Resumen de Un enfoque de optimización y simulación utilizando algoritmo genético para el problema de secuenciamiento dinámico con demanda estocástica

Marilda de Fátima de Souza da Silva, Fernanda Morán Menezes Pereira, Patrícia Chambal Rodriguez, Fábio Henrique Pereira

• español

  El problema de programación de la producción en ambientes job shop ha sido ampliamente estudiado en las últimas décadas debido a su importancia y complejidad computacional. Sin embargo, una gran parte de los trabajos abordan la versión estática y determinista del problema. En este trabajo se presenta la integración de un modelo de simulación con un método de optimización para resolver el problema de programación dinámica con demanda estocástica. La integración del modelo propuesto se logra utilizando componentes fuera de proceso, a través de la tecnología ActiveX Automation y Visual Basic for Application, en la que un Algoritmo Genético simple se ejecuta como una aplicación autónoma. Los resultados del© método propuesto se compararon con algunas normas comunes de expedición y muestran que el método de optimización y simulación pueden resolver el problema de programación eficientemente. Además las soluciones generadas por el AG son menos sensibles a las variaciones de la demanda, lo que es muy significativo en estos entornos.

• English

  The Job Shop scheduling problem has been extensively studied in the last decades due to its importance and computational complexity. However, a large part of the papers address the static and deterministic version of the problem. This work presents an integration of a simulation model with an optimization method in order to solve the dynamic job shop scheduling problem. The proposed model integration is accomplished using out-of-process components, through the ActiveX Automation technology and the Visual Basic for Application, in which a simple Genetic Algorithm runs as a free-standing application. Results of the proposed method were compared with some common dispatching rules and showed that the proposed approach the scheduling problem efficiently. Moreover, the solutions generated by GA are less sensitive to variations in demand, which is quite significant in such environments.