Professional Documents
Culture Documents
en una m
aquina con una fecha de entrega com
un
Area
tem
atica: Programaci
on Matem
atica
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
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
Algoritmos... en una m
aquina con una fecha de entrega com
un
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
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
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 =
i = 1, 2, .., n
i = 1, 2, .., n
(5)
(6)
Algoritmos... en una m
aquina con una fecha de entrega com
un
2.2
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
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
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
i = 1, 2, .., n
i = 1, 2, .., n
i bi pi ,
(16)
(17)
y la solucion
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
Algoritmos... en una m
aquina con una fecha de entrega com
un
i
i
pi ,
pi > d,
3.2
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
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
Algoritmos... en una m
aquina con una fecha de entrega com
un
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