La mayoria de los metodos empleados en la programacion de operaciones se basan en supuestos estaticos en relacion con el entorno de fabricacion y los pedidos de los clientes. Sin embargo, en el mundo real, es muy raro que se cumplan estos supuestos. En consecuencia, resulta necesario modificar los programas de produccion frente a la aparicion de sucesos inesperados en lo que respecta a la disponibilidad de los medios productivos o la prioridad de las ordenes de trabajo. En la practica, es muy costoso disenar nuevos programas para hacer frente a estos problemas, por lo que lo mas habitual es utilizar soluciones aproximadas. Por una parte, las reglas heuristicas pueden proporcionar buenas soluciones a problemas complejos en tiempo real. Por otra parte, los algoritmos geneticos tambien pueden aplicarse con exito a la programacion dinamica de operaciones gracias a su flexibilidad para adaptarse al tiempo disponible para hallar una solucion. En este articulo se comparan las soluciones aportadas por ambos metodos en un prototipo implementado en el contexto de un proyecto europeo perteneciente al programa Competitive and Sustainable Growth.
[1]
Chandrasekharan Rajendran,et al.
New dispatching rules for shop scheduling: A step forward
,
2000
.
[2]
Vidyaranya B. Gargeya,et al.
Scheduling in the dynamic job shop under auxiliary resource constraints: A simulation study
,
1999
.
[3]
P. Brunn,et al.
Workshop scheduling using practical (inaccurate) data Part 3: A framework to integrate job releasing, routing and scheduling functions to create a robust predictive schedule
,
2000
.
[4]
D. E. Goldberg,et al.
Genetic Algorithms in Search
,
1989
.
[5]
Albert Y. Zomaya,et al.
Scheduling in Parallel Computing Systems: Fuzzy and Annealing Techniques
,
1999
.
[6]
Andrea Rossi,et al.
Dynamic scheduling of FMS using a real-time genetic algorithm
,
2000
.
[7]
A. J. Clewett,et al.
Introduction to sequencing and scheduling
,
1974
.