Algoritmos...

en una m
aquina con una fecha de entrega com
un

Algoritmos exactos y heursticos para

minimizar el adelantamiento y retraso
ponderados en una m
aquina con una
fecha de entrega com
un
R. Alvarez-Valdes, E. Crespo, J.M. Tamarit
Universitat de Val`encia
Villa, M. Fulgencia
Universitat Polit`ecnica de Val`encia
RESUMEN
En la planicaci
on Just-In-Time (JIT) no solo se penaliza el retraso sino tambien
el adelanto en la ejecuci
on de las tareas. En nuestro trabajo consideramos el problema
de planicaci
on de una m
aquina donde el objetivo es minimizar el coste total ponderado
del atraso y el adelanto con un fecha de entrega com
un. Partiendo de los trabajos anteriores que nos describen las caractersticas de las soluciones optimas hemos desarrollado
diferentes modelos que proporcionan soluciones de una gran calidad comparadas con las
existentes hasta ahora en la literatura.

Palabras clave: Secuenciacion; Una m

aquina; Adelanto y retraso; Heursticas; Programacion Cuadr
atica
Clasicaci
on JEL (Journal Economic Literature): C65

Area
tem
atica: Programaci
on Matem
atica

XVI Jornadas de ASEPUMA y IV Encuentro Internacional

Rect@ Vol Actas 16 Issue 1:704

Alvarez-Valdes, Crespo, Tamarit y Villa

INTRODUCCION
En la planicacion Just-In-Time (JIT) se penaliza tanto el retraso en la eje-

cucion de las tareas como el adelanto de las mismas. Las tareas atrasadas suponen
descontento del cliente, penalizaciones en los contratos, perdidas de ventas y reputacion... Pero tambien las tareas adelantadas tienen efectos no deseables tales como
costes de almacenamiento y seguros, costes de oportunidad del dinero invertido en el
exceso de inventario y deterioro del producto. Por tanto, los criterios relacionados
tanto con el retraso como el adelanto han suscitado una atencion creciente en la
investigacion de la planicacion de maquinas. En nuestro trabajo consideramos el
problema de planicacion de una maquina donde el objetivo es minimizar el coste
total ponderado del atraso y el adelanto con un fecha de entrega com
un. El problema puede denirse tal como exponemos a continuacion. Sean n tareas que han
de ser procesadas en una maquina, todas ellas con una fecha de entrega com
un d.
Para cada tarea i, el tiempo de proceso es pi y las penalizaciones por periodo de
adelanto o de retraso i y i respectivamente. No estan permitidas interrupciones
en las tareas, todas ellas estan disponibles en el periodo cero y las maquinas estan
siempre disponibles. Si llamamos Ci al tiempo total de nalizacion de la tarea i
podemos expresar la funcion objetivo como
min

n
i

i Ei + i Ti , donde Ei = max{d Ci , 0} y Ti = max{Ci d, 0}.

Cuando trabajamos con esta funcion objetivo hay que distinguir dos casos. En
el caso no restrictivo la fecha de entrega es mayor o igual que la suma de todos los
tiempos de proceso, por tanto no inuye en la secuencia optima de las tareas. En
el caso contrario, el restrictivo, la fecha de entrega puede afectar a la secuenciacion
optima.
Trabajos previos sobre el problema considerado demuestran que siempre hay
una solucion optima que satisface tres propiedades:
2

XVI Jornadas de ASEPUMA y IV Encuentro Internacional

Rect@ Vol Actas 16 Issue 1:704

Algoritmos... en una m
aquina con una fecha de entrega com
un

1 La solucion no contiene ning

un periodo ocioso entre tareas consecutivas (Cheng
and Kahlbacher).
2 La planicacion optima tiene forma de V alrededor de la fecha de entrega
com
un. Las tareas acabadas antes de la fecha de entrega estan secuenciadas
en orden no creciente del valor pi /i mientras que las que empiezan en o
despues de la fecha de entrega estan secuenciadas en orden no decreciente
de pi /i (Baker and Scudder). Algunos autores dicen que la forma es de W
considerando la posibilidad de un tarea intermedia que empiece antes de d y
acabe despues.
3 En la planicacion optima o bien una tarea empieza en el tiempo cero o bien
hay una que acaba en la fecha de entrega (Hoogeveen and van de Velde).
Los procedimientos de solucion deben tener en cuenta estas propiedades para
dise
nar sus estrategias de construccion y mejora.
En nuestro trabajo proponemos modelos cuadraticos para el problema y estudiamos su capacidad de producir soluciones optimas y aproximadas para problemas
grandes.

FORMULACIONES DEL PROBLEMA

De acuerdo con la propiedad 3 podemos clasicar las instancias en dos clases:

aquellas en los que la solucion optima tiene una tarea que acaba en la fecha de
entrega y aquellas en las que comienza en el tiempo cero. Si en una instancia se

dan las dos condiciones la clasicamos en la primera clase. Esta

incluye problemas
que aparecen en la literatura como no restringidos porque la suma de los tiempos
de proceso de todas las tareas es menor que la fecha de entrega, pero tambien los
problemas en los que, aunque no todos las tareas pueden ser procesados antes de la
XVI Jornadas de ASEPUMA y IV Encuentro Internacional
Rect@ Vol Actas 16 Issue 1:704

Alvarez-Valdes, Crespo, Tamarit y Villa

fecha de entrega, aquellas tareas que una solucion optima incluira antes de la fecha
de entrega caben en el intervalo (0, d). La segunda clase corresponde a las instancias
donde el intervalo (0, d) esta completament lleno (de hecho habria mas tareas dentro
de el si fuera mas grande) y la secuencia de tareas empieza en el tiempo cero.
Hemos desarrollado un modelo diferente para cada una de estas clases de problemas.

2.1

Modelo 1: Problemas con una tarea que acaba en la

fecha de entrega

min

i bi

s.t.

n



j>i, inB

bj pj +


i

i ai

aj p j

(1)

ji, inA

bi pi d

(2)

i=1

ai + b i = 1

i = 1, 2, . . . , n

(3)

ai , bi {0, 1}

i = 1, 2, . . . , n

(4)

bi =

ai =

1, si la tarea i acaba en o antes de d

0, en otro caso.

i = 1, 2, .., n

1, si la tarea i comienza en o despues de d

0, en otro caso.

i = 1, 2, .., n

(5)

(6)

Este primer modelo nos determina las tareas anteriores y posteriores a la

fecha de entrega. Una vez clasicados en los dos grupos su posicion relativa dentro
de cada uno de ellos viene determinada por la propiedad 2 de la solucion optima.
4

XVI Jornadas de ASEPUMA y IV Encuentro Internacional

Rect@ Vol Actas 16 Issue 1:704

Algoritmos... en una m
aquina con una fecha de entrega com
un

2.2

Modelo 2: Problemas con una tarea que comienza en

el tiempo cero

min

i bi (d

ji, inB

n

i=1
n


i ai (T d

(1 bi ai )i (T d

s.t.

bj p j ) +

aj pj )

j>i, inA

aj p j )

(7)

bi pi d

(8)

ai p i T d

(9)

i=1

ai + bi 1


i = 1, 2, . . . , n

(10)

ai + b i n 1

(11)

ai , bi {0, 1}

i = 1, 2, . . . , n

(12)

El segundo modelo desarrollado considera la posibilidad de que puede aparecer una tarea que empiece antes de d y acabe despues. Por tanto, la funcion objetivo se calcula considerando 3 terminos. La contribucion de las tareas anteriores
a d (primer termino de la ecuacion) se calcula desde el instante inicial; la de las
posteriores (segundo termino) se calcula desde el nal de la secuencia T =


i

pi y

la de la tarea intermedia, si existe, se valora en el tercer termino.

2.3

Un modelo auxiliar
Para los problemas en los que d no afecta al optimo la solucion proporcionada

por el primer modelo es la optima. Los otros son resueltos optimamente por el
segundo modelo. Sin embargo, no es facil decidir a priori si una instancia pertenece
a la primera o la segunda clase. Aparte del caso obvio donde T =


i

pi < d hay

otras muchas instancias para las que la clasicacion no esta clara.

XVI Jornadas de ASEPUMA y IV Encuentro Internacional
Rect@ Vol Actas 16 Issue 1:704

Alvarez-Valdes, Crespo, Tamarit y Villa

Para evitar esta dicultad proponemos solucionar un modelo auxiliar en el que

el valor de d no esta jado:

i bi

i = 1, 2, . . . , n

(14)

ai , bi {0, 1}

i = 1, 2, . . . , n

(15)

bi =

ai =

i ai

ai + bi = 1

j>i, inB

bj pj +

(13)

s.t.

aj p j

min

ji, inA

1, si la tarea i acaba en o antes de d

0, en otro caso.

i = 1, 2, .., n

1, si la tarea i comienza en o despues de d

0, en otro caso.

Una vez solucionado el mismo podemos obtener d =

i = 1, 2, .., n


i bi pi ,

(16)

(17)

y la solucion

conseguida sera optima del problema original si d d . Como se puede comprobar

en los resultados computacionales este modelo cuadratico se resuelve ecientemente
y proporciona directamente la solucion optima del problema. Si d > d, la solucion
del modelo no es posible para el problema original. En este caso trabajaremos con
el segundo modelo que es difcil de resolver para instancias grandes pero la solucion
del primero nos proporciona una solucion factible y, por tanto, una cota superior de
la solucion optima.

3
3.1

RESULTADOS COMPUTACIONALES
Instancias utilizadas
El estudio computacional usa el conjunto de instancias generadas por Biskup

y Feldman. Este
incluye instancias con 10, 20, 50, 100, 200, 500 y 1000 tareas, y
6

XVI Jornadas de ASEPUMA y IV Encuentro Internacional

Rect@ Vol Actas 16 Issue 1:704

Algoritmos... en una m
aquina con una fecha de entrega com
un

para cada tama

no, se usan cuatro tipos diferentes de fechas de entrega: d =
donde = 0.2, 0.4, 0.6, 0.8. Por tanto, ya que ninguna de ellas satisface


i


i

pi ,

pi > d,

son todas restringidas. Combinando tama

no y fechas de entrega tenemos 28 tipos
para cada uno de los cuales se generaron aleatoriamente 10 instancias, lo que da un
total de 280 instancias.
Las penalizaciones por retraso son algo superiores a las del adelantamiento y,
por tanto, las soluciones optimas tienden a tener mas tareas antes de la fecha de
entrega que despues. Como consecuencia los problemas con = 0.2 y = 0.4
pertenecen a la clase en los que, en el optimo, una tarea empieza en el instante cero,
mientras que cuando = 0.8 un tarea acaba exactamente en la fecha de entrega.
Cuando = 0.6 la clasicacion no esta clara. Dado que estas instancias han sido
usadas por todos los autores mencionados podemos comparar nuestras soluciones
con las mejores soluciones obtenidas hasta ahora.

3.2

Un esquema algortmico para usar los diferentes modelos

De acuerdo con las relaciones entre los diferentes modelos y sus carac-

tersticas computacionales hemos dise

nado un esquema algortmico para resolver
cada instancia de manera optima si es posible y, en caso contrario, heursticamente.
Paso 1: Resolver el modelo auxiliar
Si d d, parar. La solucion obtenida es la optima.
Paso 2: Resolver el modelo 1
La solucion obtenida es posible para el problema original y, por tanto, su valor
es una cota superior de la solucion optima para la instancia.

XVI Jornadas de ASEPUMA y IV Encuentro Internacional

Rect@ Vol Actas 16 Issue 1:704

Alvarez-Valdes, Crespo, Tamarit y Villa

Paso 3:
1. Si n 20, Resolver el modelo 2
La solucion obtenida es la optima para la instancia.
2. Si n > 20, resolver el modelo 2 puede ser muy largo. Podemos tomar la
solucion posible del Paso 2 o tratar de mejorarla con b
usqueda local.

3.3

Resultados de los modelos

Los modelos descritos anteriormente se resolvieron utilizando CPLEX 9.0. El

modelo auxiliar resolvio casi (111) la mitad de las 280 instancias. En concreto,
practicamente todas las de = 0.8 y la mayora de las de = 0.6. En los problemas
mayores pusimos un lmite al tiempo y, seg
un nos indican las distancias a las cotas,
las soluciones obtenidas fueron muy proximas a las optimas. El principal inconveniente de este modelo es que cuando d > d para una instancia dada, la solucion no
es posible para el problema original y hay que usar otro de los modelos.
Todas las instancias de 10 tareas se resolvieron optimamente con los modelos 1
o 2.
En las instancias de 20 tareas, aunque se sospechaba que muchas de las soluciones conocidas eran las optimas, no haba garanta de ello. Nuestros modelos
consiguieron las soluciones optimas de todas ellas. En concreto, el modelo 1 consiguio el optimo en 29 de las 40 instancias y se quedo a una distancia entre el 0,11%
y el 0,17% en los restantes. En estos casos restantes, resueltos con el modelo 2,
el tiempo empleado, aunque razonable, haba crecido enormemente respecto a las
instancias de 10 tareas lo que imposibilitaba su utilizacion en instancias de mayor
tama
no.
En los casos de 50 tareas ninguno de los optimos que no resolvio el modelo
auxiliar era conocido previamente y los que no resolvio el modelo 1 no lo pudo
8

XVI Jornadas de ASEPUMA y IV Encuentro Internacional

Rect@ Vol Actas 16 Issue 1:704

Algoritmos... en una m
aquina con una fecha de entrega com
un

hacer el modelo 2 en un tiempo razonable. El modelo 1 consiguio, excepto en un

caso donde se queda a una distancia del 0,03%, todos los optimos o las mejores
soluciones conocidas lo que nos indica que, cuando crece el tama
no, el modelo 1
produce soluciones optimas o muy buenas.
En las instancias de 100 tareas los resultados son similares a los de 50 pero aqu
se igualan todas las mejores soluciones.
Cuando tenemos 200 tareas ninguno de los optimos que no resolvio el modelo
auxiliar era conocido previamente. Este modelo proporciona todos los optimos para
las instancias de = 0.8 y de = 0.6. Para los otros valores de , aunque no se
puede garantizar la optimalidad de las soluciones conseguidas por el modelo 1, este
proporciona la mejor solucion conocida para 16 de las 20 no resueltas por el modelo
auxiliar.
En los casos de 500 tareas obtenemos resultados similares a los casos de 200
pero, como el tama
no es mayor el modelo 1, bate mas claramente a los heursticos
previos.
En las instancias mayores, las de 1000 tareas, de nuevo el modelo 1 mejora la
mayora de las soluciones conocidas, 34 de 40.
En resumen, hay que se
nalar basicamente dos hechos: en primer lugar, aparte
de lo dicho para las instancias de 10 tareas, obtenemos todos los optimos en las
de 20 tareas, casi la mitad en los casos de 50 a 500 e incluso unos pocos de 1000
tareas. En segundo lugar, el modelo 1 puede ser considerado un excelente heurstico
para aquellos casos en los que no consigue la solucion optima. La condicion de
que una tarea haya de acabar exactamente en la fecha de entrega tiene una mala
inuencia en la calidad de las soluciones para peque
nas instancias, lo que obliga
a utilizar el modelo 2, pero es insignicante para las grandes. En estos casos la
solucion proporcionada por el modelo 1 parece estar muy proxima al optimo para
instancias muy grandes.
XVI Jornadas de ASEPUMA y IV Encuentro Internacional
Rect@ Vol Actas 16 Issue 1:704

Alvarez-Valdes, Crespo, Tamarit y Villa

Por u
ltimo, hemos de se
nalar que inicialmente pensamos en implementar procedimientos de b
usqueda local. Sin embargo los resultados conseguidos por los
modelos descritos eran de tan buena calidad que consideramos que las mejoras que
poda obtener la b
usqueda local no compensaban, en la inmensa mayora de los
casos, el esfuerzo computacional.

REFERENCIAS BIBLIOGRAFICAS
Baker, K.R. and Scudder, G.D. (1990). Sequencing with earliness and tardiness penalties: A review. Oper. Res., 38, 22-36.
Biskup, D. and Feldman, M. (2001). Benchmarks for scheduling on a single
machine against restrictive and unrestrictive common due dates. Comput.
Oper. Res., 28, 787-801.
Cheng, T.C.E. and Kahlbacher, H.G. (1991). A proof for the longest-job-rst
in one-machine scheduling. Naval Res. Logist., 38, 715-720.
Hoogeveen, J.A. and van de Velde, S.L. (1991). Scheduling around a small
common due date. Eur. J. Oper. Res., 55, 237-242.

10

XVI Jornadas de ASEPUMA y IV Encuentro Internacional

Rect@ Vol Actas 16 Issue 1:704