Examinando por Materia "Job Shop"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónSólo datos
    UN ALGORITMO GENÉTICO HÍBRIDO Y UN ENFRIAMIENTO SIMULADO PARA SOLUCIONAR EL PROBLEMA DE PROGRAMACIÓN DE PEDIDOS JOB SHOP (A HYBRID GENETIC ALGORITHM AND A SIMULATED ANNEALING FOR SOLVING THE JOB SHOP SCHEDULING PROBLEM)
    (Fondo Editorial EIA - Universidad EIA, 2013-10-02) Meisel, José David; Prado, Liliana Katherine
    La programación de pedidos para el problema de producción Job Shop(JSP), catalogado como NP-Hard, ha constituido un reto para la comunidad científica, debido a que alcanzar una solución óptima a este problemase dificulta en la medida que crece en número de máquinas y trabajos. Numerosas técnicas, entre ellas las metaheurísticas, se han empleadopara su solución, sin embargo, su eficiencia, en cuanto a tiempo computacional, no ha sido muy satisfactoria. Por lo anterior y para contribuir a la soluciónde este problema, se planteó el uso de unenfriamiento simulado propuesto (ESP) y de un algoritmo genético mejorado (AGM). Para el AGM se implementó una estrategia de enfriamiento simulado en la fase de mutación, que permite al algoritmo intensificar y diversificar las soluciones al mismo tiempo, con el fin de que no converja prematuramente a un óptimo local. Los resultados mostraron que los algoritmos propuestos arrojan buenos resultados, con desviaciones alrededor de los mejore svalores encontrados que no superan el 5 % para los problemas más complejos.
  • Miniatura
    PublicaciónSólo datos
    Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop
    (Fondo Editorial EIA - Universidad EIA, 2019-01-20) Castrillón Gomez, Omar Danilo; Sarache, William Ariel; Ruiz Herrera, Santiago
    El objetivo de este trabajo es seleccionar, por medio de un clasificador bayesiano de dos clases, la mejor regla de prioridad que puede ser aplicada en un problema Job Shop: Open Shop.  En una primera fase se expone el diseño del clasificador, entrenado con 300 problemas generados aleatoriamente. En 150 de ellos,  la mejor regla de prioridad  para secuenciarlos fue FIFO (First in First Out) y en los restantes fue la regla LPT (Long Process Time). En una segunda fase, un conjunto de 300 problemas diferentes, con las mismas características de la primera fase, fueron generados aleatoriamente. Estos problemas fueron clasificados previamente (sin secuenciarlos) por medio la técnica bayesiana propuesta. Los resultados demuestran que en el 96% de los casos, el clasificador propuesto logra identificar la mejor regla de  prioridad para secuenciar pedidos