Show simple item record

dc.rights.licenceAtribución-NoComercial-SinDerivadas 4.0 Internacional*
dc.contributor.advisorParedes Astudillo, Yenny Alexandraspa
dc.contributor.authorPardo Urbano, Lorenaspa
dc.contributor.authorRamirez Briñez, Juan Camilospa
dc.contributor.authorNiño Preciado, Diego Alejandrospa
dc.coverage.spatialColombia (Colombia)spa
dc.date.accessioned2021-08-25T16:50:03Z
dc.date.available2021-08-25T16:50:03Z
dc.date.created2021
dc.identifier.urihttp://hdl.handle.net/10554/56627
dc.description.abstractA lo largo del tiempo, los modelos de scheduling han sido de gran utilidad en la industria manufacturera para optimizar resultados en las metas establecidas a través de decisiones de asignación de recursos y actividades. Aunque dichos modelos han ayudado a las organizaciones a estructurar de manera adecuada sus procesos productivos, han incluido únicamente máquinas dentro de su modelado y han simplificado el factor humano considerando su comportamiento como estacionario y constante. Los modelos fundamentados bajo estos supuestos ignoran, entre otras cosas, que el hombre aprende a medida que adquiere experiencia y por ende mejora su desempeño frente a una actividad en particular. Por lo anterior, es necesario incorporar estos aspectos dentro del modelo ya que impactan directamente en la mejora de las relaciones internas, la calidad y la productividad del sistema. Este documento propone la incorporación del efecto del aprendizaje del factor humano dentro de un modelo de scheduling que minimice el makespan bajo un marco de sistema flow-shop con operaciones manuales altamente intensivas, además del diseño de una simheurística que permita hallar una asignación factible al problema planteado en un tiempo de ejecución razonable teniendo en cuenta el comportamiento estocástico de los tiempos de procesamiento. Dicha técnica se basa en la aplicación de simulación de Montecarlo y la metaheurística GRASP, compuesta por la fase constructiva y la búsqueda local. En la primera fase se hace uso de la heurística NEH para construir una solución inicial al aumentar la exploración del espacio de soluciones mediante la diversificación de las mismas. En cuanto a la segunda fase, se busca la mejora de la solución por medio de la búsqueda local con el operador 2OPT.El problema planteado con tiempos de procesamiento estocásticos fue resuelto y una variación al problema FSP con aprendizaje fue planteada considerando dicha variación en las tasas de aprendizaje de cada operario. Los resultados obtenidos para un conjunto de datos de ejemplo se analizaron con el fin de caracterizar y entender mejor las soluciones obtenidas. Finalmente, se aplicó la técnica bajo diferentes escenarios tales como: determinista clásico, determinista con aprendizaje, con tiempos de procesamiento estocásticos y con tasas de aprendizaje estocásticas con el fin de evaluar el desempeño de la herramienta propuesta y medir el impacto de la inclusión de estos factores en diferentes conjuntos de datos o instancias encontradas en la literatura.spa
dc.formatPDFspa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherPontificia Universidad Javerianaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectFactores humanos
dc.subjectProgramación de producción
dc.subjectEfecto de aprendizaje
dc.subjectEstocástico
dc.subjectFlow shop
dc.subjectGRASP
dc.subjectMakespan
dc.subjectIncertidumbre
dc.titleModelo de scheduling bajo efecto de aprendizaje humano en un sistema flow-shop con operaciones manualmente intensivasspa
dc.type.hasversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.title.englishScheduling model under the effect of human learning in a flow-shop system with intensive manual operationsspa
dc.contributor.evaluatorBolívar Atuesta, Stevensonspa
dc.contributor.evaluatorZambrano Rey, Gabriel Mauriciospa
dc.subject.keywordHuman factors
dc.subject.keywordScheduling
dc.subject.keywordLearning effect
dc.subject.keywordStochastic
dc.subject.keywordFlow shop
dc.subject.keywordGRASP
dc.subject.keywordMakespan
dc.subject.keywordUncertainty
dc.description.abstractenglishOver time, scheduling models have been highly appropriate in the manufacturing industry to optimize outcomes in the goals established through decisions to allocate resources and activities. These models have helped organizations to appropriately structure their production processes, including fully automated procedures within modeling, simplifying human factors by considering their behavior as stationary and constant. The models based on these assumptions ignore, among other things, the learning and acquisition of experience by humans and therefore, their improvement in a particular activity. For this reason, it is necessary to incorporate these aspects into the model because of their direct impact on the improvement of internal relations, quality, and productivity of a system. This document proposes the incorporation of the learning effect of the human factor within a scheduling model that minimizes the makespan under a flow-shop framework with highly intensive manual operations. In addition to the design of a simheuristic that allows finding a feasible arrangement assignment to the problem, raised in a reasonable execution of time, the stochastic behavior of the processing times was taking into account. This technique is based on the Monte Carlo simulation application and the GRASP metaheuristic, constituted by the constructive and the local search phase. In the first phase, the NEH heuristic is used to build an initial solution by increasing the exploration of the solution space, and therefor diversifying it. As for the second phase, the improvement of the solution is sought through a local search with the 2OPT operator. The problem based on stochastic processing times was solved, and a variation to the FSP problem with learning was proposed, considering said variation in the learning rates of each operator. The results obtained for an example data set were analyzed to better characterize and understand the solutions obtained. Finally, the technique was applied under different scenarios, such as classical deterministic, deterministic with learning, stochastic processing times, and stochastic learning rates to evaluate the performance of the proposed tool, and measure the impact of their inclusion factors in different data sets or instances found in the literature.spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.publisher.programIngeniería Industrialspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.type.localTesis/Trabajo de grado - Monografía - Pregradospa
dc.subject.armarcIngeniería industrial - Tesis y disertaciones académicasspa
dc.subject.armarcProgramación de la producciónspa
dc.subject.armarcFlujos (Sistemas dinámicos diferenciales)spa
dc.subject.armarcIncertidumbrespa
dc.description.degreenameIngeniero (a) Industrialspa
dc.description.degreelevelPregradospa
dc.identifier.instnameinstname:Pontificia Universidad Javerianaspa
dc.identifier.reponamereponame:Repositorio Institucional - Pontificia Universidad Javerianaspa
dc.identifier.repourlrepourl:https://repository.javeriana.edu.cospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.rights.localDe acuerdo con la naturaleza del uso concedido, la presente licencia parcial se otorga a título gratuito por el máximo tiempo legal colombiano, con el propósito de que en dicho lapso mi (nuestra) obra sea explotada en las condiciones aquí estipuladas y para los fines indicados, respetando siempre la titularidad de los derechos patrimoniales y morales correspondientes, de acuerdo con los usos honrados, de manera proporcional y justificada a la finalidad perseguida, sin ánimo de lucro ni de comercialización. De manera complementaria, garantizo (garantizamos) en mi (nuestra) calidad de estudiante (s) y por ende autor (es) exclusivo (s), que la Tesis o Trabajo de Grado en cuestión, es producto de mi (nuestra) plena autoría, de mi (nuestro) esfuerzo personal intelectual, como consecuencia de mi (nuestra) creación original particular y, por tanto, soy (somos) el (los) único (s) titular (es) de la misma. Además, aseguro (aseguramos) que no contiene citas, ni transcripciones de otras obras protegidas, por fuera de los límites autorizados por la ley, según los usos honrados, y en proporción a los fines previstos; ni tampoco contempla declaraciones difamatorias contra terceros; respetando el derecho a la imagen, intimidad, buen nombre y demás derechos constitucionales. Adicionalmente, manifiesto (manifestamos) que no se incluyeron expresiones contrarias al orden público ni a las buenas costumbres. En consecuencia, la responsabilidad directa en la elaboración, presentación, investigación y, en general, contenidos de la Tesis o Trabajo de Grado es de mí (nuestro) competencia exclusiva, eximiendo de toda responsabilidad a la Pontifica Universidad Javeriana por tales aspectos. Sin perjuicio de los usos y atribuciones otorgadas en virtud de este documento, continuaré (continuaremos) conservando los correspondientes derechos patrimoniales sin modificación o restricción alguna, puesto que, de acuerdo con la legislación colombiana aplicable, el presente es un acuerdo jurídico que en ningún caso conlleva la enajenación de los derechos patrimoniales derivados del régimen del Derecho de Autor. De conformidad con lo establecido en el artículo 30 de la Ley 23 de 1982 y el artículo 11 de la Decisión Andina 351 de 1993, "Los derechos morales sobre el trabajo son propiedad de los autores", los cuales son irrenunciables, imprescriptibles, inembargables e inalienables. En consecuencia, la Pontificia Universidad Javeriana está en la obligación de RESPETARLOS Y HACERLOS RESPETAR, para lo cual tomará las medidas correspondientes para garantizar su observancia.spa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 4.0 Internacional
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 4.0 Internacional