The Job Shop Scheduling Problem (JSP) is a combinatorial optimization problem cataloged as type NP-Hard. To solve this problem, several heuristics and metaheuristics have been used. In order to minimize the makespan, we propose a Memetic Algorithm (MA), which combines the exploration of the search space by a Genetic Algorithm (GA), and the exploitation of the solutions using a local search based on the neighborhood structure of Nowicki and Smutnicki. The genetic strategy uses an operation-based representation that allows generating feasible schedules, and a selection probability of the best individuals that are crossed using the JOX operator. The results of the implementation show that the algorithm is competitive with other approaches proposed in the literature.

Los vehículos aéreos no tripulados más conocidos como drones han despertado gran interés en los últimos años, teniendo aplicaciones en operaciones militares y civiles, recientemente se ha investigado acerca de las ventajas de su uso en la distribución de paquetes. En esta investigación se aborda un Problema de Ruteo de Vehículos con Drones (VRPD) enfocado a la distribución de última milla, en el cual los drones y camiones pueden trabajan de manera simultánea, considerando un límite de capacidad para el camión y el dron, así como restricciones asociadas al tiempo de la ruta. Dentro de la formulación matemática se propone una ecuación de velocidad de vuelo del dron y se restringen las rutas a un porcentaje límite de batería disponible para evitar mal funcionamiento en el aire. Para resolver esta formulación se usa el algoritmo Adaptive Large Neighborhood Search (ALNS), que es validado usando instancias propuestas en la literatura. Además, se verifica cómo varía la función objetivo de la solución inicial mediante la utilización de las heurísticas de destrucción y reparación, finalmente se realiza un análisis de sensibilidad para algunos parámetros del algoritmo y características de los drones; realizando conclusiones de los resultados arrojados y efectuando recomendaciones para futuras investigaciones.