genéticos con diferentes
variaciones en la estructura del algoritmo, en los operadores de cruce y en las reglas de
asignación, para un modelo de datos muy similar al original: algoritmo genético básico en
(Zandieh et al., 2010); de estado estable cambiando opciones de asignación (SGA,
SGAR, SGAM y EGA) en (Urlings, Ruiz, & Şerifoğlu, 2010); MPGA (Multi-phase) en
(Zandieh & Karimi, 2010) y en (Karimi, Zandieh, & Karamooz, 2010); RKGA (Random
key) en (Jabbarizadeh, Zandieh, & Talebi, 2009; Zandieh, Dorri, & Khamseh, 2009) y
RKGA (Random Key) con simulación en (Zandieh & Hashemi, 2015). También hay un
trabajo (Naderi, Ruiz, & Zandieh, 2010) que aplica la heurística de Nawaz, Enscore and
Ham conocida como NEH y otro (Naderi, Gohari, & Yazdani, 2014) que utiliza PSO
(Particle Swarm Optimization).

Cuatro trabajos más son producto del equipo conformado por Sioud, Gagné y Gravel
quienes entre 2013 y 2014 probaron diferentes técnicas inteligentes para resolver el
mismo set de datos generado por (Ruiz et al., 2008) y disponible en
http://soa.iti.es/instancias-problemas. El primero de los trabajos fue un algoritmo genético
(Sioud, Gravel, & Gagné, 2013) y luego modelaron técnicas como la Colonia de
Hormigas (Sioud, Gagné, & Gravel, 2014a, 2014b) y la búsqueda local (Sioud, Gagné, &
Gravel, 2014c). En este último generaron un nuevo set de datos y cambiaron la función
objetivo por la minimización de la tardanza total.

Otro equipo, encabezado por De Siqueira, también trabajó sobre el set de datos inicial y
por lo tanto sobre la misma configuración propuesta por (Ruiz et al., 2008). Su propuesta
(De Siqueira, Souza, De Souza, De Franca Filho, & Marcelino, 2013) es un algoritmo

1Se han excluido intencionalmente 2 productos previos de esta investigación que aparecen en la
búsqueda en la base de datos Scielo.
Capítulo 1 39

evolutivo. Al igual que Sioud, De Siquiera comparó sus resultados con los obtenidos por
el equipo de Ruiz en 2008. En total 15 artículos (el 68%) pertenecen al grupo de trabajo
de Ruíz o se relacionan directamente con éste, por estar basados en su formulación del
problema.

Dos artículos pertenecen al grupo de Attar que propone los algoritmos BBO
(Biogeography Based Optimization) (Attar, Mohammadi, Tavakkoli-Moghaddam, &
Yaghoubi, 2013) y PSO (Particle Swarm Optimization)(Attar, Mohammadi, & Tavakkoli-
Moghaddam, 2013). Su aporte está en el modelado de la condición de tiempo limitado de
espera entre dos etapas consecutivas, propio de varias industrias como la de
semiconductores y la petroquímica.

Otros 2 artículos tienen como autor principal a Fatahum Defersha quien hace un
modelado muy completo considerando hasta 5 condiciones realistas en un mismo
trabajo. Su principal aporte es el modelamiento de la subdivisión de lotes, que tiene que
ver con la maleabilidad. En (F. Defersha, 2011) se hace énfasis en el modelado,
limitando la experimentación a una sola instancia y calculando la solución con CPLEX sin
comparar los resultados frente a otras alternativas. En (F. Defersha & Chen, 2012) se
trabaja un problema de menor complejidad (no hay restricción de elegibilidad ni entrada
dinámica) con un algoritmo genético, probado sobre un conjunto de 11 instancias
pequeñas del problema con entre 2 y 30 trabajos a programar en un sistema con entre 3
y 30 etapas con entre 1 y 5 máquinas paralelas idénticas por etapa.

Los restantes 3 artículos son trabajos independientes: (Solano Charris, 2009) propone
una colonia de hormigas para un Flow shop híbrido flexible sin considerar ninguna
condición de entorno realista, probando la propuesta en una sola instancia de 8 trabajos
en 2 etapas con 1 y 2 máquinas idénticas. (Yalaoui, Mahdi, Amodeo, & Yalaoui, 2011)
aplica PSO a un problema con máquinas paralelas no relacionadas, 𝑘 etapas, restricción
de elegibilidad y objetivo de minimizar tardanza, probándolo con 125 instancias pequeñas
de 10 trabajos en un sistema de 2 etapas con 5 máquinas por etapa. El trabajo más
reciente es el de(J. Li, Pan, & Duan, 2015) quienes proponen un algoritmo de colonia de
abejas para resolver un problema basado en un entorno real de una industria siderúrgica
minimizando tardanza para 15 instancias con entre 40 y 152 trabajos a programar en una
planta real de 5 etapas con entre 2 y 5 máquinas por etapa.

Se encontró como común denominador en la justificación de los trabajos analizados, el

énfasis en buscar modelos más cercanos a la realidad de la industria tratando de acortar
la brecha entre las propuestas teóricas y las aplicaciones prácticas. El Anexo F (página
115) incluye la tabla completa del análisis de esos trabajos cuyos resultados se resumen
a continuación.

La Figura 1-9 muestra los algoritmos propuestos para la solución del Flow Shop híbrido
flexible y su participación porcentual en el total de trabajos analizados.
 40 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Figura 1-9: Algoritmos propuestos para la secuenciación en Flow Shop Híbrido flexible

BÚSQ
VECINDARIO
5% BIOGEOGRÁFICO
5%
EVOLUTIVO
4%
COL ABEJAS
4%
RECOC GENÉTICOS
SIMUL 41%
4% CPLEX
9%

PARTÍCULAS
SWARM
14% COL HORMIGAS
14%

En el problema específico del Flow Shop híbrido flexible se nota una mayor utilización de
los algoritmos genéticos, superando incluso la proporción mostrada en la Figura 1-5 para
el conjunto de problemas de secuenciación en entornos afines al de producción de
tejidos técnicos, lo que se puede explicar por su flexibilidad y adaptabilidad a diferentes
tipos de problemas. El grupo de Zandieh, Ruiz, Naderi, Urlings, Karimi los utiliza en la
mayoría de sus propuestas de solución. Incluso, en la comparación de resultados frente a
otras propuestas, los algoritmos genéticos son los más utilizados (41% de los casos),
seguidos por las reglas de prioridad básicas (27% de los casos). Cabe anotar además
que dos de los artículos no hicieron comparaciones frente a otros algoritmos y que sólo
los trabajos del grupo de Sioud y (De Siqueira et al., 2013) compararon sus resultados
con los de otros investigadores (Concretamente con los trabajos iniciales del grupo de
Rubén Ruiz). (Yalaoui et al., 2011) comparó sus resultados con el óptimo global, dado
que trabajó sobre instancias muy pequeñas que permitieron resolverlas por enumeración
explicita.

La Figura 1-10 muestra la proporción entre los tipos de objetivos usados en la solución
de problemas de secuenciación Flow Shop Híbrido Flexible.
Capítulo 1 41

Figura 1-10: Tipos de funciones objetivo en problemas de secuenciación Flow Shop

híbrido flexible

MIXTO MAKESPAN-
TARDANZA
14%

TARDANZA
13%

MAKESPAN
73%

Como ya se había visto en el análisis de la literatura sobre secuenciación de producción

en entornos relacionados con la industria de tejidos técnicos, el makespan es el objetivo
modelado con mayor frecuencia (Ver Figura 1-6, página 34). En este caso, llega al 73%
de los trabajos, además del 14% que trabajó algoritmos multi-objetivo en los que se
minimizó makespan junto con otro objetivo relacionado con la tardanza. La tardanza,
independientemente, cubrió el restante 13% de los trabajos.

La Figura 1-11 resume los resultados referentes al modelado de condiciones de entorno

real en los trabajos sobre la configuración flow shop híbrido flexible en comparación con
el resto de configuraciones.
 42 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Figura 1-11: Porcentaje de trabajos que modelan cada una de las condiciones de
entorno real en configuración flow shop híbrido flexible vs otras configuraciones.

1,000

0,900

0,800

0,700

0,600

0,500

0,400

0,300

0,200

FLOW SHOP HÍBRIDO FLEXIBLE 0,100

OTRAS CONFIGURACIONES 0,000

Es notable la tendencia de reducir la distancia entre la teoría y la realidad en los trabajos

sobre la configuración flow shop híbrido flexible. El número de etapas mayor a 2, los
tiempos de montaje dependientes de la secuencia, el paralelismo entre máquinas no
relacionadas, la restricción de eligibilidad y la entrada dinámica son modelados con una
frecuencia mucho mayor en el entorno flow shop híbrido flexible que en los otros
entornos reportados en la literatura. Las cuatro primeras de esas condiciones se pueden
encontrar en más de la mitad de los trabajos acerca de esa configuración. En el
modelado de función objetivo relativa al tiempo de entrega o costo, sin embargo, los
trabajos sobre flow shop híbrido flexible están por debajo de los relativos a otras
configuraciones, notándose un predominio de los trabajos que optimizan el makespan.
En las condiciones relativas a los lotes de transferencia, maleabilidad y datos basados en
la realidad, el modelado es tan escaso en esta configuración como en las otras que se
analizaron. En particular, la consideración de lote de transferencia variable entre etapas,
propia de la industria de tejidos técnicos y de otras industrias de la configuración flow
shop híbrido flexible, no se ha modelado nunca en los trabajos de secuenciación sobre
Capítulo 1 43

este tipo de entornos productivos. En el presente trabajo se modela por primera vez, para
el flow shop híbrido flexible, esa condición de los entornos reales.

LaTabla 1-2 muestra un resumen de los valores promedio del modelado experimental en
los trabajos flow shop híbrido flexible en cuanto a casos modelados, número de trabajos,
etapas y máquinas por etapa.

Tabla 1-2: Cantidades promedio y participación porcentual en el diseño de los casos de

prueba en trabajos sobre configuración flow shop híbrido flexible

TRABAJOS

CASOS
de 1 a 10 9% 1 a 20 59%
de 11 a 100 41% 55 a 70 32%
de 101 a 1000 41% más de 70 9%
más de 1000 9%
ETAPAS MÁQUINAS POR ETAPA
2a3 32% 1 a 2 23%
4a5 55% 3 a 4 50%
6 o más 14% 5 o más 27%

Se puede apreciar que la mayoría de investigadores modelaron casos relativamente

pequeños. Sólo en la cantidad de casos para experimentación se puede apreciar un
equilibrio entre los trabajos con menos de 100 casos modelados y los que modelaron de
101 en adelante. El trabajo con más casos de prueba tenía 3456 (Zandieh et al., 2010)
mientras que se encontraron 2 trabajos con un solo caso de prueba ((F. Defersha, 2011;
Solano Charris, 2009).

1.4 Conclusiones del capítulo

Aunque muchas empresas dicen producir tejidos técnicos en Colombia, sólo 6 cumplen
con el perfil de desarrollar productos en los que prima la funcionalidad sobre la estética,
tener integración vertical y trabajar en tejido plano.

La industria de tejidos técnicos se concentra en la zona Andina. Dado que su mercado se

conforma por industrias de sectores como el automotor, el de blindajes y seguridad
pasiva y el de bandas transportadoras, entre otros; tiende a concentrarse cerca a los
centros urbanos más industrializados.
 44 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Aunque los expertos señalan el cumplimiento de entregas como la principal variable a

optimizar en este subsector y como el segundo factor de competitividad después de la
calidad; esa no es la principal condición que se tiene en cuenta al programar la
producción, pues en ese punto se le da más prelación a los tiempos de procesamiento y
al costo. El hecho de que se cumplan las entregas la mayoría o todas las veces puede
incidir en que no se priorice como objetivo en la programación.

Las empresas le dan alta importancia a todas las condiciones de entorno real planteadas,
pero privilegian que las máquinas paralelas sean no relacionadas y que los lotes de
transferencia sean variables entre etapas como las más significativas. Como se muestra
en la sección 1.3.2 (página 34) esas condiciones solo se encontraron en el 34% y el 7%
de los trabajos revisados en la bibliografía, respectivamente, y cómo lo muestra la Tabla
7-2 (página 112) no se encontraron juntos en ningún artículo.

Es importante el uso de la hoja de cálculo Excel como herramienta de programación. Sin

embargo, hay poca satisfacción en cuanto a su versatilidad y sus resultados. Es este un
indicador de la necesidad de desarrollar soluciones acordes a la dinámica de la
programación de producción de este tipo de empresas.

Existe abundante literatura científica alrededor del tema de programación en ambientes

flow shop híbrido flexible y problemas conexos como el de máquinas paralelas en una
etapa, el flow shop híbrido, el flow shop y la programación de una sola máquina. La
mayor parte de esa literatura, no obstante, desarrolla modelos difícilmente aplicables a la
producción real, dado que se ignoran o se minimiza la importancia de condiciones de los
entornos reales, como el paralelismo entre máquinas no relacionadas, los tiempos de
montaje dependientes de la secuencia, la maleabilidad, la entrada dinámica, la
restricción de elegibilidad, el lote de transferencia variable entre etapas; y se trabaja más
sobre datos simulados que sobre datos tomados de empresas reales.

La función objetivo más común en la literatura es minimizar el makespan. Aunque es una

medida de desempeño bastante importante porque además guarda proporcionalidad con
el costo y contribuye al cumplimiento de compromisos comerciales, el makespan no tiene
en cuenta las fechas de entrega en el cálculo de la función objetivo. Las fechas de
entrega fueron consideradas por los empresarios como la variable a optimizar y el
segundo factor de competitividad, como se vio en la sección 1.1.2.1 (página 21).

Los algoritmos genéticos tienen alta utilización en la solución de este tipo de problemas
debido a su bajo costo computacional y su potencia para encontrar soluciones de buena
calidad en tiempos competitivos. Representan una alternativa viable en problemas que
como el de la programación en ambientes flow shop híbrido flexible, son de tipo
combinatorial.
Capítulo 2 45

2. Modelo matemático de la
propuesta de solución

Figura 2-1: Esquema del capítulo

Conjuntos e
índices

Modelo
Matemático
Variables
Descripción de decisión
• Función Objetivo
• Restricciones
• Condiciones de
las variables

Parámetros

2.1 Descripción de la metodología

Se propone, a partir de los resultados del trabajo de campo y del estado del arte, modelar
una propuesta de solución a un Flow Shop híbrido flexible correspondiente a una planta
de producción con características similares a las que fabrican tejidos técnicos con
integración vertical incluyendo proceso de tejeduría en el sistema de tejido plano y al
menos otras dos etapas.
 46 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Todos los productos siguen la misma ruta por las diferentes etapas por lo que la
configuración es un flow shop. Al haber paralelismo en al menos una etapa
(generalmente es indispensable en la tejeduría), se convierte en un flow shop flexible. Y
como algunos trabajos que pueden omitir alguna (la Preparación de Hilaza cuando ésta
no requiere tratamiento, y los Acabados cuando la tela se despacha tal como sale del
telar); es un flow shop híbrido flexible (Ver la definición en la sección 1.2.1.3, página 24).

Las máquinas paralelas son no relacionadas en todas las etapas donde hay paralelismo,
lo que implica que el tiempo de procesamiento en cada máquina depende del trabajo y
de la máquina (Vallada & Ruiz, 2011).

Hay restricción de elegibilidad: Cada trabajo solo puede procesarse un grupo de

máquinas, y cada máquina está en capacidad de procesar algunos de los trabajos.

En todas las etapas, los tiempos de montaje dependen de la secuencia. Un cambio de

referencia en cualquier etapa será más corto cuando el trabajo entrante es similar al
saliente que cuando ambos son diferentes entre sí.

Hay maleabilidad en los tamaños de lote. Es posible subdividir un trabajo para,

aprovechando el paralelismo, procesarlo simultáneamente en varias máquinas; o integrar
varios trabajos para completar un lote más significativo y aportar a la eficiencia del
proceso.

Los lotes de transferencia de un mismo trabajo, entre una etapa y la siguiente pueden
tener tamaños diferentes haciendo necesario aprovechar la maleabilidad en la
programación de los lotes. Tanto las subdivisiones como las integraciones deben ser
coherentes con los tamaños de pieza o rollo previstos para la entrega del producto
terminado.

Como se pudo apreciar en el numeral 1.1.2.1 (página 21), la industria de tejidos técnicos
considera como el objetivo más importante a optimizar el cumplimiento de entregas. Por
ese motivo se propone como función objetivo minimizar la tardanza media, calculada
como el promedio de las diferencias entre las fechas de entrega reales y las prometidas
para todos los trabajos que no puedan entregarse a tiempo.

El modelo matemático completo es el siguiente:

2.1.1 Definición de conjuntos e índices

Se tiene un conjunto 𝐼 de 𝑛 trabajos que se denotan por el índice 𝑖. 𝑖 = 1, 2, … , 𝑛

Hay un conjunto 𝐴 de 𝑢 productos. Cada uno de los 𝑛 trabajos tiene asociado un

producto perteneciente al conjunto de 𝑢 productos. 𝑎 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑖 = 𝑎 identifica al
producto asociado al trabajo 𝑖.
Capítulo 2 47

Así mismo, cada uno de los 𝑛 trabajos tiene asociada una cantidad 𝑄𝑖 correspondiente al
pedido del cliente y una fecha de entrega 𝑑𝑖 =Fecha de entrega prometida del trabajo 𝑖.

Cada uno de los 𝑢 productos tiene asociado una unidad en la que se entrega el producto
terminado al cliente (Ejemplo: longitud o peso de cada rollo). Se denotará como 𝑈𝑛𝑖𝑑𝑎𝑑𝑎
= Unidad de producción asociada al producto 𝑎.

Los 𝑛 trabajos se secuencian en un orden denotado por el índice 𝑘. 𝑘 = 1, 2, … , 𝑛

El proceso tiene un conjunto 𝐿 de 𝑠 etapas denotadas por el índice 𝑙. 𝑙 = 1, 2, … , 𝑠

En cada una de las 𝑠 etapas, hay un subconjunto 𝐽𝐿 de 𝑚𝑙 máquinas paralelas que se

denotan por el índice 𝑗𝑙 . 𝑗𝑙 = 1, 2, … , 𝑚𝑙 .

La velocidad de trabajo de cada una de las 𝑚𝑙 máquinas de la etapa 𝑙 se denota por 𝑣𝑗𝑙 , y
está dada en unidades (kilos, metros) por unidad de tiempo.

Las 𝑚𝑙𝑖 máquinas de la etapa 𝑙 que podrían procesar el producto 𝑖 conforman el

subconjunto 𝐽𝐿𝐼 y se denotan por el índice 𝑗𝑙𝑖 . 𝑗𝑙𝑖 = 1, 2, … , 𝑚𝑙𝑖 ; 1 ≤ 𝑚𝑖𝑙 ≤ 𝑚𝑙 .

2.1.2 Definición de Variables

𝑥𝑖𝑘 = Variable de decisión binaria. 𝑥𝑖𝑘 = 1, cuando el trabajo 𝑖 se programa en el 𝑘-ésimo
lugar de la secuencia y 𝑥𝑖𝑘 = 0 en cualquier otro caso.

𝑦ℎ𝑖𝑗𝑙 =Variable de decisión binaria. Asignación de máquinas. 𝑦ℎ𝑖𝑗𝑙 = 1, cuando el lote ℎ del
producto 𝑖 en la etapa 𝑙 se asigna a la máquina 𝑗𝑙 . 𝑦ℎ𝑖𝑗𝑙 = 0, en cualquier otro caso.

Cada uno de los 𝑛 trabajos en cada una de las 𝑠 etapas puede subdividirse en un
subconjunto 𝐻𝐼𝐿 diferente de 𝑛𝑖𝑙 lotes (Ejemplo: urdimbres, rollos de tela) denotados por
ℎ𝑖𝑙 . (lote ℎ del producto 𝑖 en la etapa 𝑙). ℎ𝑖𝑙 = 1, 2, . . , 𝑛𝑖𝑙 . 𝑛𝑖𝑙 ≥ 1

Cada uno de los 𝑛𝑖𝑙 lotes tiene un tamaño de lote 𝑇𝑎𝑚𝑎ñ𝑜ℎ𝑖𝑙 asociado que puede ser
diferente para cada uno. 𝑇𝑎𝑚𝑎ñ𝑜ℎ𝑖𝑙 =Tamaño del lote ℎ𝑖𝑙 del producto 𝑖 en la etapa 𝑙.

2.1.3 Definición de Parámetros

𝑝ℎ𝑖𝑗𝑙 = Tiempo de proceso del lote ℎ𝑖𝑙 del trabajo 𝑖 en la máquina 𝑗𝑙 de la etapa 𝑙.
𝑠𝑡𝑎𝑏𝑗𝑙 =Tiempo de montaje del producto 𝑏 cuando se procesa inmediatamente después
del producto 𝑎 en la máquina 𝑗𝑙 de la etapa 𝑙. 𝑎 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑘−1 , 𝑏 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑘 (producto
que corresponde al trabajo programado en la secuencia 𝑘)
 48 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

𝑒 𝑎𝑗𝑙 = Parámetro para la eficiencia al procesar el producto 𝑎 en la máquina 𝑗 de la etapa 𝑙.

𝑎 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑖 (producto asociado a trabajo 𝑖). 𝑒 𝑎𝑗𝑙 ∈ [0,1]

𝑟ℎ𝑖𝑗𝑙 = Fecha inicial de proceso del lote ℎ𝑖𝑙 del trabajo 𝑖 en la máquina 𝑗𝑙 de la etapa 𝑙.

𝐶ℎ𝑖𝑗𝑙 = Fecha final de proceso del lote ℎ𝑖𝑙 del trabajo 𝑖 en la máquina 𝑗𝑙 de la etapa 𝑙.

𝑧𝑖 = Número entero de unidades de venta contenidas en la cantidad asociada al trabajo 𝑖.

𝑧ℎ𝑖𝑙 = Número entero de unidades de venta contenidas en la cantidad asociada al lote ℎ𝑖𝑙
del trabajo 𝑖 en la etapa 𝑙.

2.1.4 Modelo matemático completo

∑𝑛𝑖=1 𝑇𝑖
𝑀𝑖𝑛 𝑍 = (2-1)
𝑛

𝑠𝑢𝑗𝑒𝑡𝑜 𝑎 𝑙𝑎𝑠 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒𝑠 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠:

𝑇𝑖 = 𝑚á𝑥[(𝑚á𝑥(𝐶ℎ𝑖𝑗𝑠 ) − 𝑑𝑖 ),0] ; ∀𝑖; ∀ℎ𝑖𝑙 ; ∀𝑗𝑙 ; 𝑙 = 𝑠 (2-2)

𝑚𝑙 𝑛𝑖𝑙
𝑝ℎ𝑖𝑗𝑙
𝐶ℎ𝑖𝑗𝑙 = 𝑟ℎ𝑖𝑗𝑙 + 𝑚á𝑥 (∑ ∑ ( + 𝑠𝑡𝑎𝑏𝑗𝑙 ) 𝑦ℎ𝑖𝑗𝑙 ) 𝑥𝑖𝑘 ; ∀𝑖; ∀𝑘; ∀𝑙 (2-3)
𝑒𝑏𝑗𝑙
𝑗=1 ℎ=1

𝑡𝑎𝑚𝑎ñ𝑜ℎ𝑖𝑙
𝑝ℎ𝑖𝑗𝑙 = ; ∀ℎ𝑖𝑙 ; ∀𝑖; ∀𝑗𝑙 ; ∀𝑙 (2-4)
𝑣𝑗𝑙

𝑈𝑛𝑖𝑑𝑎𝑑𝑎 × 𝑧𝑖 = 𝑄𝑖 ; ∀ℎ𝑖𝑗𝑙 , ; ∀𝑖; ∀𝑙; 𝑧𝑖 ∈ 𝑍 + (𝐸𝑛𝑡𝑒𝑟𝑜𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠) (2-5)

𝑡𝑎𝑚𝑎ñ𝑜ℎ𝑖𝑙 = 𝑈𝑛𝑖𝑑𝑎𝑑𝑎 × 𝑧ℎ𝑖𝑙 ; ∀ℎ𝑖𝑙 ; ∀𝑖; ∀𝑙; 𝑧ℎ𝑖𝑙 ∈ 𝑍 + ; 𝑎 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑖 (2-6)

𝑛𝑖𝑙

∑ 𝑡𝑎𝑚𝑎ñ𝑜ℎ𝑖𝑙 = 𝑄𝑖 ; ∀𝑖; ∀𝑙 (2-7)

ℎ𝑖𝑙 =1

∑ 𝑥𝑖𝑘 = 1; ∀𝑘 (2-8)
𝑖=1

∑ 𝑥𝑖𝑘 = 1; ∀𝑖 (2-9)
𝑘=1

𝑚𝑙

∑ 𝑦ℎ𝑖𝑗𝑙 = 1; ∀𝑙; ∀𝑖; ∀ℎ𝑖𝑙 (2-10)

𝑗𝑙 =1
Capítulo 2 49

𝑛𝑖𝑙

∑ 𝑦ℎ𝑖𝑗𝑙 = 𝑛𝑖𝑙 ; ∀𝑙; ∀𝑖; ∀𝑗𝑙 (2-11)

ℎ𝑖𝑙 =1

𝑟ℎ𝑖𝑗𝑙 ≥ 𝑚á𝑥(𝐶ℎ𝑖𝑗(𝑙−1) )𝑥𝑖𝑘 ; ∀𝑙; ∀𝑖; ∀𝑘; ∀ℎ𝑖𝑙 ; ∀𝑗𝑙 (2-12)

𝑟ℎ𝑖𝑗𝑙 ≥ 𝑚á𝑥(𝐶ℎ𝑖𝑗𝑙 𝑥𝑖(𝑘−1) ) ; ∀𝑙; ∀𝑖; ∀𝑘; ∀ℎ𝑖𝑙 ; ∀𝑗𝑙 (2-13)

𝑝ℎ𝑖𝑗𝑙 = ∞ ; 𝑠𝑖 𝑗𝑙 ∉ 𝐽𝐿𝐼 (2-14)

𝑝1𝑖𝑗𝑙 = 0, ℎ𝑖𝑙 = 𝑛𝑙 = 1; ∀𝑗𝑙 , 𝑠𝑖 𝑒𝑙 𝑡𝑟𝑎𝑏𝑎𝑗𝑜 𝑖 𝑛𝑜 𝑝𝑎𝑠𝑎 𝑝𝑜𝑟𝑙𝑎 𝑒𝑡𝑎𝑝𝑎 𝑙 (2-15)

𝑥𝑖𝑘 , 𝑦ℎ𝑖𝑗𝑙 = 0,1 ; ∀𝑙; ∀𝑖; ∀𝑘; ∀ℎ𝑖𝑙 ; ∀𝑗𝑙 (2-16)

La ecuación (2-1) es la función objetivo, minimizar tardanza media. La ecuación (2-2)

representa la restricción que calcula la tardanza de cada trabajo como el máximo entre
cero y la diferencia entre fecha prometida de entrega y fecha de entrega calculada como
la fecha de finalización del trabajo en la última etapa. La ecuación (2-3) indica el cálculo
de las fechas finales a partir de la fecha inicial, la eficiencia, el tiempo de procesamiento y
el tiempo de montaje. La expresión (2-4) indica que el cálculo del tiempo de proceso se
hace dividiendo el tamaño del pedido por la velocidad de la máquina. La expresión (2-5)
indica que la unidad de venta debe ser un submúltiplo exacto de la cantidad pedida,
mientras la expresión (2-6) asegura que el tamaño del lote es un múltiplo exacto de la
unidad de venta del producto correspondiente al trabajo. La expresión (2-7) corresponde
a que la suma de los tamaños de los lotes en los que se subdivide un trabajo es igual a la
cantidad asociada a ese trabajo. La ecuación (2-8) es la restricción que indica que cada
posición de secuencia corresponde a un solo trabajo, mientras la ecuación (2-9) restringe
cada trabajo a estar en sólo una posición en la secuencia. La ecuación (2-10) asegura
que cada lote de cada trabajo, sólo pueda ser programado en exactamente una máquina
en cada etapa y la ecuación (2-11) indica que en cada etapa se deben programar
exactamente el número de lotes en los que se haya desagregado cada trabajo bien sea
en una sola máquina o en varias. La restricción mostrada en la expresión (2-12) indica
que el momento de inicio de cada trabajo en cada etapa debe ser mayor o igual que la
terminación del mismo trabajo en la etapa anterior. La ecuación (2-13) asegura que un
trabajo no se pueda programar antes de que la máquina haya terminado el trabajo que se
programó en la secuencia inmediatamente anterior. (2-14) indica que cada trabajo debe
programarse en el subconjunto de máquinas elegibles para su proceso y de lo contrario
su tiempo de procesamiento tiende a infinito. La expresión (2-15) muestra que si un
trabajo salta una etapa su tiempo de proceso es cero y sólo es necesario un lote con ese
tamaño. La expresión (2-16) indica que las variables de asignación y de secuenciación
son binarias y sólo pueden tomar los valores de cero y uno.

Este modelo matemático, en primer lugar es compatible con el modelo del flow shop
híbrido flexible modelando la pluralidad de etapas con igual secuencia (expresión (2-12)),
 50 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

el paralelismo (expresiones (2-10) y (2-11)) y la posibilidad de saltar etapas (Expresión

(2-15)).

En segundo lugar, el modelo tiene en cuenta las condiciones de entorno real que se
están presentando juntas por primera vez en este trabajo: más de 2 etapas: definición del
conjunto 𝐿 de 𝑠 etapas (ver página 47); Paralelismo entre máquinas no relacionadas
(expresiones (2-10), y (2-11)); tiempos de montaje dependientes de la secuencia
(expresión (2-3)); entrada dinámica que permite proactividad y reactividad en la
programación (expresiones (2-3), (2-12) y (2-13)); lote de transferencia variable
(expresiones (2-4), (2-5), (2-6) y (2-7)); maleabilidad (expresiones (2-5) y (2-7)); función
objetivo basada en fecha de entrega (expresión (2-1)); restricción de elegibilidad
(expresión (2-14)). La condición restante (Datos basados en entorno real) por sus
características, se evidenciará en los resultados mostrados en el capítulo 4 (página 61).

En tercer lugar, el modelado es lo suficientemente amplio como para incluir otras

configuraciones con menor complejidad, bien sea porque no consideren todas las
condiciones de entorno real, o bien porque no tengan la posibilidad de saltar procesos del
flow shop híbrido flexible, no tengan el paralelismo del flow shop híbrido, o no tengan la
pluralidad de etapas del flow shop. Bastará con hacer iguales a cero las variables que no
aplican o con indicar que el número de lotes, máquinas, o etapas es igual a uno, cuando
el problema a resolver no implique pluralidad en alguno de esos elementos.

2.2 Conclusiones del Capítulo

Se presenta aquí el aporte propuesto en los objetivos de la investigación en cuanto al
modelo matemático para la programación de la producción en un flow shop híbrido
flexible como el de la industria de tejidos técnicos, teniendo en cuenta todas las
condiciones de entorno real que se definieron en el numeral 1.2.2 (página 24).

La función objetivo minimiza la tardanza media, manteniendo la consistencia con la

selección del sondeo preliminar a un grupo cerrado de expertos vinculados a la industria
de tejidos técnicos en Colombia, en cuanto a la importancia de las variables relacionadas
con el cumplimiento de fechas de entrega. (Ver Tabla 1-1 (página 21))

Se modelaron las complejidades propias de los entornos reales de la producción de

tejidos técnicos. Se consideró el paralelismo entre máquinas no relacionadas en todas
las etapas con máquinas paralelas, priorizado como dificultad en la programación en los
resultados del trabajo de campo. También se contemplaron los tiempos de montaje
dependientes de la secuencia para todas las etapas. Se modeló la maleabilidad de los
lotes en concordancia con lotes de transferencia variables y se consideró la entrada
dinámica de trabajos que permite que la programación sea tanto proactiva como reactiva,
y la restricción de elegibilidad. Con estas consideraciones se logra la aplicabilidad del
modelo a la realidad de las empresas del sector objeto de este trabajo y se llega más
Capítulo 2 51

lejos que lo que se encontró en la literatura sobre flow shop híbrido flexible en cuanto al
modelo matemático,
 52 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

3. Algoritmos propuestos para la

solución del modelo
Figura 3-1: Esquema del capítulo

Algoritmo genético básico Propuestas de modificación

Diseño Cromosoma: Secuencia ordenada

Asignación en paralelas: Por mayor tiempo disponible Por Índice de flexibilidad

Población Inicial: Aleatoria Por reglas de prioridad

Selección de padres: Por ruleta proporcional Orden Determinístico

Cruzamiento: Operador K-P Operador : SJKOX

Mutación: Probabilidad Constante, Operador ARB2 Probabilidad Variable

Actualización población::Torneo vs peor de población previa

Condición de parada: Iteraciones sin mejorar F. Objetivo

Se propone una secuenciación inteligente mediante algoritmos genéticos. Se ha

escogido este tipo de algoritmo por sus características de flexibilidad y adaptabilidad a
una gran variedad de problemas. En los antecedentes mostrados en la Figura 1-5
(página 33) y en la Figura 1-9 (página 40) aparece como el más utilizado tanto en los
problemas de entornos afines a la industria de tejidos técnicos como en los trabajos
concretos con relación al flow shop híbrido flexible. Concretamente, los trabajos de (F.
Defersha & Chen, 2012; Jabbarizadeh et al., 2009; Karimi et al., 2010; Sioud et al., 2013;
Urlings et al., 2010; Zandieh & Hashemi, 2015; Zandieh & Karimi, 2010; Zandieh,
Mozaffari, & Gholami, 2009) presentan algoritmos genéticos que tienen mejor
Capítulo 3 53

desempeño que otras técnicas en solución de problemas de secuenciación de ambientes

flow shop híbrido flexible.

Se parte de una definición estándar del algoritmo con elementos comunes y se proponen
modificaciones a elementos particulares de esa definición, buscando una mayor eficacia
y una adaptabilidad a las características del problema a resolver.

3.1 Algoritmo genético básico

Se parte de un diseño de algoritmo genético general, similar al que se puede encontrar
en múltiples trabajos sobre secuenciación en diferentes entornos productivos, y aplicable
a un amplio número de problemas diferentes. A continuación se describe su
funcionamiento:

3.1.1 Diseño del cromosoma

De las ecuaciones (2-8) y (2-9), podemos notar que los 𝑛 trabajos a secuenciar se deben
programar en las 𝑛 posiciones de la secuencia, de tal forma que cada trabajo sólo puede
estar en una posición y, a su vez, cada posición sólo puede corresponder a un trabajo. El
modelado binario de este conjunto de restricciones ocuparía 𝑛2 variables binarias, de las
cuales, la gran mayoría (𝑛2 − 𝑛) tendrían el valor de cero, y sólo 𝑛 tendrían el valor de
uno. Se propone, en cambio, un modelado entero en el que se utilizarían 𝑛 variables
enteras que representarían cada una a uno de los trabajos de acuerdo su número de
identificación. El valor de la variable representa la posición asignada a ese trabajo en la
secuencia de procesamiento en la planta. Se construyen 𝑣𝑠 cromosomas en el que cada
gen corresponde a un trabajo y el valor asignado es un número entero entre 1 y 𝑛, que
representa la posición del trabajo respectivo en la secuencia para programar los trabajos
en la planta.

Figura 3-2: Diseño del cromosoma. Ejemplo con 24 trabajos. A cada posición
corresponde un trabajo.

Posición 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Trabajo 8 9 14 3 11 21 15 4 10 7 13 16 23 20 6 17 22 2 1 5 18 24 12 19

3.1.2 Población inicial

Un generador de números aleatorios genera 𝑛 valores siguiendo una distribución
uniforme entre 0 y 1. Cada uno de los 𝑛 valores generados corresponde en su orden de
generación a uno de los trabajos a secuenciar y su posición relativa al ser ordenados de
menor a mayor corresponde a la posición que tendrá cada trabajo en la secuencia de
 54 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

programación de la producción. Este procedimiento se repite 𝑣𝑠 veces, siendo 𝑣𝑠 el

tamaño de la población.

3.1.3 Asignación en etapas con máquinas

paralelas
En coherencia con las restricciones modeladas en la ecuación (2-14), se asigna cada
trabajo a la máquina elegible para procesarlo que tenga el mayor tiempo disponible (no
comprometido con otros trabajos) al momento de hacer la asignación. Como se está
modelando maleabilidad y lotes de transferencia variables, es posible fraccionar trabajos
en lotes proporcionales al tamaño de la unidad de venta del producto, cumpliendo con las
restricciones (2-5), (2-6) y (2-7). De esta manera, los diferentes lotes pueden ser
procesados paralela y simultáneamente en varias máquinas de la misma etapa.

3.1.4 Cálculo de la función objetivo

Se calcula la tardanza media promediando el máximo entre cero y la diferencia entre la
fecha final en el último proceso (Acabados) y la fecha prometida de entrega para cada
trabajo. Para el cálculo se aplican las expresiones (2-2), (2-3) y (2-4), que parten de la
información de los pedidos en cuanto a productos, cantidades y plazos y la relacionan
con los datos de las máquinas y los productos, referentes a elegibilidad, eficiencia,
velocidades de procesamiento y tiempos de montaje para llegar al cálculo de la fecha
estimada final de cada trabajo, a la que se resta la fecha pactada para la entrega para
calcular la tardanza.

3.1.5 Selección de Padres:

Tras ordenar la población ascendentemente según su tardanza media, se genera un
1 1
valor de probabilidad igual a 𝑇𝑖
⁄∑𝑛𝑖=1 𝑇 , para cada trabajo. Igualmente se calcula la
𝑖
𝑖 1 𝑛 1
probabilidad acumulada (∑𝑖𝑖=1 𝑇 ⁄∑𝑖=1 𝑇 ) hasta cada uno de los trabajos. Para el
𝑖𝑖 𝑖
cruzamiento se generan números aleatorios entre 0 y 1 y se comparan con los valores de
probabilidad acumulada. El primer trabajo cuya probabilidad acumulada sea mayor que el
número aleatorio generado, será el elegido como primer padre. Para elegir el segundo
padre se repite el procedimiento asegurando que no se repita el primer elegido.
Capítulo 3 55

3.1.6 Cruzamiento:
Se aplica un operador de cruzamiento basado en los operadores 1-P y 2-P referenciados
por (Murata & Ishibuchi, 1996), generalizándolo a 𝑝𝑐 puntos de cruce y a 2
descendientes, donde
2
𝑝𝑐 = 𝑒𝑛𝑡𝑒𝑟𝑜( √𝑛) (3-1)

El operador propuesto (que podría llamarse K-P, siendo 𝐾 = 𝑝𝑐), ubica los genes en los
cromosomas de los descendientes en el mismo orden relativo que tienen en cada padre,
alternando los padres en cada punto de cruce. Si el valor del gen ya se encuentra en el
cromosoma, pasa al gen siguiente hasta que llegue el punto de cruce respectivo. La
Figura 3-3 muestra cómo funciona el operador de cruzamiento.

Figura 3-3: Esquema de funcionamiento del operador de cruzamiento K-P. Ejemplo para
16 trabajos con 𝑲 = 𝟑 puntos de cruce.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

1 7 2 6 13 8 5 12 3 4 10 14 15 16 9 11 padre 1
↓ ↓ ↓ ↓ ↓
1 7 2 6 5 10 3 12 4 14 13 16 15 11 9 8 descendiente 1

5 2 1 6 7 13 8 16 15 4 14 12 3 10 9 11 descendiente 2
↑ ↑ ↑ ↑
5 2 1 6 7 10 3 13 16 15 4 14 12 11 9 8 padre 2

3.1.7 Mutación
La mutación, en especial cuando los problemas son de gran tamaño y cuando se usa
codificación entera, tiende a ser modelada con tasas relativamente altas (Gallego et al.,
2006). En este caso, se propone una probabilidad de mutación constante, fijada entre
0,01 y 0,30. Se aplica el operador ARB2 (Arbitrary two-jobs change mutation) consistente
en intercambiar los valores de dos posiciones dentro del descendiente seleccionadas
aleatoriamente. (Murata & Ishibuchi, 1996). Este tipo de mutación es compatible con
condiciones como tiempos de montaje dependientes de la secuencia y función objetivo
de minimizar tardanza media, al mantener intactas secuencias parciales en sus
ubicaciones originales. Dado que la mutación solo afecta a un par de genes del
cromosoma, dependiendo del número de trabajos a secuenciar y de la probabilidad que
se fije, la tasa efectiva de mutación estará entre 0,02/𝑛 y 0,60/𝑛.

3.1.8 Actualización de la población

Cada descendiente generado se compara en su valor de función objetivo con el último de
los individuos de la población. Si el ganador es el nuevo descendiente y no existe en la
 56 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

lista otro individuo igual, se ubica en la lista de acuerdo a su tardanza media. De lo

contrario (si ya existe otro igual, o es peor que el último) se desecha.

3.1.9 Criterio de parada

Se repiten los pasos a partir del 3.1.5 (Selección de Padres:) hasta que pasen 𝑣𝑠 × (𝑣𝑠 −
1) generaciones sin que cambie el mejor valor conocido para la tardanza media. 𝑣𝑠 =
𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛.

3.2 Propuestas de modificaciones al

algoritmo
Considerando las características del problema de secuenciación de trabajos en un flow
shop híbrido flexible, así como las condiciones de entorno real modeladas en este
trabajo, buscando una mayor eficacia del algoritmo, se proponen en total cinco
modificaciones que transforman los procedimientos referentes a: la asignación en etapas
con paralelismo; la generación de la población inicial; la selección de padres; el operador
de cruce y la probabilidad de mutación; dejando el resto del algoritmo (diseño del
cromosoma, cálculo de la función objetivo, operador de mutación, actualización de la
población y criterio de parada); con mismo el funcionamiento presentado en la sección
3.1 (página 53)

Las modificaciones propuestas son las siguientes:

3.2.1 Asignación de máquinas en las etapas

con paralelismo por Índice de
Flexibilidad
Buscando una asignación de máquinas compatible con la restricción de elegibilidad, la
maleabilidad y el lote de transferencia variable, se propone utilizar el índice de flexibilidad
introducido en (Arango-marín et al., 2014) cuyo funcionamiento es el siguiente:

(i) Agrupar las máquinas de la etapa respectiva de acuerdo a su elegibilidad para

los diferentes productos. Habrá un grupo de máquinas por cada subconjunto
de productos para los que son elegibles. Una máquina puede pertenecer a
varios grupos. Calcular el número de máquinas de cada grupo y a cuántos
grupos distintos pertenece cada máquina.
(ii) Calcular el indicador de flexibilidad (𝐼𝐹) de cada máquina, como el resultado
de dividir el número de grupos a los que pertenece cada máquina, sobre el
mínimo número de máquinas por grupo entre todos los grupos en a los que
pertenece. Ejemplo: Si la máquina A solo pertenece a un grupo de 6
Capítulo 3 57

máquinas y a uno de 3 máquinas; 𝐼𝐹𝐴 = 2⁄min(3; 6) = 2⁄3 = 0,667. Si la

máquina B está en dos grupos de 4 máquinas y uno de 5 máquinas; 𝐼𝐹𝐵 =
3⁄min(4; 4; 5) = 3/4 = 0,75.
(iii) Ordenar las máquinas en orden ascendente según su 𝐼𝐹. En el ejemplo
quedaría mejor ubicada la máquina A que la máquina b (0,667 < 0,75). Esta
regla favorece los productos que tienen menos máquinas que puedan
procesarlos, reservando esas máquinas para programarlas sólo cuando sea
necesario. De igual forma, solo se asignan al final las máquinas con mayor
flexibilidad, lo que facilita una programación más amplia sin esperas por una
misma máquina.
(iv) Asignar el primer trabajo de la secuencia a la primera máquina elegible según
su 𝐼𝐹. La asignación corresponde al valor en unidades de venta del producto.
Restar el valor asignado a la capacidad disponible de la máquina y a la
cantidad por asignar del producto.

𝑡𝑎𝑚𝑎ñ𝑜ℎ𝑖𝑙 = 𝑈𝑛𝑖𝑑𝑎𝑑𝑎 × 𝑧ℎ𝑖𝑙 ; 𝑎 = 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑖 (3-2)

min(𝐶𝑎𝑝𝑗𝑙 ; 𝑄𝑖 )
𝑧ℎ𝑖𝑙 = 𝑒𝑛𝑡𝑒𝑟𝑜 ( ) ; 𝐶𝑎𝑝𝑗𝑙 = 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑖𝑠𝑝𝑜𝑛𝑏𝑙𝑒 𝑚á𝑞 𝑗 𝑒𝑡𝑎𝑝𝑎 𝑙 (3-3)
𝑈𝑛𝑖𝑑𝑎𝑑𝑎

(v) Si no se completa 𝑄𝑖 con una sola máquina, pasar a la siguiente máquina

elegible. Si se completa 𝑄𝑖 , eliminar el trabajo de la lista y volver al paso (iv).
Continuar hasta agotar la lista de trabajos.

3.2.2 Población inicial basada en reglas de

prioridad
Para mejorar el desempeño del algoritmo partiendo de unas condiciones iniciales más
favorables a soluciones de mejor calidad, se propone generar los 𝑣𝑠 vectores solución
que conforman la primera población así: Los primeros 11, a partir de las siguientes reglas
de prioridad:

1. CR (Critical Ratio) Razón Crítica = (Tiempo que falta para la fecha de

entrega)/(Tiempo de procesamiento)

2. EDD (Earliest Due Date) Fecha de entrega más próxima

3. FCFS (First Come First Served) Primero en llegar, primero en ser atendido

4. JOHNSON (Regla de Johnson) Secuencia 𝑛 trabajos que siguen la misma ruta de

proceso en 𝑚 etapas (Calculada con tiempos medios de proceso por etapa)

5. LCC A (Least Changeover Cost) Mínimo costo de montaje (aplicado para el tren
de acabados)
 58 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

6. LCC H(Least Changeover Cost) Mínimo costo de montaje (aplicado para

Preparación de Hilaza)

7. LCC UT (Least Changeover Cost) Mínimo costo de montaje (aplicado para

Urdizaje y Tejeduría)

8. LCFS (Last Come First Served) Último en llegar, primero en ser atendido.

9. LPT (Largest Process Time) Máximo tiempo de procesamiento

10. LS (Least Slack) Mínima holgura = (Tiempo que falta para la fecha de entrega)-
(Tiempo de procesamiento)

11. SPT (Shortest Process Time) Mínimo tiempo de procesamiento

Los restantes 𝑣𝑠 − 11 vectores solución son secuencias de trabajos sin ningún orden
específico, generadas en forma aleatoria de manera similar a como se genera la
población del algoritmo básico.

3.2.3 Selección de Padres determinística

Buscando asegurar que los mejores individuos se crucen inmediatamente entran a la
población se propone una selección de padres en orden ascendente del valor de la
función objetivo.

Tras ordenar la población ascendentemente según su tardanza media, se seleccionan los

padres para el cruzamiento en forma secuencial y determinística empezando por el
primero y el segundo, siguiendo con el cruce del primero con el tercero, y así hasta que
el vector solución de menor tardanza media se haya cruzado con el resto de individuos
de la población. El proceso continuará hasta cruzar entre sí todos los elementos de la
población. Cuando se encuentre un descendiente mejor que el último de los individuos en
la lista ordenada por tardanza media, se repetirán los cruces desde el punto que se le
asigne en la lista de acuerdo a su función objetivo, incluyendo los cruces de ese individuo
con los que están por encima de él en la lista. Si se encuentra un individuo mejor que el
primero de la lista actual, se repiten los cruces desde el comienzo.

3.2.4 Cruzamiento con operador que

conserva fragmentos de secuencias en
iguales posiciones.
Se propone un operador de cruce basado en SJ2OX (Ruiz & Maroto, 2006). Ese
operador mantiene intactas secuencias parciales que contribuyen a minimizar la tardanza
y a minimizar los tiempos de cambio. Por lo tanto se considera apropiado en este caso
donde se tienen tiempos de montaje dependientes de la secuencia. Como el problema
estudiado tiene muchos trabajos a secuenciar, se propone usar 𝑝𝑐 puntos de cruce
Capítulo 3 59

calculando 𝑝𝑐 con la fórmula presentada en la ecuación (3-1). El operador, generalizado

para 𝑝𝑐 puntos de cruce y adaptado para generar dos descendientes, se puede llamar
SJKOX, haciendo 𝐾 = 𝑝𝑐.

Se calculan 𝑝𝑐 puntos de cruce aleatorios, llamados 𝑐𝑟𝑢𝑐𝑒1 , 𝑐𝑟𝑢𝑐𝑒2 , … hasta 𝑐𝑟𝑢𝑐𝑒𝑝𝑐 . En

cada iteración se generan dos descendientes (𝑑𝑒𝑠𝑐𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒1 y 𝑑𝑒𝑠𝑐𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒2 ) a partir de
dos padres (𝑝𝑎𝑑𝑟𝑒1 y 𝑝𝑎𝑑𝑟𝑒2 ).

En primer lugar se copian en ambos descendientes los trabajos con la misma ubicación
en los dos padres, respetando sus posiciones originales. Después, se copian al
𝑑𝑒𝑠𝑐𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒1 , en las mismas posiciones de origen, los trabajos que aparecen en 𝑝𝑎𝑑𝑟𝑒1
desde la posición inicial hasta la posición 𝑐𝑟𝑢𝑐𝑒1 − 1, y en todos los intervalos entre cada
cruce par y el siguiente impar. El resto de trabajos se ubicarán 𝑑𝑒𝑠𝑐𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒1 , según el
orden relativo que ocupan en 𝑝𝑎𝑑𝑟𝑒2 . Para 𝑑𝑒𝑠𝑐𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒2 , se aplica un procedimiento
análogo invirtiendo en la descripción anterior 𝑝𝑎𝑑𝑟𝑒1 y 𝑝𝑎𝑑𝑟𝑒2 ; 𝑑𝑒𝑠𝑐𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒1 y
𝑑𝑒𝑠𝑐𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒2 ; y par e impar.

Figura 3-4: Esquema de cruzamiento SJKOX. Ejemplo con 16 trabajos y 𝒌 = 𝟑 puntos

de cruce.

p de cr 0 p de cr 1 p de cr 2 p de cr 3 p de cr 4

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

1 7 2 6 13 8 5 12 3 4 10 14 15 16 9 11 padre 1
↓ ↓ ↓ │ ↓ ↓ ↓ ↓ │ │
1 7 2 6 5 13 16 12 3 4 10 14 15 11 9 8 descendiente 1
│ │ │
1 2 13 6 7 10 3 5 4 15 16 14 12 11 9 8 descendiente 2
│ ↑ ↑ ↑ │ ↑ ↑ │ ↑
5 2 1 6 7 10 3 13 16 15 4 14 12 11 9 8 padre 2

3.2.5 Probabilidad Variable de mutación

Se propone una probabilidad de mutación variable calculada con la expresión (3-4) que
garantice la diversidad de la población cuando han pasado muchas iteraciones sin
encontrar un mejor valor para la función objetivo, y que ayude a evitar convergencias
prematuras del algoritmo, tras muchas generaciones con escasa o nula presencia de la
mutación.

𝐼𝑡𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒𝑠𝑑𝑒 ú𝑙𝑡𝑖𝑚𝑜 𝑚𝑒𝑗𝑜𝑟

𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑚𝑢𝑡𝑎𝑐𝑖ó𝑛 = (3-4)
𝑣𝑠 × (𝑣𝑠 − 1)
 60 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

La probabilidad de que haya mutación será cercana a cero recién se ha encontrado un

mejor valor de tardanza media, mientras que después de muchas iteraciones sin mejorar
se acercará a uno.

La mutación aplica el operador ARB2 (Arbitrary two-jobs change mutation) consistente en

intercambiar los valores de dos posiciones dentro del descendiente seleccionadas
aleatoriamente. (Murata & Ishibuchi, 1996).

3.3 Conclusiones del capítulo

Se logró plantear un algoritmo que soluciona en forma completa la secuenciación de
trabajos en un flow shop híbrido flexible considerando las condiciones de entorno real y
es consistente con la formulación del problema presentada en el capítulo 2 (página 45).

Se utilizó como técnica inteligente el algoritmo genético, probado en los antecedentes

como un mecanismo eficaz para resolver este tipo de problemas, guardando consistencia
con los hallazgos del estado del arte.

Se proponen un total de 5 modificaciones al algoritmo básico. Las modificaciones son

procedimentales y van más allá de asignar valores a los parámetros del algoritmo. El
efecto de cada modificación propuesta debe evaluarse tanto en forma particular como en
combinación las otras modificaciones, siendo cada combinación de combinaciones una
variante diferente del algoritmo genético. Tomando cada modificación en dos posibles
niveles (presente o ausente) y combinándolas en un diseño experimental 25 , se están
proponiendo un total de 25 = 32 variantes diferentes del algoritmo genético para el
problema de reducir tardanza media en un flow shop híbrido flexible con tiempos de
montaje dependientes de la secuencia, máquinas paralelas no relacionadas, entrada
dinámica, elegibilidad, lote de transferencia variable, maleabilidad, 3 o más etapas y
datos basados en entorno real.

Las modificaciones propuestas para los algoritmos genéticos están orientadas a

encontrar una configuración acorde con las características del problema tratado. Los
operadores de cruce y de mutación, las formas de calcular la población inicial y de
seleccionar los padres, los criterios de parada, la selección de tasa de mutación, tamaño
de población, límite de iteraciones, etc. fueron seleccionados de tal manera que
permitieran un mejor desempeño del algoritmo y se acercaran más rápidamente a
soluciones de buena calidad.
Capítulo 4 61

4. Resultados
Figura 4-1: Esquema del capítulo

A= Índice
Flexibilidad

B= Reglas de
ABDE
prioridad
Resultados
computacionales
1a fase: Todas 2a fase:
C= Cruces
las Propuestas BDE Resultados
determinísticos
combinaciones definitivas
Discusión

D= Operador
(1)
SJKOX

E= Prob
Mutación
variable

Para evaluar la propuesta de solución desarrollada en los capítulos 2 y 3, se realizó un

proceso de dos fases, la primera tendiente a validar la efectividad de cada una de las
propuestas de modificaciones al algoritmo genético básico, presentadas en la sección 3.2
(página 56), con el fin de verificar su aporte a la consecución de mejores resultados. De
allí sale un conjunto más reducido de configuraciones combinando las propuestas de
modificación con mejores resultados.

En la segunda fase, se prueban las configuraciones resultantes de la primera fase, con

un mayor número de réplicas por instancia de prueba y con una parametrización más
eficiente de los algoritmos.

4.1 Diseño del conjunto de datos de prueba

Dado que en esta investigación se están modelando por vez primera en forma conjunta 9
condiciones de entorno real, siendo una de ellas precisamente el basarse en datos de
una empresa real, no es posible hacer las pruebas con los conjuntos de datos con los
que han trabajado otros investigadores.
 62 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

El conjunto de datos más conocido sobre este tipo de problemas, usado inicialmente por
(Ruiz et al., 2008) tiene como función objetivo minimizar makespan y por lo tanto no
incluye datos sobre fechas de entrega, necesarios para calcular tardanza (función
objetivo de la propuesta que aquí se presenta). Además no modela lotes de transferencia
variables entre etapas ni maleabilidad, por lo que no incluye información sobre tamaños
de lote o capacidades de las máquinas que permitan verificar esas situaciones en el
modelo desarrollado en este trabajo. Ese set de datos, asimismo, supone los tiempos de
montaje proporcionales a los tiempos de procesamiento, lo que no es aplicable en la
industria de tejidos técnicos ni en muchas otras industrias que tienen la configuración
flow shop híbrido flexible, donde los tiempos de montaje dependen de la secuencia pero
no tienen relación con el tiempo de procesamiento del trabajo a montar.

El trabajo más completo encontrado en la literatura (F. Defersha, 2011) también minimiza
makespan y, aunque modela maleabilidad, considera los tamaños de lote constantes
entre etapas, a diferencia del presente trabajo que los considera variables. Por otra parte,
en ese trabajo sólo se utilizó una instancia de prueba.

Por lo tanto, para el presente trabajo se diseñó un conjunto de datos de prueba basado
en datos reales. Para diseñar las instancias de prueba, se parte del modelado de una
planta de producción basada en una configuración común en plantas de tejidos técnicos:
Se consideran 4 etapas básicas: Etapa 1 (Preparación de hilos): 5 máquinas, Etapa 2
(Urdizaje): 2 máquinas, Etapa 3 (Tejeduría): 20 máquinas y Etapa 4 (Acabados): 1
máquina. Como se busca un modelado más realista con integración vertical de más de 2
etapas en cada modelo de planta, de esa configuración se generan 4 modelos de planta
de al menos 3 etapas cada una, incluyendo siempre la etapa 3 (tejeduría) en todos los
modelos.

Tabla 4-1: Configuración de las plantas para la prueba de las variantes del algoritmo

Etapa 1 2 3 4
Planta
1 5 máquinas 2 máquinas 20 máquinas
2 5 máquinas 20 máquinas 1 máquina
3 2 máquinas 20 máquinas 1 máquina
4 5 máquinas 2 máquinas 20 máquinas 1 máquina

Los datos detallados referentes a las máquinas se pueden consultar en el Anexo G

(página 118). Se cuenta con una base de productos, cuyos datos relevantes se muestran
en el Anexo H (página 119). La elegibilidad de máquinas para cada uno de los productos
se configura en la tabla mostrada en el Anexo I (página 121)

Se tiene una base de 89 pedidos. Sobre esa base se montaron 6 casos de prueba
representando diferentes situaciones en cuanto a plazos y cantidades según se muestra
en la Tabla 4-2. Se asume como fecha inicial de programación el 31 de Octubre de 2014.
Los datos de los pedidos y su inclusión en cada uno de los casos de prueba se muestra
Capítulo 4 63

en la tabla del Anexo J (página 123). La combinación de los 6 casos de prueba con las 4
configuraciones de planta mostradas en la Tabla 4-1 conforman un total de 24 instancias
de prueba para las 32 variantes del algoritmo.

Tabla 4-2: Diseño de los casos de prueba

CASO PLAZO CANTIDAD NÚMERO DE TRABAJOS

1 Todos Todos 89
2 < 30 días Todos 59
3 Entre 16 y 30 días Todos 40
4 > 10 días < 880 Kg 55
5 > 15 días > 600 Kg 30
6 Aleatorio 24

Los tiempos de montaje dependen de la secuencia en todas las etapas del proceso. Se
modelaron de acuerdo a los criterios mostrados en la Tabla 4-3 dónde para cada etapa
se establece el tiempo en horas que requiere cada montaje cuando el producto a montar
coincide con el anterior en una o más de sus características. Esas características están
registradas en el código de la referencia: Los dos primeros caracteres indican el tipo de
material, los caracteres 3º al 5º representan el calibre, la sexta posición reseña el
tratamiento y los caracteres 7º al 9º muestran la cantidad de hilos (en decenas).

Tabla 4-3: Tiempos de montaje en horas según etapa y características compartidas entre
producto previo y producto a montar

CARACTERÍSTICAS COMPARTIDAS CON PRODUCTO PREVIO

NÚMERO DE
HILOS,
SÓLO SÓLO SÓLO NÚMERO TRATAMIENTO,
SÓLO NÚMERO SÓLO MATERIAL DE HILOS Y MATERIAL Y
ETAPA NINGUNA CALIBRE DE HILOS TRATAMIENTO Y CALIBRE TRATAMIENTO CALIBRE
1 2 1 2 2 0 2 0
2 3 3 2 3 3 1 0
3 6 6 3 6 6 2 1
4 0,5 0,5 0,5 0,2 0,5 0,2 0

La Tabla 4-4 resume las características del set de datos diseñado para las pruebas de
las variantes del algoritmo.

Tabla 4-4: Resumen diseño del conjunto de datos de prueba

Número
de
Factor Símbolo niveles Valores
Trabajos 𝑛 6 89, 59, 40, 55, 30, 24
Etapas 𝑠 2 3,4
Máquinas paralelas no relacionadas
por etapa 𝑚𝑙 4 5, 2, 20,1
 64 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Número
de
Factor Símbolo niveles Valores
Fechas iniciales 𝑟𝑖 5 0,1,3,4 y 6 días tras programación
Porcentaje de productos que saltan etapa 21%=11% (etapa 1) + 10% (etapa 4)
Porcentaje de máquinas elegibles por producto Etapa 1 = 65%, etapa 2 = 100%,
en promedio en cada etapa con paralelismo 3 etapa 3 = 51%

4.2 Primera fase: Prueba de las propuestas

de modificación
La prueba de las 32 variantes del algoritmo (considerando las combinaciones de los 2
niveles para cada una de las modificaciones) con las 24 instancias (6 casos en 4 plantas)
implica 768 combinaciones. De cada combinación se corrieron 3 réplicas, para un total de
2304 observaciones. Para el procesamiento de la información se utilizó el procedimiento
para un diseño factorial 2k descrito en (Montgomery, 2004), extendiéndolo al caso de 5
factores en dos niveles.

4.2.1 Diseño experimental primera fase

Para probar el efecto individual de cada una de las 5 modificaciones descritas en la
sección 3.2 (página 56), se desarrolla un diseño experimental 25, que combina cada uno
de los 5 elementos del algoritmo genético en los que se proponen las modificaciones en
dos niveles:

 Bajo = diseño básico (modificación ausente) descrito en la sección 3.1 (página 53)
 Alto = diseño modificado (modificación presente) descrito en la sección 3.2
(página 56).
Los factores se modelan según la siguiente codificación:

A = Asignación de máquinas en las etapas con paralelismo por Índice de Flexibilidad

B = Población inicial basada en reglas de prioridad

C = Selección de Padres determinística

D = Cruzamiento con operador SJKOX

E = Probabilidad Variable de mutación

La Tabla 4-5 resume la configuración de las variantes del algoritmo probadas con
respecto a la inclusión de las propuestas de modificación al algoritmo genético básico.
Capítulo 4 65

Tabla 4-5: Configuración de las variantes del algoritmo genético para las pruebas de la
primera fase. Factores = propuestas de modificación al genético básico.
FACTOR A B C D E
Descripción Asignación por Población Selección de Cruzamiento Probabilidad
índice de inicial basada padres con operador variable de
Código Flexibilidad en reglas de determinística SJKOX mutación
prioridad
(1) NO NO NO NO NO
a SÍ NO NO NO NO
ab SÍ SÍ NO NO NO
abc SÍ SÍ SÍ NO NO
abcd SÍ SÍ SÍ SÍ NO
abcde SÍ SÍ SÍ SÍ SÍ
abce SÍ SÍ SÍ NO SÍ
abd SÍ SÍ NO SÍ NO
abde SÍ SÍ NO SÍ SÍ
abe SÍ SÍ NO NO SÍ
ac SÍ NO SÍ NO NO
acd SÍ NO SÍ SÍ NO
acde SÍ NO SÍ SÍ SÍ
ace SÍ NO SÍ NO SÍ
ad SÍ NO NO SÍ NO
ade SÍ NO NO SÍ SÍ
ae SÍ NO NO NO SÍ
b NO SÍ NO NO NO
bc NO SÍ SÍ NO NO
bcd NO SÍ SÍ SÍ NO
bcde NO SÍ SÍ SÍ SÍ
bce NO SÍ SÍ NO SÍ
bd NO SÍ NO SÍ NO
bde NO SÍ NO SÍ SÍ
be NO SÍ NO NO SÍ
c NO NO SÍ NO NO
cd NO NO SÍ SÍ NO
cde NO NO SÍ SÍ SÍ
ce NO NO SÍ NO SÍ
d NO NO NO SÍ NO
de NO NO NO SÍ SÍ
e NO NO NO NO SÍ

4.2.2 Parámetros de las variantes del

algoritmo en la primera fase
Para que las variantes del algoritmo sólo se diferenciaran en las combinaciones de las
modificaciones propuestas, se mantuvieron los parámetros de acuerdo a la formulación
presentada en el capítulo 3 (página 52). En los casos en los que los parámetros se
 66 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

calculan con fórmulas basadas en valores de los casos de prueba se modelaron de

acuerdo a esas fórmulas. En los otros casos, se mantuvieron constantes. La Tabla 4-6
presenta el resumen de la parametrización utilizada en las 32 variantes del algoritmo.

Tabla 4-6: Parámetros de operación de las variantes del algoritmo genético para las
pruebas de la primera fase.

Caso de prueba
Parámetro Fórmula 1 2 3 4 5 6
Longitud del cromosoma 𝑛 89 59 40 55 30 24
Tamaño de la población 𝑣𝑠 12 12 12 12 12 12
Puntos de cruce 𝑒𝑛𝑡𝑒𝑟𝑜(𝑟𝑎𝑖𝑧(𝑛)) 9 7 6 7 5 4
Probabilidad de mutación por iteración (factor E ausente) 𝑃(𝑚𝑢𝑡) 0,3 0,3 0,3 0,3 0,3 0,3
desde 0,0076 0,0076 0,0076 0,0076 0,0076 0,0076
Probabilidad de mutación por iteración (factor E presente)
𝑖𝑡𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑠𝑖𝑛 𝑚𝑒𝑗𝑜𝑟𝑎𝑟/(𝑣𝑠 ∗ (𝑣𝑠 − 1)) hasta 1 1 1 1 1 1
Tasa efectiva de mutación (factor E ausente) 𝑃(𝑚𝑢𝑡) ∗ 2/𝑛 0,0067 0,0102 0,0150 0,0109 0,0200 0,0250

Tasa efectiva de mutación (factor E presente) desde 0,0002 0,0003 0,0004 0,0003 0,0005 0,0006
𝑃(𝑚𝑢𝑡) ∗ 2/𝑛 hasta 0,0225 0,0339 0,0500 0,0364 0,0667 0,0833
Criterio de parada = iteraciones sin mejora 𝑣𝑠 ∗ (𝑣𝑠 − 1) 132 132 132 132 132 132

4.2.3 Resultados computacionales primera

fase
Todos los experimentos se efectuaron en el mismo computador: Procesador Intel Core
i3-3217U CPU a 1.80 GHz con 4 GB de memoria RAM, sistema operativo Windows 10.0
versión 1511. La implementación de todas las variantes del algoritmo se desarrolló en
Microsoft Visual Fox Pro 9 SP 2.

Los resultados se clasificaron de acuerdo a las variantes del algoritmo y a las instancias
de prueba. Se aplicó análisis de varianza para el diseño factorial 25, con 𝛼 = 0,05. Para
el cálculo de los contrastes se utiliza el desarrollo de Ecuación (4-1), adaptada de
(Montgomery, 2004).

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒𝐴..𝐸 = (𝑎 ± 1)(𝑏 ± 1)(𝑐 ± 1)(𝑑 ± 1)(𝑒 ± 1) (4-1)

Donde 𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒𝐴..𝐸 es el contraste para calcular el efecto del factor 𝐴 … 𝐸 que puede ser
cualquiera de los 5 factores individuales, o cualquiera de las 27 combinaciones de éstos
entre sí. En los casos en los que el factor está presente en el tratamiento la operación
correspondiente es una resta, mientras que cuando el factor está ausente, la operación
es una suma. Al desarrollar la expresión, el término igual al número 1 se reemplazará por
el tratamiento que tiene todos los factores ausentes, codificado por convención como (1).
Por ejemplo la ecuación (4-2) desarrolla el contraste correspondiente al efecto individual
del factor A (Asignación por índice de flexibilidad). Como A está presente, su operación
es una resta (𝑎 − 1), mientras que para los otros factores, que no están presentes, las
operaciones son sumas.
Capítulo 4 67

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒𝐴 = (𝑎 − 1)(𝑏 + 1)(𝑐 + 1)(𝑑 + 1)(𝑒 + 1)

= 𝑎 + 𝑎𝑏 + 𝑎𝑐 + 𝑎𝑑 + 𝑎𝑒 + 𝑎𝑏𝑐 + 𝑎𝑏𝑑 + 𝑎𝑏𝑒 + 𝑎𝑐𝑑 + 𝑎𝑐𝑒 + 𝑎𝑏𝑐𝑑
(4-2)
+ 𝑎𝑏𝑐𝑒 + 𝑎𝑏𝑐𝑑𝑒 − 𝑏 − 𝑐 − 𝑑 − 𝑒 − 𝑏𝑐 − 𝑏𝑑 − 𝑏𝑒 − 𝑐𝑑 − 𝑐𝑒 − 𝑑𝑒
− 𝑏𝑐𝑑 − 𝑏𝑐𝑒 − 𝑐𝑑𝑒 − 𝑏𝑐𝑑𝑒 − (1)

y la ecuación (4-3) calcula el contraste para el efecto de la interacción de los factores B,

C, D y E, cuando éstos están presentes y sólo el factor A está ausente.

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒𝐵𝐶𝐷𝐸 = (𝑎 + 1)(𝑏 − 1)(𝑐 − 1)(𝑑 − 1)(𝑒 − 1)

= 𝑎 − 𝑎𝑏 − 𝑎𝑐 − 𝑎𝑑 − 𝑎𝑒 + 𝑎𝑏𝑐 + 𝑎𝑏𝑑 + 𝑎𝑏𝑒 + 𝑎𝑐𝑑 + 𝑎𝑐𝑒 − 𝑎𝑏𝑐𝑑
(4-3)
− 𝑎𝑏𝑐𝑒 + 𝑎𝑏𝑐𝑑𝑒 − 𝑏 − 𝑐 − 𝑑 − 𝑒 + 𝑏𝑐 + 𝑏𝑑 + 𝑏𝑒 + 𝑐𝑑 + 𝑐𝑒 + 𝑑𝑒
− 𝑏𝑐𝑑 − 𝑏𝑐𝑒 − 𝑐𝑑𝑒 + 𝑏𝑐𝑑𝑒 + (1)

En general, los signos que tendrán las sumas de los resultados de tardanza media con
cada uno de los tratamientos se resumen en la Tabla 4-7,

Tabla 4-7: Signos para cada suma de resultados de combinación de tratamientos en el

cálculo de los contrastes para determinar los efectos de cada factor y sus combinaciones.
Adaptada para 𝑘 = 5 de (Montgomery, 2004).

Combinación EFECTO FACTORIAL

Trata-
A B A B C AC BC ABC D AD BD ABD CD ACD BCD ABCD E A E B E ABE CE ACE BCE ABCE DE ADE BDE ABDE CDE ACDE BCDE ABCDE
mientos
(1) - - + - + + - - + + - + - - + - + + - + - - + + - - + - + + -
a + - - - - + + - - + + + + - - - - + + + + - - + + - - - - + +
b - + - - + - + - + - + + - + - - + - + + - + - + - + - - + - +
ab + + + - - - - - - - - + + + + - - - - + + + + + + + + - - - -
c - - + + - - + - + + - - + + - - + + - - + + - + - - + + - - +
ac + - - + + - - - - + + - - + + - - + + - - + + + + - - + + - -
bc - + - + - + - - + - + - + - + - + - + - + - + + - + - + - + -
abc + + + + + + + - - - - - - - - - - - - - - - - + + + + + + + +
d - - + - + + - + - - + - + + - - + + - + - - + - + + - + - - +
ad + - - - - + + + + - - - - + + - - + + + + - - - - + + + + - -
bd - + - - + - + + - + - - + - + - + - + + - + - - + - + + - + -
abd + + + - - - - + + + + - - - - - - - - + + + + - - - - + + + +
cd - - + + - - + + - - + + - - + - + + - - + + - - + + - - + + -
acd + - - + + - - + + - - + + - - - - + + - - + + - - + + - - + +
bcd - + - + - + - + - + - + - + - - + - + - + - + - + - + - + - +
abcd + + + + + + + + + + + + + + + - - - - - - - - - - - - - - - -
e - - + - + + - - + + - + - - + + - - + - + + - - + + - + - - +
ae + - - - - + + - - + + + + - - + + - - - - + + - - + + + + - -
be - + - - + - + - + - + + - + - + - + - - + - + - + - + + - + -
abe + + + - - - - - - - - + + + + + + + + - - - - - - - - + + + +
ce - - + + - - + - + + - - + + - + - - + + - - + - + + - - + + -
ace + - - + + - - - - + + - - + + + + - - + + - - - - + + - - + +
bce - + - + - + - - + - + - + - + + - + - + - + - - + - + - + - +
abce + + + + + + + - - - - - - - - + + + + + + + + - - - - - - - -
de - - + - + + - + - - + - + + - + - - + - + + - + - - + - + + -
ade + - - - - + + + + - - - - + + + + - - - - + + + + - - - - + +
bde - + - - + - + + - + - - + - + + - + - - + - + + - + - - + - +
 68 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Combinación EFECTO FACTORIAL

Trata- A B A B C AC BC ABC D AD BD ABD CD ACD BCD ABCD E A E B E ABE CE ACE BCE ABCE DE ADE BDE ABDE CDE ACDE BCDE ABCDE
mientos
abde + + + - - - - + + + + - - - - + + + + - - - - + + + + - - - -
cde - - + + - - + + - - + + - - + + - - + + - - + + - - + + - - +
acde + - - + + - - + + - - + + - - + + - - + + - - + + - - + + - -
bcde - + - + - + - + - + - + - + - + - + - + - + - + - + - + - + -
abcde + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +

El efecto de cada factor (sea individual o interacción de factores individuales), se calcula

con la ecuación (4-4) donde se tiene en cuenta que se hicieron 3 réplicas de cada
experimento con los 5 factores.

2 × 𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒𝐴…𝐸 𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒𝐴…𝐸
𝐸𝑓𝑒𝑐𝑡𝑜𝐴…𝐸 = = (4-4)
3 × 25 48
Y las sumas de cuadrados se calculan con la ecuación(4-5).

(𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒𝐴…𝐸 )2 (𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡𝑒𝐴…𝐸 )2
𝑆𝑢𝑚𝑎 𝑑𝑒 𝐶𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠𝐴…𝐸 = = (4-5)
3 × 25 96
El Anexo K (página 126) muestra en detalle los resultados de las estimaciones de los
efectos de los factores y suma de cuadrados, para los resultados de cada una de las 24
instancias de prueba frente a la combinación de los 5 factores correspondientes a las
modificaciones propuestas al algoritmo. Como la función objetivo es minimizar tardanza,
se considera favorable el efecto de un factor cuando su contraste es un resultado
negativo y la prueba F indica que si hay diferencia significativa en ese factor. En el caso
en el que la prueba F indica diferencia significativa para un factor cuyo contraste tiene un
valor positivo, su efecto se considera desfavorable. En los casos en los que la prueba F
no encontró que la diferencia fuera significativa, el efecto no se tuvo en cuenta. La Tabla
4-8 resume los efectos significativos favorables (F) y desfavorables (D) de cada uno de
los factores y de las interacciones entre estos.

Tabla 4-8: Resumen análisis de varianza. Efectos significativos de los factores en cada
una de las instancias de prueba. F= Favorable, D=Desfavorable

CASO CASO 1 89 CASO 2 59 CASO 3 40 CASO 4 55 CASO 5 30 CASO 6 24

PLANTA 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 FAVORABLE DESFAVORABLE
A F F F F F F F F F D F F F D D F F F F F D D D 17 6
B F F F F F F F F F F F F F F F F F F F F F F F 23 0
C D D D D D D D D D D D D D D D D D D D D D 0 21
D F F D 2 1
E F F 2 0
AB D D D D F D F F 3 5
AC F F 2 0

AD D D 0 2
AE F D D D F 2 3
BC F F F F F 5 0
Capítulo 4 69

CASO CASO 1 89 CASO 2 59 CASO 3 40 CASO 4 55 CASO 5 30 CASO 6 24

PLANTA 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 FAVORABLE DESFAVORABLE
BD D D D D D F 1 5
BE D 0 1

CD D D D D D D D D D D D D D D D D D D 0 18
CE D D D D D D D D D D D 0 11
DE D D 0 2
ABC F 1 0
ABD F F F F 4 0

ABE D F F F 3 1
ACD F F F F F F F D 7 1
ACE F F 2 0
ADE D F F 2 1
BCD D F F F 3 1
BCE F 1 0
BDE D F F 2 1
CDE D D D 0 3
ABCD D F F 2 1
ABCE D 0 1

ABDE D D D F 1 3
ACDE D 0 1
BCDE F D F 2 1
ABCDE D D F D D F 2 4

4.2.4 Discusión de resultados de la primera

etapa
Se observa que el factor B (población generada a partir de reglas de prioridad) tuvo un
efecto favorable en la casi totalidad de las instancias de prueba, mientras el factor C
(selección de padres determinística) tuvo efecto desfavorable en 21 de las 24 instancias
y no tuvo efecto favorable en ninguna. Se puede concluir, por lo tanto que es conveniente
que la población se genere a partir de reglas de prioridad clásicas y que no es
conveniente seleccionar los padres para el cruzamiento en forma determinística.

En los otros factores tomados en forma individual, el factor A (asignación por índice de
flexibilidad) genera un resultado diferente según la instancia a la que se aplique. Su
efecto fue favorable en 17 de las instancias, incluyendo todas las de la planta 1 (con
elegibilidad en la primera y última etapas, ésta última con 20 máquinas), mientras que
presentó efecto desfavorable en 6 de las instancias incluyendo 3 que corresponden a la
planta 3 (con elegibilidad sólo en la etapa intermedia) y 3 de las 4 instancias del caso 6
(el de menor tamaño, con sólo 24 trabajos seleccionados en forma aleatoria).

El factor D (cruzamiento SJKOX) apareció reportado 2 veces con efecto favorable y una
sola vez con efecto desfavorable, mientras el factor E (probabilidad de mutación variable)
sólo se reportó dos veces con efecto favorable y ninguna vez como desfavorable.
 70 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Las interacciones entre factores presentan, en general, diferentes efectos: a veces

favorables y otras desfavorables, a excepción de las interacciones CD y CE con 18 y 11
apariciones respectivamente con efecto desfavorable, confirmando lo dicho atrás con
respecto al factor C. Es notable también que la interacción BD aparezca 5 veces con
efecto desfavorable y 1 vez con efecto favorable, pero la interacción ABD aparece 4
veces con efecto favorable (en dos de las 4 coincide con las instancias en las que BD
tiene efecto desfavorable). Al parecer la interacción entre la población a partir de reglas
de prioridad y el cruzamiento SJKOX no es favorable por si sola en algunos casos, pero
si se combina con la asignación por índice de flexibilidad, su efecto pasa a ser favorable.

Sobresale también que, pese al efecto desfavorable del factor C, la interacción BC tenga
5 apariciones con efecto favorable y la interacción ACD, tenga 7 veces efecto favorable y
1 vez efecto desfavorable, lo que indica que la magnitud del efecto de los factores A y D,
con efecto más favorable que desfavorable, predomina sobre la magnitud del posible
efecto desfavorable que implica la presencia del factor C. El resto de las interacciones
tiene 3 o menos incidencias significativas reportadas en uno u otro sentido, lo que no
permite conclusiones determinantes.

A partir de este resultado, se encuentra que no hay una variante del algoritmo que pueda
considerarse como la única y exclusiva para resolver todos los casos. Por el contrario, y
coincidiendo con varios trabajos de la literatura, se encuentra que los algoritmos que
ofrecen las mejores soluciones son diferentes de acuerdo a las características del
problema.

4.3 Segunda fase: Prueba de las propuestas

definitivas
Con la misma base de casos de prueba conformada por las combinaciones de 6 casos
de listas de trabajos con 4 configuraciones de plantas de producción, se someten a
prueba las propuestas que se derivan del análisis de los resultados de la primera fase. A
continuación se muestra el diseño de las variantes del algoritmo, la configuración de las
pruebas para verificar su eficacia y los resultados obtenidos en su prueba computacional.

4.3.1 Diseño de las variantes del algoritmo

para las propuestas definitivas

Los resultados de la primera fase muestran que el factor C (selección determinística de

padres) debe excluirse, por su marcado efecto desfavorable en la búsqueda de buenas
soluciones, mientras el factor B (población inicial basada en reglas de prioridad) es
recomendado que se incluya para mejorar el desempeño del algoritmo. El factor D y el
factor E tienen un efecto más favorable que desfavorable y se pueden incluir sin afectar
el rendimiento general del algoritmo. El factor A es el más difícil porque tiene efecto muy
Capítulo 4 71

favorable en un buen número de instancias y muy desfavorable también en un buen

número de instancias de prueba, marcadamente relacionados con una configuración de
planta y un caso específico de trabajos a programar. Se propone, por lo tanto, probar en
mayor escala dos variantes del algoritmo, ambas con los factores B, D y E, pero la
primera incluyendo al factor A y la segunda excluyéndolo. Para efectos de comparación,
se probará también una variante básica del algoritmo que no incluye ningún factor de las
propuestas de modificación, es decir, tiene los 5 factores en nivel bajo y es equivalente al
tratamiento codificado como (1).

La experimentación se hace sobre las mismas 24 instancias de prueba. Para una mejor
observación del desempeño de las variantes del algoritmo, se corren 10 réplicas de cada
una de las 3 variantes en cada una de las instancias.

En los resultados del trabajo presentado en (Arango Marín, Giraldo García, & Castrillón-
gómez, 2015) en el que se probó una variante del algoritmo genético equivalente a la
combinación de los factores A, B, C, D y E y otra variante básica del algoritmo, sobre 5
de estos mismos 6 casos, con la misma configuración de planta 4, para poblaciones de
20, 22 y 25 individuos, se concluyó que en la mayoría de los casos el tamaño de la
población no incidía en la diferencia en los resultados. Por este antecedente, se modela
la prueba con un tamaño de población 𝑣𝑠 = 20.

En concordancia con la primera fase, las variantes del algoritmo se denominarán: ABDE,
BDE y (1) La Tabla 4-9 resume la configuración de las variantes del algoritmo, con
respecto a la inclusión de las propuestas de modificación al algoritmo genético básico.

Tabla 4-9: Configuración de las variantes propuestas de algoritmos genéticos

FACTOR A B C D E
Descripción Asignación por Población inicial Selección de Cruzamiento con Probabilidad
índice de basada en reglas padres operador SJKOX variable de
Código Flexibilidad de prioridad determinística mutación
(1) FALSO FALSO FALSO FALSO FALSO
Abde VERDADERO VERDADERO FALSO VERDADERO VERDADERO
Bde FALSO VERDADERO FALSO VERDADERO VERDADERO

4.3.2 Parámetros de las variantes del

algoritmo de las propuestas definitivas
La Tabla 4-10 presenta el resumen de la parametrización utilizada en las 3 variantes del
algoritmo para la prueba de las propuestas definitivas.

Tabla 4-10: Parametrización variantes propuestas del algoritmo (ABDE, BDE y (1))

Caso de prueba
Parámetro Fórmula 1 2 3 4 5 6
Longitud del cromosoma 𝑛 89 59 40 55 30 24
 72 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Caso de prueba
Parámetro Fórmula 1 2 3 4 5 6
Tamaño de la población 𝑣𝑠 20 20 20 20 20 20
Puntos de cruce 𝑒𝑛𝑡𝑒𝑟𝑜(𝑟𝑎𝑖𝑧(𝑛)) 9 7 6 7 5 4
Probabilidad de mutación por iteración variante (1) 𝑃(𝑚𝑢𝑡) 0,3 0,3 0,3 0,3 0,3 0,3
desde 0,0026 0,0026 0,0026 0,0026 0,0026 0,0026
Probabilidad de mutación por iteración ABDE y BDE
𝑖𝑡𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑠𝑖𝑛 𝑚𝑒𝑗𝑜𝑟𝑎𝑟/(𝑣𝑠 ∗ (𝑣𝑠 − 1)) hasta 1 1 1 1 1 1
Tasa efectiva de mutación variante (1) 𝑃(𝑚𝑢𝑡) ∗ 2/𝑛 0,0067 0,0102 0,0150 0,0109 0,0200 0,0250

Tasa efectiva de mutación ABDE y BDE desde 0,0001 0,0001 0,0001 0,0001 0,0002 0,0002
𝑃(𝑚𝑢𝑡) ∗ 2/𝑛 hasta 0,0225 0,0339 0,0500 0,0364 0,0667 0,0833
Criterio de parada = iteraciones sin mejora 𝑣𝑠 ∗ (𝑣𝑠 − 1) 380 380 380 380 380 380

4.3.3 Resultados computacionales de las

propuestas definitivas
Nuevamente, todos los experimentos se efectuaron en el mismo computador: Procesador
Intel Core i3-3217U CPU a 1.80 GHz con 4 GB de memoria RAM, sistema operativo
Windows 10.0 versión 1511; y la implementación de las tres variantes del algoritmo se
desarrolló en Microsoft Visual Fox Pro 9 SP 2.

La Tabla 4-11 muestra los resultados promedio de la función objetivo (tardanza media)
con cada uno de las tres variantes probadas del algoritmo, así como los mejores
resultados obtenidos con reglas de prioridad básicas. Se reportan por separado las
reglas de prioridad aplicadas con cada una de las opciones de asignación dada la
incidencia de esas opciones en el cálculo de la función objetivo.

Tabla 4-11: Comparativo Tardanza media, Variantes propuestas del algoritmo genético y
mejores resultados por reglas de prioridad. Resaltado el mejor resultado para cada
instancia de prueba

VARIANTES ASIGNA INDICE FLEXIBILIDAD ASIGNA MAYOR TIEMPO DISP

CASO PLANTA ABDE BDE (1) SPT EDD JOHN LS LCCH SPT JOHN EDD RAND LCCA
1 1 2,67 9,55 13,13 8,25 10,14 8,76 13,34 11,86 17,24 16,67 24,07 24,47 27,81
1 2 7,30 10,30 12,50 13,46 15,98 13,21 21,36 21,05 18,02 18,86 26,82 28,06 30,76
1 3 6,80 11,79 13,58 11,94 14,51 13,38 17,24 16,41 16,51 18,18 21,15 25,50 25,58
1 4 8,92 12,79 18,27 13,59 17,80 29,44 23,84 22,27 21,12 20,40 31,08 34,17 38,29
2 1 4,12 9,98 9,35 8,28 10,04 8,14 10,32 10,44 14,94 14,72 19,46 22,69 23,27
2 2 8,26 9,92 11,65 13,20 16,99 13,07 18,81 17,00 15,93 16,63 26,73 25,16 28,60
2 3 7,85 9,42 12,04 13,10 16,24 13,03 17,53 16,99 14,80 16,34 20,47 22,07 19,63
2 4 9,36 13,27 14,10 13,78 18,15 22,55 22,23 19,71 17,57 18,34 28,50 25,56 30,06
3 1 1,48 3,92 4,76 4,95 4,31 4,94 6,44 4,41 8,64 7,79 10,40 14,61 13,13
3 2 2,79 4,21 4,08 8,00 8,94 7,44 12,61 9,86 8,42 9,41 18,04 16,31 15,51
3 3 2,43 3,23 4,13 7,70 7,74 7,42 10,79 9,48 7,38 8,66 12,26 12,82 11,31
3 4 3,28 4,68 6,11 8,35 10,65 15,52 14,02 10,79 9,08 10,07 18,52 20,26 17,29
4 1 0,11 0,09 1,18 2,26 1,29 1,23 1,11 2,91 3,84 3,37 2,24 5,02 5,57
Capítulo 4 73

VARIANTES ASIGNA INDICE FLEXIBILIDAD ASIGNA MAYOR TIEMPO DISP

CASO PLANTA ABDE BDE (1) SPT EDD JOHN LS LCCH SPT JOHN EDD RAND LCCA
4 2 0,76 1,10 2,14 5,24 4,51 5,55 3,98 7,09 6,92 6,77 7,07 9,23 12,25
4 3 1,24 0,91 1,18 5,12 4,29 5,73 4,72 7,03 5,60 6,85 6,22 9,09 11,75
4 4 0,91 0,95 2,31 5,27 4,77 8,96 4,53 7,65 7,35 6,93 7,54 11,68 12,49
5 1 1,54 5,92 6,25 4,90 4,72 5,78 6,95 10,41 12,53 12,09 12,59 22,78 17,05
5 2 2,31 4,13 5,46 9,56 7,21 8,27 11,86 19,55 15,56 13,69 15,01 24,14 19,16
5 3 2,38 4,08 4,97 11,28 5,75 10,34 6,24 18,53 12,48 12,92 9,14 21,14 16,79
5 4 3,81 7,51 9,27 10,26 9,89 19,36 13,13 21,11 16,68 15,26 17,99 23,83 23,38
6 1 0,23 0,38 0,88 3,38 1,49 2,32 3,04 3,39 4,49 4,01 1,71 6,36 5,66
6 2 0,63 0,20 0,85 5,61 3,33 3,59 7,72 5,97 4,39 4,27 3,11 8,02 11,75
6 3 0,46 0,01 0,04 4,96 2,77 4,47 6,68 5,93 4,20 4,18 0,56 8,99 11,57
6 4 0,95 0,34 0,95 6,12 3,99 10,49 8,60 7,23 4,85 4,90 3,99 10,18 11,98

En los resultados de la Tabla 4-11, aparte de la eficiencia de las variantes ABDE y BDE,
con los que se obtienen los mejores resultados, se observan grandes diferencias en los
valores óptimos entre las diferentes instancias de prueba, probablemente derivados de
las diferencias en la complejidad entre las instancias. Para neutralizar el efecto de esas
diferencias, se requiere usar otros indicadores.

Con el fin de permitir un análisis de la eficacia de las variantes del algoritmo, en una
escala independiente de las magnitudes de los resultados, que facilite la comparación
entre las diferentes instancias, así como frente a resultados de otros investigadores, se
implementaron tres indicadores relativos tomados de la literatura científica sobre
secuenciación. El primero de ellos es el RPD (Relative percentage deviation) introducido
como PRD en (Ruiz & Allahverdi, 2007) y conocido como RPD a partir de (Naderi,
Zandieh, & Roshanaei, 2009). La fórmula de cálculo de este indicador para el caso de
minimizar tardanza, está indicada en la ecuación (4-6)

𝑇𝐴𝑙𝑔𝑜𝑟𝑖𝑡𝑚𝑜 − 𝑇𝑀𝑒𝑗𝑜𝑟
𝑅𝑃𝐷 = × 100 (4-6)
𝑇𝑀𝑒𝑗𝑜𝑟

Donde 𝑻𝑨𝒍𝒈𝒐𝒓𝒊𝒕𝒎𝒐 es la tardanza promedio obtenida por la variante en evaluación para la

instancia respectiva y 𝑻𝑴𝒆𝒋𝒐𝒓 es el mejor resultado particular conocido para esa misma
instancia. La Tabla 4-12 muestra los resultados con respecto a ese indicador.

Tabla 4-12: Comparativo RPD, variantes propuestas del algoritmo y mejores resultados
por reglas de prioridad. Resaltado el mejor resultado para cada instancia de prueba
ASIGNAR POR IND FLEXIB ASIGNAR MAYOR TIEMPO DISP.
CASO PLANTA ABDE BDE (1)
SPT EDD JOHN LS LCCH SPT JOHN EDD RAND LCCA
1 1 22,7 338,1 502 279 365 302 512 444 691 665 1004 1023 1176
1 2 9,2 54,2 87 101 139 98 220 215 170 182 301 320 360
1 3 5,3 82,6 110 85 125 107 167 154 156 181 227 295 296
1 4 9,5 57,0 124 67 118 261 193 173 159 150 281 319 370
2 1 5,3 155,0 139 111 156 108 164 167 282 276 397 480 494
2 2 8,3 30,1 53 73 123 71 147 123 109 118 250 230 275
 74 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

ASIGNAR POR IND FLEXIB ASIGNAR MAYOR TIEMPO DISP.

CASO PLANTA ABDE BDE (1)
SPT EDD JOHN LS LCCH SPT JOHN EDD RAND LCCA
2 3 9,0 30,8 67 82 125 81 143 136 105 127 184 206 172
2 4 5,8 50,0 59 56 105 155 151 123 99 107 222 189 240
3 1 20,7 220,6 289 305 252 304 426 260 606 537 750 1094 973
3 2 33,2 101,3 95 283 327 256 503 371 303 350 763 680 642
3 3 10,3 46,7 88 250 252 237 390 331 235 294 457 483 414
3 4 34,9 92,8 152 244 338 539 477 344 274 314 662 734 612
4 1 484,6 351,3 6039 11623 6592 6280 5658 14995 19819 17381 11520 25940 28793
4 2 90,7 175,8 438 1217 1033 1294 900 1681 1639 1601 1676 2219 2978
4 3 137,0 73,6 124 875 717 991 799 1239 966 1204 1085 1631 2138
4 4 221,4 236,2 714 1761 1584 3064 1500 2601 2495 2347 2562 4024 4310
5 1 19,9 360,3 386 281 267 350 441 710 875 840 879 1672 1226
5 2 18,9 112,8 182 393 272 326 512 908 702 606 674 1145 888
5 3 16,8 100,5 144 455 183 408 207 811 514 535 349 939 726
5 4 8,4 113,7 164 192 182 451 274 501 375 334 412 579 566
6 1 11,6 83,6 319 1517 613 1010 1355 1522 2049 1819 718 2943 2608
6 2 261,8 15,7 392 3133 1819 1969 4349 3340 2430 2361 1692 4522 6671
6 3 9068,5 14,7 750 97950 54658 88264 131951 117125 82926 82531 10970 177616 228617
6 4 339,7 56,2 339 2743 1754 4774 3896 3259 2153 2177 1754 4630 5466

En este caso, se dramatiza la diferencia entre las variantes del algoritmo genético y las
reglas de prioridad básicas, que muestran valores de RPD muy altos en especial en los
casos 4 y 6, donde los mejores resultados de las variantes del algoritmo genético
alcanzan soluciones muy cercanas a cero.

(Holthaus & Rajendran, 1997) propusieron el indicador RPI (Relative Percentage

Increase) que compara los mejores resultados individuales obtenidos por cada variante
del algoritmo en cada instancia de prueba. El RPI se calcula con la fórmula presentada
en la ecuación

𝑇𝑀𝑒𝑗𝑜𝑟 é𝑠𝑡𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑡𝑒 − 𝑇𝑀𝑒𝑗𝑜𝑟 𝑔𝑙𝑜𝑏𝑎𝑙

𝑅𝑃𝐼 = × 100 (4-7)
𝑇𝑀𝑒𝑗𝑜𝑟 𝑔𝑙𝑜𝑏𝑎𝑙

Donde 𝑇𝑀𝑒𝑗𝑜𝑟 é𝑠𝑡𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑡𝑒 es el mejor resultado de tardanza obtenido por la variante en
evaluación para la instancia respectiva y 𝑇𝑀𝑒𝑗𝑜𝑟 𝑔𝑙𝑜𝑏𝑎𝑙 es el mejor resultado particular
conocido para esa misma instancia. La Tabla 4-13 muestra los resultados de RPI
calculados para las tres variantes propuestas del algoritmo genético.

Tabla 4-13: Comparativo RPI, Variantes propuestas del algoritmo genético. Resaltado el
mejor resultado para cada instancia de prueba.

CASO PLANTA TRABAJOS ABDE BDE (1)

1 1 89 0 279,584515 341,539961
1 2 89 0 40,9972291 51,0531659
1 3 89 0 69,4224624 60,003497
Capítulo 4 75

CASO PLANTA TRABAJOS ABDE BDE (1)

1 4 89 0 44,7527832 94,5284628
2 1 59 0 133,509396 119,257516
2 2 59 0 22,1922316 30,8636006
2 3 59 0 24,150965 54,3111532
2 4 59 0 41,2644995 44,3215231
3 1 40 0 184,272346 244,238634
3 2 40 0 75,8469667 49,9245414
3 3 40 0 8,61865861 66,0727857
3 4 40 0 69,4940573 121,232678
4 1 55 83,5803911 0 1554,56745
4 2 55 0 55,075059 212,477047
4 3 55 20,8143029 0 4,2175969
4 4 55 0 63,6702585 452,957856
5 1 30 0 336,125236 310,725663
5 2 30 0 60,5440675 106,706117
5 3 30 0 57,1941236 79,801666
5 4 30 0 62,0004086 124,757535
6 1 24 0 5,30566126 123,425837
6 2 24 212,126602 0 74,9406183
6 3 24 6879,43487 0 180,834909
6 4 24 274,018602 0 74,5139215

Como se está modelando tardanza media y la tardanza puede ser igual a cero cuando
todos los trabajos se terminan dentro del plazo de entrega, se utilizó el indicador RDI
(Relative Deviation Index) propuesto por (Y. Kim, 1993), que permite comparar en una
misma escala, valores de variables como la tardanza, que eventualmente pueden llegar a
valer cero, sin el riesgo de que el indicador llegue a presentar un valor indeterminado. El
indicador se calcula con la ecuación (4-8).

𝑇𝑉𝑎𝑟𝑖𝑎𝑛𝑡𝑒 − 𝑇𝑀𝑒𝑗𝑜𝑟
𝑅𝐷𝐼 = (4-8)
𝑇𝑃𝑒𝑜𝑟 − 𝑇𝑀𝑒𝑗𝑜𝑟

Donde 𝑇𝑉𝑎𝑟𝑖𝑎𝑛𝑡𝑒 es la tardanza promedio obtenida por la variante en evaluación para la

instancia respectiva; 𝑇𝑀𝑒𝑗𝑜𝑟 es el mejor resultado particular conocido para esa misma
instancia y 𝑇𝑃𝑒𝑜𝑟 es el peor resultado que se ha obtenido para la instancia
correspondiente. Como parte de la comparación se presentan los mejores resultados
obtenidos con las reglas de prioridad (descritas en la sección 3.2.2) tanto con la
asignación por índice de flexibilidad propuesta en la sección 3.2.1, como con la
asignación a máquina con mayor tiempo disponible, como se utiliza en la variante básica
codificada como (1), dado que al haber restricción de elegibilidad y máquinas paralelas
no relacionadas, el criterio de asignación incide en el cálculo de la tardanza,
independientemente del tipo de algoritmo usado para la secuenciación.
 76 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 4-14: Comparación resultados propuestas de variantes del algoritmo genético y

mejores resultados de reglas de prioridad según RDI. Resaltado el mejor promedio para
cada instancia.
VARIANTES ASIGNA CON ÍNDICE FLEXIBILIDAD ASIGNA MAYOR TIEMPO DISPONIBLE

CASO PLANTA ABDE BDE (1) SPT EDD JOHN LS LCCH SPT JOHN EDD ALEA LCCA
1 1 0,01 0,21 0,31 0,17 0,23 0,19 0,32 0,28 0,43 0,41 0,62 0,63 0,73
1 2 0,02 0,10 0,16 0,18 0,25 0,17 0,39 0,38 0,30 0,33 0,54 0,57 0,64
1 3 0,01 0,19 0,26 0,20 0,29 0,25 0,39 0,36 0,37 0,43 0,53 0,69 0,70
1 4 0,02 0,11 0,25 0,13 0,24 0,52 0,38 0,34 0,32 0,30 0,56 0,63 0,73
2 1 0,01 0,24 0,22 0,17 0,24 0,17 0,26 0,26 0,44 0,43 0,62 0,75 0,77
2 2 0,02 0,08 0,15 0,20 0,34 0,20 0,41 0,34 0,30 0,33 0,70 0,64 0,77
2 3 0,04 0,13 0,28 0,34 0,53 0,34 0,60 0,57 0,44 0,53 0,78 0,87 0,73
2 4 0,02 0,15 0,18 0,17 0,31 0,46 0,45 0,37 0,30 0,32 0,67 0,57 0,72
3 1 0,01 0,16 0,21 0,22 0,18 0,22 0,31 0,19 0,44 0,39 0,54 0,79 0,71
3 2 0,03 0,10 0,10 0,29 0,33 0,26 0,51 0,38 0,31 0,35 0,77 0,69 0,65
3 3 0,02 0,08 0,15 0,41 0,42 0,39 0,65 0,55 0,39 0,49 0,76 0,80 0,69
3 4 0,04 0,10 0,16 0,26 0,36 0,58 0,51 0,37 0,29 0,34 0,71 0,79 0,66
4 1 0,01 0,01 0,18 0,35 0,20 0,19 0,17 0,45 0,60 0,53 0,35 0,78 0,87
4 2 0,02 0,04 0,11 0,30 0,26 0,32 0,22 0,42 0,41 0,40 0,42 0,55 0,74
4 3 0,04 0,02 0,04 0,29 0,23 0,32 0,26 0,40 0,31 0,39 0,35 0,53 0,70
4 4 0,04 0,04 0,12 0,30 0,27 0,53 0,26 0,45 0,43 0,40 0,44 0,69 0,74
5 1 0,01 0,22 0,23 0,17 0,16 0,21 0,26 0,42 0,52 0,50 0,53 1,00 0,73
5 2 0,01 0,08 0,13 0,27 0,19 0,23 0,35 0,63 0,49 0,42 0,47 0,79 0,61
5 3 0,02 0,10 0,14 0,45 0,18 0,41 0,21 0,81 0,51 0,53 0,35 0,94 0,72
5 4 0,01 0,14 0,20 0,24 0,23 0,56 0,34 0,63 0,47 0,42 0,51 0,72 0,71
6 1 0,00 0,02 0,07 0,35 0,14 0,23 0,31 0,35 0,47 0,42 0,17 0,68 0,60
6 2 0,02 0,00 0,03 0,26 0,15 0,16 0,36 0,28 0,20 0,20 0,14 0,37 0,55
6 3 0,02 0,00 0,00 0,26 0,15 0,23 0,35 0,31 0,22 0,22 0,03 0,47 0,61
6 4 0,03 0,01 0,03 0,26 0,17 0,46 0,37 0,31 0,21 0,21 0,17 0,44 0,52

En forma consistente con respecto a los resultados de la primera fase, la variante ABDE
que incluye la asignación por índice de flexibilidad presenta mejores resultados en los
casos con mayor número de trabajos a asignar y en las plantas con más etapas con
elegibilidad de máquinas. La variante BDE es mejor en los casos con pocos trabajos
como el caso 6 o predominancia de trabajos pequeños como el caso 4, y en plantas
como la 3, que sólo tiene elegibilidad en la segunda etapa. Para mayor claridad sobre
esta apreciación, la Figura 4-2 muestra el comparativo entre las 3 variantes para cada
uno de los casos.
Capítulo 4 77

Figura 4-2: Rangos de RDI por caso en cada variante propuesta.

Caso 1 Caso 2 Caso 3

0,30 0,30 0,30
0,25 0,25 0,25
0,20 0,20 0,20
0,15 0,15 0,15
0,10 0,10 0,10
0,05 0,05 0,05
0,00 0,00 0,00
abde bde (1) abde bde (1) abde bde (1)

Caso 4 Caso 5 Caso 6

0,30 0,30 0,30
0,25 0,25 0,25
0,20 0,20 0,20
0,15 0,15 0,15
0,10 0,10 0,10
0,05 0,05 0,05
0,00 0,00 0,00
abde bde (1) abde bde (1) abde bde (1)

Se aprecia el mejor desempeño de la variante ABDE en los casos 1, 2, 3 y 5, y de la

variante BDE en los otros 2 casos. Los casos en los que es más competitivo ABDE son
los que acumulan trabajos de mayor tamaño.

En la Figura 4-3, se aprecia el desempeño de las variantes del algoritmo con respecto a
las plantas de producción modeladas para las instancias de prueba.
 78 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Figura 4-3: Rangos de RDI por planta en cada variante propuesta.

Planta 1 Planta 2
0,30 0,30
0,25 0,25
0,20 0,20
0,15 0,15
0,10 0,10
0,05 0,05
0,00 0,00
abde bde (1) abde bde (1)

Planta 3 Planta 4
0,30 0,30
0,25 0,25
0,20 0,20
0,15 0,15
0,10 0,10
0,05 0,05
0,00 0,00
abde bde (1) abde bde (1)

La variante ABDE presenta mejor desempeño en promedio en todas las plantas, con muy
poca variabilidad del indicador RDI, lo que significa que no solo se acerca más
frecuentemente al mejor valor sino que, además, todos los valores están muy próximos
entre sí, evidenciando la convergencia del algoritmo hacia valores próximos al mejor
conocido.

En cuanto a la eficacia general de cada una de las tres variantes del algoritmo, la Figura
4-4 ilustra los rangos de valores de RDI obtenidos promediando todas las instancias de
prueba.
Capítulo 4 79

Figura 4-4: Resultados de RDI por variante promediando todos los resultados de todas
las instancias.

RDI promedio
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
abde bde (1)

Se evidencia una mejor eficacia y menor variabilidad en la variante ABDE. La variante

básica (1) es en promedio menos eficaz en acercarse a las mejores soluciones con una
variabilidad mayor que la de las otras dos variantes del algoritmo.

Siendo el RDI es un indicador independiente de la escala de valores, resulta interesante

verificar si existe diferencia significativa en sus valores, asignable a las instancias de
prueba, a las variantes del algoritmo o a la interacción entre ambos. La Tabla 4-15
muestra los resultados del análisis de varianza de dos factores con 10 muestras por
grupo aplicada a la totalidad de resultados de RDI de los experimentos de la segunda
fase.

Tabla 4-15: Análisis de varianza RDI Factores: Instancias de prueba y variantes del
algoritmo. Nivel de confianza = 1 − α = 0,95
Origen de las Suma de Grados Cuadrado F Probabilidad Valor crítico
variaciones cuadrados de medio para F
libertad
Instancia de prueba 13541,92966 23 588,779550 1195,587754 0 1,545961
Variante del
algoritmo 228,25060 2 114,125300 231,745161 1,1936E-76 3,009624
Interacción Instancia-
Variante 522,15248 46 11,351141 23,049858 3,7508E-107 1,385591
Dentro de los grupos 319,11430 648 0,492460
Total 14611,44704 719

El resultado del análisis de varianza indica que tanto las instancias de prueba, como las
variantes del algoritmo y la interacción entre instancias y variantes muestran diferencias
significativas en sus resultados de RDI. Se podría decir, entonces, que la eficacia de
cada variante del algoritmo en términos de acercarse o no al mejor resultado en un
problema específico depende tanto de la variante como de las características del
 80 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

problema, de manera que no se pueda esperar que una sola variante del algoritmo
genere siempre los mejores resultados, y sea el mejor para todas las instancias.

La mejor eficacia de cada una de las variantes ABDE y BDE, está íntimamente
relacionada con la generación de la población inicial, el factor B, que fue seleccionado en
la primera fase como el factor con influencia más favorable para obtener buenos
resultados. Consistentemente, en las instancias en las que cada algoritmo obtuvo el
mejor valor promedio de RDI, se encuentra correlación moderadamente alta entre la
asignación por índice de flexibilidad (factor A) con los resultados del algoritmo ABDE y
entre la asignación por mayor tiempo disponible con los resultados del algoritmo BDE,
como se puede comprobar en la Figura 4-5 y en la Figura 4-6.

Figura 4-5: Gráfico de regresión que ilustra la incidencia de la población inicial (reglas de
prioridad) usando asignación por índice de flexibilidad en el RDI del resultado final por la
variante ABDE.

0,05

0,04

0,04

0,03

0,03

0,02
y = -13,961x3 + 9,9143x2 - 2,0684x + 0,1461
0,02 R² = 0,7485

0,01

0,01

0,00
0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45

La correlación llega a 0,75, entre el mejor RDI de las reglas de prioridad combinadas con
asignación por índice de flexibilidad y el RDI promedio de la variante ABDE que incluye
ese mismo criterio de asignación.
Capítulo 4 81

Figura 4-6: Gráfico de regresión que ilustra la incidencia de la población inicial (reglas de
prioridad) usando asignación por máximo tiempo disponible en el RDI del resultado final
por la variante BDE.

0,03

0,03

0,02

0,02

0,01

0,01

y = -281,64x3 + 538,08x2 - 341,55x + 72,237

R² = 0,0887
0,00
0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80

El coeficiente de correlación con valor de 0,99 indica la alta correspondencia entre los
valores del mejor RDI obtenido con las reglas de prioridad usando asignación por mayor
tiempo disponible y los resultados promedio de RDI de la variante BDE que usa ese
mismo tipo de asignación.

Con estos dos gráficos, se encuentra que la calidad de los resultados de las variantes del
algoritmo genético se relaciona con la “semilla” utilizada para formar la primera población,
resaltando la utilidad de basar las soluciones iniciales en un conjunto de heurísticas
(como las reglas de prioridad), que involucran criterios de secuenciación calculados a
partir de características del problema, logrando “orientar” el algoritmo hacia mejores
soluciones.

La eficiencia computacional de las variantes del algoritmo, en cuanto al tiempo de

procesamiento requerido para llegar a la solución, cumpliendo el criterio de parada se
muestra en la Figura 4-7.
 82 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

Figura 4-7: Tiempos computacionales (en minutos) para llegar a la solución vs número
de trabajos a secuenciar en el problema a resolver.

70
Tiempo promedio para el óptimo (min)

60

50

40
(1)
30 abde

20 bde

10

0
0 20 40 60 80 100
Número de trabajos (n)

En los casos con alto número de trabajos a programar, la mayor calidad de los resultados
obtenidos tiene como costo un mayor tiempo de procesamiento para cumplir la condición
de parada, siendo mucho más alto el tiempo requerido por la variante ABDE que obtuvo
los mejores resultados en esos casos y más baja en el algoritmo básico (1), que obtuvo
los resultados más modestos.

En los casos con menor cantidad de trabajos a secuenciar, los tiempos computacionales
son muy similares entre los tres algoritmos, con mayores valores para la variante BDE
que mostró mejores resultados en esos casos.

4.3.4 Discusión de los resultados

El trabajo de (F. Defersha, 2011) era hasta el momento el modelado más completo de los
que se encuentran en la literatura respecto al flow shop híbrido flexible. El presente
trabajo lo supera por estar respaldado por un conjunto de pruebas computacionales
mucho más significativo y por tener un modelado más completo de la subdivisión en sub-
lotes. Los valores de función objetivo no son comparables, dado que (F. Defersha, 2011)
minimizó makespan y en el presente trabajo se minimiza la tardanza media.

En el trabajo de (F. Defersha, 2011) se incluyó un solo ejemplo de prueba. Aquí se

hicieron 2304 corridas en la primera fase y 720 en la segunda fase sobre un conjunto de
24 instancias de prueba. En el trabajo de (F. Defersha, 2011), el mayor aporte es el
modelado de la maleabilidad, demostrando que en el flow shop híbrido (sea flexible o no)
es más útil dividir lotes que en otras configuraciones flow shop. En ese trabajo los lotes
son generados con tamaños aleatorios y conservan el mismo tamaño etapa tras etapa.
Capítulo 4 83

En la presente investigación no solo se modeló la maleabilidad, permitiendo dividir los

trabajos en sub-lotes, sino que además se calcularon los tamaños de los sub-lotes
consistentemente con la unidad comercial de cada producto y se permitió un tamaño
variable entre etapas. En la Figura 4-8 se muestra el mejor resultado por la variante
ABDE para la instancia de prueba que secuencia el caso 5 en la planta 4. Se han
resaltado dos trabajos que hacen uso de la maleabilidad y del tamaño de lote variable
entre etapas.

Figura 4-8: Gráfico Gantt resultado de la secuenciación para el caso 5 (30 trabajos) en la
planta 4 (5-2-20-1). Mejor resultado con variante ABDE.
2123514
30/10/14 4/11/14 9/11/14 14/11/14 19/11/14 24/11/14 29/11/14 4/12/14 9/12/14 14/12/14
2112621 2123437
H01
2112596
H02 2112604

H03 2101793

2123425
H04
2123512 2123412
U01 2123479
2112621
U02 2123444

2112619
T01
2123512 2123466
T02
2112620

T03 2123384

2101894
T04
2112650
T05
2112621
2112621
T06 2112616

2123512
T07
2123512 2123439
T09
2012616
2112621 2123512
T10 2123468

2112628
T14
2123389
T16
2101903
T17 2112665
2112621
T19 2112658

2112639
T11
2123525
2112621 2123512
A01 2123422

2123475

Los trabajos 2112621 resaltado en color naranja, y 2123512 resaltado en color rojo se
subdividen en tres lotes de diferente tamaño en la etapa 3 permitiendo su procesamiento
en paralelo, para luego volver a integrarse en la etapa 4. Nótese que el trabajo 2123512
no pasa por la etapa 1. En el Anexo L (página 150) se muestra en detalle la
programación correspondiente a esta misma instancia para mayor claridad

La ilustración sirve para probar que el modelo aprovecha la maleabilidad y programa

efectivamente los lotes variables entre etapas, condición que no se encontró modelada
en ningún trabajo anterior de la literatura sobre flow shop híbrido flexible. Esa
característica es muy común en la industria textil en general, incluido el subsector de
tejidos técnicos y en muchas otras industrias que tienen la configuración flow shop
 84 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

híbrido flexible, y en este trabajo se está modelando y teniendo en cuenta en la solución

por primera vez.

En cuanto a los trabajos que, al igual que éste, minimizaron tardanza en un flow shop
híbrido flexible, se encuentran tres trabajos (J. Li et al., 2015; Sioud et al., 2014c; Yalaoui,
Amodeo, Yalaoui, & Mahdi, 2010) que minimizaron tardanza total y otros tres (Attar,
Mohammadi, Tavakkoli-Moghaddam, et al., 2013; Karimi et al., 2010; Zandieh & Karimi,
2010) que hicieron optimización bi-objetivo minimizando makespan y tardanza total.
Ningún trabajo, antes que este, tuvo como objetivo minimizar tardanza media, sin
embargo, se puede intentar una comparación dado que el paso de uno a otro indicador
es relativamente obvio dividiendo por el número de trabajos programados.

(J. Li et al., 2015) presenta la solución por colonia de abejas de un problema basado en
datos de una empresa real. Aparte del objetivo de la tardanza, de trabajar sobre una
planta de más de 2 etapas y de la utilización de datos basados en la realidad, ese trabajo
no modeló ninguna otra condición de entorno real. El reporte de los resultados sobre
instancias de entre 40 y 152 trabajos sobre la misma planta, no permite comparaciones
frente al presente trabajo.

(Sioud et al., 2014c) minimizaron tardanza total considerando máquinas paralelas no

relacionadas, tiempo de montaje dependiente de la secuencia y elegibilidad para un
conjunto de datos de prueba de entre 20 y 120 trabajos. Sus resultados de RPD los
compara frente a heurísticas como EDD y LS (SLACK). Teniendo en cuenta que el RPD
es un indicador relativo, que por definición elimina la distorsión provocada por la escala
de los datos, se pueden comparar esos resultados con los de la presente investigación.

Comparando los resultados de las heurísticas frente a la propuesta de la investigación,

(Sioud et al., 2014c) obtivieron con su algoritmo SWAP un RPD promedio menor un
89,7% que del RPD obtenido con EDD, En la presente investigación, se obtiene un RPD
promedio de los mejores resultados de las variantes ABDE y BDE, menor en un 93,6%
que el de la regla EDD. En Holgura (SLACK o LS), el trabajo de (Sioud et al., 2014c)
obtuvo un RPD en el algoritmo SWAP, menor en un 94,8% que el obtenido con la regla
de Holgura. Este trabajo obtiene un RPD en los mejores resultados de las variantes
ABDE y BDE, menor en un 95%.

Asumiendo una eficiencia similar de las reglas de prioridad EDD y LS en los casos de
este trabajo y los del trabajo de (Sioud et al., 2014c), (aunque éste último maneja
instancias de entre 2 y 8 etapas pero con solo hasta 4 máquinas por etapa), los
resultados de las varaintes de algoritmo propuestas en esta investigación han logrado
mejores resultados que la propuesta mencionada.

(Yalaoui et al., 2010) probó sus resultados sobre un conjunto de 125 instancias muy
simples sobre una planta de solo 2 etapas con 5 máquinas cada una. El tamaño reducido
le permitió compararse frente al óptimo global obtenido por enumeración explícita
completa. Las características de ese trabajo y los indicadores usados para los resultados
impiden cualquier comparación frente a la presente investigación. Su modelado es
Capítulo 4 85

mucho más simple, y de las condiciones de entorno real solo consideró que las máquinas
son no relacionadas, que hay elegibilidad y que la función objetivo tiene en cuenta el
plazo de entrega. Este trabajo lo supera en consideración de condiciones de entorno real
y experimentación sobre un conjunto de datos de mayor complejidad.

En los trabajos multi-objetivo, que incluyeron la tardanza como una de las funciones a
optimizar, se encuentra que (Attar, Mohammadi, Tavakkoli-Moghaddam, et al., 2013),
que modelaron máquinas paralelas no relacionadas, tiempos de montaje dependientes
de la secuencia, y más de tres etapas, afirman en sus conclusiones que los trabajos
futuros deben tener en cuenta la elegibilidad de las máquinas, condición considerada en
la presente investigación. Sus resultados numéricos no son comparables con este
trabajo, pero los tiempos computacionales que reportan, entre 3000 y 8000 segundos (50
a 133 minutos) con entre 60 y 100 trabajos, para el algoritmo MOPSO son más altos que
los que se obtuvieron en esta investigaión para la variante de algoritmo de mayor tiempo
de procesamiento (ABDE) que registra en promedio 21 minutos para el caso de 59
trabajos y 63 minutos para el caso de 89 trabajos, sobre plantas más complejas que las
reportadas en el caso multi-objetivo de (Attar, Mohammadi, Tavakkoli-Moghaddam, et al.,
2013)

Los trabajos de (Karimi et al., 2010; Zandieh & Karimi, 2010) son bastante similares. Su
modelado de condiciones de entorno real es limitada a hacer optimización multiobjetivo
con tiempos de montaje dependientes de la secuencia en una propuesta para una planta
con tres o más etapas. Las pruebas se hacen sobre 30 casos pequeños con entre 3 y 12
trabajos a secuenciar. Sus resultados hacen más énfasis en los valores obtenidos para
makespan y usan indicadores propios basados en el diseño de sus algoritmos que hace
que no sean comparables con esta investigación, que supera a aquella en el modelado
de las condiciones realistas.

Los resultados, aparte de la comparación frente a los antecedentes de la literatura,

muestran que se ha logrado un modelado robusto, amplio, detallado de un problema de
programación de producción bastante común en la realidad de la industria. Se ha hecho
una experimentación detallada para llegar a un diseño de dos algoritmos que han
mostrado buen desempeño en la solución de este tipo de problemas.

Dado que las variantes propuestas al algoritmo genético reducen la tardanza media entre
un 32% y un 99% con respecto al mejor resultado que se puede obtener por reglas de
prioridad básicas (de uso común en la industria), se encuentra que es posible mejorar
los tiempos de entrega en industrias como la de tejidos técnicos con una metodología de
programación de la producción aplicable a las empresas textiles, que considera las
características de sus procesos, las particularidades de su proceso productivo aplicando
técnicas inteligentes como los algoritmos genéticos.

Otras variables de interés, se pueden considerar igualmente mejoradas con este trabajo.
Al reducir la tardanza se reduce la penalidad por no entregar a tiempo, así mismo se
aprovechan mejor los recursos productivos y se tiene una programación más ordenada
de la planta. La programación generada permite integrar trabajos similares reduciendo
 86 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

tiempos de montaje que implican ahorros de tiempo y recursos. Al no requerirse más que
secuenciar, subdividir y asignar los trabajos de acuerdo al resultado de los algoritmos, sin
inversiones adicionales en tecnologías duras o en contratación de personal; se puede
afirmar que el modelo reduce costos de producción permitiendo la entrega de más
productos en menor tiempo. Al reducir la tardanza, no sólo se cumplen las fechas de
entrega sino que se está reduciendo el tiempo de procesamiento permitiendo mejores
tiempos de respuesta. Esa mayor agilidad permite reducir también los inventarios de
producto en proceso.

De esta manera se puede dar por probada la hipótesis de trabajo formulada al inicio de la
presente investigación.

4.4 Conclusiones del capítulo

La experimentación detallada de todas las combinaciones de modificaciones propuestas
al algoritmo genético básico y el análisis estadístico realizado sobre sus resultados,
permitieron seleccionar las propuestas de modificación aplicables a las propuestas
definitivas para obtener los mejores resultados.

Las variantes del algoritmo genético de las propuestas definitivas demostraron su eficacia
para la solución del problema con resultados mejores que todas las reglas de prioridad y
el algoritmo genético básico. Sus tiempos de respuesta y la calidad comparativa de las
soluciones obtenidas demuestran su utilidad para su aplicación en entornos productivos
reales.

La discusión de resultados frente otros trabajos de la literatura demuestra que el modelo

presentado es más realista que los que se encuentran publicados sobre el flow shop
híbrido flexible, que su eficiencia computacional es apropiada y que la experimentación
sobre datos reales permitió llegar a un modelo más completo que todos los antecedentes
y que la propuesta de solución encontrada es eficaz para llegar a resultados apropiados
a las características de cada problema.

Los resultados muestran que no siempre el mismo algoritmo es aplicable a todas las
situaciones de programación que pueden darse en la industria. Cada problema tiene
características que hacen que algunas condiciones del algoritmo mejoren o empeoren los
posibles resultados. La configuración de las soluciones para su implementación real debe
considerar esas diferencias, permitiendo la selección del mejor método aplicable.
Capítulo 5 87

5. Conclusiones Generales
Las empresas colombianas fabricantes de tejido técnico priorizan en sus políticas de
producción, los tiempos de respuesta a los clientes, los costos y el cumplimiento de
entregas; se consideran competitivas en calidad y tiempos de entrega pero adolecen de
falta de automatización en los procesos de programación de producción en los que la
mayoría muestra insatisfacción con las herramientas informáticas que utilizan en ese tipo
de tareas.

Para la programación de la producción en entornos afines a la industria textil se

encuentra preferencia en la literatura por técnicas como los algoritmos genéticos y otras
metaheurísticas, con predominancia en la función objetivo de minimizar makespan y
modelado de pocas particularidades o características de la producción real. La mayoría
de los trabajos simplifican demasiado el problema reduciendo la posibilidad de
implementación en entornos reales. Es una rareza que algún investigador use datos
basados en una empresa real. No obstante, los resultados de las investigaciones
académicas permiten probar algoritmos que eventualmente se pueden adaptar a
situaciones más complejas como las de la realidad empresarial.

Se prueba, en la propuesta de minimizar tardanza media con algoritmos genéticos, que sí

es posible modelar e implementar hasta nueve situaciones deseables de entorno real
para programar la producción. Fue posible incorporar en la solución tanto los tiempos de
montaje dependientes de la secuencia como el paralelismo entre máquinas no
relacionadas, la maleabilidad, el lote de trasferencia variable, la restricción de
elegibilidad, la entrada dinámica (que permite que la programación sea proactiva y
recativa), los datos basados en entorno real, la función objetivo basada en fecha de
entrega o costo y el número de etapas superior a dos. Las innovaciones incorporadas
para el modelado y la solución del problema incluyen el modelo matemático completo y
original, considerando por primera vez en el flow shop híbrido flexible el tamaño de lote
variable entre etapas y haciendo un modelado más realista de la maleabilidad. También
es innovador el índice de flexibilidad propuesto para la asignación de trabajos en las
etapas con paralelismo, y la generación de la población inicial por reglas de prioridad que
no se había utilizado hasta el momento en los trabajos sobre este tipo de configuración
productiva. Se innova también en la propuesta de operador de cruzamiento, redefinido a
partir de antecedentes de la literatura, con adaptación a las características del tipo de
problema tratado. Y se innova al proponer una probabilidad de mutación variable que
 88 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

tampoco se había utilizado en los trabajos sobre secuenciación en flow shop híbrido
flexible. La metodología utilizada, con una fase previa de filtro para encontrar las
propuestas definitivas, aportó a generar unas mejores propuestas de solución y es
innovadora para este tipo de trabajos.

Se aplicó un diseño experimental 25 para la prueba de las propuestas de modificación. El

análisis estadístico del conjunto de modificaciones y luego de las propuestas definitivas
utilizó herramientas como el análisis de varianza, el cálculo y comparación de indicadores
comunes a los trabajos de secuenciación como RDI, RPD y RPI, el uso de gráficos
estadísticos de diferentes tipos, el cálculo de coeficientes de correlación, la generación
de resultados en tablas y gráficos de GANTT, entre otros. El producto de esta
investigación es un modelo bastante completo e integral para la programación de
cualquier planta de producción que tenga una configuración orientada al producto. Al
considerar el modelo de flow shop híbrido flexible que implica paralelismo y omisión
ocasional de etapas y tener además en cuenta nueve situaciones de entornos reales, la
propuesta presentada permite programar tanto los sistemas complejos que involucran las
situaciones consideradas como los otros sistemas más simples para los que bastaría con
asumir iguales a cero las variables que no apliquen. Más que a una industria en particular
o a un subsector, esta propuesta le es útil a la industria en general y su aporte se puede
potenciar mejor en la producción industrial real que en los ámbitos académicos.
Capítulo 6 89

6. Recomendaciones
El hecho de que no hay un solo algoritmo estándar que ofrezca la mejor solución en
todos los casos que se planteen, implican que el modelado de soluciones que
implementen este y otros modelos de programación de producción deben tener la
flexibilidad para adaptarse a diferentes condiciones y deben examinar las características
del problema para configurar la propuesta de solución más conveniente.

Contar con un modelado tan completo como el producto de esta investigación representa
un aporte que debe aprovecharse para contribuir a mejorar la competitividad de la
industria, mediante su adaptación e implementación en diferentes entornos productivos.
Las condiciones realistas modeladas aquí, en conjunto, son comunes a las diferentes
ramas del sector textil y a muchos otros sectores industriales; y en este trabajo están por
primera vez juntas, con el potencial de aproximarse a ser una herramienta que aporte al
mejoramiento del cumplimiento de entregas y de otros indicadores en las industrias.

Las innovaciones introducidas aquí pueden ser útiles en diferentes entornos.

Implementar las propuestas probadas en la presente investigación en productos
informáticos con fines comerciales y académicos permitirá no solo la divulgación amplia
de los resultados del presente trabajo, sino que además contribuirá al mejor
entendimiento y aplicación de los temas aquí tratados en un conjunto de diferentes
contextos.

Es importante que la industria se apropie de este tipo de experiencias. El conjunto de

conocimientos aquí aplicados, las innovaciones propuestas y los resultados obtenidos
son de interés no sólo en el contexto académico en el que se desarrolló, sino, sobre todo,
en los ambientes industriales objeto de estudio. La industria de tejidos técnicos y los
otros subsectores textiles, así como los otros sectores industriales con configuraciones
afines a la estudiada en esta investigación deben conocer este tipo de contenidos que
pueden aportar claridad en la comprensión de sus problemáticas y dar luces sobre
alternativas científicas para resolverlas.

Las temáticas sobre programación de la producción, y metodologías de secuenciación y

asignación son bastante amplias y su interés trasciende los ámbitos académicos.
Continuar profundizando en condiciones realistas de diversos entornos productivos y
experimentando sobre técnicas de solución apropiadas para cada una de esas
 90 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

condiciones y de esos entornos es una línea de trabajo que debe sostenerse y

enriquecerse con el conocimiento sobre las dinámicas empresariales y los avances de
las tecnologías de producción y de procesamiento de la información.
Capítulo 7 91

7. Líneas de trabajo futuro

Esta investigación puede servir de punto de partida a proyectos de aplicación de otras
técnicas inteligentes al modelado completo de la programación de producción, así como
al desarrollo de propuestas que se ocupen de otras configuraciones diferentes a las
orientadas al producto.

Los parámetros de operación de las variantes propuestas del algoritmo genético, pueden
afinarse en una posible futura investigación que, con un diseño experimental apropiado,
busquen los valores más convenientes de los tamaños de población, número de puntos
de cruce, criterios de parada, probabilidades de mutación, etc. que mejoren el
desempeño de los algoritmos en la solución de diversos tipos de problemas.

Igualmente, resulta interesante continuar analizando el desempeño de las variantes

propuestas, contrastando los resultados que se pueden obtener con estas variantes del
algoritmo genético frente a los que pueden calcularse con otras técnicas poblacionales,
variando las condiciones del problema, la función objetivo y otras características
relevantes.

La extensión de los resultados del presente trabajo, en especial los componentes de

innovación propuestos y probados, a otros entornos productivos y a otras problemáticas
tanto de programación de producción como de otras áreas de conocimiento, permitirá
aprovechar de mejor manera los productos del presente trabajo y contribuirán a la mejora
de la competitividad de las organizaciones.

La implementación completa en un producto informático estándar que pueda ser utilizado

por cualquier industria con configuración orientada al producto debe ser una
consecuencia directa de este desarrollo. Se recomienda que ese tipo de desarrollos se
efectúe sobre herramientas actuales que aprovechen las facilidades de comunicación y
almacenamiento flexible que pueden potenciar la actualización permanente de la
información y la integración con otras herramientas empresariales.

Dada la naturaleza estocástica de un grupo significativo de las variables de entrada

consideradas y dada la complejidad del problema, resulta interesante combinar las
soluciones propuestas con técnicas como la simulación de procesos, buscando modelos
 92 Mejora de tiempos de entrega en un flow shop híbrido flexible usando técnicas
inteligentes. Aplicación en la industria de tejidos técnicos

más realistas y permitiendo probar alternativas diferentes de solución involucrando las

condiciones de entorno real modeladas en este trabajo.

La consideración del proceso de secuenciación de producción como una parte de la

cadena de suministro total será cada vez más importante en la búsqueda de soluciones
aplicables en las empresas reales. El problema considerado es apenas un eslabón en un
esquema que involucra los suministros de materias primas y las entregas de productos
terminados a los clientes en modelados de sistemas logísticos que deben considerarse
integralmente buscando eficiencia en la totalidad del proceso logístico.
 A. Anexo: Cuestionario Encuesta
Estado actual de la Programación de
la Producción en las empresas
Colombianas fabricantes de Tejidos
Técnicos

FECHA:____________

EMPRESA: ____________________________________________ TELEFONO:__________

DIRECCIÓN:_______________________________ E-MAIL:__________________________

ENCUESTADO:______________________________________________________________

CARGO:____________________________________________________________________

1. De acuerdo al marco de referencia estratégico de su organización, cómo calificaría la

importancia de los siguientes factores como criterios para programar la producción
(0=Sin Importancia; 1=Importancia moderada; 3= Importancia media; 4 = Importancia
Alta y 5 = Importancia muy alta)
IMPORTANCIA
VARIABLE
0 1 2 3 4 5

Tiempo total de procesamiento

Tardanza / anticipación entrega

Inventario en proceso

Costo Unitario de producción

 94 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

2. Señale cuál de las siguientes frases describe mejor el pensamiento que guía las
decisiones sobre capacidad en la planta:

__ Se debe procurar el mejor aprovechamiento de la capacidad instalada, manteniendo

ocupado el sistema productivo, aun a costa de generar inventario sin certeza de su venta.
__ Se debe producir solo lo que se requiere, con un mínimo inventario en proceso entre
estaciones, generando lo que requieren los clientes en el momento justo que hay que
fabricarlo, así se tengan recursos ociosos o grandes fluctuaciones en la contratación de
personal.
__ Se debe propender por un equilibrio entre la estabilidad del personal, el uso adecuado
de los recursos productivos y el cumplimiento de los compromisos de la demanda, así eso
implique en algunos casos generar algunos inventarios y, en otros, tener recursos sin uso.

3. Usted considera que lo que sucede con las fechas de entrega pactadas por parte de la
empresa, para con sus clientes, la mayor parte del tiempo es:
___ Siempre se cumple
___ En muy contadas ocasiones no se cumple
___ Se cumple la mayoría de las veces
___ Se cumple aproximadamente la mitad de las veces
___ Casi nunca se cumple
___ Nunca se cumple

4. Cómo califica la importancia de las siguientes fuentes de perturbación en las decisiones

sobre programación de la producción:

(0=Sin Importancia; 1=Importancia moderada; 3= Importancia media; 4 = Importancia

Alta y 5 = Importancia muy alta)
IMPORTANCIA
FUENTE DE PERTURBACIÓN
0 1 2 3 4 5

Diferencias de rendimiento, capacidad, versatilidad entre máquinas

paralelas (de una misma etapa)
Variabilidad del tamaño de los lotes de producción y transferencia entre
diferentes etapas
Tiempos de montaje dependientes de la secuencia

Maleabilidad de los pedidos (posibilidad de dividir o juntar pedidos para

que los tamaños se adecúen a las capacidades estándar de las
máquinas)
Entrada dinámica (Variabilidad de la demanda, adiciones, cancelaciones,
cambios en las cantidades, referencias o fechas de entrega programadas:
Hace programación proactiva y reactiva)

5. Para programar la producción, la empresa utiliza herramientas informáticas en:

Lista de tablas 95

Conformidad
Aplicación Grado de
de Técnicas con los
Instancia de Integración Flexibilidad
Herramienta de resultados
Programación con otras
Optimización 0 1 2 3 4 5 0 1 2 3 4 5

Programa
maestro de
producción

Planeación de
los
requerimientos
de materiales

Planeación de
los
requerimientos
de capacidad

Secuenciación
de trabajos

Control de
producción

6. Cómo califica Usted la competitividad de la empresa en cuanto a las siguientes

variables, donde 0 es la calificación más baja y 5 es la calificación más alta:
CALIFICACIÓN
VARIABLE
0 1 2 3 4 5

Cumplimiento de fechas de entrega

Bajos costos de producción

Bajo tiempo de respuesta a requerimientos de clientes

Alta calidad de los productos

 96 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

B. Anexo: Relación cuestionario con

diseño metodológico de tesis
1. Objetivos vs cuestionario:

El primer objetivo específico dice:

“Evaluar el estado actual de la función de producción en las empresas colombianas

fabricantes de tejidos técnicos, para definir de la forma más completa posible las
situaciones a considerar en la programación de producción en este tipo de industrias.”

Allí, en forma general se define lo que se quiere alcanzar con la encuesta, y por lo tanto
tiene relación con la encuesta en su totalidad, incluidas todas sus preguntas

El segundo objetivo específico dice:

“Explorar, mediante una investigación bibliográfica, las diferentes técnicas propuestas a

nivel internacional para la programación de la producción aplicables al modelo de flujo de
la industria textil.”

Una conclusión que se obtuvo en la investigación bibliográfica para estado del arte dice:

“los trabajos revisados… presentan deficiencias en la consideración de las dificultades

propias de los entornos productivos reales. Si definimos las siguiente ocho características
deseables para modelar un entorno realista: Máquinas paralelas no idénticas o no
relacionadas, lotes de transferencia, tiempos de montaje dependientes de la secuencia,
maleabilidad, entrada dinámica, 3 o más etapas, función objetivo relacionada con fecha
de entrega o costo y, datos de entornos reales; sólo 2 trabajos (el 5%) cumplen
simultáneamente con 4 características; 9 artículos (21%) cumplen con 3; 15
documentos (35%) cumplen con 2; 12 papers (28%) con 1 y 5 (12%) no cumplen
ninguna. De allí que se confirme lo enunciado en la situación problema acerca de la
necesidad de modelar el flow shop híbrido de la forma más completa posible; teniendo en
cuenta la mayoría de las condiciones reales de la producción. En particular, en este
estudio, las que caracterizan a la producción textil.”

Las cinco primeras características mencionadas se evalúan en la pregunta 4 de la

encuesta, la 6ª (etapas múltiples) se validó al seleccionar las empresas considerando
que tuvieran integración vertical hacia atrás o hacia adelante, lo que implica más de una
etapa. La séptima (la función objetivo) se evalúa en la preguntas 1, 2, 3 y 6. La octava
(datos de entornos reales) se dan por descontados al tratar con empresas que enfrentan
el problema real cotidianamente y no entornos simulados como los artículos consultados
en la bibliografía.
Lista de tablas 97

El tercer objetivo específico es:

“Plantear un modelo metodológico para la programación de la producción en las

industrias del sector textil que considere la mayor variedad posible de situaciones del
mundo real, basado en el estado actual y el inventario de técnicas propuestas a nivel
internacional”.

La pregunta 4, nuevamente, está ayudando a validar las situaciones del mundo real
basadas en el estado actual de la industria.

El cuarto objetivo específico es:

“Comparar, mediante técnicas estadísticas los resultados de la aplicación de la

metodología producto de esta investigación, frente a otras alternativas de programación
de la producción de la industria textil, buscando determinar la efectividad de la solución
propuesta”.

Las técnicas estadísticas se emplearían para comparar el resultado de la investigación

con las alternativas de la programación de producción que se ven en la realidad y que se
consultan en la pregunta 5, mientras que su efectividad o impacto en las variables de
interés se mide en la pregunta 6.

2. Variables vs cuestionario:

En la definición de variables se plantearon las siguientes variables dependientes:

“Tiempo total de procesamiento.

Tardanza / anticipación (Diferencia entre fecha de entrega pactada y fecha de entrega

real).

Inventario en proceso (Unidades de producto en proceso promedio en las

máquinas/procesos).”

Incluso en el examen de calificación los jurados sugirieron tener en cuenta también el

costo.

El título del trabajo le apunta a la segunda de esas variables, pues se centra en mejorar
los tiempos de entrega. En la pregunta 1 de la encuesta se evalúa la importancia para
cada empresa de esas variables dependientes al momento de programar su producción.
En la pregunta 2, se puede verificar la importancia para la empresa, en especial de la
tercera de las variables (inventario en proceso) frente a decisiones de capacidad. En la
pregunta 3 se evalúa la variable que se investiga en el proyecto (tiempo de entrega) al
preguntar sobre el grado de cumplimiento de la empresa de esas variables. En la
pregunta 6 se evalúa la competitividad de la empresa en relación con esas variables.
 98 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

En la operacionalización de las variables se lee:

“La función objetivo usualmente minimiza una variable relacionada con el tiempo, como el
makespan (máximo tiempo total de procesamiento de un pedido), la tardanza (retraso
con respecto a la fecha de entrega pactada), anticipación (adelanto respecto a la fecha
de entrega pactada). Se conocen trabajos donde se minimiza el tiempo medio de flujo o
el tiempo de terminación del último producto.

Algunos investigadores han trabajado minimizando el inventario de producto en proceso.

El modelo puede ser incluso multi-objetivo, dado que finalmente la empresa busca bajar
sus costos y aumentar su capacidad. Muchas veces los objetivos de la empresa son
contradictorios entre sí, lo que implica modelar la prioridad de los objetivos según el
direccionamiento estratégico de la organización.

La variable a minimizar (o maximizar) se supone que es función de la programación de la

producción (por pedido, producto, máquina/proceso y unidad de tiempo), de las
condiciones comerciales pactadas en el pedido (cantidades, referencias, fechas de
entrega) y de las situaciones que se presenten en la ejecución del programa (diferencias
en capacidad, eficiencia, disponibilidad de los recursos), independientemente de que se
hayan modelado o no en la programación.”

En las preguntas sobre las variables (1, 2, 3 y 6) se hace referencia a lo mencionado en

los 4 primeros párrafos de la cita precedente. Lo que se menciona en el cuarto párrafo
está evaluado en las preguntas 4 y 5 que hacen referencia a las particularidades de la
programación y a las herramientas empleadas en la actualidad.

3. Hipótesis y Justificación vs cuestionario:

La Hipótesis general de la investigación es:

“Por medio de una metodología de programación de la producción para las empresas

textiles, adecuada específicamente a las características de sus procesos, que considere
todo el proceso productivo y que aplique técnicas inteligentes; es posible mejorar los
tiempos de entrega en la industria colombiana de tejidos técnicos.”

La variable dependiente de mayor interés (aparece en el título, en el objetivo general y en

la hipótesis) es: tiempos de entrega. La encuesta valida su importancia para cada
empresa en la pregunta 1, su estado actual en la pregunta 3 y su auto-valoración relativa
en la pregunta 6.

En la justificación se afirma:

“… la administración de la producción también tiene dificultades propias, debido a: bajo

nivel de innovación en productos y procesos, falta de sistemas integrados de información
Lista de tablas 99

y, producción sin tener en cuenta parámetros de eficiencia o ineficiencia. (Cidetexco,

2003), (Van der Bruggen, 1999).

Algunas empresas del sector han hecho altas inversiones en los últimos años en
Sistemas de Información e implementación de herramientas ERP (McKinsey & Company,
2009). Aunque estas herramientas pueden mejorar el desempeño de las empresas y la
toma de decisiones (Escorcia & Duque, 2005), presentan desventajas que desestimulan
su generalización (Aguilar, 2009). Su papel, además es la gestión de recursos a nivel
táctico y el control de ejecución, más que la programación. Las estrategias de
optimización de la programación no están consideradas en el estándar de este tipo de
sistemas. (Harjunkoski et al, 2009). Valga anotar además que, en general, las
tecnologías de información para la planificación y control de producción, están aún poco
implantadas en el sector. (Salinas, 2004).”

Por esa razón se diseñó la pregunta 5 para verificar la utilización de herramientas

tecnológicas en la programación de producción y se valida su utilidad en preguntas como
la 3 y la 6 que califican los resultados de la empresa con el modelo que aplica para
planear su producción.

En resumen podemos compilar el diseño del cuestionario y su relación con el diseño de

la investigación de la siguiente forma:

PREGUNTA VARIABLE OBJETIVO HIPÓTESIS

/JUSTIFICACIÓN

1. CRITERIO Makespan, 1:Trabajo de HIPÓTESIS

entrega, inventario, campo y
costo 2:Estado del
arte

2. ESTRATEGIA Inventario, costo 1:Trabajo de

campo y
2:Estado del
arte

3. CUMPLIMIENTO Entrega, 1:Trabajo de HIPÓTESIS Y

campo y JUSTIFICACIÓN
2:Estado del
arte

4. CARACTERÍSTICAS Operacionalización 1:Trabajo de

campo,
2:Estado del
arte,
100 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

3:Modelo
matemático

5. HERRAMIENTAS Operacionalización 1:Trabajo de JUSTIFICACIÓN

campo y
4:Evaluación

6. CALIFICACIÓN Makespan, 1:Trabajo de HIPÓTESIS Y

entrega, inventario, campo, JUSTIFICACIÓN
costo 2:Estado del
arte y
4:Evaluación
Lista de tablas 101

C. Anexo: Resultados Encuesta

Estado actual de la Programación de la Producción en las empresas
Colombianas fabricantes de Tejidos Técnicos

La industria de Tejidos Técnicos en Colombia está compuesta por unas cuantas

empresas, de tamaño mediano, concentrada principalmente en las dos mayores áreas
metropolitanas: Bogotá y Medellín, con excepción de una en el eje cafetero.

Aunque muchas empresas del sector textil tienen en su configuración comercial una
división llamada de tejidos técnicos, en muchas de ellas esa área se dedica a la
comercialización de tejidos con usos como tapicería o forros para asientos de vehículos y
otros productos similares a los tejidos para fabricar prendas de vestir donde prima la
estética sobre la funcionalidad. En este estudio nos hemos concentrado en aquellas
empresas que producen tejidos de uso industrial definidos más por características
técnicas referentes a sus propiedades físicas y químicas que por su apariencia exterior.
Se consideraron empresas que fabrican productos en el sistema de tejido plano con
algún grado de integración vertical (más de una etapa del proceso de fabricación, incluido
el tisaje o tejeduría), de tal forma que su configuración pudiera catalogarse como un flow
shop híbrido flexible.

El proceso de tejidos técnicos difiere del de las telas destinadas a la fabricación de

prendas de vestir dado que los tamaños de lote son generalmente variables y de
dimensiones mayores al estándar de la “pieza” o “rollo” acostumbrado en las telas con
destino a la confección. También difiere en las materias primas, que generalmente son
fibras sintéticas en filamentos continuos a diferencia de la hilaza spun, proveniente de
fibras naturales y artificiales, propia de la mayoría de las telas para la fabricación de ropa.

De igual manera, por ser tejidos de uso específico, generalmente los tejidos técnicos se
fabrican casi exclusivamente bajo pedido, y con diseños diferentes para cada cliente.

Estas diferencias hacen que el proceso y la programación y planeación de la producción

de los tejidos técnicos tengan una dinámica diferente, donde los tamaños de lote añaden
complejidad, la fabricación bajo pedido implica mayor importancia del cumplimiento de
fechas de entrega y la exclusividad de los diseños genera exigencias mayores en la
planeación de los inventarios.

Algunos de los productos que se elaboran en Colombia en la categoría de Tejidos

Técnicos son: Lonas para carpas, bases para bandas transportadoras, geotextiles para
prevenir la erosión, telas de alta resistencia para blindajes y protección anti-balas, telas
para la fabricación de llantas, y telas para plastificación, entre otros.
 102 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

La mayor parte del mercado de esos productos está en el exterior, por lo que el
subsector tiene importante participación en las exportaciones de textiles, en especial al
mercado andino y latinoamericano.

Para la investigación presente, se contactaron siete empresas que fabrican tejidos

técnicos. De las siete, una fue eliminada por no cumplir con los supuestos básicos de
pertenecer al sector, dado que no trabaja en el sistema de tejido plano, no tiene
integración vertical (solo tiene tisaje) y en sus productos prima lo estético sobre lo
funcional.

Las otras seis empresas fueron contactadas tanto por teléfono, correo electrónico y en
forma presencial. 2 de ellas no respondieron, una respondió que no podían revelar la
información solicitada y las tres restantes suministraron la información que se resume en
el presente texto.

Se aplicó una encuesta para evaluar la función de programación de producción en cuanto

a sus variables y las herramientas utilizadas.

1. Principales criterios para programar (Calificación sobre 5)

Aunque los puntajes fueron muy parejos, se priorizaron el tiempo de procesamiento y el
costo de fabricación sobre el retraso o anticipo en tiempo de entrega y el inventario en
proceso.
Criterio Promedio Desviación
Tiempo procesamiento 4,33 0,58
Costo Fabricación 4,33 1,15
Retraso/Anticipación Entrega 4,00 1,00
Inventario en Proceso 4,00 1,00

2. Política general de programación

Variable Porcentaje
Equilibrio entre uso de recursos y cumplir demanda 66,67%
Cumplir con la demanda minimizando inventario aun a costa de inestabilidad 33,33%
en el uso de los recursos
La mayoría de las empresas interrogadas busca un equilibrio entre el aprovechamiento
de los recursos productivos y el cumplimiento de sus compromisos con los clientes. En
segundo lugar se considera el cumplimiento de la demanda con un mínimo de
inventarios a pesar de que se cause inestabilidad en el uso de los recursos, en especial
de la mano de obra.
Lista de tablas 103

3. Cumplimiento de fechas de entrega

Cumplimiento Porcentaje
La mayoría de las veces se cumple 66,67%
En muy contadas ocasiones no se cumple 33,33%
Para la mayoría de las empresas las fechas de entrega se cumplen la mayoría de las
veces (2/3) o incluso casi todas las veces (1/3).

4. Importancia de las fuentes de perturbación (Calificación sobre 5)

Situación Promedio Desviación
Máquinas paralelas no idénticas 4,33 1,15
Tamaño de lote variable entre etapas 4,33 1,15
Tiempo de montaje depende de secuencia 4,00 1,00
Maleabilidad de lotes 4,00 1,00
Entrada dinámica 4,00 1,00
De las posibles situaciones que dificultan la programación de la producción en el flow
shop híbrido flexible textil de los tejidos técnicos, las que se consideran más
perturbadoras son el paralelismo entre máquinas no relacionadas o no idénticas y el
tamaño de lote variable entre etapas. La calificación, no obstante, es muy pareja, y de
cerca se consideran también importantes los tiempos de montaje dependientes de la
secuencia, la maleabilidad de los lotes y la entrada dinámica de pedidos.

5. Herramientas informáticas utilizadas

Parte del proceso Excel Desarrollo Propio Ninguno
Programa Maestro 66,67% 33,33% 0,00%
MRP 33,33% 33,33% 33,33%
CRP 33,33% 33,33% 33,33%
Secuenciación 33,33% 33,33% 33,33%
Control 0,00% 66,67% 33,33%

6. Flexibilidad de Herramientas Informáticas (Calificación sobre 5)

Parte del proceso Promedio Desviación
Programa Maestro 2,00 1,41
MRP 2,00 1,41
CRP 2,00 1,41
Secuenciación 2,00 1,41
Control 4,00 1,41
2/3 de las empresas usan en la mayor parte de sus procesos de programación de
producción la hoja de Cálculo Excel. La calificación que le dan a flexibilidad de sus
 104 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

herramientas es baja (2/5). 1/3 de las empresas tiene un erp propio diseñado a la
medida, que incluye algunas de las soluciones presentadas en este trabajo. Esa empresa
no contestó esta parte de la encuesta. 2/3 de las empresas tiene una herramienta propia
para el control de tiempos de máquinas y la considera suficientemente flexible.

7. Grado de Satisfacción con Herramientas Informáticas (Calificación sobre 5):

Parte del proceso Promedio Desviación
Programa Maestro 3,00 1,41
MRP 2,00 0,00
CRP 2,00 0,00
Secuenciación 2,00 0,00
Control 5,00 0,00
De las empresas que contestaron esta parte de la encuesta, se encontró satisfacción en
los resultados en grado medio con el programa maestro y en alto grado con las
herramientas de control (desarrolladas a la medida). En el resto de las etapas se ve
insatisfacción con los resultados. En esas etapas predomina el uso de la hoja de cálculo
Excel.

8. Competitividad (Calificación sobre 5):

Factor Promedio Desviación
Calidad de los productos 4,67 0,58
Cumplimento Entregas 4,33 0.58
Bajo Costo de Producción 4,00 1,00
Bajo Tiempo de respuesta 4,00 1,00
Las empresas se consideran altamente competitivas en especial en lo que tiene
que ver con la calidad de los productos y el cumplimiento de las entregas. Hay una
menor percepción de competitividad en cuando a costos y tiempos de respuesta.
Lista de tablas 105

D. Anexo: Resumen revisión

bibliográfica programación de
producción en entornos relacionados
con industria de tejidos técnicos
La Tabla 7-1 resume los resultados detallados de la revisión de literatura. Inicia con un
consecutivo, luego tiene la cita bibliográfica de cada artículo analizado, una columna que
indica si el trabajo corresponde al sector textil y tres grupos de columnas, una para el tipo
de problema tratado en el artículo, otro grupo para los algoritmos de solución aplicados y
un tercer grupo para las funciones objetivo evaluadas en cada uno de los trabajos. Las
opciones no son mutuamente excluyentes dado que se encontraron trabajos que utilizan
más de un algoritmo de solución o consideran más de una función objetivo.

Tabla 7-1: Análisis de Literatura sobre el tema de secuenciación en entornos afines a la

producción de tejidos técnicos
TIPOS DE PROBLEMA ALGORITMOS DE FUNCIÓNES
SOLUCIÓN OBJETIVO
FLOW SHOP HÍBRIDO FLEXIBLE (HFFS)

MAKESPAN/TIEMPO PROCESO
TARDANZA/FECHA ENTREGA
FLOW SHOP HÍBRIDO (HFS)

iLP / BRANCH AND BOUND

OTRA METAHEURÍSTICA
MÁQUINAS PARALELAS

OTROS ALGORITMOS
OTROS PROBLEMAS
UNA SOLA MÁQUINA
OTROS FLOW SHOP

OTROS OBJETIVOS
INDUSTRIA TEXTIL

HEURÍSTICA
GENÉTICO

COSTOS

No AUTORES, AÑO

1 (Cui & Gu, 2015) X X X

2 (J. Li et al., 2015) X X X
3 (J. T. Lin & Chen, 2015) X X X
 106 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

TIPOS DE PROBLEMA ALGORITMOS DE FUNCIÓNES

SOLUCIÓN OBJETIVO

FLOW SHOP HÍBRIDO FLEXIBLE (HFFS)

MAKESPAN/TIEMPO PROCESO
TARDANZA/FECHA ENTREGA
FLOW SHOP HÍBRIDO (HFS)

iLP / BRANCH AND BOUND

OTRA METAHEURÍSTICA
MÁQUINAS PARALELAS

OTROS ALGORITMOS
OTROS PROBLEMAS
UNA SOLA MÁQUINA
OTROS FLOW SHOP

OTROS OBJETIVOS
INDUSTRIA TEXTIL

HEURÍSTICA
GENÉTICO

COSTOS
No AUTORES, AÑO

4 (Zandieh & Hashemi, 2015) X X X

5 (Sangsawang, Sethanan, Fujimoto, & Gen, 2015) X X X
6 (Rabiee, Sadeghi Rad, Mazinani, & Shafaei, 2014) X X X
7 (Mirabi, 2014) X X X
8 (Sioud et al., 2014a) X X X
9 (Sioud et al., 2014b) X X X
10 (Sioud et al., 2014c) X X X X
11 (Attar, Mohammadi, Tavakkoli-Moghaddam, et al., 2013) X X X
12 (Attar, Mohammadi, & Tavakkoli-Moghaddam, 2013) X X X X
13 (De Siqueira et al., 2013) X X X
14 (Sioud et al., 2013) X X X
15 (Torabi, Sahebjamnia, Mansouri, & Bajestani, 2013) X X X X X
16 (Van Vreckem, Borodin, De Bruyn, & Nowé, 2013) X X X
17 (Xu, Wang, Wang, & Liu, 2013) X X X
18 (Bozorgirad & Logendran, 2013) X X X X X
19 (Carpov, Carlier, Nace, & Sirdey, 2012) X X X
20 (De Siqueira, de Souza, & Souza, 2012) X X X
21 (F. Defersha & Chen, 2012) X X X
22 (Gicquel, Hege, Minoux, Canneyt, & van Canneyt, 2012) X X X
23 (Kis & Kovács, 2012) X X X X X X
24 (Q.-K. Pan & Ruiz, 2012) X X X X
25 (Sadykov, 2012) X X X X
26 (Yao, Zhao, & Zhang, 2012) X X X
27 (X. Zhang & van de Velde, 2012) X X X
28 (Ángel-bello, Álvarez, Pacheco, & Martínez, 2011a) X X X
29 (Ángel-bello, Álvarez, Pacheco, & Martínez, 2011b) X X X
30 (Bollapragada, Della, & Ghirardi, 2011) X X X X
31 (Cevikcan, Durmusoglu, & Baskak, 2011) X X X
32 (P.-C. Chang & Chen, 2011) X X X
33 (Cheng, Cheng, Wu, Hsu, & Wu, 2011) X X X X
34 (Cheng, Hsu, Huang, & Lee, 2011) X X X X
35 (Cho, Bae, Kim, & Jeong, 2011) X X X X
36 (H. Choi, Kim, & Lee, 2011) X X X
37 (Choong, Phon-Amnuaisuk, & Alias, 2011) X X X
38 (F. Defersha, 2011) X X X
39 (Driessel & Mönch, 2011) X X X
40 (Engin, Ceran, & Yilmaz, 2011) X X X
41 (Han, Shi, Qiao, & Yue, 2011) X X X
42 (Hekmatfar, Fatemi Ghomi, & Karimi, 2011) X X X
43 (Hidri & Haouari, 2011) X X X
44 (Abir Ben Hmida, Haouari, Huguet, & Lopez, 2011) X X X
45 (James & Almada-lobo, 2011) X X X X X
46 (W. Lee, Lin, & Shiau, 2011) X X X X
47 (S. Lin, Lee, Ying, & Lu, 2011) X X X
48 (Lu, Ng, & Zhang, 2011) X X X
49 (Mahdavi, Komaki, & Kayvanfar, 2011) X X X X
50 (Mirsanei, Zandieh, Moayed, & Khabbazi, 2011) X X X X
51 (Qiao & Sun, 2011) X X X
52 (Safari & Sadjadi, 2011) X X X
53 (Sarıçiçek & Çelik, 2011) X X X
Lista de tablas 107

TIPOS DE PROBLEMA ALGORITMOS DE FUNCIÓNES

SOLUCIÓN OBJETIVO

FLOW SHOP HÍBRIDO FLEXIBLE (HFFS)

MAKESPAN/TIEMPO PROCESO
TARDANZA/FECHA ENTREGA
FLOW SHOP HÍBRIDO (HFS)

iLP / BRANCH AND BOUND

OTRA METAHEURÍSTICA
MÁQUINAS PARALELAS

OTROS ALGORITMOS
OTROS PROBLEMAS
UNA SOLA MÁQUINA
OTROS FLOW SHOP

OTROS OBJETIVOS
INDUSTRIA TEXTIL

HEURÍSTICA
GENÉTICO

COSTOS
No AUTORES, AÑO

54 (Shah & Ierapetritou, 2011) X X X

55 (Taylor, Taj, Nedeltcheva, Pfeil, & Roumaya, n.d.) X X X
56 (Vallada & Ruiz, 2011) X X X X
57 (W. Weng & Fujimura, 2012) X X X
58 (Qi & Ã, 2011) X X X
59 (Yalaoui et al., 2011) X X X
60 (J. Yang, 2011) X X X
61 (S. Yang, Ma, Xu, & Yang, 2011) X X X
62 (Yue-wen, Feng-xing, Xiao-hong, Qing-zhu, & Jia-hua, 2011) X X X X
63 (Aryanezhad, Talebi, & Karimi-nasab, 2010) X X X
64 (Azadeh, Ghaderi, Dehghanbaghi, & Dabbaghi, 2010) X X X X X
65 (Behnamian, Fatemi Ghomi, & Zandieh, 2010) X X X
66 (Chyu & Chang, 2010) X X X X X
67 (F. M. Defersha & Chen, 2010) X X X
68 (M. Rocha, Paula, Robson, & Gómez, 2010) X X X
69 (Dugardin, Yalaoui, & Amodeo, 2010) X X X X
70 (Fattahi, Tavakoli, Jalilvand-Nejad, & Jolai, 2010) X X X X
71 (Gacias, Artigues, & Lopez, 2010) X X X X X
72 (J. Gao, 2010) X X X X X
73 (Hentous & Merabti, 2010) X X X X
74 (F Jin, Gupta, Song, & Wu, 2010) X X X
75 (Kahraman, Engin, Kaya, & Elif Öztürk, 2010) X X X
76 (Karimi et al., 2010) X X X X
77 (Khalouli, Ghedjati, Hamzaoui, & Ã, 2010) X X X
78 (Lian, 2010) X X X X
79 (B. Liu, Wang, Liu, Qian, & Jin, 2010) X X X
80 (A. Liu, Yin, & Jiang, 2010) X X X
81 (Morais & Moccellin, 2010) X X X X
82 (Naderi, Ruiz, et al., 2010) X X X
83 (Naderi, Tavakkoli-Moghaddam, & Khalili, 2010) X X X X
84 (Noorul Haq, Ramanan, Shashikant, & Sridharan, 2010) X X X
85 (Omar, Teo, & Suppiah, 2010) X X X
86 (Ozgur & Bai, 2010) X X X X
87 (Q. Pan, Duan, Liang, Gao, & Li, 2010) X X X
88 (Rebaine, 2010) X X X
89 (Lixin Tang & Wang, 2011) X X X
90 (J. Tang, Zhang, & Lin, 2010) X X X X
91 (Uhlig & Rose, 2010) X X X
92 (Urlings et al., 2010) X X X
93 (Yalaoui et al., 2010) X X X
94 (Yen-Wen, Chen-Hao, & Chin-Yuan, 2010) X X X X
95 (Ying & Cheng, 2010) X X X
96 (Zandieh et al., 2010) X X X
97 (Zandieh & Karimi, 2010) X X X X
98 (Zandieh & Karimi, 2011) X X X X
99 (Song-yan, 2010) X X X
100 (C. Zhang, Ning, & Ouyang, 2010) X X X
101 (Zhao & Tang, 2010) X X X
102 (Zheng & Yamashiro, 2010) X X X
103 (Zhou & Lu, 2010) X X X
104 (Álvarez Martínez, Ocampo, Mirledy, & Gallego Rendón, 2009) X X X
 108 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

TIPOS DE PROBLEMA ALGORITMOS DE FUNCIÓNES

SOLUCIÓN OBJETIVO

FLOW SHOP HÍBRIDO FLEXIBLE (HFFS)

MAKESPAN/TIEMPO PROCESO
TARDANZA/FECHA ENTREGA
FLOW SHOP HÍBRIDO (HFS)

iLP / BRANCH AND BOUND

OTRA METAHEURÍSTICA
MÁQUINAS PARALELAS

OTROS ALGORITMOS
OTROS PROBLEMAS
UNA SOLA MÁQUINA
OTROS FLOW SHOP

OTROS OBJETIVOS
INDUSTRIA TEXTIL

HEURÍSTICA
GENÉTICO

COSTOS
No AUTORES, AÑO

105 (Amin-Naseri & Beheshti-Nia, 2009) X X X X X

106 (Ang, Iyer, & Qi, 2009) X X X X
107 (Arroyo, Nunes, & Kamke, 2009) X X X
108 (Behnamian, Zandieh, & Ghomi, 2009) X X X
109 (P. Chang, Chen, & Fan, 2009) X X X
110 (W. J. Chen, 2009) X X X X
111 (S. Choi & Kim, 2009) X X X X
112 (H.-S. Choi & Lee, 2009) X X X X
113 (Dugardin, Amodeo, & Yalaoui, 2009) X X X
114 (Fang, 2009) X X X X X
115 (Feng, Lu, & Li, 2009) X X X
116 (Ribeiro, de Souza, & Souza, 2009) X X X
117 (Figielska, 2009) X X X X
118 (Gharehgozli, Tavakkoli-Moghaddam, & Zaerpour, 2009) X X X X
119 (Gholami, Zandieh, & Alem-Tabriz, 2009) X X X
120 (Harjunkoski et al., 2009) X X X
121 (Hojjati & Sahraeyan, 2009) X X X
122 (Hsu, Hsiung, Chen, & Wu, 2009) X X X X X
123 (Jabbarizadeh et al., 2009) X X X
124 (Feng Jin, Song, & Wu, 2009) X X X
125 (Jouglet, Oğuz, & Sevaux, 2009) X X X X
126 (Jungwattanakit, Reodecha, Chaovalitwongse, & Werner, 2009) X X X
127 (Kalczynski & Kamburowski, 2009) X X X
128 (H. W. Kim & Lee, 2009) X X X X X
129 (Kovács, Brown, & Tarim, 2009) X X X
130 (Ling-li, Feng-xing, Xiao-hong, & Zheng, 2009) X X X
131 (Lipi, Hasin, & Noor-E-Alam, 2009) X X X
132 (Madhushini, Rajendran, & Deepa, 2009) X X X X
133 (Maravelias & Sung, 2009) X X X X
134 (Ng, Matsveichuk, Sotskov, & Cheng, 2009) X X X
135 (Pesch & Sterna, 2009) X X X
136 (Bin Qian, Wang, Huang, Wang, & Wang, 2009) X X X
137 (B Qian, Wang, Hu, Huang, & Wang, 2009) X X X
138 (Rajkumar & Shahabudeen, 2009) X X X
139 (Ruiz, 2009) X X X
140 (Solano Charris, 2009) X X X
141 (Montoya-torres & Paternina-arboleda, 2009) X X X X
142 (Su & Li, 2009) X X X
143 (Tavakkoli-moghaddam, Taheri, Bazzazi, Izadi, & Sassani, 2009) X X X
144 (Xie & Tang, 2009) X X X
145 (Yaurima, Burtseva, & Tchernykh, 2009) X X X X
146 (Yuan, Sauer, & Sauvey, 2009) X X X
147 (Z. Li & Ierapetritou, 2009) X X X
148 (Allahverdi, Ng, Cheng, & Kovalyov, 2008) X X X X
149 (Martínez, Ocampo, & Rendón, 2009) X X X
150 (Zandieh, Dorri, et al., 2009) X X X
151 (Beraldi, Ghiani, Grieco, & Guerriero, 2008) X X X X X
152 (Pierpaolo Caricato, Grieco, & Nucci, 2008) X X X
153 (Figielska, 2008) X X X
154 (J. Gao, He, Wang, & Liu, 2008) X X X X
Lista de tablas 109

TIPOS DE PROBLEMA ALGORITMOS DE FUNCIÓNES

SOLUCIÓN OBJETIVO

FLOW SHOP HÍBRIDO FLEXIBLE (HFFS)

MAKESPAN/TIEMPO PROCESO
TARDANZA/FECHA ENTREGA
FLOW SHOP HÍBRIDO (HFS)

iLP / BRANCH AND BOUND

OTRA METAHEURÍSTICA
MÁQUINAS PARALELAS

OTROS ALGORITMOS
OTROS PROBLEMAS
UNA SOLA MÁQUINA
OTROS FLOW SHOP

OTROS OBJETIVOS
INDUSTRIA TEXTIL

HEURÍSTICA
GENÉTICO

COSTOS
No AUTORES, AÑO

155 (J. Gao, He, & Wang, 2008a) X X X X

156 (J. Gao, He, & Wang, 2008b) X X X X
157 (Guo, Wong, Leung, Fan, & Chan, 2008) X X X
158 (Karabuk, 2008) X X X X
159 (Khalouli, Ghedjati, & Hamzaoui, 2008) X X X X
160 (X. Liu, Zou, & Zhang, 2008) X X X X
161 (Mahdavi, Mojarad, Javadi, & Tajdin, 2008) X X X X
162 (Pfund, Fowler, Gadkari, & Chen, 2008) X X X
163 (P. L. Rocha, Ravetti, Mateus, & Pardalos, 2008) X X X X X
164 (Rodrigues & Gómez, 2008) X X X
165 (Ruiz et al., 2008) X X X X
166 (Sbihi & Varnier, 2008) X X X X
167 (Shao et al., 2008) X X X
168 (Solano Charris, 2009) X X X
169 (Vargas Nieto & Montoya Torres, 2008) X X X
170 (Yagmahan & Yenisey, 2008) X X X
171 (Zhan & Qiu, 2008) X X X
172 (Armentano & de Franca Filho, 2007) X X X
173 (Bowers & Agarwal, 2007) X X X
174 (P. Caricato, Grieco, & Serino, 2007) X X X
175 (W. J. Chen, 2007) X X X X X
176 (S.-W. Choi & Kim, 2007) X X X X
177 (Figielska, 2007) X X X
178 (C. Gao & Tang, 2007) X X X X
179 (Gómez, 2007) X X X
180 (Janiak, Kozan, Lichtenstein, & Oğuz, 2007) X X X X X
181 (Jenabi, Fatemi Ghomi, Torabi, & Karimi, 2007) X X X X
182 (Koulamas & Kyparisis, 2007) X X X
183 (C.-J. Liao & Juan, 2007) X X X
184 (Logendran, Mcdonell, & Smucker, 2007) X X X
185 (Moccellin & Nagano, 2007) X X X
186 (Lopes & de Carvalho, 2007) X X X
187 (Quadt & Kuhn, 2007) X X X
188 (Solari & Ocampo, 2007) X X X
189 (Yandra & Tamura, 2007) X X X
190 (Taner, Hodgson, King, & Schultz, 2007) X X X
(Vishwanathan, Kulkarni, Pachamuthu, Santos, & Damodaran,
191 2007) X X X X
192 (Voß & Witt, 2007) X X X X
193 (M Hossein Fazel Zarandi, Esmaeilian, & Zarandi, 2007) X X X X
194 (Hamid Allaoui & Artiba, 2006) X X X X X
195 (H Allaoui, Lamouri, & Lebbar, 2006) X X X
196 (Andrés, Gomez, & Garcia-Sabater, 2006) X X X
197 (Ballesteros Silva, Ballesteros Riveros, & Bernal Loaiza, 2006) X X X
198 (Beraldi, Ghiani, Guerriero, & Grieco, 2006) X X X X
199 (Berkoune, Mesghouni, & Rabenasolo, 2006) X X X X
200 (P. Chen, Wu, & Lee, 2006) X X X X
201 (Choobineh, Mohebbi, & Khoo, 2006) X X X
202 (Ferretti, Zanoni, & Zavanella, 2006) X X X X
203 (S. R. Gupta & Smith, 2006) X X X
204 (Haouari, Hidri, & Gharbi, 2006) X X X
 110 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

TIPOS DE PROBLEMA ALGORITMOS DE FUNCIÓNES

SOLUCIÓN OBJETIVO

FLOW SHOP HÍBRIDO FLEXIBLE (HFFS)

MAKESPAN/TIEMPO PROCESO
TARDANZA/FECHA ENTREGA
FLOW SHOP HÍBRIDO (HFS)

iLP / BRANCH AND BOUND

OTRA METAHEURÍSTICA
MÁQUINAS PARALELAS

OTROS ALGORITMOS
OTROS PROBLEMAS
UNA SOLA MÁQUINA
OTROS FLOW SHOP

OTROS OBJETIVOS
INDUSTRIA TEXTIL

HEURÍSTICA
GENÉTICO

COSTOS
No AUTORES, AÑO

205 (Hentous & Benhammadi, 2006) X X X

206 (A Ben Hmida, Huguet, Lopez, & Haouari, 2006) X X X
207 (Hu, Ma, & Ye, 2006) X X X
208 (Huang & Wang, 2006) X X X
209 (Martin, 2009) X X X
210 (Min & Cheng, 2006) X X X X
211 (Muñoz, Moraga, & Baesler, 2005) X X X
212 (Rabadi, Moraga, & Al-Salem, 2006) X X X
213 (Feng Jin, Gupta, Song, & Wu, 2010) X X X
214 (Ruiz & Maroto, 2006) X X X
215 (Silva & Magalhaes, 2006) X X X X
216 (Tahar, Yalaoui, Chu, & Amodeo, 2006) X X X
217 (L Tang & Xuan, 2006) X X X
218 (Toro Ocampo, Restrepo Grisales, & Granada Echeverri, 2006) X X X
219 (Toro Ocampo, Granada Echeverri, & Restrepo Grisales, 2006) X X X
220 (Yanai & Fujie, 2006) X X X
221 (Zandieh, Fatemi Ghomi, & Moattar Husseini, 2006)i X X X X
222 (Anglani, Grieco, Guerriero, & Musmanno, 2005) X X X X
223 (W.-J. Chen & Liao, 2005) X X X X
224 (Companys & D’Armas, 2005) X X X
225 (Gómez Gasquet & García Sabater, 2005) X X X
226 (Gómez Gasquet, García Sabater, & Romano, 2005) X X X
227 (Lalas, Mourtzis, Papakostas, & Chryssolouris, 2005) X X X X
228 (Mauguière, Billaut, & Bouquard, 2005) X X X
229 (Oĝuz & Ercan, 2005) X X X
230 (Lixin Tang, Liu, & Liu, 2005) X X X
231 (Vazquez Rodriguez & Salhi, 2005) X X X X
232 (Wang & Xia, 2005) X X X
233 (W. Zhang, Yin, Liu, & Linn, 2005) X X X X
234 (H. Allaoui & Artiba, 2004) X X X
235 (Bertel & Billaut, 2004) X X X
236 (Engin & Döyen, 2004) X X X
237 (Kurz & Askin, 2004) X X X
238 (C. J. Liao & Chen, 2004) X X X X
239 (Mosheiov & Yovel, 2004) X X X
240 (Ceyda Oğuz, Zinder, Janiak, & Lichtenstein, 2004) X X X X
241 (Rangsaritratsamee, Ferrell, & Kurz, 2004) X X X
242 (Ulusoy, 2004) X X X
243 (Tupia et al., 2004) X X X
244 (Williams, Pitts, & Kamery, 2004) X X X
245 (P.-C. Chang, Hsieh, & Wang, 2003) X X X
246 (Mohammad H Faze Zarandi & Esmaeilian, 2003) X X X X
247 (Joines, Sutton, Thoney, King, & Hodgson, 2003) X X X
248 (F.-C. Lee & Yao, 2003) X X X
249 (H.-T. Lin & Liao, 2003) X X X
250 (C Oğuz, Ercan, Cheng, & Fung, 2003) X X X X
251 (Rajendran & Ziegler, 2003) X X X X
252 (Gagné, Price, & Gravel, 2002) X X X
253 (J. N. D. Gupta, Krüger, Lauff, Werner, & Sotskov, 2002) X X X X X
254 (D.-W. Kim, Kim, Jang, & Chen, 2002) X X X
Lista de tablas 111

TIPOS DE PROBLEMA ALGORITMOS DE FUNCIÓNES

SOLUCIÓN OBJETIVO

FLOW SHOP HÍBRIDO FLEXIBLE (HFFS)

MAKESPAN/TIEMPO PROCESO
TARDANZA/FECHA ENTREGA
FLOW SHOP HÍBRIDO (HFS)

iLP / BRANCH AND BOUND

OTRA METAHEURÍSTICA
MÁQUINAS PARALELAS

OTROS ALGORITMOS
OTROS PROBLEMAS
UNA SOLA MÁQUINA
OTROS FLOW SHOP

OTROS OBJETIVOS
INDUSTRIA TEXTIL

HEURÍSTICA
GENÉTICO

COSTOS
No AUTORES, AÑO

255 (Mesghouni & Rabenasolo, 2002) X X X

256 (Pearn, Chung, & Yang, 2002) X X X
257 (Saydam & Cooper, 2002) X X X
(Alarcón Valero, García Sabater, Ortiz Bas, & Alemany Díaz,
258 2001) X X X X
259 (Aldowaisan, 2001) X X X
260 (Al-Khayyal, Griffin, & Smith, 2001) X X X X
261 (Gendreau, Laporte, & Guimarães, 2001) X X X
262 (Néron, Baptiste, & Gupta, 2001) X X X
263 (Riane, Artiba, & Iassinovski, 2001) X X X X
264 (Soewandi & Elmaghraby, 2001) X X X
265 (M. X. Weng, Lu, & Ren, 2001) X X X
266 (Yokoyama, 2001) X X X X
267 (Valerie Botta-Genoulaz, 2000) X X X X
268 (Grabowski & Pempera, 2000) X X X
269 (Hitoshi Tsubone, Suzuki, Uetake, & Ohba, 2000) X X X
270 (Xiao, Hao, Zhang, & Xu, 2000) X X X X
271 (Xing & Zhang, 2000) X X X
272 (Valkrie Botta-Genoulaz, 1997) X X X
273 (Carreno, 1990) X X X X
274 (Daly, Cassidy, & Kulasiri, 1995) X X X
275 (Frendewey & Sumichrast, 1988) X X X X
276 (Guinet, 1991) X X X X
277 (Hung, Shih, & Chen, 1999) X X X
278 (Jinrong, Dao, & Weisun, 1994) X X X
279 (Karacapilidis & Pappis, 1996) X X X X
280 (Rotab Khan, Harlock, & Leaf, 1999) X X X
281 (Lane & Evans, 1995) X X X
282 (Y. H. Lee & Pinedo, 1997) X X X
283 (McCormick & Pinedo, 1995) X X X
284 (Ceyda Oğuz & Fı̇ kret Ercan, 1997) X X X
285 (Onwubolu & Mutingi, 1999) X X X
286 (Saydam & Cooper, 2002) X X X
287 (Serafini, 1996) X X X X
288 (Shiroma & Niemeyer, 1998) X X X X
289 (H Tsubone, Ohba, Takamuki, & Miyake, 1993) X X X X
290 (Uetake, Tsubone, & Ohba, 1995) X X X
291 (Weintraub et al., 1999) X X X
51 24 80 53 52 21 66 74 69 70 36 62 200 70 26 37
Totales
13
18% 8% 27% 18% 18% 7% 23% 25% 24% 24% 12% 21% 69% 24% 9% %
Participación
 112 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

E. Anexo: Condiciones de entorno

real
La Tabla 7-2 resume los resultados de la evaluación de la literatura científica entre 2010
y 2015 sobre las condiciones realistas de producción aplicadas a problemas de
secuenciación de entornos afines al modelo de la industria de tejidos técnicos

Tabla 7-2. Condiciones de entorno real consideradas en artículos sobre secuenciación

en modelos afines al de la industria de tejidos técnicos. En tres páginas

MÁQUINAS PARALELAS NO IDÉNTICAS/NO RELACIONADAS

TIEMPO DE MONTAJE DEPENDIENTE DE LA SECUENCIA

FUNCIÓN OBJETIVO TARDANZA/ENTREGA/COSTO

DATOS BASADOS EN PRODUCCIÓN REAL

RESTRICCIÓN DE DISPONIBILIDAD
LOTE DE TRANSFERENCIA

ENTRADA DINÁMICA

3 O MÁS ETAPAS
MALEABILIDAD

TOTAL
Autores, Año
(Cui & Gu, 2015) X 1
(J. Li et al., 2015) X X X 3
(J. T. Lin & Chen, 2015) X X X X X X 6
(Sangsawang et al., 2015) 0
(Zandieh & Hashemi, 2015) X X X X 4
(Mirabi, 2014) X X 2
(Naderi et al., 2014) X 1
(Rabiee et al., 2014) X X X 3
(Sioud et al., 2014a) X X X X 4
(Sioud et al., 2014b) X X X X X 5
(Sioud et al., 2014c) X X X X 4
(Attar, Mohammadi, & Tavakkoli-Moghaddam, 2013) X X X 3
(Attar, Mohammadi, Tavakkoli-Moghaddam, et al., 2013) X X X X 4
(Bozorgirad & Logendran, 2013) X X X X 4
(Carpov et al., 2012) 0
(De Siqueira et al., 2013) X X X X 4
(Sioud et al., 2013) X X X X 4
(Torabi et al., 2013) X X X X X 5
(Xu et al., 2013) X 1
(F. Defersha & Chen, 2012) X X X 4
(Gicquel et al., 2012) X X X 3
Lista de tablas 113

MÁQUINAS PARALELAS NO IDÉNTICAS/NO RELACIONADAS

TIEMPO DE MONTAJE DEPENDIENTE DE LA SECUENCIA

FUNCIÓN OBJETIVO TARDANZA/ENTREGA/COSTO

DATOS BASADOS EN PRODUCCIÓN REAL

RESTRICCIÓN DE DISPONIBILIDAD
LOTE DE TRANSFERENCIA

ENTRADA DINÁMICA

3 O MÁS ETAPAS
MALEABILIDAD

TOTAL
Autores, Año
(Kis & Kovács, 2012) X 1
(Q.-K. Pan & Ruiz, 2012) X X X 3
(Sadykov, 2012) X X X 3
(Yao et al., 2012) X 1
(X. Zhang & van de Velde, 2012) 0
(Abir Ben Hmida, Haouari, Huguet, Lopez, & Ben, 2011) 0
(P.-C. Chang & Chen, 2011) X X 2
(Choong et al., 2011) X 1
(F. Defersha, 2011) X X X X X 5
(Driessel & Mönch, 2011) X X 2
(Engin et al., 2011) 0
(Han et al., 2011) X X 2
(Hekmatfar et al., 2011) X 1
(Hidri & Haouari, 2011) X 1
(James & Almada-lobo, 2011) X X 2
(S. Lin et al., 2011) X X 2
(Mahdavi et al., 2011) X X X 3
(Mirsanei et al., 2011) X X 2
(Qiao & Sun, 2011) X X 2
(Sarıçiçek & Çelik, 2011) X X 2
(Shah & Ierapetritou, 2011) X 1
(Vallada & Ruiz, 2011) X X 2
(Yalaoui et al., 2011) X X X 3
(J. Yang, 2011) X 1
(Yue-wen et al., 2011) X 1
(Gacias et al., 2010) X 1
(Zandieh & Karimi, 2011) X X X 3
(Behnamian et al., 2010) X X X 3
(Chyu & Chang, 2010) X X X X 4
(F. M. Defersha & Chen, 2010) X X X X 4
(J. Gao, 2010) X X X 3
(Karimi et al., 2010) X X X 3
(Kahraman et al., 2010) X 1
(Khalouli et al., 2010) X X 2
(Lei, 2010) X X X X 4
(Morais & Moccellin, 2010) X X X 3
114 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

MÁQUINAS PARALELAS NO IDÉNTICAS/NO RELACIONADAS

TIEMPO DE MONTAJE DEPENDIENTE DE LA SECUENCIA

FUNCIÓN OBJETIVO TARDANZA/ENTREGA/COSTO

DATOS BASADOS EN PRODUCCIÓN REAL

RESTRICCIÓN DE DISPONIBILIDAD
LOTE DE TRANSFERENCIA

ENTRADA DINÁMICA

3 O MÁS ETAPAS
MALEABILIDAD

TOTAL
Autores, Año
(Naderi, Ruiz, et al., 2010) X X 2
(Omar et al., 2010) X X X 3
(Q. Pan et al., 2010) X X X 3
(M. Rocha et al., 2010) X X X 3
(Uhlig & Rose, 2010) X X 2
(Urlings et al., 2010) X X X X X 5
(Ying & Cheng, 2010) X X 2
(Zandieh et al., 2010) X X X X X 5
(Zandieh & Karimi, 2010) X X X 3
(Zhou & Lu, 2010) X 1
23 5 40 6 8 42 29 4 14
Totales

34% 7% 60% 9% 12% 63% 43% 6% 21%

Participación
Lista de tablas 115

F. Anexo: Trabajos sobre

secuenciación en ambientes Flow
Shop Híbrido Flexible en
publicaciones ciéntificas
Tabla 7-3: Publicaciones científicas de solución al problema de secuenciación en Flow
Shop Híbrido Flexible

ENTORNO REALISTA
FUNCIÓN
ALGORITMOS OBJETIVO DATOS DE PRUEBA

FUNCIÓN OBJETIVO TARDANZA/ENTREGA/COSTO

MÁQUINAS PARALELAS NO IDÉNTICAS/NO

DATOS BASADOS EN PRODUCCIÓN REAL

TIEMPO DE MONTAJE DEPENDIENTE DE

RESTRICCIÓN DE ELEGIBILIDAD
LOTE DE TRANSFERENCIA

ENTRADA DINÁMICA
COMPARADO CON

MÁQ POR ETAPA

3 O MÁS ETAPAS
RELACIONADAS
PROPUESTOS

MALEABILIDAD
MAKESPAN
TARDANZA

TRABAJOS

SECUENCIA
ETAPAS
CASOS

Autores, Año
(J. Li et al., 2015) DAB GA X 15 40- 5 4,2,5 X X X
C PSO 152 ,2,5
ABC
(Zandieh & Hashemi, 2015) GA X 27 5-12 3- 5-12 X X X X
SIM 9
(Sioud et al., 2014a) ACO ILS X 960 20- 2- 1-4 X X X X
GAR Ruiz 120 8
(Sioud et al., 2014b) ACO ILS X 960 20- 2- 1-4 X X X X
GAR Ruiz 120 8
(Sioud et al., 2014c) NSO EDD, X 160 20- 2- 1-4 X X X X X
SLACK Ruiz 120 8
, MDD,
NEH
(Naderi et al., 2014) PSO ILS X 24 6-12 2- 1-3 X
4
(Attar, Mohammadi, & BBO PBSA X 36 20- 2- 2-8 X X X
Tavakkoli-Moghaddam, 2013) ICA 100 8
(Attar, Mohammadi, PSO PARET X X 60 10- 2- 2-8 X X X X
Tavakkoli-Moghaddam, et al., O 100 8
2013) EVOL
(Sioud et al., 2013) GA ILS X 960 20- 2- 1-4 X X X X
GAR Ruiz 120 8
 116 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

ENTORNO REALISTA
FUNCIÓN
ALGORITMOS OBJETIVO DATOS DE PRUEBA

FUNCIÓN OBJETIVO TARDANZA/ENTREGA/COSTO

MÁQUINAS PARALELAS NO IDÉNTICAS/NO

DATOS BASADOS EN PRODUCCIÓN REAL

TIEMPO DE MONTAJE DEPENDIENTE DE

RESTRICCIÓN DE ELEGIBILIDAD
LOTE DE TRANSFERENCIA

ENTRADA DINÁMICA
COMPARADO CON

MÁQ POR ETAPA

3 O MÁS ETAPAS
RELACIONADAS
PROPUESTOS

MALEABILIDAD
MAKESPAN
TARDANZA

TRABAJOS

SECUENCIA
ETAPAS
CASOS
Autores, Año
(De Siqueira et al., 2013) Evolu Mejor X 96 15,50 2- 1-4 X X X X
tionar conocid Ruiz 8
y o para
cada
instanci
a
(F. Defersha & Chen, 2012) PGA SGA X 11 2-30 3- 1-5 X X X
30
(F. Defersha, 2011) CPL X 1 2 3 3,2,2 X X X X X
EX
(Yalaoui et al., 2011) PSO CGA, X 125 10 2 5 X X X
Enumer
ación
complet
a
(Karimi et al., 2010) MOG MPGA X X 30 3-12 2- 1-3 X X X
A CGA 8
(Naderi, Ruiz, et al., 2010) NEH RKGA X 960 20- 2- 1-4 X X
H IA-Z 150 8
MDD GA-R
R ILS Johnso
n
SPTCH
FTIMH
(Urlings et al., 2010) BGA, LPT X 768 5-15 2- 1-3 X X X X X
SGA, MWR Ruiz 3
SGA NEH
R, LWR
SGA MWRS
M, T RS
EGA SPT
(Zandieh et al., 2010) GA SPT X 3456 10,15 2,3 2,3 X X X X X
LPT
NEH
(Zandieh & Karimi, 2010) MPG MOGA X X 30 3-12 2- 4-12 X X X
A NSGA 8
II
(Jabbarizadeh et al., 2009) GA, SPT, X 2835 40- 2- 1-4 X X X X
SA LPT, 100 8
Johnso
n
 Autores, Año

(Ruiz et al., 2008)

(Solano Charris, 2009)
Lista de tablas

(Zandieh, Dorri, et al., 2009)

EX
GA
SA,

MIP
CPL
MHF
ACO
PROPUESTOS

TS

LPT

AST
SPT

NEH
LWR
MWR
MWR-
LEKIN
ALGORITMOS

COMPARADO CON

X
X
X
MAKESPAN
TARDANZA
FUNCIÓN
OBJETIVO

768
126
CASOS
16

5-15
3-12

TRABAJOS
3
9
2

2-
2-

ETAPAS
DATOS DE PRUEBA

1,2

1-3
4-12

MÁQ POR ETAPA

X

MÁQUINAS PARALELAS NO IDÉNTICAS/NO

RELACIONADAS
LOTE DE TRANSFERENCIA
X
X

TIEMPO DE MONTAJE DEPENDIENTE DE

SECUENCIA
MALEABILIDAD
X

ENTRADA DINÁMICA
X
X

3 O MÁS ETAPAS
ENTORNO REALISTA
117

FUNCIÓN OBJETIVO TARDANZA/ENTREGA/COSTO

DATOS BASADOS EN PRODUCCIÓN REAL

X

RESTRICCIÓN DE ELEGIBILIDAD
 118 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

G. Anexo: Máquinas en plantas para

casos de prueba
Tabla 7-4: Lista de máquinas para casos de prueba, incluye código de la máquina, etapa
a la que corresponde, tipo de máquina, tasa de producción en kilogramos por hora,
utilización en porcentaje, referencia en curso al momento de programar y fecha prevista
en la que estará disponible para un nuevo trabajo.

TASA REFERENCIA FECHA

MÁQUINA ETAPA TIPO UTILIZACIÓN
PRODUCCIÓN ACTUAL DISPONIBLE
H01 1 retorcedor 39,9 81% RY665P675 31/10/2014
H02 1 retorcedor 38,85 84% OP675X695 31/10/2014
H03 1 retorcedor 41,55 84% OP675X695 31/10/2014
H04 1 retorcedor 49,95 80% RU695Q696 31/10/2014
H05 1 retorcedor 35,25 81% VQ595O697 31/10/2014
U01 2 urdidora 115,2 82% VQ595O658 31/10/2014
U02 2 urdidora 106,65 77% RY665P675 31/10/2014
T01 3 telar 8,22 87% PP895R677 31/10/2014
T02 3 telar 6,86 72% RQ675U577 31/10/2014
T03 3 telar 7,8 72% RZ695Q685 1/11/2014
T04 3 telar 5,48 85% YP965W658 31/10/2014
T05 3 telar 7,13 81% OP675X695 31/10/2014
T06 3 telar 8,37 78% OP675T665 31/10/2014
T07 3 telar 7,16 85% PP575U695 31/10/2014
T08 3 telar 6,29 88% OP765S699 1/11/2014
T09 3 telar 8,51 82% PP895R657 31/10/2014
T10 3 telar 6,72 83% VV575O657 6/11/2014
T11 3 telar 7,13 87% VV575O657 3/11/2014
T12 3 telar 7,32 87% YP965X658 4/11/2014
T13 3 telar 6,87 77% YP965W658 4/11/2014
T14 3 telar 7,38 77% RU695Q697 3/11/2014
T15 3 telar 6,68 82% VX695T686 31/10/2014
T16 3 telar 6,68 83% VQ565O665 31/10/2014
T17 3 telar 7,08 85% VQ595O688 31/10/2014
T18 3 telar 5,21 84% PP685X695 31/10/2014
T19 3 telar 7,8 80% PP895R677 31/10/2014
T20 3 telar 7,01 76% OP675X696 31/10/2014
A01 4 acabados 255,6 69% VQ775O655 31/10/2014
Lista de tablas 119

H. Productos para los casos de

prueba
Tabla 7-5: Lista de productos usada en los casos de prueba, incluye código del producto,
máquinas elegibles para procesarlo (H=etapa 1, U=etapa 2; T= Etapa 3, A= Etapa 4) y
Unidad comercial en Kilogramos
CÓDIGO MÁQUINAS UNIDAD
OP675T665 H03 H04 U01 U02 T03 T05 T06 T07 T09 T11 T12 T14 T15 T17 A01 96,6
OP675T685 H01 H02 H03 H04 U01 U02 T03 T04 T11 T13 T14 T16 T17 T18 A01 117,5
OP675T775 H01 H02 H03 H04 H05 U01 U02 T01 T07 T10 T12 T13 T15 T18 T20 A01 96
OP675X695 H02 H03 H05 U01 U02 T01 T02 T05 T08 T09 T12 T13 T19 A01 24
OP675X696 H02 H03 H05 U01 U02 T02 T04 T05 T07 T08 T10 T11 T13 T16 T17 T20 A01 147
OP765S699 H01 H02 H03 H04 H05 U01 U02 T01 T06 T07 T08 T11 T13 T14 T17 T19 T20 A01 95,4
PP575R596 H01 H02 H03 H04 H05 U01 U02 T04 T05 T06 T08 T09 T10 T14 T15 T16 T18 T19 T20 A01 183,4
PP575R657 H01 H02 H03 H04 U01 U02 T01 T03 T04 T08 T13 T14 T15 T17 T18 T19 T20 A01 70
PP575U655 H01 H02 H03 H05 U01 U02 T01 T03 T04 T05 T07 T09 T10 T11 T12 T13 T15 T16 T18 T19 T20 A01 110,29
PP575U695 H01 H02 H05 U01 U02 T01 T04 T05 T07 T11 T13 T15 T16 T19 T20 A01 225
PP685X695 H01 H02 U01 U02 T01 T02 T05 T06 T09 T11 T13 T14 T15 T16 T17 T18 A01 105
PP865X576 H01 H02 H04 H05 U01 U02 T02 T03 T04 T05 T08 T09 T12 T15 T16 T20 A01 126
PP895R657 H01 H02 H03 H04 H05 U01 U02 T09 T10 T11 T12 T13 T15 T17 T18 T20 A01 91
PP895R677 H01 H03 H05 U01 U02 T01 T03 T04 T06 T07 T08 T09 T10 T12 T13 T16 T18 T19 A01 125
PP955R558 H01 H03 H05 U01 U02 T01 T05 T06 T08 T14 T15 T16 T17 T18 T20 A01 158,75
PP955U599 H04 H05 U01 U02 T02 T03 T05 T06 T07 T09 T10 T11 T13 T15 T16 T17 T19 T20 A01 138
PP965X695 H01 H02 H04 H05 U01 U02 T01 T02 T03 T04 T06 T10 T12 T14 T15 T16 T17 T19 A01 121,6
PP975X579 H01 H02 H03 H04 H05 U01 U02 T01 T02 T05 T07 T09 T10 T11 T13 T16 T17 A01 94,85
QQ575R598 H03 H05 U01 U02 T07 T08 T09 T10 T13 T14 T15 T20 A01 230,5
RQ675U577 H01 H02 H03 H04 H05 U01 U02 T01 T02 T03 T05 T06 T10 T12 T14 T15 T16 T18 T19 T20 A01 175
RQ695Q695 H03 H04 H05 U01 U02 T03 T04 T05 T10 T11 T12 T13 T15 T16 T18 T20 A01 192,65
RU695Q696 H01 H02 H03 H04 H05 U01 U02 T01 T06 T09 T10 T12 T17 T18 T19 T20 A01 90,4
RU695Q697 H01 H05 U01 U02 T04 T10 T11 T12 T13 T14 T16 T18 T20 A01 120,74
RV895O697 H01 H02 H05 U01 U02 T06 T07 T08 T10 T12 T13 T14 T15 T16 T17 T19 T20 A01 135,75
RY665P675 H01 H03 H04 H05 U01 U02 T01 T03 T04 T05 T06 T08 T11 T12 T13 T15 T20 A01 90
RZ655Q685 H02 H03 U01 U02 T01 T02 T04 T05 T07 T08 T09 T10 T12 T13 T14 T15 T16 T18 T19 A01 163,6
RZ695Q685 H01 H02 H03 H04 H05 U01 U02 T01 T02 T03 T04 T06 T07 T08 T09 T10 T11 T13 T15 T16 T19 T20 125
A01
ST965N657 H01 H02 H03 H05 U01 U02 T01 T02 T06 T10 T13 T14 T15 T17 A01 249,75
TT885X678 H01 H02 H03 H04 U01 U02 T04 T06 T10 T11 T12 T14 T17 T19 T20 A01 135
US965T695 H01 H02 H03 U01 U02 T02 T04 T05 T06 T07 T10 T11 T15 T16 A01 84,67
V6599O598 H01 H03 H04 H05 U01 U02 T02 T04 T05 T07 T08 T09 T10 T12 T14 T16 T17 T20 A01 85,31
V6599O678 H01 H05 U01 U02 T01 T02 T09 T10 T14 T16 T19 T20 A01 119,88
V6599O688 H02 H03 H04 H05 U01 U02 T01 T02 T05 T06 T07 T08 T10 T11 T15 T16 A01 152,3
V9578O596 H02 H03 H04 H05 U01 U02 T01 T04 T08 T10 T11 T13 T15 T17 T18 A01 143,6
VQ565O655 H01 H03 H04 U01 U02 T03 T06 T08 T09 T12 T15 T16 T19 A01 195
VQ565O665 H01 H02 H04 H05 U01 U02 T03 T04 T06 T07 T08 T10 T11 T12 T13 T14 T15 T16 T19 A01 162,5
 120 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

CÓDIGO MÁQUINAS UNIDAD

VQ565O678 H03 H04 H05 U01 U02 T04 T06 T07 T08 T09 T10 T11 T17 T18 T19 A01 148,8
VQ575O686 H01 H02 H03 H04 H05 U01 U02 T03 T06 T07 T09 T13 T16 T18 A01 145,1
VQ575O688 H01 H02 H04 H05 U01 U02 T05 T07 T08 T10 T12 T13 T14 T17 T18 T19 A01 105,1
VQ595O586 H01 H02 H04 U01 U02 T03 T04 T06 T07 T08 T09 T11 T13 T16 T18 T19 A01 133
VQ595O595 H02 H03 H04 H05 U01 U02 T01 T02 T04 T05 T07 T09 T12 T14 T17 T18 A01 133
VQ595O658 H02 H03 H04 H05 U01 U02 T01 T02 T06 T08 T09 T13 T16 T17 T19 T20 A01 144,4
VQ595O676 H01 H02 H03 H04 H05 U01 U02 T02 T03 T06 T07 T08 T09 T10 T12 T15 T16 T19 A01 126
VQ595O688 H01 H02 H03 H04 H05 U01 U02 T07 T13 T17 A01 100
VQ595O697 H02 H03 H04 H05 U01 U02 T01 T04 T09 T10 T11 T13 T16 T17 T18 A01 126
VQ665O595 H01 H02 H03 H04 H05 U01 U02 T01 T03 T04 T05 T06 T08 T11 T12 T17 T18 T20 A01 127,4
VQ665O696 H03 U01 U02 T01 T03 T04 T08 T10 T14 T18 T19 A01 125
VQ775O655 H02 H03 H04 U01 U02 T01 T02 T05 T08 T09 T10 T11 T12 T13 T16 T17 A01 120
VQ775O676 H01 H02 H04 H05 U01 U02 T02 T06 T08 T10 T13 T14 T15 T17 T20 A01 123,5
VS677X678 H01 H02 H03 H04 H05 U01 U02 T01 T02 T04 T06 T08 T11 T12 T15 T17 T18 A01 125,15
VS695X655 H01 H02 H04 H05 U01 U02 T03 T07 T09 T11 T12 T13 T14 T16 T18 A01 150
VS695X675 H02 H03 H04 H05 U01 U02 T01 T02 T05 T06 T08 T13 T17 T18 T19 T20 A01 125
VS778X685 H01 H02 H03 H04 U01 U02 T05 T06 T08 T09 T11 T14 T15 T18 T19 A01 76
VV565O695 H01 H02 H03 H04 H05 U01 U02 T02 T04 T05 T06 T08 T10 T11 T13 T14 T15 T18 T20 A01 102,4
VV575O657 H01 H02 H03 H04 H05 U01 U02 T02 T04 T06 T08 T10 T11 T12 T16 T18 A01 120
VX695T686 H01 H02 H03 H04 H05 U01 U02 T01 T04 T08 T14 T15 T16 T18 T19 A01 128
YP575W685 H01 H02 H03 H04 H05 U01 U02 T05 T06 T09 T11 T15 T19 A01 100
YP755W665 H01 H03 H05 U01 U02 T03 T10 T11 T12 T17 T18 T19 T20 A01 120
YP965W658 H01 H02 H03 H04 U01 U02 T04 T05 T06 T07 T08 T09 T10 T12 T13 T14 T16 T18 T19 T20 A01 250
YP965X658 H01 H02 H03 H04 H05 U01 U02 T02 T04 T05 T06 T09 T11 T12 T14 T19 T20 A01 250
YR758Q655 H01 H02 H04 U01 U02 T01 T03 T05 T06 T07 T08 T12 T13 T17 T20 A01 250
YR758Q696 H01 H02 H03 U01 U02 T06 T07 T08 T09 T10 T11 T14 T15 T17 T20 A01 131,04
Lista de tablas 121

I. Eficiencia y elegibilidad de máquinas

por producto y por etapa
Tabla 7-6: Eficiencia en porcentaje según elegibilidad de máquinas. Incluye referencia y
eficiencia de cada máquina cuando procesa ese producto. Casillas vacías significan que
la máquina no es elegible para ese producto. Casillas con valor cero significan que ese
producto no pasa por esa etapa.
ETAPA 1 2 3 4

MÁQUINA H01 H02 H03 H04 H05 U01 U02 T01 T02 T03 T04 T05 T06 T07 T08 T09 T10 T11 T12 T13 T14 T15 T16 T17 T18 T19 T20 A01
REFERENCIA

OP675T665 88 96 77 52 82 80 99 79 55 63 68 92 56 94 52
OP675T685 52 69 95 88 83 56 52 83 62 88 75 76 91 72 92
OP675T775 65 54 87 67 63 78 54 94 67 56 55 56 63 67 57 94
OP675X695 81 57 60 62 92 55 83 88 79 54 63 96 69 0
OP675X696 57 80 56 62 63 69 70 99 88 98 93 99 64 60 92 99 92
OP765S699 83 63 88 96 59 77 67 71 54 93 85 52 92 51 54 73 65 60
PP575R596 65 80 96 96 91 99 71 66 58 57 68 69 54 91 84 92 65 76 85 72
PP575R657 93 95 88 78 54 94 56 97 82 98 84 72 99 78 59 62 66 52
PP575U655 97 64 68 61 54 71 99 76 57 66 73 61 97 87 88 86 63 99 52 52 52 62
PP575U695 77 92 70 97 67 86 87 77 69 72 56 80 74 85 54 85
PP685X695 97 64 95 89 57 90 67 66 55 94 83 88 58 64 58 74 84
PP865X576 76 65 92 84 94 84 68 58 56 92 84 55 52 76 66 55 89
PP895R657 57 68 93 78 80 73 68 75 89 92 99 81 88 61 79 55 52
PP895R677 70 53 96 61 84 91 91 76 92 86 88 66 54 89 59 73 69 56 86
PP955R558 58 87 80 98 79 54 52 93 99 92 53 55 62 78 78 94
PP955U599 97 75 72 90 94 99 77 72 99 71 64 87 88 80 88 57 83 68 0
PP965X695 92 73 54 58 66 72 62 55 93 90 65 94 64 78 76 62 58 94 0
PP975X579 0 0 0 0 0 89 57 58 54 69 95 97 94 77 71 72 80 70
QQ575R598 77 65 58 60 87 53 86 71 95 88 66 89 58
RQ675U577 64 74 76 60 61 71 92 52 62 55 70 72 92 60 82 67 73 98 65 59 62
RQ695Q695 56 91 82 56 62 80 69 93 88 74 52 53 87 93 79 53 56
RU695Q696 0 0 0 0 0 57 95 55 95 67 90 58 52 63 87 72 63
RU695Q697 51 58 81 82 97 76 63 96 82 59 56 86 76 84
RV895O697 78 76 70 58 73 90 81 80 62 69 70 96 56 80 74 66 80 93
RY665P675 61 66 90 78 94 58 68 60 99 73 89 99 70 53 72 75 67 79
RZ655Q685 76 52 62 76 56 90 86 62 55 97 70 82 77 57 90 99 62 86 94 52
RZ695Q685 54 92 70 74 86 52 80 55 64 70 76 65 54 67 71 66 79 78 58 93 57 78 69
ST965N657 0 0 0 0 0 55 99 83 79 80 52 68 83 59 98 61
TT885X678 92 75 98 65 60 78 86 97 77 82 90 65 89 77 65 55
US965T695 63 92 99 74 93 94 56 76 56 91 86 80 60 90 0
V6599O598 0 0 0 0 0 87 80 94 85 63 81 59 56 90 75 80 90 65 70 66
V6599O678 74 79 65 55 66 68 73 77 95 95 90 94 63
V6599O688 62 68 92 87 84 62 82 74 93 99 75 88 71 69 80 53 93
 122 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

ETAPA 1 2 3 4

MÁQUINA H01 H02 H03 H04 H05 U01 U02 T01 T02 T03 T04 T05 T06 T07 T08 T09 T10 T11 T12 T13 T14 T15 T16 T17 T18 T19 T20 A01
REFERENCIA

V9578O596 76 61 76 55 56 89 82 88 54 66 76 61 92 60 68 59
VQ565O655 72 67 52 53 75 81 72 73 88 76 55 71 70 75
VQ565O665 71 72 55 89 72 68 63 65 72 92 53 97 80 91 76 99 60 69 92 56
VQ565O678 91 66 62 98 97 64 59 84 65 60 95 55 59 96 58 64
VQ575O686 72 82 98 93 58 67 65 89 86 74 94 74 79 90 89
VQ575O688 67 79 66 51 95 85 90 62 58 72 65 68 97 56 66 72 74
VQ595O586 77 60 86 52 90 96 59 84 86 67 57 59 67 98 92 96 60
VQ595O595 57 86 92 86 93 62 86 89 86 56 75 59 81 75 87 90 0
VQ595O658 77 67 98 65 82 76 98 87 92 99 79 81 63 79 95 73 80
VQ595O676 72 61 60 66 58 52 92 99 95 95 83 53 73 88 65 90 63 71 73
VQ595O688 95 73 59 91 87 77 99 93 87 98 72
VQ595O697 94 71 93 53 72 84 62 89 61
82 74 67 85 64 52 89
VQ665O595 96 96 71 57 75 83 99 75 63 92 63 78 93 57 55 56 87 55 64
VQ665O696 54 77 54 67 85 91 53 59 62 88 65 0
VQ775O655 56 71 91 68 95 74 54 67 83 84
66 64 97 66 91 85 68
VQ775O676 66 87 75 89 91 83 52 82 69 63 57 68 53 77 99 84
VS677X678 0 0 0 0 0 68 58 54 97 55 68 55 54 91 56 99 59 55
VS695X655 58 95 67 80 78 54 53 87 98 62 52 71 65 80 61 52
VS695X675 55 57 64 98 59 94 78 68 64 56 81 85 99 59 58 69 64
VS778X685 61 92 70 94 78 89 66 88 84 99 55 83 76 85 79 92
VV565O695 0 0 0 0 0 70 67 68 69 98 62 92 78 77 86 57 85 98 88 91
VV575O657 66 79 86 74 69 86 64 64 96 94 88 66 91 88 98 61 90
VX695T686 0 0 0 0 0 80 80 92 81 79 99 96 80 89 71 91
YP575W685 93 84 64 96 96 70 64 80 52 82 72 64 66 69
YP755W665 69 66 68 81 69 67 66 66 69 52 83 79 98 79
YP965W658 82 66 78 85 96 74 89 65 64 67 62 85 94 64 76 93 54 56 72 90 66
YP965X658 80 71 65 54 57 56 99 65 93 99 63 90 78 61 58 57 68 61
YR758Q655 85 77 96 55 61 76 99 88 94 84 56 63 74 81 57 62
YR758Q696 96 63 66 70 93 53 94 92 61 82 62 90 63 96 57 95
Lista de tablas 123

J. Anexo: Pedidos para casos de

prueba
Tabla 7-7: Lista de pedidos incluidos en casos de prueba, con código de pedido, nombre
del cliente, fecha de toma del pedido, plazo máximo de entrega, referencia y casos en los
que se incluye el pedido.
CASO
FECHA PLAZO CANTIDAD 1 2 3 4 5 6
PEDIDO CLIENTE PEDIDO ENTREGA REFERENCIA (Kg)
2012616 MONTAJES INDUSTRIALES 13/10/2014 21/11/2014 PP965X695 X X X X X
1216
2022317 TELAS E HILOS 4/10/2014 14/11/2014 VQ775O655 X X X
880
2023449 HERRERA Y HERRERA 10/10/2014 16/11/2014 OP675X696 X X X X X
294
2023462 KILOGRAMOS DE CALIDAD 22/10/2014 30/11/2014 PP575R596 X X X X X
366,8
2101744 NUEVA EMPRESA 3/10/2014 13/11/2014 PP895R677 X X X
250
2101792 DISTRIBUIDORA MAYORISTA 19/10/2014 14/12/2014 YP965W658 X X
500
2101793 FABRICA DE LLANTAS 18/09/2014 19/11/2014 YR758Q696 X X X X
1310,4
2101808 GRAN FABRICA DE BANDAS 9/10/2014 18/11/2014 PP685X695 X X X X
420
2101829 JAPONESA DE TEXTILES 26/09/2014 11/11/2014 VQ595O688 X X X
200
2101830 MONTAJES INDUSTRIALES 30/09/2014 11/11/2014 VQ565O665 X X X
325
2101831 KILOGRAMOS DE CALIDAD 28/09/2014 11/11/2014 VX695T686 X X X
640
2101841 JAPONESA DE TEXTILES 11/10/2014 18/11/2014 VV565O695 X X X X
512
2101851 HERRERA Y HERRERA 22/10/2014 10/12/2014 VS677X678 X X
250,3
2101852 IMPORTADORA NACIONAL 25/09/2014 9/11/2014 RU695Q697 X X
603,7
2101853 EMPAQUES DE COLOMBIA 17/09/2014 24/11/2014 YP755W665 X X X X
600
2101856 LLANTAS Y LLANTAS 13/10/2014 24/11/2014 QQ575R598 X X X X X
461
2101859 RINES Y LLANTAS 3/10/2014 19/11/2014 YP575W685 X X X X
200
2101860 COMERCIAL INDUSTRIAL 22/10/2014 24/12/2014 YP965X658 X X
500
2101875 SUMINISTROS INDUSTRIALES 17/10/2014 24/11/2014 OP675T685 X X X X
235
2101877 PRODUCTORA DE BLINDAJES 15/10/2014 22/11/2014 VS695X675 X X X X
125
2101894 OPERADORES COLOMBIANOS 26/10/2014 3/12/2014 TT885X678 X X X
1350
2101897 TELAS E HILOS 28/10/2014 6/12/2014 VQ595O586 X X
266
2101903 NUEVA EMPRESA 24/10/2014 11/12/2014 V6599O678 X X X
1198,8
2112280 DISTRIBUIDORA MAYORISTA 10/09/2014 13/11/2014 YP965W658 X X
1000
2112544 COMERCIAL INDUSTRIAL 2/09/2014 8/11/2014 YP965X658 X X
500
2112583 BODEGA PRINCIPAL 9/09/2014 7/11/2014 VV575O657 X X
600
2112587 BODEGA PRINCIPAL 29/08/2014 12/11/2014 VV575O657 X X
1000
2112590 BODEGA PRINCIPAL 5/10/2014 13/11/2014 PP895R657 X X X X
182
2112596 ALMACEN CENTRAL 5/10/2014 16/11/2014 OP765S699 X X X X
954
2112600 OPERADORES COLOMBIANOS 2/10/2014 8/11/2014 PP575U695 X X
450
2112604 UNION COMERCIAL 4/10/2014 18/11/2014 OP675T665 X X X X
966
2112616 OPERADORES COLOMBIANOS 14/10/2014 21/11/2014 V9578O596 X X X X
1436
2112619 JAPONESA DE TEXTILES 2/10/2014 28/11/2014 VQ595O688 X X X X
1200
2112620 NUEVA EMPRESA 14/10/2014 28/11/2014 V6599O598 X X X X X X
853,1
2112621 COMERCIAL INDUSTRIAL 7/10/2014 22/11/2014 RV895O697 X X X X
1357,5
 124 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

CASO
FECHA PLAZO CANTIDAD 1 2 3 4 5 6
PEDIDO CLIENTE PEDIDO ENTREGA REFERENCIA (Kg)
2112625 KILOGRAMOS DE CALIDAD 12/10/2014 23/11/2014 VQ775O676 X X X X
247
2112628 IMPORTADORA NACIONAL 10/10/2014 29/11/2014 VQ575O686 X X X X
1451
2112629 JAPONESA DE TEXTILES 23/10/2014 30/11/2014 VV565O695 X X X X X
512
2112639 RINES Y LLANTAS 14/10/2014 2/12/2014 YP575W685 X X X
1800
2112645 DISTRIBUIDORA MAYORISTA 21/10/2014 2/12/2014 ST965N657 X X
499,5
2112650 JAPONESA DE TEXTILES 22/10/2014 3/12/2014 VQ565O678 X X X
744
2112652 GRAN FABRICA DE BANDAS 21/10/2014 3/12/2014 VQ565O655 X X X
390
2112655 BODEGA PRINCIPAL 20/10/2014 26/11/2014 PP575R657 X X X X
70
2112658 EMPAQUES DE COLOMBIA 21/10/2014 16/12/2014 US965T695 X X
1693,4
2112659 QUIMICA GENERAL 21/10/2014 2/12/2014 OP675X695 X X
24
2112661 DISTRIBUIDORA MAYORISTA 24/10/2014 3/12/2014 VS695X655 X X
188
2112665 UNION COMERCIAL 18/10/2014 13/12/2014 VQ575O688 X X
2102
2112761 ALMACEN CENTRAL 9/09/2014 28/01/2015 VQ595O676 X X X
252
2112989 ALMACEN CENTRAL 18/06/2014 24/01/2015 VQ595O676 X X X
315
2123115 QUIMICA GENERAL 9/10/2014 16/11/2014 OP675X695 X X X X
105
2123168 DISTRIBUIDORA MAYORISTA 26/09/2014 9/11/2014 YP965W658 X X X
500
2123331 LLANTAS Y LLANTAS 23/10/2014 24/12/2014 YR758Q655 X X
500
2123357 PRODUCTORA DE BLINDAJES 2/10/2014 14/11/2014 RZ695Q685 X X
1000
2123358 SUMINISTROS INDUSTRIALES 3/10/2014 10/11/2014 RQ675U577 X X
350
2123359 NUEVA EMPRESA 1/10/2014 10/11/2014 PP895R677 X X
250
2123375 GRAN FABRICA DE BANDAS 21/09/2014 12/11/2014 RY665P675 X X
900
2123384 ALMACEN CENTRAL 19/07/2014 3/12/2014 VQ595O676 X X
1260
2123389 SUMINISTROS INDUSTRIALES 14/10/2014 23/11/2014 RQ675U577 X X X X X
1750
2123390 PRODUCTORA DE BLINDAJES 17/10/2014 23/11/2014 RZ695Q685 X X X X
250
2123395 HERRERA Y HERRERA 24/09/2014 10/11/2014 VQ595O658 X X
722
2123412 EMPAQUES DE COLOMBIA 7/10/2014 18/11/2014 VQ595O697 X X X X X
630
2123416 JAPONESA DE TEXTILES 17/10/2014 2/12/2014 VQ595O688 X X
600
2123417 ALMACEN CENTRAL 19/10/2014 26/11/2014 V6599O688 X X X X
304,6
2123418 RINES Y LLANTAS 17/10/2014 26/11/2014 PP955R558 X X X X X
317,5
2123419 TELAS E HILOS 10/10/2014 26/11/2014 VQ775O655 X X X X
600
2123422 RINES Y LLANTAS 28/10/2014 10/12/2014 VQ665O696 X X X X
625
2123425 FABRICA DE LLANTAS 8/10/2014 22/11/2014 VS778X685 X X X X X
760
2123426 DISTRIBUIDORA MAYORISTA 7/10/2014 22/11/2014 VS695X655 X X X X
150
2123427 QUIMICA GENERAL 16/10/2014 26/11/2014 RQ695Q695 X X X X
385,3
2123430 GRAN FABRICA DE BANDAS 10/10/2014 22/11/2014 PP685X695 X X X X
105
2123436 COMERCIAL INDUSTRIAL 21/10/2014 28/11/2014 PP955U599 X X X X
276
2123437 KILOGRAMOS DE CALIDAD 11/10/2014 26/11/2014 VX695T686 X X X X
1009
2123439 LLANTAS Y LLANTAS 29/09/2014 6/12/2014 RU695Q696 X X
1808
2123442 MONTAJES INDUSTRIALES 24/10/2014 3/12/2014 VQ595O595 X X
266
2123443 COMERCIAL INDUSTRIAL 27/10/2014 4/12/2014 PP955U599 X X
276
2123444 DISTRIBUIDORA MAYORISTA 21/10/2014 30/11/2014 YP965W658 X X X X
1000
2123447 QUIMICA GENERAL 2/10/2014 13/11/2014 OP675X695 X X X
93,33
2123449 QUIMICA GENERAL 9/10/2014 16/11/2014 OP675X695 X X X X
294
2123456 TELAS E HILOS 18/10/2014 24/11/2014 OP675T775 X X X X X
96
Lista de tablas 125

CASO
FECHA PLAZO CANTIDAD 1 2 3 4 5 6
PEDIDO CLIENTE PEDIDO ENTREGA REFERENCIA (Kg)
2123462 FABRICA DE LLANTAS 21/10/2014 30/11/2014 RZ655Q685 X X X X X
327,2
2123466 QUIMICA GENERAL 9/10/2014 20/11/2014 OP675X695 X X X X X
840
2123468 GRAN FABRICA DE BANDAS 11/10/2014 17/11/2014 RY665P675 X X X X
1135
2123470 SUMINISTROS INDUSTRIALES 28/10/2014 7/12/2014 PP865X576 X X X
252
2123475 ALMACEN CENTRAL 15/07/2014 3/01/2015 VQ595O676 X X X X
630
2123479 IMPORTADORA NACIONAL 22/10/2014 3/12/2014 VQ665O595 X X X
637
2123488 TELAS E HILOS 27/10/2014 4/12/2014 OP675T775 X X
128
2123512 QUIMICA GENERAL 27/10/2014 5/12/2014 PP975X579 X X
1897
2123514 QUIMICA GENERAL 4/10/2014 3/12/2014 OP675X695 X X X X
840
2123525 PRODUCTORA DE BLINDAJES 26/10/2014 17/12/2014 PP575U655 X X X
2205,7
Total general 89 59 40 55 30 24
 126 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

K. Anexo: Estimaciones de los

efectos de los factores y suma de los
cuadrados para cada instancia de
prueba primera etapa
Tabla 7-8: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 1 (89 trabajos) en planta 1 (5-2-20)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -363,8636036 -7,58049 1379,13252 0,682576293
B -96,64484908 -2,01343 97,2940297 0,048153892
C 87,89605781 1,831168 80,4762185 0,039830225
D -55,42925565 -1,15478 32,0041915 0,015839886
E -1,794170085 -0,03738 0,03353173 1,65959E-05
AB 77,66514176 1,618024 62,8320234 0,031097555
AC -18,20396005 -0,37925 3,45191835 0,001708464
AD 54,501219 1,135442 30,9414883 0,015313921
AE 5,629832219 0,117288 0,33015636 0,000163405
BC -7,838904968 -0,16331 0,64008782 0,0003168
BD 68,36917083 1,424358 48,6910783 0,024098754
BE 3,58454516 0,074678 0,13384338 6,62433E-05
CD 87,30555728 1,818866 79,3985451 0,039296851
CE 82,33569563 1,715327 70,6163206 0,03495025
DE 16,26691057 0,338894 2,75637895 0,001364219
ABC 23,93376724 0,49862 5,96692931 0,002953222
ABD -53,34683623 -1,11139 29,6446348 0,014672067
ABE -15,39667019 -0,32076 2,46934847 0,001222159
ACD -21,24305002 -0,44256 4,70069973 0,002326525
ACE 30,5412909 0,636277 9,71635885 0,004808933
ADE -8,335099657 -0,17365 0,72368632 0,000358175
BCD -47,98068448 -0,9996 23,9806884 0,011868801
BCE 41,11885361 0,856643 17,6120846 0,008716778
BDE 36,46514668 0,759691 13,8511138 0,006855354
CDE 13,67043117 0,284801 1,94667384 0,00096347
ABCD 13,87382716 0,289038 2,00503208 0,000992354
ABCE -43,21572053 -0,90033 19,454151 0,009628474
ABDE -29,23337721 -0,60903 8,90198274 0,004405873
ACDE -10,17101845 -0,2119 1,07760017 0,000533338
BCDE -28,61168324 -0,59608 8,52737935 0,00422047
ABCDE 30,12480329 0,6276 9,4531643 0,00467867
Lista de tablas 127

Tabla 7-9: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 1 (89 trabajos) en planta 2 (5-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -366,7585465 -7,6408 1401,16491 0,314669656
B -398,2845525 -8,29759 1652,40192 0,371091755
C 146,1677212 3,045161 222,552112 0,049980124
D -73,07188017 -1,52233 55,6197882 0,012490935
E -1,47459548 -0,03072 0,02265033 5,08675E-06
AB 196,4852992 4,093444 402,150758 0,090313881
AC -59,17163237 -1,23274 36,4716883 0,008190709
AD 51,28984668 1,068538 27,4025872 0,006153996
AE 35,77481807 0,745309 13,3316417 0,002993982
BC -94,09990174 -1,96041 92,2374115 0,020714417
BD 53,75391835 1,119873 30,0987889 0,006759501
BE 3,576003932 0,0745 0,13320629 2,99151E-05
CD 108,2402001 2,255004 122,041051 0,027407634
CE 121,0184336 2,521217 152,556888 0,034260795
DE 32,65755438 0,680366 11,1095402 0,002494949
ABC 29,33523091 0,611151 8,96412263 0,002013137
ABD -73,8490302 -1,53852 56,809159 0,01275804
ABE -38,90149654 -0,81045 15,763817 0,003540193
ACD -31,35593954 -0,65325 10,241614 0,002300033
ACE 11,44062392 0,238346 1,36341537 0,000306192
ADE 15,86703994 0,330563 2,6225308 0,000588961
BCD -83,47578955 -1,73908 72,5854942 0,016301045
BCE 16,67599865 0,347417 2,8967597 0,000650546
BDE -11,43054229 -0,23814 1,36101351 0,000305653
CDE 37,24039774 0,775842 14,4463253 0,003244315
ABCD 27,73252048 0,577761 8,01138221 0,001799174
ABCE -17,2359932 -0,35908 3,09457772 0,000694972
ABDE 9,230499652 0,192302 0,88752212 0,000199317
ACDE -33,87781531 -0,70579 11,9552747 0,002684882
BCDE 8,122033714 0,169209 0,68716075 0,000154321
ABCDE 14,13226308 0,294422 2,08042562 0,000467216
 128 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 7-10: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 1 (89 trabajos) en planta 3 (2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -175,4726216 -3,65568 320,735843 0,162261023
B -277,0212919 -5,77128 799,383293 0,404409903
C 68,06641843 1,41805 48,2608054 0,024415256
D -131,6573601 -2,74286 180,558963 0,091345208
E -65,43015325 -1,36313 44,5948433 0,022560637
AB 33,71121017 0,702317 11,8379759 0,00598886
AC -26,70016552 -0,55625 7,42602957 0,003756846
AD 50,91005216 1,060626 26,9982647 0,013658486
AE -9,361343272 -0,19503 0,91286196 0,000461819
BC -74,00398079 -1,54175 57,0478039 0,028860619
BD 81,61794802 1,700374 69,390515 0,035104826
BE 21,40911531 0,446023 4,77448144 0,002415421
CD 106,3293963 2,215196 117,770214 0,05958023
CE 64,61222589 1,346088 43,4868722 0,022000112
DE 6,063445728 0,126322 0,38297265 0,000193747
ABC 46,7644609 0,97426 22,7803625 0,011524639
ABD -39,83738968 -0,82995 16,5314335 0,008363291
ABE -35,10208875 -0,73129 12,8349649 0,006493239
ACD -12,00207527 -0,25004 1,50051886 0,000759116
ACE -14,40786007 -0,30016 2,16235866 0,001093942
ADE 12,09204833 0,251918 1,52310034 0,00077054
BCD -16,26320641 -0,33882 2,75512378 0,001393824
BCE 35,85630371 0,747006 13,3924429 0,006775269
BDE -9,159615061 -0,19083 0,87394321 0,00044213
CDE 13,51304943 0,281522 1,90210943 0,000962282
ABCD -39,84777404 -0,83016 16,5400531 0,008367652
ABCE 13,44822148 0,280171 1,88390272 0,000953071
ABDE -9,210085513 -0,19188 0,88360078 0,000447016
ACDE 13,84542002 0,288446 1,99682975 0,001010201
BCDE 13,83213437 0,288169 1,99299939 0,001008263
ABCDE -35,38340506 -0,73715 13,0415141 0,006597733
Lista de tablas 129

Tabla 7-11: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 1 (89 trabajos) en planta 4 (5-2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -435,1773532 -9,06619 1972,70134 0,37279426
B -399,1397253 -8,31541 1659,50542 0,313607581
C 164,7093367 3,431445 282,595475 0,053403913
D -17,85788532 -0,37204 3,32191737 0,000627764
E -15,19900974 -0,31665 2,40635309 0,000454744
AB 84,87728768 1,768277 75,0432705 0,014181417
AC -90,32843419 -1,88184 84,9919377 0,016061482
AD 0,836073811 0,017418 0,00728145 1,37602E-06
AE -55,09611482 -1,14784 31,6206445 0,00597556
BC -85,16792078 -1,77433 75,5580701 0,014278702
BD -2,485120551 -0,05177 0,0643315 1,21571E-05
BE 28,6439088 0,596748 8,54659908 0,001615107
CD 199,44946 4,155197 414,375907 0,078307322
CE 114,7927793 2,391516 137,264398 0,02593975
DE 10,54656313 0,21972 1,15864577 0,000218957
ABC 67,97198466 1,416083 48,1269864 0,009094871
ABD -22,91740432 -0,47745 5,47091063 0,001033874
ABE 7,034160353 0,146545 0,51541054 9,74005E-05
ACD 11,05670554 0,230348 1,27344518 0,000240651
ACE 62,84550013 1,309281 41,1412176 0,007774725
ADE -14,39188593 -0,29983 2,15756646 0,000407729
BCD -150,7583072 -3,1408 236,7507 0,044740326
BCE 50,89668441 1,060348 26,9840884 0,005099359
BDE 39,45970147 0,822077 16,2194588 0,003065097
CDE -36,71626211 -0,76492 14,0425407 0,002653711
ABCD -4,365068534 -0,09094 0,19847733 3,75076E-05
ABCE -86,19011933 -1,79563 77,3826736 0,014623509
ABDE -12,08139188 -0,2517 1,52041698 0,000287323
ACDE -31,99608096 -0,66659 10,6640541 0,002015256
BCDE 75,35283804 1,569851 59,1463563 0,011177273
ABCDE 16,77345115 0,349447 2,93071524 0,000553836
 130 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 7-12: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 2 (59 trabajos) en planta 1 (5-2-20)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -291,0444307 -6,06343 882,363132 0,835211016
B -62,99802167 -1,31246 41,3411535 0,039131946
C 60,8372924 1,267444 38,5539182 0,036493657
D -5,204168321 -0,10842 0,28211842 0,000267042
E 3,012250997 0,062755 0,09451725 8,94664E-05
AB 15,19210395 0,316502 2,4041669 0,002275692
AC -30,0135859 -0,62528 9,38349311 0,008882054
AD 7,554693824 0,157389 0,59451457 0,000562745
AE 5,983167517 0,124649 0,37289889 0,000352972
BC -24,99142382 -0,52065 6,50595067 0,006158283
BD 21,18619674 0,441379 4,67557221 0,004425717
BE 1,198180477 0,024962 0,01495455 1,41554E-05
CD 41,39553098 0,862407 17,8498957 0,016896025
CE 52,56240499 1,09505 28,7792335 0,027241316
DE 7,825063398 0,163022 0,63782935 0,000603745
ABC 12,73488576 0,26531 1,68934703 0,001599071
ABD -26,84111306 -0,55919 7,50463906 0,007103603
ABE -26,37894419 -0,54956 7,24842392 0,006861079
ACD -17,30925111 -0,36061 3,12093931 0,002954161
ACE -4,408045673 -0,09183 0,20240486 0,000191589
ADE 0,437365042 0,009112 0,00199259 1,8861E-06
BCD -20,46490706 -0,42635 4,36262938 0,004129497
BCE -14,11760155 -0,29412 2,07611118 0,001965167
BDE 3,658926433 0,076228 0,13945565 0,000132003
CDE 10,88587438 0,226789 1,23439855 0,001168434
ABCD 18,89069366 0,393556 3,71727403 0,003518629
ABCE 9,639910822 0,200831 0,96799876 0,00091627
ABDE -8,687384759 -0,18099 0,78615265 0,000744142
ACDE 0,215325769 0,004486 0,00048297 4,57161E-07
BCDE 5,025452532 0,104697 0,26307472 0,000249016
ABCDE 2,051496011 0,04274 0,04383996 4,14972E-05
Lista de tablas 131

Tabla 7-13: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 2 (59 trabajos) en planta 2 (5-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -174,7723668 -3,64109 318,181044 0,286547549
B -158,7779207 -3,30787 262,608626 0,23650013
C 61,74330705 1,286319 39,7107913 0,035762752
D 42,62194896 0,887957 18,9232347 0,017041891
E -15,86608386 -0,33054 2,62221476 0,002361515
AB 87,7397326 1,827911 80,1902154 0,07221772
AC -37,84517849 -0,78844 14,9193493 0,013436071
AD 8,305298895 0,173027 0,71852073 0,000647086
AE -10,45731472 -0,21786 1,13911907 0,001025868
BC -29,29712597 -0,61036 8,9408499 0,008051952
BD -23,99417558 -0,49988 5,99708814 0,005400859
BE 12,2405316 0,255011 1,56073556 0,001405568
CD 106,7096504 2,223118 118,614057 0,106821472
CE 16,0918637 0,335247 2,6973758 0,002429203
DE -11,25146878 -0,23441 1,31870364 0,001187598
ABC 19,5405258 0,407094 3,97741821 0,003581984
ABD -5,846783979 -0,12181 0,35609253 0,00032069
ABE 24,46990919 0,50979 6,23725475 0,005617148
ACD -58,2972349 -1,21453 35,4017458 0,031882111
ACE 24,88107391 0,518356 6,44862332 0,005807502
ADE 52,62341685 1,096321 28,8460833 0,025978212
BCD -51,68203809 -1,07671 27,8232611 0,025057078
BCE 18,81923087 0,392067 3,68920261 0,003322423
BDE 23,20945712 0,48353 5,61123854 0,00505337
CDE 8,668425698 0,180592 0,78272504 0,000704907
ABCD 30,42560152 0,633867 9,64288779 0,008684194
ABCE -10,01496456 -0,20865 1,04478662 0,000940914
ABDE -44,72550956 -0,93178 20,8372001 0,01876557
ACDE -10,75759735 -0,22412 1,20547813 0,00108563
BCDE -6,442120474 -0,13421 0,43230121 0,000389322
ABCDE -3,272157014 -0,06817 0,11153137 0,000100443
 132 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 7-14: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 2 (59 trabajos) en planta 3 (2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A 15,99835468 0,333299 2,66611825 0,007741249
B -99,49720898 -2,07286 103,121819 0,29942094
C 43,27703605 0,901605 19,5093943 0,056646801
D -0,995071373 -0,02073 0,01031424 2,99481E-05
E -19,1450554 -0,39886 3,81805361 0,011085968
AB 16,02179915 0,333787 2,673938 0,007763954
AC -14,84597547 -0,30929 2,29586446 0,006666192
AD -6,579479685 -0,13707 0,45093284 0,001309313
AE -28,01224812 -0,58359 8,17381296 0,0237332
BC -25,35734602 -0,52828 6,69786455 0,019447687
BD 14,58134894 0,303778 2,21474726 0,006430663
BE 19,31491393 0,402394 3,88610313 0,011283554
CD 48,04521903 1,000942 24,0452403 0,069816927
CE 14,58126275 0,303776 2,21472108 0,006430587
DE -7,35338442 -0,1532 0,56325273 0,001635441
ABC 23,04131034 0,480027 5,53022898 0,016057381
ABD -7,710684 -0,16064 0,61931925 0,001798234
ABE 26,2613071 0,547111 7,18391928 0,020858979
ACD -38,2170408 -0,79619 15,2139813 0,044174789
ACE 15,44579691 0,321787 2,48513169 0,007215742
ADE -23,50486622 -0,48968 5,75498683 0,01670998
BCD 6,300095854 0,131252 0,41345008 0,001200479
BCE 13,59414218 0,283211 1,92500731 0,005589385
BDE 26,16137434 0,545029 7,12934904 0,020700531
CDE 35,93374379 0,74862 13,4503536 0,039053981
ABCD 55,60354977 1,158407 32,2057786 0,093511583
ABCE -9,256319022 -0,19284 0,89249419 0,002591415
ABDE 4,058935335 0,084561 0,17161413 0,000498293
ACDE 6,366253225 0,13263 0,42217896 0,001225824
BCDE -57,26619282 -1,19305 34,1605921 0,099187511
ABCDE 6,678416104 0,139134 0,46459627 0,001348986
Lista de tablas 133

Tabla 7-15: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 2 (59 trabajos) en planta 4 (5-2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -296,2391077 -6,17165 914,14176 0,592287916
B -165,6414152 -3,45086 285,8029 0,185176536
C 26,53830383 0,552881 7,33626636 0,004753291
D -1,996473136 -0,04159 0,04151984 2,69014E-05
E -19,1929443 -0,39985 3,83717824 0,002486173
AB 47,68246284 0,993385 23,6835132 0,015344949
AC -2,423289561 -0,05049 0,06117013 3,96332E-05
AD 18,5152956 0,385735 3,57100178 0,002313712
AE 41,41562311 0,862825 17,8672275 0,011576479
BC 26,34857456 0,548929 7,23174356 0,004685569
BD 44,33815974 0,923712 20,4778376 0,013267938
BE -13,01853788 -0,27122 1,76544092 0,001143859
CD 68,52387259 1,427581 48,9116783 0,031690704
CE 46,46368507 0,967993 22,4882712 0,014570531
DE 31,37393176 0,653624 10,2533708 0,006643332
ABC -37,63243786 -0,78401 14,7520873 0,009558127
ABD -0,645705442 -0,01345 0,00434308 2,81395E-06
ABE -17,21955237 -0,35874 3,08867692 0,002001206
ACD -72,50540825 -1,51053 54,7607732 0,035480432
ACE 25,44828639 0,530173 6,7459925 0,004370843
ADE 6,328476638 0,131843 0,41718351 0,0002703
BCD -3,962028067 -0,08254 0,16351736 0,000105946
BCE 15,15743471 0,31578 2,39320653 0,001550599
BDE -18,68978661 -0,38937 3,63862629 0,002357528
CDE -5,262828509 -0,10964 0,28851421 0,000186933
ABCD -2,68030183 -0,05584 0,07483352 4,84859E-05
ABCE -17,58340332 -0,36632 3,22058409 0,002086671
ABDE -19,42818055 -0,40475 3,93181458 0,002547489
ACDE 28,23046244 0,588135 8,30165635 0,005378784
BCDE 26,87620838 0,559921 7,52427684 0,004875106
ABCDE -13,93625103 -0,29034 2,02311555 0,001310811
 134 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 7-16: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 3 (40 trabajos) en planta 1 (5-2-20)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -70,95099771 -1,47815 52,4379591 0,781916043
B -17,56006868 -0,36583 3,21204179 0,04789559
C 13,34835907 0,278091 1,85602802 0,027675716
D -2,671485933 -0,05566 0,07434205 0,001108534
E 0,226660112 0,004722 0,00053515 7,97982E-06
AB 16,62128254 0,346277 2,8777816 0,04291135
AC -6,973998241 -0,14529 0,50663179 0,007554518
AD 2,516481582 0,052427 0,06596541 0,000983627
AE 6,8008546 0,141684 0,48178774 0,007184062
BC -8,636340143 -0,17992 0,77694137 0,011585175
BD 1,073384496 0,022362 0,01200161 0,000178959
BE -1,587282401 -0,03307 0,02624443 0,000391338
CD 9,576951323 0,19952 0,9553958 0,014246155
CE 17,1917445 0,358161 3,07870915 0,045907433
DE 0,645402221 0,013446 0,004339 6,47E-05
ABC 2,416711557 0,050348 0,06083849 0,000907178
ABD -6,773313476 -0,14111 0,47789349 0,007125994
ABE 3,659327794 0,076236 0,13948625 0,002079916
ACD -5,2287977 -0,10893 0,28479506 0,004246653
ACE -4,798747283 -0,09997 0,23987474 0,003576835
ADE 0,853135666 0,017774 0,00758167 0,000113052
BCD -3,220348988 -0,06709 0,10802758 0,001610827
BCE -4,362275008 -0,09088 0,19822337 0,00295576
BDE 4,023923357 0,083832 0,16866624 0,002515026
CDE -2,58783347 -0,05391 0,06975919 0,001040197
ABCD 0,062976003 0,001312 4,1312E-05 6,16018E-07
ABCE 4,49292282 0,093603 0,21027454 0,003135458
ABDE -3,666722469 -0,07639 0,14005056 0,00208833
ACDE 5,353672405 0,111535 0,2985605 0,004451913
BCDE 2,098994027 0,043729 0,0458935 0,00068433
ABCDE -3,107044575 -0,06473 0,10055965 0,001499471
Lista de tablas 135

Tabla 7-17: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 3 (40 trabajos) en planta 2 (5-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -35,15087804 -0,73231 12,870669 0,388808018
B -19,81493678 -0,41281 4,08991375 0,123551562
C 12,4498762 0,259372 1,61457726 0,048774511
D 2,418585684 0,050387 0,06093288 0,001840712
E -0,522446948 -0,01088 0,00284324 8,58909E-05
AB 0,652900271 0,013602 0,0044404 0,000134139
AC -2,504975114 -0,05219 0,06536354 0,001974557
AD 5,614936031 0,116978 0,32841153 0,009920932
AE 10,54407988 0,219668 1,15810021 0,034984867
BC -9,515111613 -0,19823 0,94309739 0,028489881
BD 1,284324694 0,026757 0,01718219 0,000519054
BE -0,609820017 -0,0127 0,00387375 0,000117022
CD 12,61432188 0,262798 1,65751163 0,050071508
CE 11,49251726 0,239427 1,37581201 0,041561689
DE -0,692977786 -0,01444 0,00500227 0,000151113
ABC -4,97806423 -0,10371 0,2581367 0,007798011
ABD -5,575506386 -0,11616 0,32381533 0,009782086
ABE -11,05504687 -0,23031 1,27306314 0,038457764
ACD -8,258973614 -0,17206 0,71052755 0,021464215
ACE 0,429828034 0,008955 0,0019245 5,8137E-05
ADE -2,941406666 -0,06128 0,09012368 0,002722532
BCD -9,189255621 -0,19144 0,87960853 0,026571956
BCE -1,634880211 -0,03406 0,02784201 0,000841075
BDE 1,984433104 0,041342 0,04102057 0,001239184
CDE 0,265996743 0,005542 0,00073702 2,22646E-05
ABCD 1,16852481 0,024344 0,01422344 0,000429674
ABCE -5,424822814 -0,11302 0,30654899 0,00926049
ABDE -2,048399434 -0,04267 0,04370771 0,001320359
ACDE -3,576513419 -0,07451 0,13324425 0,004025155
BCDE 4,707918084 0,098082 0,23088013 0,006974622
ABCDE -4,1883735 -0,08726 0,18273409 0,005520185
 136 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 7-18: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 3 (40 trabajos) en planta 3 (2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A 29,94627335 0,623881 9,34145091 0,528707264
B -10,35578277 -0,21575 1,11710663 0,06322598
C 9,177531633 0,191199 0,87736549 0,049657115
D 5,707615886 0,118909 0,33934249 0,0192061
E 1,376602615 0,028679 0,01973995 0,001117241
AB -6,221721515 -0,12962 0,40322728 0,02282185
AC 2,381747707 0,04962 0,05909086 0,003344423
AD 6,422012746 0,133792 0,42960675 0,024314875
AE 2,600062999 0,054168 0,07042008 0,003985634
BC -0,235124844 -0,0049 0,00057587 3,25932E-05
BD 1,755242996 0,036568 0,03209248 0,00181637
BE 1,721861548 0,035872 0,03088341 0,001747939
CD 6,643881952 0,138414 0,45980383 0,026023968
CE 2,312283755 0,048173 0,05569434 0,003152187
DE 4,571511336 0,09524 0,21769496 0,012321095
ABC -1,509989365 -0,03146 0,02375071 0,001344242
ABD -0,406545498 -0,00847 0,00172166 9,74424E-05
ABE 2,936073181 0,061168 0,08979714 0,005082337
ACD -1,73007394 -0,03604 0,03117871 0,001764652
ACE -4,604553199 -0,09593 0,22085323 0,012499847
ADE -4,961314839 -0,10336 0,25640255 0,014511867
BCD 0,549841629 0,011455 0,00314923 0,00017824
BCE -4,125513061 -0,08595 0,17729019 0,010034267
BDE -1,779728737 -0,03708 0,03299411 0,0018674
CDE 6,373818478 0,132788 0,42318294 0,0239513
ABCD -1,647576293 -0,03432 0,02827612 0,001600371
ABCE 4,099898214 0,085415 0,17509547 0,00991005
ABDE -4,540298184 -0,09459 0,21473237 0,012153419
ACDE 3,46370276 0,07216 0,12497122 0,007073119
BCDE -3,338564256 -0,06955 0,11610428 0,006571268
ABCDE -1,343317283 -0,02799 0,01879689 0,001063866
Lista de tablas 137

Tabla 7-19: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 3 (40 trabajos) en planta 4 (5-2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -43,30391104 -0,90216 19,5336324 0,330405172
B -22,58171571 -0,47045 5,31181129 0,089847597
C 12,40892329 0,258519 1,60397268 0,027130687
D -7,694994426 -0,16031 0,61680145 0,010433
E -8,508524702 -0,17726 0,75411451 0,012755607
AB -2,772619431 -0,05776 0,08007728 0,001354482
AC 2,665780695 0,055537 0,07402486 0,001252107
AD 7,145301848 0,14886 0,53182644 0,008995675
AE 11,93261028 0,248596 1,48319988 0,025087854
BC 7,983391075 0,166321 0,66390139 0,011229681
BD 13,3049522 0,277187 1,84397659 0,031190277
BE 4,52571684 0,094286 0,21335534 0,003608838
CD 30,56878171 0,63685 9,73385849 0,164645117
CE 21,74971753 0,453119 4,92760638 0,083348893
DE 11,69811294 0,243711 1,42547757 0,024111499
ABC -8,127609525 -0,16933 0,68810455 0,011639069
ABD -11,42780344 -0,23808 1,36036137 0,023010079
ABE -0,063799879 -0,00133 4,24E-05 7,17187E-07
ACD 0,026017389 0,000542 7,0511E-06 1,19267E-07
ACE 2,378826809 0,049559 0,05894601 0,000997053
ADE 8,544792895 0,178017 0,76055714 0,012864582
BCD -5,76852469 -0,12018 0,34662372 0,00586303
BCE -12,15052512 -0,25314 1,5378673 0,026012536
BDE -14,30272829 -0,29797 2,13091705 0,036043783
CDE -2,760197021 -0,0575 0,07936133 0,001342372
ABCD 4,844851537 0,100934 0,24450611 0,004135743
ABCE -5,462965061 -0,11381 0,31087487 0,005258349
ABDE -9,911556666 -0,20649 1,02332245 0,017309173
ACDE 1,755113335 0,036565 0,03208774 0,000542754
BCDE 0,230822788 0,004809 0,00055499 9,3875E-06
ABCDE 1,490425662 0,031051 0,02313926 0,000391393
 138 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 7-20: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 4 (55 trabajos) en planta 1 (5-2-20)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -2,01342045 -0,04195 0,04222773 0,405406065
B -1,123284514 -0,0234 0,01314342 0,126182996
C 0,487906716 0,010165 0,00247972 0,023806463
D -0,300733615 -0,00627 0,00094209 0,009044514
E -0,277776931 -0,00579 0,00080375 0,007716381
AB 0,4596122 0,009575 0,00220045 0,021125373
AC -0,205026389 -0,00427 0,00043787 0,004203788
AD 0,187470861 0,003906 0,0003661 0,003514705
AE 0,319436123 0,006655 0,00106291 0,010204444
BC 0,17613589 0,003669 0,00032317 0,003102537
BD 0,125568006 0,002616 0,00016424 0,00157681
BE -0,319172798 -0,00665 0,00106116 0,010187627
CD 0,477511844 0,009948 0,00237518 0,022802874
CE 0,308895257 0,006435 0,00099392 0,009542096
DE 0,137443482 0,002863 0,00019678 0,001889164
ABC -0,27299976 -0,00569 0,00077634 0,007453252
ABD -0,434581092 -0,00905 0,0019673 0,018886998
ABE 0,062404538 0,0013 4,0566E-05 0,000389452
ACD -0,559267225 -0,01165 0,00325812 0,031279516
ACE -0,011847757 -0,00025 1,4622E-06 1,40376E-05
ADE 0,05367999 0,001118 3,0016E-05 0,000288168
BCD 0,317491238 0,006614 0,00105001 0,010080563
BCE -0,062915559 -0,00131 4,1233E-05 0,000395856
BDE 0,032952675 0,000687 1,1311E-05 0,000108593
CDE 0,263961989 0,005499 0,00072579 0,006967935
ABCD -0,403819994 -0,00841 0,00169865 0,016307858
ABCE 0,051354273 0,00107 2,7471E-05 0,000263739
ABDE 0,039230025 0,000817 1,6031E-05 0,000153907
ACDE 0,024442792 0,000509 6,2234E-06 5,97479E-05
BCDE -0,221050948 -0,00461 0,000509 0,004886592
ABCDE 0,453990359 0,009458 0,00214695 0,020611735
Lista de tablas 139

Tabla 7-21: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 4 (55 trabajos) en planta 2 (5-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -3,332483813 -0,06943 0,11568175 0,022529679
B -8,686927957 -0,18098 0,78606997 0,153091598
C 4,804218708 0,100088 0,24042206 0,046823563
D -2,289606621 -0,0477 0,05460728 0,010635078
E -3,543903716 -0,07383 0,13082556 0,025479021
AB 0,308503146 0,006427 0,0009914 0,00019308
AC -1,573636188 -0,03278 0,02579511 0,005023745
AD 1,286520752 0,026803 0,017241 0,003357782
AE 0,15425095 0,003214 0,00024785 4,82697E-05
BC 0,506208331 0,010546 0,00266924 0,000519849
BD 2,496592595 0,052012 0,06492682 0,012644867
BE 6,282682611 0,130889 0,41116772 0,080077251
CD 8,249035263 0,171855 0,70881857 0,138046448
CE 4,158807502 0,086642 0,18016333 0,035087834
DE 0,986211834 0,020546 0,01013139 0,001973147
ABC -0,520184286 -0,01084 0,00281866 0,000548951
ABD -3,772936112 -0,0786 0,14828174 0,028878712
ABE 0,58643902 0,012217 0,0035824 0,000697693
ACD -4,158666238 -0,08664 0,18015109 0,03508545
ACE -3,350528667 -0,0698 0,11693794 0,022774329
ADE -3,979445102 -0,08291 0,16495816 0,03212654
BCD -4,027019548 -0,0839 0,1689259 0,03289928
BCE 1,499962995 0,031249 0,02343634 0,004564361
BDE -0,29166969 -0,00608 0,00088616 0,000172584
CDE -2,17274565 -0,04527 0,04917525 0,009577159
ABCD -1,012646497 -0,0211 0,0106818 0,002080342
ABCE 3,288433893 0,068509 0,11264372 0,021938006
ABDE 1,820654365 0,03793 0,03452898 0,006724716
ACDE -2,16060361 -0,04501 0,04862717 0,009470417
BCDE 4,887018806 0,101813 0,24878076 0,048451468
ABCDE -1,159317221 -0,02415 0,01400017 0,002726613
 140 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 7-22: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 4 (55 trabajos) en planta 3 (2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A 7,173247203 0,149443 0,53599454 0,164456387
B -8,584903522 -0,17885 0,76771426 0,235553731
C 5,305188889 0,110525 0,29317739 0,089954077
D 2,46301568 0,051313 0,06319215 0,019388915
E 0,358386949 0,007466 0,00133793 0,00041051
AB -2,270165977 -0,0473 0,05368389 0,016471546
AC 0,229346964 0,004778 0,00054792 0,000168114
AD 2,230431734 0,046467 0,0518211 0,015899996
AE 1,518757865 0,031641 0,02402735 0,007372185
BC -1,98256143 -0,0413 0,04094323 0,012562395
BD -2,19401915 -0,04571 0,05014292 0,015385088
BE 1,212695046 0,025264 0,01531905 0,004700265
CD 5,435182935 0,113233 0,30772097 0,09441641
CE 2,12195543 0,044207 0,04690307 0,014391023
DE -0,323232509 -0,00673 0,00108833 0,000333925
ABC -0,118293871 -0,00246 0,00014576 4,47243E-05
ABD -2,203270956 -0,0459 0,0505667 0,015515114
ABE 1,81061142 0,037721 0,0341491 0,010477789
ACD 2,210284388 0,046048 0,05088914 0,015614046
ACE -0,181380561 -0,00378 0,0003427 0,000105148
ADE -1,912398625 -0,03984 0,03809655 0,011688963
BCD -1,187752688 -0,02474 0,01469538 0,004508906
BCE -0,578687736 -0,01206 0,00348833 0,001070305
BDE -1,973844169 -0,04112 0,04058397 0,012452165
CDE 1,308642025 0,027263 0,017839 0,005473446
ABCD -1,64833451 -0,03434 0,02830215 0,008683801
ABCE 0,054526459 0,001136 3,097E-05 9,50241E-06
ABDE 0,556009883 0,011584 0,00322028 0,000988062
ACDE -0,428645033 -0,00893 0,00191392 0,000587239
BCDE 0,035844295 0,000747 1,3383E-05 4,10638E-06
ABCDE 3,16822066 0,066005 0,10455856 0,032081155
Lista de tablas 141

Tabla 7-23: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 4 (55 trabajos) en planta 4 (5-2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -0,153868805 -0,00321 0,00024662 5,17246E-05
B -7,044276104 -0,14676 0,51689402 0,108409876
C 6,216943363 0,12952 0,40260817 0,084440332
D -5,615461869 -0,11699 0,32847304 0,068891727
E -1,392129738 -0,029 0,02018776 0,004234046
AB -2,196034497 -0,04575 0,05023508 0,010535968
AC -4,365951101 -0,09096 0,19855759 0,041644135
AD 1,660610909 0,034596 0,0287253 0,006024651
AE 3,638791595 0,075808 0,13792504 0,028927472
BC -0,947053009 -0,01973 0,00934281 0,001959497
BD 3,752168847 0,07817 0,14665387 0,030758196
BE -0,088035884 -0,00183 8,0732E-05 1,69323E-05
CD 3,7635479 0,078407 0,14754472 0,030945037
CE 8,095022105 0,168646 0,68259774 0,14316346
DE 5,840792534 0,121683 0,3553631 0,074531467
ABC -0,384608517 -0,00801 0,00154087 0,000323172
ABD -3,1477648 -0,06558 0,10321274 0,021647147
ABE -4,796631667 -0,09993 0,23966328 0,050265366
ACD 0,615680747 0,012827 0,00394857 0,000828147
ACE 2,926143927 0,060961 0,08919082 0,018706282
ADE -2,373059416 -0,04944 0,05866053 0,012303065
BCD 1,995528359 0,041574 0,04148056 0,008699853
BCE 1,218083485 0,025377 0,01545549 0,003241531
BDE 0,306066776 0,006376 0,0009758 0,000204658
CDE 2,168586111 0,045179 0,04898714 0,010274234
ABCD -5,714492829 -0,11905 0,34016071 0,071343021
ABCE -1,660691529 -0,0346 0,02872809 0,006025236
ABDE 4,353884031 0,090706 0,19746152 0,041414252
ACDE -2,014937968 -0,04198 0,04229141 0,008869915
BCDE -3,933482851 -0,08195 0,16116966 0,033802641
ABCDE 1,830297034 0,038131 0,0348957 0,00731879
 142 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 7-24: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 5 (30 trabajos) en planta 1 (5-2-20)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -164,3440661 -3,42383 281,343459 0,91756104
B -17,95200161 -0,374 3,3570246 0,010948451
C 15,98042151 0,332925 2,6601445 0,008675677
D -2,558635777 -0,0533 0,06819393 0,000222405
E 11,42924399 0,238109 1,36070436 0,004437741
AB 4,668223432 0,097255 0,22700323 0,000740338
AC -5,710219474 -0,11896 0,33965215 0,001107726
AD 0,289234656 0,006026 0,00087142 2,84202E-06
AE -14,84021455 -0,30917 2,294083 0,00748182
BC 0,046415668 0,000967 2,2442E-05 7,31907E-08
BD -2,396886876 -0,04994 0,05984444 0,000195174
BE 0,165516404 0,003448 0,00028537 9,30698E-07
CD 4,676646748 0,09743 0,22782318 0,000743012
CE 20,03113135 0,417315 4,17964816 0,013631319
DE -6,772724167 -0,1411 0,47781034 0,001558309
ABC -4,18380818 -0,08716 0,18233595 0,000594662
ABD 2,591039035 0,05398 0,06993212 0,000228073
ABE -3,110279917 -0,0648 0,10076918 0,000328644
ACD 0,83457814 0,017387 0,00725542 2,36625E-05
ACE -8,358694268 -0,17414 0,72778927 0,00237358
ADE 2,599513193 0,054157 0,0703903 0,000229568
BCD 1,437140483 0,02994 0,0215143 7,01658E-05
BCE 12,67342755 0,26403 1,67308089 0,005456512
BDE 7,837821068 0,163288 0,63991082 0,002086977
CDE -15,99823959 -0,3333 2,66607989 0,008695034
ABCD -7,093055464 -0,14777 0,52407746 0,001709203
ABCE -5,624229052 -0,11717 0,3294995 0,001074615
ABDE -8,376537996 -0,17451 0,73089988 0,002383724
ACDE 12,63528067 0,263235 1,66302414 0,005423713
BCDE 6,833005286 0,142354 0,48635376 0,001586173
ABCDE -7,109305441 -0,14811 0,5264815 0,001717043
Lista de tablas 143

Tabla 7-25: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 5 (30 trabajos) en planta 2 (5-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -97,93322648 -2,04028 99,9053838 0,481116416
B -31,97882316 -0,66623 10,6525534 0,051299721
C 36,30680503 0,756392 13,7310843 0,066125066
D -0,448728028 -0,00935 0,00209747 1,01008E-05
E 0,372170396 0,007754 0,00144282 6,94822E-06
AB 3,272372328 0,068174 0,11154605 0,000537175
AC -7,989492806 -0,16645 0,66491662 0,003202053
AD 24,6978981 0,51454 6,35402261 0,030599198
AE -6,954711003 -0,14489 0,50383339 0,002426321
BC -13,75253076 -0,28651 1,97012607 0,009487577
BD -25,12284163 -0,52339 6,57455387 0,031661215
BE 5,272528118 0,109844 0,28957867 0,00139453
CD 35,8362301 0,746588 13,377452 0,064422071
CE 11,86514658 0,247191 1,46647608 0,007062139
DE -2,474434657 -0,05155 0,06377945 0,000307144
ABC 7,507011046 0,156396 0,58703349 0,002826989
ABD 13,30493812 0,277186 1,84397269 0,008880057
ABE -11,77388513 -0,24529 1,44400386 0,006953919
ACD -18,83776455 -0,39245 3,69647264 0,017801179
ACE 14,08664006 0,293472 2,06701488 0,009954166
ADE -0,365212231 -0,00761 0,00138937 6,69084E-06
BCD -2,353533524 -0,04903 0,05769917 0,000277863
BCE -7,017581678 -0,1462 0,51298388 0,002470387
BDE -6,26503214 -0,13052 0,40886071 0,001968959
CDE 4,068079613 0,084752 0,17238825 0,000830174
ABCD 16,26661384 0,338888 2,75627839 0,013273467
ABCE -6,842293491 -0,14255 0,48767688 0,002348516
ABDE 9,592199534 0,199837 0,95844054 0,004615582
ACDE -7,099148221 -0,1479 0,52497818 0,002528148
BCDE 14,37576536 0,299495 2,15273573 0,010366974
ABCDE -26,0218211 -0,54212 7,05349139 0,033967644
 144 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 7-26: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 5 (40 trabajos) en planta 3 (2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -25,06155917 -0,52212 6,54251821 0,162242538
B -22,02851904 -0,45893 5,05474637 0,125348506
C 13,05364216 0,271951 1,77497472 0,044016141
D 1,391654784 0,028993 0,02017399 0,000500278
E 5,013022145 0,104438 0,26177491 0,006491541
AB 4,065855645 0,084705 0,17219981 0,004270242
AC -5,012028322 -0,10442 0,26167112 0,006488967
AD -0,947147513 -0,01973 0,00934467 0,000231731
AE 3,162607053 0,065888 0,10418837 0,002583682
BC -2,003670169 -0,04174 0,04181973 0,001037053
BD -2,749651669 -0,05728 0,07875609 0,001953008
BE -4,306440982 -0,08972 0,1931816 0,004790552
CD 16,69483811 0,347809 2,90330854 0,071996765
CE 7,049745727 0,14687 0,51769703 0,012837944
DE 7,789870081 0,162289 0,63210496 0,015675052
ABC -2,760027176 -0,0575 0,07935156 0,001967774
ABD 7,136662632 0,14868 0,53054118 0,013156455
ABE -3,686913932 -0,07681 0,14159723 0,003511354
ACD -4,663637998 -0,09716 0,22655749 0,005618213
ACE -0,398515699 -0,0083 0,00165432 4,10241E-05
ADE 1,956582731 0,040762 0,03987725 0,000988883
BCD 4,784375225 0,099674 0,23844007 0,005912879
BCE 6,972214142 0,145254 0,5063726 0,012557119
BDE -9,561389827 -0,1992 0,95229349 0,023615145
CDE 10,46126737 0,217943 1,13998036 0,028269437
ABCD -2,10315084 -0,04382 0,04607545 0,001142587
ABCE 1,088636245 0,02268 0,01234509 0,000306136
ABDE 8,312449081 0,173176 0,71975843 0,017848699
ACDE -5,285673082 -0,11012 0,29102437 0,007216875
BCDE -8,385042344 -0,17469 0,73238474 0,018161808
ABCDE 18,22934326 0,379778 3,46155162 0,085840177
Lista de tablas 145

Tabla 7-27: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 5 (30 trabajos) en planta 4 (5-2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -210,1603198 -4,37834 460,076667 0,66227997
B -41,52482286 -0,8651 17,961572 0,025855668
C 52,58757402 1,095574 28,8068015 0,041467366
D 45,41308095 0,946106 21,4827908 0,030924459
E -15,3537966 -0,31987 2,45561531 0,003534856
AB -2,832906365 -0,05902 0,08359748 0,000120339
AC -44,78338669 -0,93299 20,8911638 0,030072812
AD -25,11129099 -0,52315 6,56850974 0,009455364
AE 1,318926089 0,027478 0,01812048 2,60844E-05
BC 15,89695854 0,331187 2,63243011 0,003789381
BD -10,65810017 -0,22204 1,18328228 0,001703334
BE 8,260342658 0,17209 0,71076313 0,001023143
CD 47,38333964 0,987153 23,3873008 0,033666
CE 28,26421281 0,588838 8,32151797 0,011978818
DE 2,945214805 0,061359 0,09035719 0,000130069
ABC -21,55724999 -0,44911 4,84078153 0,006968301
ABD 12,90445103 0,268843 1,73463392 0,002497004
ABE -2,764105414 -0,05759 0,07958624 0,000114564
ACD -52,53874135 -1,09456 28,7533265 0,041390389
ACE -10,31812159 -0,21496 1,10899618 0,001596399
ADE 0,116417634 0,002425 0,00014118 2,03225E-07
BCD -1,821066179 -0,03794 0,0345446 4,97269E-05
BCE -4,376083979 -0,09117 0,19948032 0,000287152
BDE -2,430999817 -0,05065 0,06156 8,86156E-05
CDE 35,30917308 0,735608 12,9868511 0,018694561
ABCD 23,92848366 0,49851 5,96429511 0,008585598
ABCE 12,40693759 0,258478 1,60345938 0,002308178
ABDE 3,540407355 0,073758 0,13056754 0,000187952
ACDE -7,393623288 -0,15403 0,56943401 0,0008197
BCDE -29,91688549 -0,62327 9,32312539 0,013420631
ABCDE 12,90917279 0,268941 1,73590356 0,002498832
 146 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 7-28: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 6 (24 trabajos) en planta 1 (5-2-20)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A -0,530128871 -0,01104 0,00292746 0,047210924
B -1,171003934 -0,0244 0,01428386 0,230354283
C 0,910071505 0,01896 0,0086274 0,13913315
D 0,29617625 0,00617 0,00091375 0,014736015
E 0,047301381 0,000985 2,3306E-05 0,000375861
AB -0,039268218 -0,00082 1,6062E-05 0,000259037
AC 0,009305435 0,000194 9,0199E-07 1,45463E-05
AD -0,129143562 -0,00269 0,00017373 0,002801722
AE -0,136615524 -0,00285 0,00019441 0,003135304
BC -0,779221309 -0,01623 0,00632485 0,102000247
BD 0,086596375 0,001804 7,8114E-05 0,001259734
BE -0,073188761 -0,00152 5,5798E-05 0,000899846
CD 0,242119008 0,005044 0,00061064 0,009847758
CE 0,407697963 0,008494 0,00173143 0,027922652
DE 0,068858353 0,001435 4,939E-05 0,000796513
ABC -0,179568705 -0,00374 0,00033588 0,005416776
ABD -0,752454315 -0,01568 0,00589779 0,095112995
ABE 0,121939744 0,00254 0,00015489 0,002497872
ACD 0,004141064 8,63E-05 1,7863E-07 2,88074E-06
ACE -0,082754922 -0,00172 7,1337E-05 0,001150449
ADE -0,492813421 -0,01027 0,00252984 0,040798541
BCD -0,272063956 -0,00567 0,00077103 0,012434307
BCE -0,172883704 -0,0036 0,00031134 0,005020971
BDE -0,315010423 -0,00656 0,00103366 0,016669763
CDE 0,21377122 0,004454 0,00047602 0,007676762
ABCD -0,313469837 -0,00653 0,00102358 0,016507112
ABCE 0,194843894 0,004059 0,00039546 0,00637754
ABDE 0,558846817 0,011643 0,00325323 0,052464453
ACDE -0,098186143 -0,00205 0,00010042 0,001619496
BCDE -0,223316162 -0,00465 0,00051948 0,008377605
ABCDE 0,544699941 0,011348 0,0030906 0,04984186
Lista de tablas 147

Tabla 7-29: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 6 (24 trabajos) en planta 2 (5-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A 3,084318887 0,064257 0,09909399 0,192357938
B -2,41937406 -0,0504 0,06097261 0,118357997
C 1,767640068 0,036826 0,03254741 0,063179945
D 0,624757045 0,013016 0,00406585 0,007892487
E -0,278354636 -0,0058 0,0008071 0,00156671
AB -1,024929106 -0,02135 0,0109425 0,021241208
AC 0,723625264 0,015076 0,00545452 0,010588124
AD 0,705459264 0,014697 0,00518409 0,010063185
AE 0,273214831 0,005692 0,00077757 0,001509385
BC -1,535478115 -0,03199 0,0245593 0,047673696
BD -0,532602318 -0,0111 0,00295485 0,005735848
BE -0,052074753 -0,00108 2,8248E-05 5,48335E-05
CD 1,714083498 0,03571 0,03060502 0,059409447
CE -0,020115512 -0,00042 4,2149E-06 8,18189E-06
DE 0,416530055 0,008678 0,00180726 0,003508199
ABC -1,075199767 -0,0224 0,01204223 0,023375983
ABD -1,096501056 -0,02284 0,01252411 0,024311383
ABE -0,165467437 -0,00345 0,0002852 0,000553626
ACD 1,258103381 0,02621 0,01648775 0,032005471
ACE -0,162300472 -0,00338 0,00027439 0,000532637
ADE -0,84374423 -0,01758 0,00741567 0,014395051
BCD -0,867108902 -0,01806 0,00783206 0,015203335
BCE 0,219458454 0,004572 0,00050169 0,000973859
BDE -0,264156669 -0,0055 0,00072686 0,00141096
CDE 0,019885721 0,000414 4,1192E-06 7,99603E-06
ABCD -1,042847392 -0,02173 0,01132844 0,021990398
ABCE 0,478501913 0,009969 0,00238504 0,004629765
ABDE 1,02704038 0,021397 0,01098762 0,021328809
ACDE -0,727728138 -0,01516 0,00551654 0,010708531
BCDE -0,195521359 -0,00407 0,00039821 0,000773001
ABCDE 0,467904 0,009748 0,00228056 0,004426955
 148 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Tabla 7-30: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 6 (24 trabajos) en planta 3 (2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A 4,866215163 0,101379 0,24666719 0,581158221
B -2,174448915 -0,0453 0,04925238 0,116040659
C 0,845830498 0,017621 0,00745239 0,017558138
D -0,049754248 -0,00104 2,5786E-05 6,07536E-05
E -0,482195292 -0,01005 0,002422 0,005706341
AB -1,650244025 -0,03438 0,02836776 0,06683564
AC 0,641103612 0,013356 0,00428139 0,010087144
AD -0,320086994 -0,00667 0,00106725 0,002514478
AE -0,376109523 -0,00784 0,00147352 0,003471686
BC -0,773165657 -0,01611 0,00622693 0,014670904
BD 0,237126467 0,00494 0,00058572 0,001379977
BE 0,443363277 0,009237 0,00204761 0,004824266
CD 0,052062867 0,001085 2,8235E-05 6,65224E-05
CE -0,606433193 -0,01263 0,00383085 0,009025634
DE -0,323818155 -0,00675 0,00109227 0,002573441
ABC -0,561189187 -0,01169 0,00328056 0,007729125
ABD -0,012316824 -0,00026 1,5803E-06 3,72314E-06
ABE 0,348796446 0,007267 0,00126728 0,002985767
ACD -0,1027346 -0,00214 0,00010994 0,000259027
ACE -0,47605602 -0,00992 0,00236072 0,00556196
ADE -0,347595203 -0,00724 0,00125857 0,002965236
BCD -0,057176345 -0,00119 3,4053E-05 8,02314E-05
BCE 0,169454912 0,00353 0,00029911 0,000704726
BDE 0,388660233 0,008097 0,00157351 0,003707251
CDE -0,443037861 -0,00923 0,00204461 0,004817186
ABCD 0,083077408 0,001731 7,1894E-05 0,000169386
ABCE 0,285418917 0,005946 0,00084858 0,001999297
ABDE 0,408882598 0,008518 0,00174151 0,004103071
ACDE -0,6362878 -0,01326 0,00421731 0,009936169
BCDE -0,06105393 -0,00127 3,8829E-05 9,14827E-05
ABCDE 0,131907963 0,002748 0,00018125 0,000427025
Lista de tablas 149

Tabla 7-31: Estimaciones de los efectos de los factores y suma de los cuadrados del
diseño factorial del caso 6 (24 trabajos) en planta 4 (5-2-20-1)

Término Estimación Suma de

del modelo Contrastes del efecto cuadrados Contribución
A 3,997645038 0,083284 0,16647048 0,229726425
B -3,669225171 -0,07644 0,14024181 0,193531304
C 1,760836764 0,036684 0,03229736 0,0445698
D -0,117011904 -0,00244 0,00014262 0,000196817
E -0,251254661 -0,00523 0,00065759 0,000907467
AB -0,817193141 -0,01702 0,0069563 0,009599573
AC 0,712432842 0,014842 0,00528709 0,007296093
AD 0,076293551 0,001589 6,0632E-05 8,36716E-05
AE 0,248447815 0,005176 0,00064298 0,000887305
BC -1,577657718 -0,03287 0,02592712 0,035778989
BD -0,959303347 -0,01999 0,00958607 0,013228616
BE -0,363689281 -0,00758 0,00137781 0,001901356
CD 0,845303985 0,01761 0,00744311 0,010271369
CE 0,922062512 0,01921 0,00885624 0,012221464
DE 0,75894562 0,015811 0,00599998 0,008279876
ABC 0,31984374 0,006663 0,00106563 0,001470545
ABD 0,18930088 0,003944 0,00037328 0,000515119
ABE -0,02644995 -0,00055 7,2875E-06 1,00566E-05
ACD 0,189077607 0,003939 0,0003724 0,000513905
ACE -1,41882034 -0,02956 0,02096928 0,028937253
ADE 1,048931834 0,021853 0,01146102 0,015816013
BCD 0,738824089 0,015392 0,00568605 0,007846656
BCE 0,853524868 0,017782 0,00758859 0,010472126
BDE -0,071621556 -0,00149 5,3434E-05 7,37378E-05
CDE -0,482412727 -0,01005 0,00242419 0,003345338
ABCD -0,624255388 -0,01301 0,00405932 0,005601793
ABCE 0,99537489 0,020737 0,01032053 0,01424216
ABDE -1,624316541 -0,03384 0,02748338 0,037926593
ACDE 1,263589266 0,026325 0,01663185 0,022951673
BCDE -0,717094426 -0,01494 0,0053565 0,007391885
ABCDE -1,344018864 -0,028 0,01881653 0,025966489
 150 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

L. Anexo: Ejemplo de secuencia generada

por el algoritmo ABDE
Tabla 7-32: Programación detallada caso 5 (30 trabajos) en planta 1 (5-2-20-1) obtenida
con el algoritmo ABDE.
PLAZO TIEMPO
TRABAJO REFERENCIA ET MÁQUNIA ENTREGA PROCESO ORDEN KGS INICIO FIN
2012616 PP965X695 1 H01 21/11/2014 40,8967 3 1216 4/11/2014 13:41 6/11/2014 8:34
2012616 PP965X695 2 U01 21/11/2014 19,504 9 1216 8/11/2014 8:17 9/11/2014 6:47
2012616 PP965X695 3 T03 21/11/2014 93,12868 4 486 30/11/2014 3:54 4/12/2014 7:02
2012616 PP965X695 3 T06 21/11/2014 191,0332 3 486 4/12/2014 6:59 12/12/2014 12:01
2012616 PP965X695 3 T14 21/11/2014 274,3417 1 243 9/11/2014 6:47 20/11/2014 23:07
2101793 YR758Q696 1 H01 19/11/2014 42,2352 1 1310 31/10/2014 9:36 2/11/2014 5:50
2101793 YR758Q696 2 U02 19/11/2014 17,1581 2 1310 2/11/2014 5:50 3/11/2014 1:59
2101793 YR758Q696 3 T10 19/11/2014 286,5119 1 1310 3/11/2014 1:59 15/11/2014 6:30
2101793 YR758Q696 4 A01 19/11/2014 7,8211 4 1310 15/11/2014 6:30 15/11/2014 14:49
2101894 TT885X678 1 H03 3/12/2014 39,4691 1 1350 31/10/2014 12:00 2/11/2014 5:28
2101894 TT885X678 2 U02 3/12/2014 21,076 8 1350 9/11/2014 22:43 10/11/2014 22:48
2101894 TT885X678 3 T19 3/12/2014 280,969 3 1350 17/11/2014 20:11 29/11/2014 19:09
2101894 TT885X678 4 A01 3/12/2014 13,9175 12 1350 1/12/2014 2:07 1/12/2014 16:32
2101903 V6599O678 1 H01 11/12/2014 50,1253 4 1198 6/11/2014 8:34 8/11/2014 12:42
2101903 V6599O678 2 U01 11/12/2014 19,5239 12 1198 15/11/2014 8:51 16/11/2014 7:23
2101903 V6599O678 3 T09 11/12/2014 235,3317 3 1198 29/11/2014 17:44 9/12/2014 19:04
2101903 V6599O678 4 A01 11/12/2014 10,7894 21 1198 9/12/2014 19:04 10/12/2014 6:21
2112596 OP765S699 1 H04 16/11/2014 24,8686 1 954 31/10/2014 9:36 1/11/2014 12:28
2112596 OP765S699 2 U01 16/11/2014 13,1157 2 954 1/11/2014 12:28 2/11/2014 4:35
2112596 OP765S699 3 T19 16/11/2014 209,431 1 954 2/11/2014 4:35 11/11/2014 4:00
2112596 OP765S699 4 A01 16/11/2014 9,0154 2 954 11/11/2014 4:00 11/11/2014 13:31
2112604 OP675T665 1 H04 18/11/2014 25,1814 2 966 1/11/2014 12:28 2/11/2014 15:39
2112604 OP675T665 2 U01 18/11/2014 13,2807 3 966 2/11/2014 15:39 3/11/2014 7:55
2112604 OP675T665 3 T03 18/11/2014 209,7665 1 966 3/11/2014 7:55 12/11/2014 7:41
2112604 OP675T665 4 A01 18/11/2014 10,5333 3 966 12/11/2014 7:41 12/11/2014 18:43
2112616 V9578O596 1 H04 21/11/2014 47,2841 8 1436 9/11/2014 3:03 11/11/2014 4:20
2112616 V9578O596 2 U02 21/11/2014 19,6478 10 1436 12/11/2014 0:26 12/11/2014 23:05
2112616 V9578O596 3 T01 21/11/2014 244,8779 1 1436 12/11/2014 23:05 23/11/2014 9:58
2112616 V9578O596 4 A01 21/11/2014 13,8004 15 1436 3/12/2014 14:42 4/12/2014 4:42
2112619 VQ595O688 1 H04 28/11/2014 33 6 1200 5/11/2014 16:16 7/11/2014 3:16
2112619 VQ595O688 2 U02 28/11/2014 14,7603 5 1200 7/11/2014 3:16 7/11/2014 21:02
2112619 VQ595O688 3 T17 28/11/2014 203,4712 1 1200 7/11/2014 21:02 16/11/2014 9:30
2112619 VQ595O688 4 A01 28/11/2014 9,4502 9 1200 29/11/2014 18:36 30/11/2014 4:33
2112620 V6599O598 2 U01 28/11/2014 10,3804 6 853 6/11/2014 6:18 6/11/2014 19:41
2112620 V6599O598 3 T16 28/11/2014 17,09633 4 85 29/11/2014 9:31 30/11/2014 8:36
2112620 V6599O598 3 T02 28/11/2014 183,745 3 767 19/11/2014 13:53 27/11/2014 11:38
Lista de tablas 151

PLAZO TIEMPO
TRABAJO REFERENCIA ET MÁQUNIA ENTREGA PROCESO ORDEN KGS INICIO FIN
2112620 V6599O598 4 A01 28/11/2014 7,329 10 853 30/11/2014 8:36 30/11/2014 16:08
2112621 RV895O697 1 H01 22/11/2014 53,8502 2 1357 2/11/2014 5:50 4/11/2014 13:41
2112621 RV895O697 2 U02 22/11/2014 22,6446 9 1357 10/11/2014 22:48 12/11/2014 0:26
2112621 RV895O697 3 T19 22/11/2014 32,96183 5 135 1/12/2014 15:16 3/12/2014 6:13
2112621 RV895O697 3 T10 22/11/2014 261,70347 3 814 21/11/2014 8:54 2/12/2014 12:37
2112621 RV895O697 3 T06 22/11/2014 231,0347 1 407 12/11/2014 0:26 21/11/2014 21:29
2112621 RV895O697 4 A01 22/11/2014 8,2765 14 1357 3/12/2014 6:13 3/12/2014 14:42
2112628 VQ575O686 1 H04 29/11/2014 39,0444 10 1451 12/11/2014 13:53 14/11/2014 6:56
2112628 VQ575O686 2 U01 29/11/2014 22,9259 11 1451 14/11/2014 6:56 15/11/2014 8:51
2112628 VQ575O686 3 T09 29/11/2014 221,2056 2 1451 20/11/2014 6:32 29/11/2014 17:44
2112628 VQ575O686 4 A01 29/11/2014 9,2442 19 1451 5/12/2014 21:59 6/12/2014 7:44
2112639 YP575W685 1 H04 2/12/2014 46,9219 12 1800 17/11/2014 14:38 19/11/2014 14:33
2112639 YP575W685 2 U01 2/12/2014 27,2213 14 1800 19/11/2014 14:33 20/11/2014 20:47
2112639 YP575W685 3 T09 2/12/2014 69,904111 4 400 9/12/2014 19:04 12/12/2014 22:58
2112639 YP575W685 3 T11 2/12/2014 403,0243 1 1400 20/11/2014 20:47 7/12/2014 21:48
2112639 YP575W685 4 A01 2/12/2014 14,7915 23 1800 12/12/2014 22:58 13/12/2014 14:16
2112650 VQ565O678 1 H03 3/12/2014 23,4251 2 744 2/11/2014 5:28 3/11/2014 6:53
2112650 VQ565O678 2 U01 3/12/2014 8,0368 7 744 6/11/2014 19:41 7/11/2014 6:43
2112650 VQ565O678 3 T19 3/12/2014 41,11406 4 148 29/11/2014 19:09 1/12/2014 15:16
2112650 VQ565O678 3 T10 3/12/2014 140,4113 2 595 15/11/2014 6:30 21/11/2014 8:54
2112650 VQ565O678 4 A01 3/12/2014 6,5915 13 744 1/12/2014 16:32 1/12/2014 23:38
2112658 US965T695 1 H03 16/12/2014 49,0088 4 1693 6/11/2014 2:52 8/11/2014 5:52
2112658 US965T695 2 U02 16/12/2014 22,173 13 1693 15/11/2014 3:26 16/11/2014 4:36
2112658 US965T695 3 T02 16/12/2014 18,23665 5 84 3/12/2014 15:53 4/12/2014 16:07
2112658 US965T695 3 T05 16/12/2014 40,611389 3 169 11/12/2014 19:17 13/12/2014 17:54
2112658 US965T695 3 T04 16/12/2014 649,1903 1 1439 16/11/2014 4:36 13/12/2014 11:47
2112665 VQ575O688 1 H04 13/12/2014 79,7009 11 2102 14/11/2014 6:56 17/11/2014 14:38
2112665 VQ575O688 2 U01 13/12/2014 23,423 13 2102 17/11/2014 14:38 18/11/2014 17:03
2112665 VQ575O688 3 T14 13/12/2014 57,201195 3 315 6/12/2014 20:41 9/12/2014 11:53
2112665 VQ575O688 3 T05 13/12/2014 404,4042 2 1786 24/11/2014 16:53 11/12/2014 19:17
2112665 VQ575O688 4 A01 13/12/2014 16,1061 22 2102 11/12/2014 19:17 12/12/2014 11:36
2123384 VQ595O676 1 H04 3/12/2014 47,775 7 1260 7/11/2014 3:16 9/11/2014 3:03
2123384 VQ595O676 2 U02 3/12/2014 16,6775 7 1260 9/11/2014 3:03 9/11/2014 22:43
2123384 VQ595O676 3 T03 3/12/2014 236,1673 3 1260 20/11/2014 1:44 30/11/2014 3:54
2123384 VQ595O676 4 A01 3/12/2014 9,7867 11 1260 30/11/2014 16:08 1/12/2014 2:07
2123389 RQ675U577 1 H03 23/11/2014 65,9742 3 1750 3/11/2014 6:53 6/11/2014 2:52
2123389 RQ675U577 2 U02 23/11/2014 23,1632 12 1750 14/11/2014 1:16 15/11/2014 3:26
2123389 RQ675U577 3 T14 23/11/2014 375,5581 2 1750 20/11/2014 23:07 6/12/2014 20:41
2123389 RQ675U577 4 A01 23/11/2014 16,0043 20 1750 6/12/2014 20:41 7/12/2014 13:11
2123412 VQ595O697 1 H04 18/11/2014 16,9524 4 630 3/11/2014 13:52 4/11/2014 8:50
2123412 VQ595O697 2 U02 18/11/2014 9,1329 3 630 4/11/2014 8:50 4/11/2014 20:58
2123412 VQ595O697 3 T16 18/11/2014 133,6802 2 630 9/11/2014 9:50 15/11/2014 5:30
2123412 VQ595O697 4 A01 18/11/2014 4,0137 6 630 18/11/2014 1:22 18/11/2014 5:53
2123422 VQ665O696 1 H03 10/12/2014 33,1616 5 625 8/11/2014 5:52 9/11/2014 17:02
2123422 VQ665O696 2 U01 10/12/2014 8,5926 15 625 20/11/2014 20:47 21/11/2014 8:22
 152 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

PLAZO TIEMPO
TRABAJO REFERENCIA ET MÁQUNIA ENTREGA PROCESO ORDEN KGS INICIO FIN
2123422 VQ665O696 3 T01 10/12/2014 130,441 3 625 6/12/2014 15:31 12/12/2014 7:57
2123425 VS778X685 1 H04 22/11/2014 20,233 3 760 2/11/2014 15:39 3/11/2014 13:52
2123425 VS778X685 2 U01 22/11/2014 10,3146 4 760 3/11/2014 13:52 4/11/2014 3:11
2123425 VS778X685 3 T19 22/11/2014 154,1707 2 760 11/11/2014 4:00 17/11/2014 20:11
2123425 VS778X685 4 A01 22/11/2014 4,684 5 760 17/11/2014 20:11 18/11/2014 1:22
2123437 VX695T686 2 U01 26/11/2014 13,3516 1 1009 30/10/2014 0:00 30/10/2014 16:21
2123437 VX695T686 3 T16 26/11/2014 227,4818 1 1009 30/10/2014 16:21 9/11/2014 9:50
2123437 VX695T686 4 A01 26/11/2014 6,2869 1 1009 9/11/2014 9:50 9/11/2014 16:37
2123439 RU695Q696 2 U02 6/12/2014 23,1752 11 1808 12/11/2014 23:05 14/11/2014 1:16
2123439 RU695Q696 3 T06 6/12/2014 291,5109 2 1808 21/11/2014 21:29 4/12/2014 6:59
2123439 RU695Q696 4 A01 6/12/2014 16,2723 17 1808 4/12/2014 20:34 5/12/2014 13:20
2123444 YP965W658 1 H04 30/11/2014 29,4412 5 1000 4/11/2014 8:50 5/11/2014 16:16
2123444 YP965W658 2 U01 30/11/2014 11,0271 5 1000 5/11/2014 16:16 6/11/2014 6:18
2123444 YP965W658 3 T16 30/11/2014 334,004 3 1000 15/11/2014 5:30 29/11/2014 9:31
2123444 YP965W658 4 A01 30/11/2014 8,591 8 1000 29/11/2014 9:31 29/11/2014 18:36
2123466 OP675X695 1 H02 20/11/2014 31,7778 3 840 2/11/2014 13:18 3/11/2014 23:05
2123466 OP675X695 2 U02 20/11/2014 11,1183 6 840 7/11/2014 21:02 8/11/2014 11:09
2123466 OP675X695 3 T02 20/11/2014 204,9012 2 840 10/11/2014 23:59 19/11/2014 13:53
2123468 RY665P675 1 H04 17/11/2014 31,5593 9 1135 11/11/2014 4:20 12/11/2014 13:53
2123468 RY665P675 2 U01 17/11/2014 12,7821 10 1135 12/11/2014 13:53 13/11/2014 5:40
2123468 RY665P675 3 T05 17/11/2014 269,2145 1 1135 13/11/2014 5:40 24/11/2014 16:53
2123468 RY665P675 4 A01 17/11/2014 8,1463 18 1135 5/12/2014 13:20 5/12/2014 21:59
2123475 VQ595O676 1 H04 3/01/2015 23,8875 13 630 19/11/2014 14:33 20/11/2014 16:26
2123475 VQ595O676 2 U02 3/01/2015 8,3388 15 630 20/11/2014 16:26 21/11/2014 3:47
2123475 VQ595O676 3 T07 3/01/2015 124,7184 1 630 21/11/2014 3:47 26/11/2014 14:30
2123475 VQ595O676 4 A01 3/01/2015 4,8934 25 630 14/12/2014 10:56 14/12/2014 16:20
2123479 VQ665O595 1 H02 3/12/2014 20,3328 2 637 1/11/2014 14:58 2/11/2014 13:18
2123479 VQ665O595 2 U02 3/12/2014 7,8352 4 637 4/11/2014 20:58 5/11/2014 7:48
2123479 VQ665O595 3 T03 3/12/2014 180,0412 2 637 12/11/2014 7:41 20/11/2014 1:44
2123479 VQ665O595 4 A01 3/12/2014 5,6435 7 637 20/11/2014 1:44 20/11/2014 7:34
2123512 PP975X579 2 U01 5/12/2014 22,5637 8 1897 7/11/2014 6:43 8/11/2014 8:17
2123512 PP975X579 3 T02 5/12/2014 142,24826 4 379 27/11/2014 11:38 3/12/2014 15:53
2123512 PP975X579 3 T10 5/12/2014 22,613725 4 94 2/12/2014 12:37 3/12/2014 17:14
2123512 PP975X579 3 T09 5/12/2014 280,2542 1 1422 8/11/2014 8:17 20/11/2014 6:32
2123512 PP975X579 4 A01 5/12/2014 15,3659 16 1897 4/12/2014 4:42 4/12/2014 20:34
2123514 OP675X695 1 H02 3/12/2014 31,7778 1 840 31/10/2014 7:12 1/11/2014 14:58
2123514 OP675X695 2 U02 3/12/2014 11,1183 1 840 1/11/2014 14:58 2/11/2014 5:05
2123514 OP675X695 3 T02 3/12/2014 204,9012 1 840 2/11/2014 5:05 10/11/2014 23:59
2123525 PP575U655 1 H01 17/12/2014 70,3585 5 2205 8/11/2014 12:42 11/11/2014 13:03
2123525 PP575U655 2 U02 17/12/2014 37,83 14 2205 16/11/2014 4:36 17/11/2014 21:26
2123525 PP575U655 3 T01 17/12/2014 311,5446 2 2205 23/11/2014 9:58 6/12/2014 15:31
2123525 PP575U655 4 A01 17/12/2014 20,1718 24 2205 13/12/2014 14:16 14/12/2014 10:56
Bibliografía 153

Bibliografía

Aguilar Sánchez, A., & Sánchez Castelló, J. M. (2009). Estudio para la implantación de
un ERP en una empresa textil.
Alarcón Valero, F., García Sabater, J. P., Ortiz Bas, A., & Alemany Díaz, M. del M.
(2001). Modelo de programación/secuenciación de producción para un sistema de
taller de flujo con diferentes requerimientos según etapas. In IV Congreso de
Ingeniería de Organización.
Aldowaisan, T. (2001). A new heuristic and dominance relations for no-wait flowshops
with setups. Computers & Operations Research, 28(6), 563–584.
Al-Khayyal, F., Griffin, P. M., & Smith, N. R. (2001). Solution of a large-scale two-stage
decision and scheduling problem using decomposition. European Journal of
Operational Research, 132(2), 453–465.
Allahverdi, A., Gupta, J. N. ., & Aldowaisan, T. (1999). A review of scheduling research
involving setup considerations. Omega, 27(2), 219–239. doi:10.1016/S0305-
0483(98)00042-5
Allahverdi, A., Ng, C. T., Cheng, T. C. E., & Kovalyov, M. Y. (2008). A survey of
scheduling problems with setup times or costs. European Journal of Operational
Research, 187(3), 985–1032. doi:10.1016/j.ejor.2006.06.060
Allaoui, H., & Artiba, A. (2004). Integrating simulation and optimization to schedule a
hybrid flow shop with maintenance constraints. Computers & Industrial Engineering,
47(4), 431–450. doi:10.1016/j.cie.2004.09.002
Allaoui, H., & Artiba, A. (2006). Scheduling two-stage hybrid flow shop with availability
constraints. Computers & Operations Research, 33(5), 1399–1419.
doi:10.1016/j.cor.2004.09.034
Allaoui, H., Lamouri, S., & Lebbar, M. (2006). A robustness framework for a stochastic
hybrild flow shop to minimize the makespan. In Service Systems and Service
Management, 2006 International Conference on (Vol. 2, pp. 1097–1102). IEEE.
Álvarez Martínez, D., Ocampo, T., Mirledy, E., & Gallego Rendón, R. A. (2009). A
Computational Study Solving the Flow Shop Problem with Annealing-Based
Heuristics. Ingeniería Y Desarrollo, (25), 154–179.
Amin-Naseri, M. R., & Beheshti-Nia, M. A. (2009). Hybrid flow shop scheduling with
parallel batching. International Journal of Production Economics, 117(1), 185–196.
 154 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

doi:10.1016/j.ijpe.2008.10.009
Andrés, C., Gomez, P., & Garcia-Sabater, J. P. (2006). Comparing dispatching rules in
dynamic hybrid flow shops. In Emerging Technologies and Factory Automation,
2006. ETFA’06. IEEE Conference on (pp. 233–239). IEEE.
Ang, A. T. H., Iyer, A., & Qi, C. (2009). Criteria selection and analysis for single machine
dynamic on-line scheduling with multiple objectives and sequence-dependent
setups. Computers & Industrial Engineering, 56(4), 1223–1231.
doi:10.1016/j.cie.2008.07.018
Ángel-bello, F., Álvarez, A., Pacheco, J., & Martínez, I. (2011a). A heuristic approach for a
scheduling problem with periodic maintenance and sequence-dependent setup
times. Computers and Mathematics with Applications, 61(4), 797–808.
doi:10.1016/j.camwa.2010.12.028
Ángel-bello, F., Álvarez, A., Pacheco, J., & Martínez, I. (2011b). A single machine
scheduling problem with availability constraints and sequence-dependent setup
costs, 35, 2041–2050. doi:10.1016/j.apm.2010.11.017
Anglani, A., Grieco, A., Guerriero, E., & Musmanno, R. (2005). Robust scheduling of
parallel machines with sequence-dependent set-up costs. European Journal of
Operational Research, 161(3), 704–720.
Arango, J. a, Giraldo, J. a, & Castrillón, O. D. (2013). Programación de Máquinas
Paralelas no Relacionadas con Tiempos de Montaje dependientes de la Secuencia y
Entrada Dinámica usando Algoritmos Genéticos. Información Tecnológica, 24(3),
73–84. doi:10.4067/S0718-07642013000300009
Arango Marín, J. A., Giraldo García, J. A., & Castrillón-gómez, O. D. (2015).
Programación Detallada de Producción Textil en un Entorno Realista Usando
Algoritmo Genético Modificado. In XiV Conferencia Iberoamericana en Sistemas,
Cibernética e Informática CISCI 2015. Orlando, Florida (Estados Unidos de
América).
Arango Serna, M. D., Pérez O., G., & Álvarez Uribe, K. C. (2009). MODELO EMPIRICO
DE GESTIÓN PARA LA CADENA DE SUMINISTRO EN EL SECTOR TEXTIL ‐
CONFECCIÓN DE MEDELLÍN. In Latinoamérica: Una Comunidad que Aprende
Dinámica de Sistemas y con Dinámica de Sistemas.
Arango-marín, J. A., Giraldo-garcía, J. A., & Castrillón-gómez, O. D. (2014). Applying
TOC Heuristics to Job Scheduling in a Hybrid Flexible Flow Shop. Dyna, 81(186),
113–119.
Armentano, V. A., & de Franca Filho, M. F. (2007). Minimizing total tardiness in parallel
machine scheduling with setup times: An adaptive memory-based GRASP approach.
European Journal of Operational Research, 183(1), 100–114.
Arroyo, J. E. C., Nunes, G. V. P., & Kamke, E. H. (2009). Iterative local search heuristic
for the single machine scheduling problem with sequence dependent setup times
and due dates. In Hybrid Intelligent Systems, 2009. HIS’09. Ninth International
Conference on (Vol. 1, pp. 505–510). IEEE.
Aryanezhad, M. B., Talebi, S., & Karimi-nasab, M. (2010). A New Approach for Production
Scheduling with Compressible Processing Times, (1).
Bibliografía 155

Attar, S. F., Mohammadi, M., & Tavakkoli-Moghaddam, R. (2013). Hybrid flexible

flowshop scheduling problem with unrelated parallel machines and limited waiting
times. International Journal of Advanced Manufacturing Technology, 68(5-8), 1583–
1599. Retrieved from http://link.springer.com/article/10.1007/s00170-013-4956-3
Attar, S. F., Mohammadi, M., Tavakkoli-Moghaddam, R., & Yaghoubi, S. (2013). Solving a
new multi-objective hybrid flexible flowshop problem with limited waiting times and
machine-sequence-dependent set-up time constraints. International Journal of
Computer Integrated Manufacturing, 27(5), 450–469.
doi:10.1080/0951192X.2013.820348
Azadeh, A., Ghaderi, S. F., Dehghanbaghi, M., & Dabbaghi, A. (2010). Integration of
simulation, design of experiment and goal programming for minimization of
makespan and tardiness. The International Journal of Advanced Manufacturing
Technology, 46(5-8), 431–444.
Ballesteros Silva, P. P., Ballesteros Riveros, D. P., & Bernal Loaiza, M. E. (2006).
Programación disyuntiva para n tareas en m máquinas en producción por pedidos.
Scientia et Technica, 1(30).
Behnamian, J., Fatemi Ghomi, S. M. T., & Zandieh, M. (2010). Development of a hybrid
metaheuristic to minimise earliness and tardiness in a hybrid flowshop with
sequence-dependent setup times. International Journal of Production Research,
48(5), 1415–1438.
Behnamian, J., Zandieh, M., & Ghomi, S. M. T. F. (2009). Parallel-machine scheduling
problems with sequence-dependent setup times using an ACO , SA and VNS hybrid
algorithm. Expert Systems With Applications, 36(6), 9637–9644.
doi:10.1016/j.eswa.2008.10.007
Beraldi, P., Ghiani, G., Grieco, A., & Guerriero, E. (2008). Rolling-horizon and fix-and-
relax heuristics for the parallel machine lot-sizing and scheduling problem with
sequence-dependent set-up costs. Computers & Operations Research, 35(11),
3644–3656. doi:10.1016/j.cor.2007.04.003
Beraldi, P., Ghiani, G., Guerriero, E., & Grieco, A. (2006). Scenario-based planning for lot-
sizing and scheduling with uncertain processing times. International Journal of
Production Economics, 101(1), 140–149. doi:10.1016/j.ijpe.2005.05.018
Berkoune, D., Mesghouni, K., & Rabenasolo, B. (2006). Resolution approach for
multiobjective scheduling problems with uncertain demands. In Computational
Engineering in Systems Applications, IMACS Multiconference on (Vol. 2, pp. 1465–
1472). IEEE.
Bertel, S., & Billaut, J.-C. (2004). A genetic algorithm for an industrial multiprocessor flow
shop scheduling problem with recirculation. European Journal of Operational
Research, 159(3), 651–662.
Bollapragada, R., Della, F., & Ghirardi, M. (2011). Discrete-time , economic lot scheduling
problem on multiple , non-identical production lines. European Journal of Operational
Research, 215(1), 89–96. doi:10.1016/j.ejor.2011.05.053
Botta-Genoulaz, V. (1997). Considering bills of material in hybrid flow shop scheduling
problems. In Assembly and Task Planning, 1997. ISATP 97., 1997 IEEE
International Symposium on (pp. 194–199). IEEE.
 156 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Botta-Genoulaz, V. (2000). Hybrid flow shop scheduling with precedence constraints and
time lags to minimize maximum lateness. International Journal of Production
Economics, 64(1), 101–111.
Bowers, M. R., & Agarwal, A. (2007). Fewer Equipment Changeovers for the Embroidery
Process at Oxford Industries. Interfaces, 37(6), 526–538.
Bozorgirad, M. A., & Logendran, R. (2013). Bi-criteria group scheduling in hybrid
flowshops. International Journal of Production Economics, 145(2), 599–612.
doi:10.1016/j.ijpe.2013.05.015
Caricato, P., Grieco, A., & Nucci, F. (2008). Simulation and mathematical programming
for a multi-objective configuration problem in a hybrid flow shop. In Proceedings of
the 40th Conference on Winter Simulation (pp. 1820–1828). Winter Simulation
Conference.
Caricato, P., Grieco, A., & Serino, D. (2007). Tsp-based scheduling in a batch-wise hybrid
flow-shop. Robotics and Computer-Integrated Manufacturing, 23(2), 234–241.
doi:10.1016/j.rcim.2005.12.004
Carpov, S., Carlier, J., Nace, D., & Sirdey, R. (2012). Two-stage hybrid flow shop with
precedence constraints and parallel machines at second stage. Computers &
Operations Research, 39(3), 736–745. doi:10.1016/j.cor.2011.05.020
Carreno, J. J. (1990). Economic lot scheduling for multiple products on parallel identical
processors. Management Science, 36(3), 348–358.
Cevikcan, E., Durmusoglu, M. B., & Baskak, M. (2011). Expert Systems with Applications
Integrating parts design characteristics and scheduling on parallel machines. Expert
Systems With Applications, 38(10), 13232–13253. doi:10.1016/j.eswa.2011.04.140
Chang, P., Chen, S., & Fan, C. (2009). A hybrid electromagnetism-like algorithm for single
machine scheduling problem. Expert Systems With Applications, 36(2), 1259–1267.
doi:10.1016/j.eswa.2007.11.050
Chang, P.-C., & Chen, S.-H. (2011). Integrating dominance properties with genetic
algorithms for parallel machine scheduling problems with setup times. Applied Soft
Computing, 11(1), 1263–1274. doi:10.1016/j.asoc.2010.03.003
Chang, P.-C., Hsieh, J.-C., & Wang, Y.-W. (2003). Genetic algorithms applied in BOPP
film scheduling problems: minimizing total absolute deviation and setup times.
Applied Soft Computing, 3(2), 139–148.
Chen, P., Wu, C. C., & Lee, W. C. (2006). A bi-criteria two-machine flowshop scheduling
problem with a learning effect. Journal of the Operational Research Society, 57(9),
1113–1125.
Chen, W. J. (2007). Scheduling of jobs and maintenance in a textile company. The
International Journal of Advanced Manufacturing Technology, 31(7-8), 737–742.
Chen, W. J. (2009). Scheduling with dependent setups and maintenance in a textile
company. Computers & Industrial Engineering, 57(3), 867–873.
doi:10.1016/j.cie.2009.03.001
Chen, W.-J., & Liao, C.-J. (2005). Scheduling with different maintenance policies in a
textile company. Journal of Quality in Maintenance Engineering, 11(1), 43–52.
Bibliografía 157

Cheng, T. C. E., Cheng, S., Wu, W., Hsu, P., & Wu, C. (2011). A two-agent single-
machine scheduling problem with truncated sum-of-processing-times-based learning
considerations q. Computers & Industrial Engineering, 60(4), 534–541.
doi:10.1016/j.cie.2010.12.008
Cheng, T. C. E., Hsu, C., Huang, Y., & Lee, W. (2011). Single-machine scheduling with
deteriorating jobs and setup times to minimize the maximum tardiness. Computers
and Operation Research, 38(12), 1760–1765. doi:10.1016/j.cor.2010.11.014
Cho, H., Bae, S., Kim, J., & Jeong, I. (2011). Bi-objective scheduling for reentrant hybrid
flow shop using Pareto genetic algorithm. Computers & Industrial Engineering, 61(3),
529–541. doi:10.1016/j.cie.2011.04.008
Choi, H., Kim, J., & Lee, D.-H. (2011). Real-time scheduling for reentrant hybrid flow
shops: A decision tree based mechanism and its application to a TFT-LCD line.
Expert Systems with Applications, 38(4), 3514–3521.
doi:10.1016/j.eswa.2010.08.139
Choi, H.-S., & Lee, D.-H. (2009). Scheduling algorithms to minimize the number of tardy
jobs in two-stage hybrid flow shops. Computers & Industrial Engineering, 56(1), 113–
120. doi:10.1016/j.cie.2008.04.005
Choi, S., & Kim, Y. (2009). Minimizing total tardiness on a two-machine re-entrant
flowshop. European Journal of Operational Research, 199(2), 375–384.
doi:10.1016/j.ejor.2008.11.037
Choi, S.-W., & Kim, Y.-D. (2007). Minimizing makespan on a two-machine re-entrant
flowshop. Journal of the Operational Research Society, 58(7), 972–981.
Choobineh, F. F., Mohebbi, E., & Khoo, H. (2006). A multi-objective tabu search for a
single-machine scheduling problem with sequence-dependent setup times.
European Journal of Operational Research, 175(1), 318–337.
Choong, F., Phon-Amnuaisuk, S., & Alias, M. Y. Y. (2011). Metaheuristic methods in
hybrid flow shop scheduling problem. Expert Systems with Applications, 38(9),
10787–10793. doi:10.1016/j.eswa.2011.01.173
Chyu, C.-C., & Chang, W. (2010). A Pareto evolutionary algorithm approach to bi-
objective unrelated parallel machine scheduling problems. The International Journal
of Advanced Manufacturing Technology, 49(5-8), 697–708. doi:10.1007/s00170-009-
2419-7
Cidetexco. (2003). La Globalización de la Cadena Fibra Textil Confección. Retos y
desafios. Informe Final.
Colorni, A., Dorigo, M., Maffioli, F., Maniezzo, V., Righini, G., & Trubian, M. (1996).
Heuristics from Nature for Hard Combinatorial Optimization Problems. International
Transactions in Operational Research, 3(1), 1–21. doi:10.1111/j.1475-
3995.1996.tb00032.x
Companys, R., & D’Armas, M. (2005). Programación de operaciones con tiempos de
preparación mediante algoritmos de optimización local. Universidad, Ciencia Y
Tecnología, 9(35), 155–162. Retrieved from
http://www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S1316-
48212005000300007&lng=es&nrm=iso&tlng=es
 158 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Cui, Z., & Gu, X. (2015). An improved discrete artificial bee colony algorithm to minimize
the makespan on hybrid flow shop problems. Neurocomputing, 148(0), 248–259.
doi:10.1016/j.neucom.2013.07.056
Daly, J. S., Cassidy, B. D., & Kulasiri, G. D. (1995). A simulation model of woollen system
carpet yarn manufacture for production planning applications. Computers and
Electronics in Agriculture, 12(3), 249–260.
De Siqueira, E. C., de Souza, S. R., & Souza, M. J. F. (2012). UM ALGORITMO
BASEADO EM ITERATED GREEDY PARA MINIMIZAÇÃO DO MAKESPAN NO
PROBLEMA DE SEQUENCIAMENTO FLOWSHOP HÍBRIDO E FLEXÍVEL.
De Siqueira, E. C., Souza, M. J. F., De Souza, S. R., De Franca Filho, M. F., & Marcelino,
C. G. (2013). An algorithm based on Evolution Strategies for makespan minimization
in hybrid flexible flowshop scheduling problems. 2013 IEEE Congress on
Evolutionary Computation, CEC 2013, 989–996. doi:10.1109/CEC.2013.6557675
Defersha, F. (2011). A comprehensive mathematical model for hybrid flexible flowshop lot
streaming problem. International Journal of Industrial Engineering …. Retrieved from
http://www.growingscience.com/ijiec/metadata/j.ijiec.2010.07.006.html
Defersha, F., & Chen, M. (2012). Mathematical model and parallel genetic algorithm for
hybrid flexible flowshop lot streaming problem. The International Journal of
Advanced …. Retrieved from http://link.springer.com/article/10.1007/s00170-011-
3798-0
Defersha, F. M., & Chen, M. (2010). A hybrid genetic algorithm for flowshop lot streaming
with setups and variable sublots. International Journal of Production Research,
48(6), 1705–1726. doi:10.1080/00207540802660544
DNP. (2007). Agenda Interna para la Productividad y competitividad Algodon, Fibras,
Textiles y Confecciones.
Driessel, R., & Mönch, L. (2011). Variable neighborhood search approaches for
scheduling jobs on parallel machines with sequence-dependent setup times ,
precedence constraints , and ready times. Computers & Industrial Engineering,
61(2), 336–345. doi:10.1016/j.cie.2010.07.001
Dugardin, F., Amodeo, L., & Yalaoui, F. (2009). Multiobjective scheduling of a reentrant
hybrid flowshop. In Computers & Industrial Engineering, 2009. CIE 2009.
International Conference on (pp. 193–195). IEEE.
Dugardin, F., Yalaoui, F., & Amodeo, L. (2010). New multi-objective method to solve
reentrant hybrid flow shop scheduling problem. European Journal of Operational
Research, 203(1), 22–31.
Engin, O., Ceran, G., & Yilmaz, M. K. (2011). An efficient genetic algorithm for hybrid flow
shop scheduling with multiprocessor task problems. Applied Soft Computing, 11(3),
3056–3065. doi:10.1016/j.asoc.2010.12.006
Engin, O., & Döyen, A. (2004). A new approach to solve hybrid flow shop scheduling
problems by artificial immune system. Computational Science of Lattice Boltzmann
Modelling, 20(6), 1083–1095. doi:10.1016/j.future.2004.03.014
Escorcia, A., & Duque, G. (2004). Comportamiento del sector de textiles y confecciones
en Colombia.
Bibliografía 159

Fang, Z. (2009). An improved weight-based multiobjective genetic algorithm and its

application to parallel machine scheduling. In Intelligent Computation Technology
and Automation, 2009. ICICTA’09. Second International Conference on (Vol. 1, pp.
161–164). IEEE.
Fattahi, P., Tavakoli, N. B., Jalilvand-Nejad, A., & Jolai, F. (2010). A hybrid algorithm to
solve the problem of re-entrant manufacturing system scheduling. CIRP Journal of
Manufacturing Science and Technology, 3(4), 268–278.
doi:10.1016/j.cirpj.2011.01.001
Feng, H., Lu, S., & Li, X. (2009). Genetic Algorithm for Hybrid Flow-shop Scheduling with
Parrel Batch Processors, 9–13. doi:10.1109/ICIE.2009.87
Ferretti, I., Zanoni, S., & Zavanella, L. (2006). Production–inventory scheduling using Ant
System metaheuristic. International Journal of Production Economics, 104(2), 317–
326.
Figielska, E. (2007). A linear programming based heuristic for solving a two-stage
flowshop scheduling problem. In Emerging Technologies and Factory Automation,
2007. ETFA. IEEE Conference on (pp. 392–397). IEEE.
Figielska, E. (2008). A new heuristic for scheduling the two-stage flowshop with additional
resources. Computers & Industrial Engineering, 54(4), 750–763.
Figielska, E. (2009). A genetic algorithm and a simulated annealing algorithm combined
with column generation technique for solving the problem of scheduling in the hybrid
flowshop with additional resources. Computers & Industrial Engineering, 56(1), 142–
151. doi:10.1016/j.cie.2008.04.008
Frendewey, J. O., & Sumichrast, R. T. (1988). Scheduling parallel processors with setup
costs and resource limitations. Decision Sciences, 19(1), 138–146.
Gacias, B., Artigues, C., & Lopez, P. (2010). Parallel machine scheduling with
precedence constraints and setup times. Computers and Operation Research,
37(12), 2141–2151. doi:10.1016/j.cor.2010.03.003
Gagné, C., Price, W. L., & Gravel, M. (2002). Comparing an ACO algorithm with other
heuristics for the single machine scheduling problem with sequence-dependent
setup times. Journal of the Operational Research Society, 895–906.
Gallego, R. A., Escobar, A., & Romero, R. (2006). Técnicas de optimización
combinatorial. Universidad Tecnológica de Pereira.
Gao, C., & Tang, L. (2007). Scheduling hybrid flow shop for minimizing total weight
completion time. In Automation and Logistics, 2007 IEEE International Conference
on (pp. 809–813). IEEE.
Gao, J. (2010). A novel artificial immune system for solving multiobjective scheduling
problems subject to special process constraint. Computers & Industrial Engineering,
58(4), 602–609. doi:10.1016/j.cie.2009.12.009
Gao, J., He, G., & Wang, Y. (2008a). Research on Immune Genetic Algorithm for Solving
Bi-Objective Scheduling Problems Subjected to Special Process Constraint,
(September), 1994–1999.
Gao, J., He, G., & Wang, Y. (2008b). Research on immune genetic algorithm for solving
bi-objective scheduling problems subjected to special process constraint. In
 160 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Automation and Logistics, 2008. ICAL 2008. IEEE International Conference on (pp.
1994–1999). IEEE.
Gao, J., He, G., Wang, Y., & Liu, F. (2008). Multi-objective scheduling problems subjected
to special process constraint. In Evolutionary Computation, 2008. CEC 2008.(IEEE
World Congress on Computational Intelligence). IEEE Congress on (pp. 105–110).
IEEE.
Gendreau, M., Laporte, G., & Guimarães, E. M. (2001). A divide and merge heuristic for
the multiprocessor scheduling problem with sequence dependent setup times.
European Journal of Operational Research, 133(1), 183–189.
Gharehgozli, A. H., Tavakkoli-Moghaddam, R., & Zaerpour, N. (2009). A fuzzy-mixed-
integer goal programming model for a parallel-machine scheduling problem with
sequence-dependent setup times and release dates. Robotics and Computer-
Integrated Manufacturing, 25(4), 853–859.
Gholami, M., Zandieh, M., & Alem-Tabriz, A. (2009). Scheduling hybrid flow shop with
sequence-dependent setup times and machines with random breakdowns. The
International Journal of Advanced Manufacturing Technology, 42(1-2), 189–201.
Gicquel, C., Hege, L., Minoux, M., Canneyt, W. Van, & van Canneyt, W. (2012). A
discrete time exact solution approach for a complex hybrid flow-shop scheduling
problem with limited-wait constraints. Computers & Operations Research, 39(3),
629–636. doi:10.1016/j.cor.2011.02.017
Gómez Gasquet, P. (2010, May 3). Programación de la producción en un taller de flujo
híbrido sujeto a incertidumbre: arquitectura y algoritmos. Aplicación a la industria
cerámica. Universidad Politécnica de Valencia. Retrieved from
http://riunet.upv.es/handle/10251/7728
Gómez Gasquet, P., & García Sabater, J. P. (2005). Aplicación del Modelado de
Sistemas Multiagente al problema de la programación de la producción en la
industria cerámica. In IX Congreso de Ingeniería de Organización: Gijón, 8-9
Septiembre de 2005 (p. 190).
Gómez Gasquet, P., García Sabater, J. P., & Romano, C. A. (2005). Desarrollo de
Sistemas Multiagente para el Problema Dinámico de la Programación de Producción
y Control de Procesos en Línea en la Industria Cerámica*. In IX Congreso de
Ingeniería de Organización (p. 187).
Gómez, P. (2007). Un nuevo Algoritmo Genético Basado en un Sistema Multiagente para
la Programación de la Producción en un Taller de Flujo Híbrido. In XI Congreso de
Ingeniería de Organización (pp. 1675–1685).
González Palacio, Á., Castrillón-gómez, O. D., & Arango-marín, J. A. (2013).
Programación de un Flow Shop Híbrido con Tiempos de Montaje Dependientes de
la Secuencia y Máquinas Paralelas no Relacionadas Usando Métodos Aleatorios. In
XXXIV Congreso Nacional de Estadística e Investigación Operativa SEIO 2013 (pp.
48–49).
Grabowski, J., & Pempera, J. (2000). Sequencing of jobs in some production system.
European Journal of Operational Research, 125(3), 535–550. doi:10.1016/S0377-
2217(99)00224-6
Bibliografía 161

Guinet, A. (1991). Textile production systems: a succession of non-identical parallel

processor shops. Journal of the Operational Research Society, 655–671.
Guo, Z. X., Wong, W. K., Leung, S. Y. S., Fan, J. T., & Chan, S. F. (2008). A genetic-
algorithm-based optimization model for scheduling flexible assembly lines. The
International Journal of Advanced Manufacturing Technology, 36(1-2), 156–168.
Gupta, J. N. D., Krüger, K., Lauff, V., Werner, F., & Sotskov, Y. N. (2002). Heuristics for
hybrid flow shops with controllable processing times and assignable due dates.
Computers & Operations Research, 29(10), 1417–1439. doi:10.1016/S0305-
0548(01)00040-5
Gupta, S. R., & Smith, J. S. (2006). Algorithms for single machine total tardiness
scheduling with sequence dependent setups. European Journal of Operational
Research, 175(2), 722–739. doi:10.1016/j.ejor.2005.05.018
Han, Z., Shi, H., Qiao, F., & Yue, L. (2011). DE Solution for the Earliness/Tardiness Case
of Hybrid Flow-shop Scheduling Problem with Priority Strategy, 12–17.
Haouari, M., Hidri, L., & Gharbi, A. (2006). Optimal scheduling of a two-stage hybrid flow
shop. Mathematical Methods of Operations Research, 64(1), 107–124.
Harjunkoski, I., Nyström, R., & Horch, A. (2009). Integration of scheduling and control—
Theory or practice? Computers & Chemical Engineering, 33(12), 1909–1918.
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, 11(8), 4530–4539. doi:10.1016/j.asoc.2011.08.013
Hentous, H., & Benhammadi, F. (2006). Heuristics Resolution of a Constrained Hybrid
Flow Shop Problem. In Computers and Communications, 2006. ISCC’06.
Proceedings. 11th IEEE Symposium on (pp. 532–535). IEEE.
Hentous, H., & Merabti, B. (2010). A Branch and Bound Heuristic for the Flow Shop
Problem. In Sensor Technologies and Applications (SENSORCOMM), 2010 Fourth
International Conference on (pp. 352–356). IEEE.
Hidri, L., & Haouari, M. (2011). Bounding strategies for the hybrid flow shop scheduling
problem. Applied Mathematics and Computation, 217(21), 8248–8263.
doi:10.1016/j.amc.2011.02.108
Hmida, A. Ben, Haouari, M., Huguet, M.-J., & Lopez, P. (2011). Solving two-stage hybrid
flow shop using climbing depth-bounded discrepancy search. Computers & Industrial
Engineering, 60(2), 320–327. doi:10.1016/j.cie.2010.11.015
Hmida, A. Ben, Haouari, M., Huguet, M.-J., Lopez, P., & Ben, A. (2011). Solving two-
stage hybrid flow shop using climbing depth-bounded discrepancy search.
Computers & Industrial Engineering, 60(2), 320–327. doi:10.1016/j.cie.2010.11.015
Hmida, A. Ben, Huguet, M.-J., Lopez, P., & Haouari, M. (2006). Adaptation of
discrepancy-based methods for solving hybrid flow shop problems. In Service
Systems and Service Management, 2006 International Conference on (Vol. 2, pp.
1120–1125). IEEE.
Hojjati, S. M. H., & Sahraeyan, A. (2009). Minimizing makespan subject to budget
limitation in hybrid flow shop. In Computers & Industrial Engineering, 2009. CIE
2009. International Conference on (pp. 18–22). IEEE.
 162 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Holthaus, O., & Rajendran, C. (1997). Efficient dispatching rules for scheduling in a job
shop. International Journal of Production Economics, 48(1), 87–105.
doi:10.1016/S0925-5273(96)00068-0
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(10),
12095–12103. doi:10.1016/j.eswa.2009.04.075
Hu, Y., Ma, D., & Ye, F. (2006). Scheduling Hybrid Flow Shop Containing Multi-Functional
Machines. In Computational Intelligence and Security, 2006 International Conference
on (Vol. 1, pp. 425–428). IEEE.
Huang, W. Q., & Wang, L. (2006). A local search method for permutation flow shop
scheduling. Journal of the Operational Research Society, 57(10), 1248–1251.
Hung, Y.-F., Shih, C.-C., & Chen, C.-P. (1999). Evolutionary algorithms for production
planning problems with setup decisions. Journal of the Operational Research
Society, 857–866.
Jabbarizadeh, F., Zandieh, M., & Talebi, D. (2009). Hybrid flexible flowshops with
sequence-dependent setup times and machine availability constraints. Computers &
Industrial Engineering, 57(3), 949–957. doi:10.1016/j.cie.2009.03.012
James, R. J. W., & Almada-lobo, B. (2011). Single and parallel machine capacitated
lotsizing and scheduling : New iterative MIP-based neighborhood search heuristics.
Computers and Operation Research, 38(12), 1816–1825.
doi:10.1016/j.cor.2011.02.005
Janiak, A., Kozan, E., Lichtenstein, M., & Oğuz, C. (2007). Metaheuristic approaches to
the hybrid flow shop scheduling problem with a cost-related criterion. Scheduling in
Batch-Processing Industries and Supply Chains, 105(2), 407–424.
doi:10.1016/j.ijpe.2004.05.027
Jenabi, M., Fatemi Ghomi, S. M. T., Torabi, S. A., & Karimi, B. (2007). Two hybrid meta-
heuristics for the finite horizon ELSP in flexible flow lines with unrelated parallel
machines. Applied Mathematics and Computation, 186(1), 230–245.
doi:10.1016/j.amc.2006.06.121
Jin, F., Gupta, J. N. D., Song, S., & Wu, C. (2010). Single machine scheduling with
sequence-dependent family setups to minimize maximum lateness, 1181–1190.
doi:10.1057/jors.2009.63
Jin, F., Gupta, J. N. D., Song, S., & Wu, C. (2010). Single machine scheduling with
sequence-dependent family setups to minimize maximum lateness. Journal of the
Operational Research Society, 61(7), 1181–1189.
Jin, F., Song, S., & Wu, C. (2009). A simulated annealing algorithm for single machine
scheduling problems with family setups. Computers & Operations Research, 36(7),
2133–2138.
Jinrong, Z., Dao, H., & Weisun, J. (1994). Optimization production scheduling of multi-
stage interrelated discrete system via synthetic knowledge. In American Control
Conference, 1994 (Vol. 1, pp. 724–728). IEEE.
Joines, J. A., Sutton, A. B., Thoney, K., King, R. E., & Hodgson, T. J. (2003). Factory
scheduling: implementing a simulation-based scheduling system for a two-plant
Bibliografía 163

operation. In Proceedings of the 35th conference on Winter simulation: driving

innovation (pp. 1440–1448). Winter Simulation Conference.
Jouglet, A., Oğuz, C., & Sevaux, M. (2009). Hybrid flow-shop: a memetic algorithm using
constraint-based scheduling for efficient search. Journal of Mathematical Modelling
and Algorithms, 8(3), 271–292.
Jungwattanakit, J., Reodecha, M., Chaovalitwongse, P., & Werner, F. (2009). A
comparison of scheduling algorithms for flexible flow shop problems with unrelated
parallel machines, setup times, and dual criteria. Scheduling for Modern
Manufacturing, Logistics, and Supply Chains, 36(2), 358–378.
doi:10.1016/j.cor.2007.10.004
Kahraman, C., Engin, O., Kaya, I., & Elif Öztürk, R. (2010). Multiprocessor task
scheduling in multistage hybrid flow-shops: A parallel greedy algorithm approach.
Applied Soft Computing Journal, 10(5), 1293–1300. doi:10.1016/j.asoc.2010.03.008
Kalczynski, P. J., & Kamburowski, J. (2009). An empirical analysis of the optimality rate of
flow shop heuristics. European Journal of Operational Research, 198(1), 93–101.
Karabuk, S. (2008). Production planning under uncertainty in textile manufacturing.
Journal of the Operational Research Society, 59(4), 510–520.
Karacapilidis, N. I., & Pappis, C. P. (1996). Production planning and control in textile
industry: A case study. Computers in Industry, 30(2), 127–144. doi:10.1016/0166-
3615(96)00038-3
Karimi, N., Zandieh, M., & Karamooz, H. R. (2010). Bi-objective group scheduling in
hybrid flexible flowshop: A multi-phase approach. Expert Systems with Applications,
37(6), 4024–4032. doi:10.1016/j.eswa.2009.09.005
Khalouli, S., Ghedjati, F., & Hamzaoui, A. (2008). Ant colony optimization for solving a bi-
criteria hybrid flow shop problem. In Systems, Man and Cybernetics, 2008. SMC
2008. IEEE International Conference on (pp. 1440–1445). IEEE.
Khalouli, S., Ghedjati, F., Hamzaoui, A., & Ã, S. K. (2010). A meta-heuristic approach to
solve a JIT scheduling problem in hybrid flow shop. Advances in Metaheuristics for
Hard Optimization: New Trends and Case Studies, 23(5), 765–771.
doi:10.1016/j.engappai.2010.01.008
Kim, D.-W., Kim, K.-H., Jang, W., & Chen, F. F. (2002). Unrelated parallel machine
scheduling with setup times using simulated annealing. Robotics and Computer-
Integrated Manufacturing, 18(3), 223–231.
Kim, H. W., & Lee, D. H. (2009). Heuristic algorithms for re-entrant hybrid flow shop
scheduling with unrelated parallel machines. Proceedings of the Institution of
Mechanical Engineers, Part B: Journal of Engineering Manufacture, 223(4), 433–
442.
Kim, Y. (1993). Heuristics for Flowshop Scheduling Problems Minimizing Mean Tardiness.
The Journal of the Operational Research Society, 44(1), 19–28.
doi:10.2307/2584431
Kis, T., & Kovács, A. (2012). A cutting plane approach for integrated planning and
scheduling. Computers & Operations Research, 39(2), 320–327.
doi:10.1016/j.cor.2011.04.006
 164 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Koulamas, C., & Kyparisis, G. J. (2007). A note on the two-stage assembly flow shop
scheduling problem with uniform parallel machines. European Journal of Operational
Research, 182(2), 945–951. doi:10.1016/j.ejor.2006.07.027
Kovács, A., Brown, K. N., & Tarim, S. A. (2009). An efficient MIP model for the
capacitated lot-sizing and scheduling problem with sequence-dependent setups.
International Journal of Production Economics, 118(1), 282–291.
Kurz, M. E., & Askin, R. G. (2004). Scheduling flexible flow lines with sequence-
dependent setup times. European Journal of Operational Research, 159(1), 66–82.
doi:10.1016/S0377-2217(03)00401-6
Lalas, C., Mourtzis, D., Papakostas, N., & Chryssolouris, G. (2005). A combinatory
approach to order release and shop scheduling in discrete manufacturing
environments. In Emerging Technologies and Factory Automation, 2005. ETFA
2005. 10th IEEE Conference on (Vol. 1, p. 8–pp). IEEE.
Lane, R., & Evans, S. (1995). Solving problems in production scheduling. Computer
Integrated Manufacturing Systems, 8(2), 117–124. doi:10.1016/0951-
5240(95)00005-E
Lee, F.-C., & Yao, M. (2003). A global optimum search algorithm for the joint
replenishment problem under power-of-two policy. Computers & Operations
Research, 30(9), 1319–1333.
Lee, W., Lin, J., & Shiau, Y. (2011). Deteriorating job scheduling to minimize the number
of late jobs with setup times q. Computers & Industrial Engineering, 61(3), 782–787.
doi:10.1016/j.cie.2011.05.010
Lee, Y. H., & Pinedo, M. (1997). Scheduling jobs on parallel machines with sequence-
dependent setup times. European Journal of Operational Research, 100(3), 464–
474.
Lei, D. (2010). A genetic algorithm for flexible job shop scheduling with fuzzy processing
time. International Journal of Production Research, 48(10), 2995–3013.
Li, J., Pan, Q., & Duan, P. (2015). An Improved Artificial Bee Colony Algorithm for Solving
Hybrid Flexible Flowshop With Dynamic Operation Skipping. Retrieved from
http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=7137684
Li, Z., & Ierapetritou, M. G. (2009). Integrated production planning and scheduling using a
decomposition framework. Chemical Engineering Science, 64(16), 3585–3597.
doi:10.1016/j.ces.2009.04.047
Lian, Z. (2010). A united search particle swarm optimization algorithm for multiobjective
scheduling problem. Applied Mathematical Modelling, 34(11), 3518–3526.
doi:10.1016/j.apm.2010.03.001
Liao, C. J., & Chen, W. J. (2004). Scheduling under machine breakdown in a continuous
process industry. Computers & Operations Research, 31(3), 415–428.
doi:10.1016/S0305-0548(02)00224-1
Liao, C.-J., & Juan, H. (2007). An ant colony optimization for single-machine tardiness
scheduling with sequence-dependent setups. Computers & Operations Research,
34(7), 1899–1909. doi:10.1016/j.cor.2005.07.020
Bibliografía 165

Lin, H.-T., & Liao, C.-J. (2003). A case study in a two-stage hybrid flow shop with setup
time and dedicated machines. International Journal of Production Economics, 86(2),
133–143. doi:10.1016/S0925-5273(03)00011-2
Lin, J. T., & Chen, C.-M. (2015). Simulation optimization approach for hybrid flow shop
scheduling problem in semiconductor back-end manufacturing. Simulation Modelling
Practice and Theory, 51, 100–114. doi:10.1016/j.simpat.2014.10.008
Lin, S., Lee, Z., Ying, K., & Lu, C. (2011). Minimization of maximum lateness on parallel
machines with sequence-dependent setup times and job release dates. Computers
and Operation Research, 38(5), 809–815. doi:10.1016/j.cor.2010.09.020
Ling-li, Z., Feng-xing, Z., Xiao-hong, X., & Zheng, G. (2009). Dynamic Scheduling of Multi-
task for Hybrid Flow-shop Based on Energy Consumption, 478–482.
Linn, R., & Zhang, W. (1999). Hybrid flow shop scheduling: A survey. Proceedings of the
24th International Conference on Computers and Industrial Engineering, 37(1–2),
57–61. doi:10.1016/S0360-8352(99)00023-6
Lipi, T. F., Hasin, M. A. A., & Noor-E-Alam, M. D. (2009). Reliability Centered Multi
Objective Hybrid Flow Shop Scheduling. Asia-Pacific Journal of Operational
Research, 26(05), 637–653.
Liu, A., Yin, Y., & Jiang, J. (2010). Flow shop scheduling problems with general learning
effect under dominant machines. doi:10.1109/CCIE.2010.78
Liu, B., Wang, L., Liu, Y., Qian, B., & Jin, Y.-H. (2010). An effective hybrid particle swarm
optimization for batch scheduling of polypropylene processes. Computers &
Chemical Engineering, 34(4), 518–528. doi:10.1016/j.compchemeng.2009.12.010
Liu, X., Zou, F., & Zhang, X. (2008). Mathematical model and genetic optimization for
hybrid flow shop scheduling problem based on energy consumption. In Control and
Decision Conference, 2008. CCDC 2008. Chinese (pp. 1002–1007). IEEE.
Logendran, R., Mcdonell, B., & Smucker, B. (2007). Scheduling unrelated parallel
machines with sequence-dependent setups. Computers & Operations Research,
34(11), 3420–3438. doi:10.1016/j.cor.2006.02.006
Lopes, M. J. P., & de Carvalho, J. M. V. (2007). A branch-and-price algorithm for
scheduling parallel machines with sequence dependent setup times. European
Journal of Operational Research, 176(3), 1508–1527.
López Rodriguez, D. (2011, November 8). Desarrollo y caraterización de hilos para la
fabricación de tejidos técnicos. Retrieved from
http://riunet.upv.es/handle/10251/12767
López Vargas, J. C., Giraldo García, J. A., & Arango Marín, J. A. (2015). Reducción del
Tiempo de Terminación en la Programación de la Producción de una Línea de Flujo
Híbrida Flexible (HFS). Información Tecnológica, 26(3), 157–172.
Lu, L., Ng, C. T., & Zhang, L. (2011). Optimal algorithms for single-machine scheduling
with rejection to minimize the makespan, 130, 153–158.
doi:10.1016/j.ijpe.2010.12.003
Madhushini, N., Rajendran, C., & Deepa, Y. (2009). Branch-and-bound algorithms for
scheduling in permutation flowshops to minimize the sum of weighted flowtime / sum
of weighted tardiness / sum of weighted flowtime and weighted tardiness / sum of
 166 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

weighted flowtime , weighted tardiness and weighted earline, 991–1005.

doi:10.1057/palgrave.jors.2602642
Mahdavi, I., Komaki, G. M., & Kayvanfar, V. (2011). Aggregate hybrid flowshop
scheduling with assembly operations. In Industrial Engineering and Engineering
Management (IE&EM), 2011 IEEE 18Th International Conference on (pp. 663–667).
IEEE.
Mahdavi, I., Mojarad, M. S., Javadi, B., & Tajdin, A. (2008). A genetic approach for solving
a hybrid flow shop scheduling problem. In Industrial Engineering and Engineering
Management, 2008. IEEM 2008. IEEE International Conference on (pp. 1214–1218).
IEEE.
Maravelias, C. T., & Sung, C. (2009). Integration of production planning and scheduling:
Overview, challenges and opportunities. Computers & Chemical Engineering, 33(12),
1919–1930.
Martin, C. H. (2009). A hybrid genetic algorithm/mathematical programming approach to
the multi-family flowshop scheduling problem with lot streaming. Omega, 37(1), 126–
137.
Martínez, D. Á., Ocampo, E. T., & Rendón, R. G. (2009). Algoritmo recocido simulado
aplicado al problema de secuenciamiento de tareas en sistemas de produccion
lineal flow-shop. Scientia et Technica, 3(40).
Mauguière, P., Billaut, J.-C., & Bouquard, J.-L. (2005). New single machine and job-shop
scheduling problems with availability constraints. Journal of Scheduling, 8(3), 211–
231.
McCormick, S. T., & Pinedo, M. L. (1995). Scheduling n independent jobs on m uniform
machines with both flowtime and makespan objectives: a parametric analysis. ORSA
Journal on Computing, 7(1), 63–77.
McKinsey & Company. (2009). Desarrollando Sectores De Clase Mundial En Colombia.
Informe Final: Sector Textil, Confección, Diseño Y Moda. Bogotá. Retrieved from
https://www.ptp.com.co/documentos/Plan de Negocios Textiles y Confecciones.pdf
Mesghouni, K., & Rabenasolo, B. (2002). Multi-period predictive production scheduling
with uncertain demands. In Systems, Man and Cybernetics, 2002 IEEE International
Conference on (Vol. 6, p. 6–pp). IEEE.
Min, L., & Cheng, W. (2006). Genetic algorithms for the optimal common due date
assignment and the optimal scheduling policy in parallel machine earliness/tardiness
scheduling problems. Robotics and Computer-Integrated Manufacturing, 22(4), 279–
287.
Mirabi, M. (2014). A novel hybrid genetic algorithm to solve the sequence-dependent
permutation flow-shop scheduling problem. International Journal of Advanced
Manufacturing Technology, 71(1-4), 429–437. Retrieved from 10.1007/s00170-013-
5489-5
Mirsanei, H. S., Zandieh, M., Moayed, M. J., & Khabbazi, M. R. (2011). A simulated
annealing algorithm approach to hybrid flow shop scheduling with sequence-
dependent setup times. Journal of Intelligent Manufacturing, 22(6), 965–978.
Moccellin, J. V., & Nagano, M. S. (2007). Uma propriedade estrutural do problema de
Bibliografía 167

programação da produção flow shop permutacional com tempos de setup. Pesquisa

Operacional, 27(3), 487–515.
Montgomery, D. C. (2004). Diseño y análisis de experimentos. Limusa Wiley. Retrieved
from http://www.sidalc.net/cgi-
bin/wxis.exe/?IsisScript=juiga.xis&method=post&formato=2&cantidad=1&expresion=
mfn=001087
Montoya-torres, E. L. S. J. R., & Paternina-arboleda, C. D. (2009). Ant colony optimization
algorithm for a Bi-criteria 2-stage hybrid flowshop scheduling problem, (1991).
doi:10.1007/s10845-009-0370-y
Morais, M. de F., & Moccellin, J. V. (2010). Constructive heuristics methods to minimizing
work in process in environment production hybrid flow shop with asymmetric
sequence dependent setup times. Gestão & Produção, 17(2), 367–375.
Mosheiov, G., & Yovel, U. (2004). Comments on “Flow shop and open shop scheduling
with a critical machine and two operations per job.” European Journal of Operational
Research, 157(1), 257–261.
Muñoz, F. T., Moraga, R. J., & Baesler, F. F. (2005). Look-Ahead Constructive Heuristic
for the Unrelated Parallel Machine Problem with Sequence Dependent Setup Times.
In IIE Annual Conference. Proceedings (p. 1). Institute of Industrial Engineers-
Publisher.
Murata, T., & Ishibuchi, H. (1996). Positive and negative combination effects of crossover
and mutationoperators in sequencing problems. Proceedings of IEEE International
Conference on Evolutionary Computation, 170–175. doi:10.1109/ICEC.1996.542355
Naderi, B., Gohari, S., & Yazdani, M. (2014). Hybrid flexible flowshop problems: Models
and solution methods. Applied Mathematical Modelling, 38(24), 5767–5780.
doi:10.1016/j.apm.2014.04.012
Naderi, B., Ruiz, R., & Zandieh, M. (2010). Algorithms for a realistic variant of flowshop
scheduling. Computers & Operations Research, 37(2), 236–246.
doi:10.1016/j.cor.2009.04.017
Naderi, B., Tavakkoli-Moghaddam, R., & Khalili, M. (2010). Electromagnetism-like
mechanism and simulated annealing algorithms for flowshop scheduling problems
minimizing the total weighted tardiness and makespan. Knowledge-Based Systems,
23(2), 77–85. doi:10.1016/j.knosys.2009.06.002
Naderi, B., Zandieh, M., & Roshanaei, V. (2009). Scheduling hybrid flowshops with
sequence dependent setup times to minimize makespan and maximum tardiness.
International Journal of Advanced Manufacturing Technology, 41(11-12), 1186–
1198. doi:10.1007/s00170-008-1569-3
Néron, E., Baptiste, P., & Gupta, J. N. . (2001). Solving hybrid flow shop problem using
energetic reasoning and global operations. Omega, 29(6), 501–511.
doi:10.1016/S0305-0483(01)00040-8
Ng, C. T., Matsveichuk, N. M., Sotskov, Y. N., & Cheng, T. C. E. (2009). Two-machine
flow-shop minimum-length scheduling with interval processing times. Asia-Pacific
Journal of Operational Research, 26(06), 715–734.
Niccolò, V. (2011). ANALYSIS OF THE PRODUCTION SCHEDULING METHODS INTO
 168 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

HYBRID FLOW SHOP ENVIRONMENTS. University of Padua.

Noorul Haq, A., Ramanan, T. R., Shashikant, K. S., & Sridharan, R. (2010). A hybrid
neural network–genetic algorithm approach for permutation flow shop scheduling.
International Journal of Production Research, 48(14), 4217–4231.
Oĝuz, C., & Ercan, M. F. (2005). A genetic algorithm for hybrid flow-shop scheduling with
multiprocessor tasks. Journal of Scheduling, 8(4), 323–351.
Oğuz, C., Ercan, M. F., Cheng, T. C. E., & Fung, Y.-F. (2003). Heuristic algorithms for
multiprocessor task scheduling in a two-stage hybrid flow-shop. European Journal of
Operational Research, 149(2), 390–403.
Oğuz, C., & Fı̇ kret Ercan, M. (1997). Scheduling multiprocessor tasks in a two-stage flow-
shop environment. Proceedings of the 21st International Conference on Computers
and Industrial Engineering, 33(1–2), 269–272. doi:10.1016/S0360-8352(97)00090-9
Oğuz, C., Zinder, Y., Janiak, A., & Lichtenstein, M. (2004). Hybrid flow-shop scheduling
problems with multiprocessor task systems. European Journal of Operational
Research, 152(1), 115–131.
Omar, M. K., Teo, S. C., & Suppiah, Y. (2010). Mixed Integer Programming Formulation
for Hybrid Flow Shop Scheduling Problem, 385–389.
Onwubolu, G. C., & Mutingi, M. (1999). Genetic algorithm for minimizing tardiness in flow-
shop scheduling. Production Planning & Control, 10(5), 462–471.
Ozgur, C. O., & Bai, L. (2010). Hierarchical composition heuristic for asymmetric
sequence dependent single machine scheduling problems. Operations Management
Research, 3(1-2), 98–106. doi:10.1007/s12063-010-0031-5
Pan, Q., Duan, J., Liang, J. J., Gao, K., & Li, J. (2010). A Novel Discrete Harmony Search
Algorithm for Scheduling Lot-streaming Flow Shops, 1531–1536.
Pan, Q.-K., & Ruiz, R. (2012). An estimation of distribution algorithm for lot-streaming flow
shop problems with setup times. Omega, 40(2), 166–180.
doi:10.1016/j.omega.2011.05.002
Pearn, W. L., Chung, S. H., & Yang, M. H. (2002). The wafer probing scheduling problem
(WPSP). Journal of the Operational Research Society, 53(8), 864–874.
Pesch, E., & Sterna, M. (2009). Late work minimization in flow shops by a genetic
algorithm. Computers & Industrial Engineering, 57(4), 1202–1209.
Pfund, M., Fowler, J. W., Gadkari, A., & Chen, Y. (2008). Scheduling jobs on parallel
machines with setup times and ready times. Computers & Industrial Engineering,
54(4), 764–782.
Pinedo, M. L. (2009). Planning and Scheduling in Manufacturing and Services. Springer
Science & Business Media. Retrieved from
https://books.google.com/books?id=ZUlDAAAAQBAJ&pgis=1
Qi, X., & Ã, X. Q. (2011). Outsourcing and production scheduling for a two-stage flow
shop. International Journal of Production Economics, 129(1), 43–50.
doi:10.1016/j.ijpe.2010.08.011
Qian, B., Wang, L., Hu, R., Huang, D. X., & Wang, X. (2009). A DE-based approach to
no-wait flow-shop scheduling. Computers & Industrial Engineering, 57(3), 787–805.
Bibliografía 169

Qian, B., Wang, L., Huang, D., Wang, W., & Wang, X. (2009). An effective hybrid DE-
based algorithm for multi-objective flow shop scheduling with limited buffers. Part
Special Issue: Operations Research Approaches for Disaster Recovery Planning,
36(1), 209–233. doi:10.1016/j.cor.2007.08.007
Qiao, P., & Sun, C. (2011). Research on hybrid flow-shop scheduling problem based on
improved immune particle swarm optimization. In Artificial Intelligence, Management
Science and Electronic Commerce (AIMSEC), 2011 2nd International Conference on
(pp. 4240–4243). IEEE.
Quadt, D., & Kuhn, H. (2007). A taxonomy of flexible flow line scheduling procedures.
European Journal of Operational Research, 178(3), 686–698.
doi:10.1016/j.ejor.2006.01.042
Rabadi, G., Moraga, R. J., & Al-Salem, A. (2006). Heuristics for the unrelated parallel
machine scheduling problem with setup times. Journal of Intelligent Manufacturing,
17(1), 85–97.
Rabiee, M., Sadeghi Rad, R., Mazinani, M., & Shafaei, R. (2014). An intelligent hybrid
meta-heuristic for solving a case of no-wait two-stage flexible flow shop scheduling
problem with unrelated parallel machines. The International Journal of Advanced
Manufacturing Technology, 71(5-8), 1229–1245. doi:10.1007/s00170-013-5375-1
Rajendran, C., & Ziegler, H. (2003). Scheduling to minimize the sum of weighted flowtime
and weighted tardiness of jobs in a flowshop with sequence-dependent setup times.
European Journal of Operational Research, 149(3), 513–522. doi:10.1016/S0377-
2217(02)00485-X
Rajkumar, R., & Shahabudeen, P. (2009). Bi-criteria improved genetic algorithm for
scheduling in flowshops to minimise makespan and total flowtime of jobs.
International Journal of Computer Integrated Manufacturing, 22(10), 987–998.
Rangsaritratsamee, R., Ferrell, W. G., & Kurz, M. B. (2004). Dynamic rescheduling that
simultaneously considers efficiency and stability. Computers & Industrial
Engineering, 46(1), 1–15.
Rebaine, D. (2010). Scheduling flexible flowshops with unit-time operations and minimum
time delays. ISCO 2010 - International Symposium on Combinatorial Optimization,
36(0), 1193–1200. doi:10.1016/j.endm.2010.05.151
Riane, F., Artiba, A., & Iassinovski, S. (2001). An integrated production planning and
scheduling system for hybrid flowshop organizations. Poductive Systems: Strategy,
Control, and Management, 74(1–3), 33–48. doi:10.1016/S0925-5273(01)00105-0
Ribas, I., Leisten, R., & Framiñan, J. M. (2010). Review and classification of hybrid flow
shop scheduling problems from a production system and a solutions procedure
perspective. Operations Research and Data Mining in Biological Systems, 37(8),
1439–1454. doi:10.1016/j.cor.2009.11.001
Ribas, I., Leisten, R., Framiñan, J. M., & Framin, J. M. (2010). Review and classification
of hybrid flow shop scheduling problems from a production system and a solutions
procedure perspective. Operations Research and Data Mining in Biological Systems,
37(8), 1439–1454. doi:10.1016/j.cor.2009.11.001
Ribeiro, F. F., de Souza, S. R., & Souza, M. J. F. (2009). An adaptive genetic algorithm
for solving the single machine scheduling problem with earliness and tardiness
 170 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

penalties. In Systems, Man and Cybernetics, 2009. SMC 2009. IEEE International
Conference on (pp. 698–703). IEEE.
Rocha, M., Paula, D., Robson, G., & Gómez, M. (2010). A non-delayed relax-and-cut
algorithm for scheduling problems with parallel machines , due dates and sequence-
dependent setup times. Computers and Operation Research, 37(5), 938–949.
doi:10.1016/j.cor.2009.07.006
Rocha, P. L., Ravetti, M. G., Mateus, G. R., & Pardalos, P. M. (2008). Exact algorithms for
a scheduling problem with unrelated parallel machines and sequence and machine-
dependent setup times. Computers & Operations Research, 35(4), 1250–1264.
Rodrigues, A. G., & Gómez, A. T. (2008). Scheduling problem treatment considering due
dates, production turns and toll switching constraints using Tabu Search. Production,
18(1), 64–75.
Romano, C. A., Salort, E. V., & Esteban, F.-C. L. (2002). MODELIZACIÓN DEL
PROBLEMA DE SECUENCIACIÓN EN TALLERES DE FLUJO HÍBRIDOS CON
TIEMPOS DE CAMBIO DE PARTIDA DEPENDIENTES DE LA SECUENCIA. BEIO,
Boletín de Estadística E Investigación Operativa, 18(2), 2–7.
Rotab Khan, M. R., Harlock, S. C., & Leaf, G. a. V. (1999). Computer simulation of
production systems for woven fabric manufacture. Computers & Industrial
Engineering, 37(4), 745–756. doi:10.1016/S0360-8352(00)00009-7
Ruiz, R. (2009). Talleres de Flujo Híbrido con Tiempos de Cambio Dependientes de la
Secuencia. Algoritmos basados en Búsqueda Local Iterativa*. In XIII Congreso de
Ingeniería de Organización (pp. 1682–1690).
Ruiz, R., & Allahverdi, A. (2007). Some effective heuristics for no-wait flowshops with
setup times to minimize total completion time. Annals of Operations Research,
156(1), 143–171. doi:10.1007/s10479-007-0227-8
Ruiz, R., & Maroto, C. (2006). A genetic algorithm for hybrid flowshops with sequence
dependent setup times and machine eligibility. European Journal of Operational
Research, 169(3), 781–800. doi:10.1016/j.ejor.2004.06.038
Ruiz, R., Şerifoğlu, F. S., & Urlings, T. (2008). Modeling realistic hybrid flexible flowshop
scheduling problems. Computers & Operations Research, 35(4), 1151–1175.
doi:10.1016/j.cor.2006.07.014
Ruiz, R., & Vázquez-Rodríguez, J. A. (2010). The hybrid flow shop scheduling problem.
European Journal of Operational Research, 205(1), 1–18.
doi:10.1016/j.ejor.2009.09.024
Sadykov, R. (2012). A dominant class of schedules for malleable jobs in the problem to
minimize the total weighted completion time. Computers and Operation Research,
39(6), 1265–1270. doi:10.1016/j.cor.2011.02.023
Safari, E., & Sadjadi, S. J. (2011). A hybrid method for flowshops scheduling with
condition-based maintenance constraint and machines breakdown. Expert Systems
With Applications, 38(3), 2020–2029. doi:10.1016/j.eswa.2010.07.138
Salinas Vivancos, C. (2004). Estudio de la situación de las tecnologías de información en
el sector textil catalán. Escuela Técnica Superior de Ingenieros Industriales de
Barcelona.
Bibliografía 171

Sangsawang, C., Sethanan, K., Fujimoto, T., & Gen, M. (2015). Metaheuristics
optimization approaches for two-stage reentrant flexible flow shop with blocking
constraint. Expert Systems with Applications, 42(5), 2395–2410.
doi:10.1016/j.eswa.2014.10.043
Sarıçiçek, İ., & Çelik, C. (2011). Two meta-heuristics for parallel machine scheduling with
job splitting to minimize total tardiness. Applied Mathematical Modelling, 35(8),
4117–4126.
Saydam, C., & Cooper, W. D. (2002). A decision support system for scheduling jobs on
multi-port dyeing machines. International Journal of Operations & Production
Management, 22(9), 1054–1065.
Sbihi, M., & Varnier, C. (2008). Single-machine scheduling with periodic and flexible
periodic maintenance to minimize maximum tardiness. Computers & Industrial
Engineering, 55(4), 830–840. doi:10.1016/j.cie.2008.03.005
Serafini, P. (1996). Scheduling jobs on several machines with the job splitting property.
Operations Research, 44(4), 617–628.
Shah, N. K., & Ierapetritou, M. G. (2011). Integrated production planning and scheduling
optimization of multisite, multiproduct process industry. Computers and Chemical
Engineering. doi:10.1016/j.compchemeng.2011.08.007
Shao, H., Chen, H.-P., Huang, G. Q., Xu, R., Cheng, B., Wang, S., & Liu, B. (2008).
Minimizing makespan for parallel batch processing machines with non-identical job
sizes using neural nets approach. In Industrial Electronics and Applications, 2008.
ICIEA 2008. 3rd IEEE Conference on (pp. 1921–1924). IEEE.
Shiroma, P. J., & Niemeyer, G. (1998). Production scheduling in the textile industry: a
practical approach using evolutionary algorithms with domain-dependent information.
IECON ’98. Proceedings of the 24th Annual Conference of the IEEE Industrial
Electronics Society (Cat. No.98CH36200), 1, 269–273.
doi:10.1109/IECON.1998.724134
Silva, C., & Magalhaes, J. M. (2006). Heuristic lot size scheduling on unrelated parallel
machines with applications in the textile industry. Computers & Industrial
Engineering, 50(1), 76–89.
Sioud, A., Gagné, C., & Gravel, M. (2014a). A new ACO for solving a hybrid flexible
flowshop with sequence-dependent setup times. Based Optimization (ICSIBO’2014),
162–169. Retrieved from
http://www.mage.fst.uha.fr/icsibo2014/proceedings.pdf#page=172
Sioud, A., Gagné, C., & Gravel, M. (2014b). An ant colony optimization for solving a
hybrid flexible flowshop. … of the 2014 Conference Companion on …, 17–18.
doi:10.1145/2598394.2598402
Sioud, A., Gagné, C., & Gravel, M. (2014c). Minimizing Total Tardiness in a Hybrid
Flexible Flowshop with Sequence Dependent Setup Times. In INFOCOMP 2014:
The fourth International Conference on Advanced Communications and Computation
(pp. 13–18). Retrieved from
http://www.uqac.ca/portfolio/carolinegagne/files/2014/11/infocomp2014-
14mai2014.pdf
Sioud, A., Gravel, M., & Gagné, C. (2013). A genetic algorithm for solving a hybrid flexible
 172 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

flowshop with sequence dependent setup times. In Evolutionary Computation (CEC)

… (pp. 2512–2516). IEEE. doi:10.1109/CEC.2013.6557871
Soewandi, H., & Elmaghraby, S. E. (2001). Sequencing three-stage flexible flowshops
with identical machines to minimize makespan. IIE Transactions, 33(11), 985–994.
Solano Charris, E. L. (2009). Programación de talleres de producción seriales híbridos
(flexibles) con múltiples objetivos mediante metaheurísticas. Universidad del Norte.
Solari Dufour, M. D. L. Á., & Ocampo Edye, E. (2007). Aplicación de Algoritmos
Genéticos en un Sistema Multiagente de Planificación en una Industria
Manufacturera.
Solari, M. de los Á., & Ocampo, E. (2007). Application of Genetic Algorithms to a
Manufacturing Industry Scheduling Multi-Agent System. In Innovative Algorithms and
Techniques in Automation, Industrial Electronics and Telecommunications (pp. 263–
268). Springer.
Song-yan, Z. (2010). Large-scale flow-shop scheduling based on genetic algorithm.
Journal of Zhejiang University of Science and Technology, 2, 8.
Su, Z. S. Z., & Li, T. L. T. (2009). Genetic Algorithm for Minimizing the Makespan in
Hybrid Flow Shop Scheduling Problem. 2009 International Conference on
Management and Service Science, 26(3). doi:10.1109/ICMSS.2009.5301354
Tahar, D. N., Yalaoui, F., Chu, C., & Amodeo, L. (2006). A linear programming approach
for identical parallel machine scheduling with job splitting and sequence-dependent
setup times. International Journal of Production Economics, 99(1), 63–73.
Taner, M. R., Hodgson, T. J., King, R. E., & Schultz, S. R. (2007). Satisfying due-dates in
the presence of sequence dependent family setups with a special comedown
structure. Computers & Industrial Engineering, 52(1), 57–70.
doi:10.1016/j.cie.2006.10.008
Tang, J., Zhang, G., & Lin, B. (2010). Hybrid Genetic Algorithm for Flow Shop Scheduling
Problem, (5), 2–5. doi:10.1109/ICICTA.2010.767
Tang, L., Liu, W., & Liu, J. (2005). A neural network model and algorithm for the hybrid
flow shop scheduling problem in a dynamic environment. Journal of Intelligent
Manufacturing, 16(3), 361–370.
Tang, L., & Wang, X. (2011). A scatter search algorithm for a multistage production
scheduling problem with blocking and semi-continuous batching machine. IEEE
Transactions on Control Systems Technology, 19(5), 976–989.
Tang, L., & Xuan, H. (2006). Lagrangian relaxation algorithms for real-time hybrid
flowshop scheduling with finite intermediate buffers, 316–324.
doi:10.1057/palgrave.jors.2602033
Tavakkoli-moghaddam, R., Taheri, F., Bazzazi, M., Izadi, M., & Sassani, F. (2009).
Design of a genetic algorithm for bi-objective unrelated parallel machines scheduling
with sequence-dependent setup times and precedence constraints, 36, 3224–3230.
doi:10.1016/j.cor.2009.02.012
Taylor, P., Taj, S., Nedeltcheva, G. N., Pfeil, G., & Roumaya, M. (n.d.). A spread-sheet
model for efficient production and scheduling of a manufacturing line / cell,
Bibliografía 173

(November 2011), 37–41. doi:10.1080/00207543.2010.546379

Torabi, S. a., Sahebjamnia, N., Mansouri, S. A., & Bajestani, M. A. (2013). A particle
swarm optimization for a fuzzy multi-objective unrelated parallel machines
scheduling problem. Applied Soft Computing, 13(12), 4750–4762.
doi:10.1016/j.asoc.2013.07.029
Toro Ocampo, E. M., Granada Echeverri, M., & Restrepo Grisales, Y. S. (2006).
Adaptación de la técnica de particle swarm al problema de secuenciamiento de
tareas. Scientia et Technica, 3(32), 307–312.
Toro Ocampo, E. M., Restrepo Grisales, Y. S., & Granada Echeverri, M. (2006). Algoritmo
genetico modificado aplicado al problema de secuenciamiento de tareas en
sistemas de produccion lineal–flow shop. Scientia et Technica, 1(30).
Tsubone, H., Ohba, M., Takamuki, H., & Miyake, Y. (1993). A production scheduling
system for a hybrid flow shop—a case study. Omega, 21(2), 205–214.
doi:10.1016/0305-0483(93)90053-N
Tsubone, H., Suzuki, M., Uetake, T., & Ohba, M. (2000). A Comparison between Basic
Cyclic Scheduling and Variable Cyclic Scheduling in a Two-stage Hybrid Flow Shop.
Decision Sciences, 31(1), 197–222. doi:10.1111/j.1540-5915.2000.tb00930.x
Tupia, M., Mauricio, D., La Serna, N., Zegarra, R., Román, U., Guerra, J., … Vega, H.
(2004). Un algoritmo voraz para resolver el problema de la programación de tareas
dependientes en máquinas diferentes. RISI. Revista de Investigación de Sistemas E
Informática, 1(1).
Uetake, T., Tsubone, H., & Ohba, M. (1995). A production scheduling system in a hybrid
flow shop. International Journal of Production Economics, 41(1), 395–398.
Uhlig, T., & Rose, O. (2010). Solving Scheduling Problems with Sequence-Dependent
Process Times by Evolutionary Algorithms. In IIE Annual Conference. Proceedings
(p. 1). Institute of Industrial Engineers-Publisher.
Ulusoy, G. (2004). Multiprocessor task scheduling in multistage hybrid flow-shops: a
genetic algorithm approach. Journal of the Operational Research Society, 55(5),
504–512. doi:10.1057/palgrave.jors.2601716
Urlings, T., Ruiz, R., & Şerifoğlu, F. S. (2010). Genetic algorithms with different
representation schemes for complex hybrid flexible flow line problems. International
Journal of Metaheuristics, 1(1), 30–54. doi:10.1504/IJMHEUR.2010.033122
USITC. (2004). Textiles and apparel: Assessment of the competitiveness of certain
foreign suppliers to the US market. Washington, DC: US International Trade
Commission, Publication (Vol. 3671). doi:10.2307/1166677
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(3), 612–622. doi:10.1016/j.ejor.2011.01.011
Van der Bruggen, M. (1998). El sector textil en colombia.
Van Vreckem, B., Borodin, D., De Bruyn, W., & Nowé, A. (2013). A Reinforcement
Learning Approach to Solving Hybrid Flexible Flowline Scheduling Problems. In
MISTA 2013. Retrieved from http://www.mendeley.com/research/reinforcement-
learning-approach-solving-hybrid-flexible-flowline-scheduling-problems/
 174 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

Vargas Nieto, F., & Montoya Torres, J. R. (2008). Implementing a Scheduling Procedure
based on Evolutionary Algorithms for the Production of Hot-Stamped Labels.
Ingeniería Y Universidad, 12(2), 269–299.
Vazquez Rodriguez, J. A., & Salhi, A. (2005). Performance of single stage representation
genetic algorithms in scheduling flexible flow shops. In Evolutionary Computation,
2005. The 2005 IEEE Congress on (Vol. 2, pp. 1364–1371). IEEE.
Vishwanathan, K., Kulkarni, N., Pachamuthu, A., Santos, D., & Damodaran, P. (2007). A
Comparative Study of Dispatching Rules in Hybrid Flow Shops with Discrete and
Batch Processors. In IIE Annual Conference. Proceedings (p. 1278). Institute of
Industrial Engineers-Publisher.
Voß, S., & Witt, A. (2007). Hybrid flow shop scheduling as a multi-mode multi-project
scheduling problem with batching requirements: A real-world application. Scheduling
in Batch-Processing Industries and Supply Chains, 105(2), 445–458.
doi:10.1016/j.ijpe.2004.05.029
Wang, J. B., & Xia, Z. Q. (2005). Flow-shop scheduling with a learning effect. Journal of
the Operational Research Society, 56(11), 1325–1330.
Weintraub, A., Cormier, D., Hodgson, T., King, R., Wilson, J., & Zozom, A. (1999).
Scheduling with alternatives: a link between process planning and scheduling. IIE
Transactions, 31(11), 1093–1102. doi:10.1080/07408179908969910
Weng, M. X., Lu, J., & Ren, H. (2001). Unrelated parallel machine scheduling with setup
consideration and a total weighted completion time objective. International Journal of
Production Economics, 70(3), 215–226.
Weng, W., & Fujimura, S. (2012). Control methods for dynamic time-based manufacturing
under customized product lead times. European Journal of Operational Research,
218(1), 86–96. doi:10.1016/j.ejor.2011.10.014
Williams, R. H., Pitts, S. T., & Kamery, R. H. (2004). Scheduling decision rules for an
integrated carpet manufacturer. Academy of Legal, Ethical and Regulatory Issues,
197.
Xiao, W., Hao, P., Zhang, S., & Xu, X. (2000). Hybrid flow shop scheduling using genetic
algorithms. In Intelligent Control and Automation, 2000. Proceedings of the 3rd
World Congress on (Vol. 1, pp. 537–541). IEEE.
Xie, X., & Tang, L. (2009). Analysis of a Heuristics for Scheduling Two-Stage Hybrid Flow
Shop. In Computational Sciences and Optimization, 2009. CSO 2009. International
Joint Conference on (Vol. 2, pp. 879–882). IEEE.
Xing, W., & Zhang, J. (2000). Parallel machine scheduling with splitting jobs. Discrete
Applied Mathematics, 103(1-3), 259–269. doi:10.1016/S0166-218X(00)00176-1
Xu, Y., Wang, L., Wang, S., & Liu, M. (2013). An effective shuffled frog-leaping algorithm
for solving the hybrid flow-shop scheduling problem with identical parallel machines.
Engineering Optimization, 45(12), 1409. Retrieved from
http://ezproxy.unal.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct=tr
ue&db=edb&AN=91103490&lang=es&site=eds-live
Yagmahan, B., & Yenisey, M. M. (2008). Ant colony optimization for multi-objective flow
shop scheduling problem. Computers & Industrial Engineering, 54(3), 411–420.
Bibliografía 175

Yalaoui, N., Amodeo, L., Yalaoui, F., & Mahdi, H. (2010). Particle swarm optimization
under fuzzy logic controller for solving a hybrid reentrant flow shop problem. In
Parallel & Distributed Processing, Workshops and Phd Forum (IPDPSW), 2010 IEEE
International Symposium on (pp. 1–6). IEEE.
Yalaoui, N., Mahdi, H., Amodeo, L., & Yalaoui, F. (2011). A particle swarm optimization
under fuzzy logic controller to solve a scheduling problem. In Communications,
Computing and Control Applications (CCCA), 2011 International Conference on (pp.
1–6). IEEE.
Yanai, S., & Fujie, T. (2006). A three-machine permutation flow-shop problem with
minimum makespan on the second machine. Journal of the Operational Research
Society, 57(4), 460–468. doi:10.1057/palgrave.jors.2602014
Yandra, & Tamura, H. (2007). A new multiobjective genetic algorithm with heterogeneous
population for solving flowshop scheduling problems. International Journal of
Computer Integrated Manufacturing, 20(5), 465–477.
Yang, J. (2011). Minimizing total completion time in two-stage hybrid flow shop with
dedicated machines. Computers & Operations Research, 38(7), 1045–1053.
doi:10.1016/j.cor.2010.10.009
Yang, S., Ma, Y., Xu, D., & Yang, J. (2011). Minimizing total completion time on a single
machine with a flexible maintenance activity. Computers & Operations Research,
38(4), 755–770. doi:10.1016/j.cor.2010.09.003
Yao, F. S., Zhao, M., & Zhang, H. (2012). Two-stage hybrid flow shop scheduling with
dynamic job arrivals. Computers and Operation Research, 39(7), 1701–1712.
doi:10.1016/j.cor.2011.10.006
Yaurima, V., Burtseva, L., & Tchernykh, A. (2009). Hybrid flowshop with unrelated
machines , sequence-dependent setup time , availability constraints and limited
buffers q. Computers & Industrial Engineering, 56(4), 1452–1463.
doi:10.1016/j.cie.2008.09.004
Yen-Wen, W., Chen-Hao, L., & Chin-Yuan, F. (2010). Develop a sub-population Memetic
algorithm for multi-objective scheduling problems. In Computer and Automation
Engineering (ICCAE), 2010 The 2nd International Conference on (Vol. 5, pp. 579–
583). IEEE.
Ying, K., & Cheng, H. (2010). Dynamic parallel machine scheduling with sequence-
dependent setup times using an iterated greedy heuristic. Expert Systems With
Applications, 37(4), 2848–2852. doi:10.1016/j.eswa.2009.09.006
Yokoyama, M. (2001). Hybrid flow-shop scheduling with assembly operations.
International Journal of Production Economics, 73(2), 103–116.
Yuan, K., Sauer, N., & Sauvey, C. (2009). Application of EM algorithm to hybrid flow shop
scheduling problems with a special blocking. In Emerging Technologies & Factory
Automation, 2009. ETFA 2009. IEEE Conference on (pp. 1–7). IEEE.
Yue-wen, F., Feng-xing, Z., Xiao-hong, X., Qing-zhu, C., & Jia-hua, W. (2011). Hybrid
Flow-Shop Scheduling Method Based on Multi- agent Particle Swarm Optimization *,
(June), 755–759.
Zandieh, M., Dorri, B., & Khamseh, A. (2009). Robust metaheuristics for group scheduling
 176 Mejora de tiempos de entrega en un flow shop híbrido flexible usando
técnicas inteligentes. Aplicación en la industria de tejidos técnicos

with sequence-dependent setup times in hybrid flexible flow shops. The International
Journal of Advanced …. Retrieved from
http://link.springer.com/article/10.1007/s00170-008-1740-x
Zandieh, M., Fatemi Ghomi, S. M. T., & Moattar Husseini, S. M. (2006). An immune
algorithm approach to hybrid flow shops scheduling with sequence-dependent setup
times. Applied Mathematics and Computation, 180(1), 111–127.
doi:10.1016/j.amc.2005.11.136
Zandieh, M., & Hashemi, A. (2015). Group scheduling in hybrid flexible flowshop with
sequence-dependent setup times and random breakdowns via integrating genetic
algorithm and simulation. International Journal of Industrial …. Retrieved from
http://www.inderscienceonline.com/doi/abs/10.1504/IJISE.2015.072273
Zandieh, M., & Karimi, N. (2010). An adaptive multi-population genetic algorithm to solve
the multi-objective group scheduling problem in hybrid flexible flowshop with
sequence-dependent setup times. Journal of Intelligent Manufacturing.
doi:10.1007/s10845-009-0374-7
Zandieh, M., & Karimi, N. (2011). An adaptive multi-population genetic algorithm to solve
the multi-objective group scheduling problem in hybrid flexible flowshop with
sequence-dependent setup times. Journal of Intelligent Manufacturing, 22(6), 979–
989.
Zandieh, M., Mozaffari, E., & Gholami, M. (2009). A robust genetic algorithm for
scheduling realistic hybrid flexible flow line problems. Journal of Intelligent
Manufacturing, 21(6), 731–743. doi:10.1007/s10845-009-0250-5
Zandieh, M., Mozaffari, E., & Gholami, M. (2010). A robust genetic algorithm for
scheduling realistic hybrid flexible flow line problems. Journal of Intelligent
Manufacturing. Retrieved from http://link.springer.com/article/10.1007/s10845-009-
0250-5
Zarandi, M. H. F., & Esmaeilian, M. (2003). A systematic fuzzy modeling for scheduling of
textile manufacturing system. In Fuzzy Information Processing Society, 2003.
NAFIPS 2003. 22nd International Conference of the North American (pp. 359–364).
IEEE.
Zarandi, M. H. F., Esmaeilian, M., & Zarandi, M. M. F. (2007). A systematic fuzzy system
modeling for scheduling of textile manufacturing system. International Journal of
Management Science and Engineering Management, 2(4), 297–309.
Zhan, Y., & Qiu, C. (2008). Genetic algorithm application to the hybrid flow shop
scheduling problem. In Mechatronics and Automation, 2008. ICMA 2008. IEEE
International Conference on (pp. 649–653). IEEE.
Zhang, C., Ning, J., & Ouyang, D. (2010). A hybrid alternate two phases particle swarm
optimization algorithm for flow shop scheduling problem. Computers & Industrial
Engineering, 58(1), 1–11.
Zhang, W., Yin, C., Liu, J., & Linn, R. J. (2005). Multi-job lot streaming to minimize the
mean completion time in m-1 hybrid flowshops. International Journal of Production
Economics, 96(2), 189–200. doi:10.1016/j.ijpe.2004.04.005
Zhang, X., & van de Velde, S. (2012). Approximation algorithms for the parallel flow shop
Bibliografía 177

problem. European Journal of Operational Research, 216(3), 544–552.

doi:10.1016/j.ejor.2011.08.007
Zhao, X., & Tang, J. (2010). No-wait flow shop scheduling based on artificial immune
system. In Advanced Computer Control (ICACC), 2010 2nd International Conference
on (Vol. 3, pp. 436–440). IEEE.
Zheng, T., & Yamashiro, M. (2010). Solving flow shop scheduling problems by quantum
differential evolutionary algorithm, 643–662. doi:10.1007/s00170-009-2438-4
Zhou, X., & Lu, Y.-Z. (2010). A New Heuristic Method Combined with Lagrangian
Relaxation Algorithm for Hybrid Flow Shop Problem. In 2010 IEEE International
Conference on Industrial Engineering and Engineering Management (pp. 2426–
2430).