Se propone un modelo de programación de la producción mediante la aplicación de una meta heurística para lograr la reducción del tiempo de terminación del último trabajo (makespan). Se eligió como objeto de estudio una empresa del sector textil y a partir de la codificación de un algoritmo genético simple se desarrolló una metodología de programación de la producción para configuraciones tipo línea de flujo (flow shop) híbrida flexible. El algoritmo arroja resultados de buena calidad con tiempos computacionales bastante razonables y con coeficientes de variación del orden de 2%, en relación a los valores del makespan. Este modelo también muestra un nivel de eficiencia comparable a otras aplicaciones encontradas en la literatura, en las cuales se utilizan algoritmos evolutivos. Se concluye que a partir de la codificación del sistema productivo y sus principales restricciones, el algoritmo genético ejecuta bien la programación de producción reduciendo el makespan.

ResumenEste trabajo describe una propuesta de solución al problema de procesar n trabajos en m máquinas paralelas no relacionadas. Es un problema de asignación generalizado de orden lineal y tipo combinatorial que considera tiempos de montaje dependientes de la secuencia y entrada dinámica de trabajos. Se propone un algoritmo genético con codificación entera y conformación de la población, selección de padres, cruzamiento y mutación aleatorios. Hay dos descendientes por generación que compiten contra el peor elemento existente para entrar a la población. Se itera un número de generaciones proporcional al producto de nxm para obtener la solución En cada máquina se secuencian los trabajos por fecha de entrega y los tiempos computacionales son aceptables. Se concluye que el problema pudo ser solucionado mediante el algoritmo genético propuesto de forma eficaz y eficiente y que las soluciones se enfocan en reducir el tiempo de procesamiento y cumplimiento de fechas de entrega. Palabras clave: meta-heurísticas, máquinas paralelas, optimización, programación de actividades Scheduling of Non-Related Parallel Machines with Sequence Dependent Setup Times and Dynamic Entry using Genetic Algorithms AbstractThis paper describes a solution method to the problem of processing n jobs on m non-related parallel machines. It is a linear and combinatorial generalized allocation problem that considered a sequencedependent setup time and dynamic job entry. A genetic algorithm with integer coding and random generation of population, parent selection, crossover and mutation is proposed. There are two descendants per generation that are compared against the worst existing element to enter to population. After a number of generations that is proportional to the product of nxm the solution is generated. The jobs are sequenced on each machine by due date and computational times are acceptable. It is concluded that the proposed genetic algorithm is an effective and efficient solution that focuses on reducing processing time and on meeting deadlines.

No abstract

Recibido el 06 de noviembre de 2013 y aprobado el 03 de junio de 2014, actualizado el 17 junio de 2014 RESUMEN¿De dónde provienen los actuales problemas ambientales? Se ha detectado que uno de los principales causantes es la disposición y manejo que se le da a los productos post-uso. El objetivo del presente artículo es explorar la procedencia de la problemática causada por residuos industriales y productos post-uso y analizar las consecuencias sobre el ambiente, la economía y la sociedad, resultando que el problema se ha repetido cada vez con más intensidad desde tiempos presocráticos. Para ello, se recurrió a la consulta exploratoria de libros, artículos, revistas, eventos mundiales y locales en bases de

The classification of seeds is a fundamental factor in all agricultural processes, especially regarding the obtention of the highest possible profitability of the products once they are ready to be harvested, and to avoid fastidious manual processes. This investigative work performs a data mining analysis, in order to establish the most influential independent variables in the classification of a seed, in this case of a dry bean. The analyzed independent variables are as follows: Area, perimeter, longest axis length, shortest axis length, aspect, eccentricity, convex area, equivalent diameter, extension, solidity, roundness, chromaticity, form factor 1, form factor 2, form factor 3, form factor 4. Likewise, a dependent variable called class is established, which consists of seven states: Barbunya, Bombay, Cali, Dermason, Horoz, Seker and Sira. In this research, the J48 Algorithm of the machine learning and data mining platform called Weka is used, to identify the class to which a seed can belong to, as well as the most influential independent variables in this process. As a result, it was found with an effectiveness greater than 93%, that the most influential variables are: Perimeter, greatest axis length, least axis length.