Modelo de scheduling bajo efecto de aprendizaje humano en un sistema flow-shop con operaciones manualmente intensivas

Abstract

A 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.