Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Ingeniería Industrial. Actualidad y Nuevas Tendencias ISSN: 1856-8327 revistaiiaynt@gmail.com Universidad de Carabobo Venezuela Silva Rodríguez, Julián; Díaz Cárdena, Camilo; Galindo Carabalí, Julián Herramientas cuantitativas para la planeación y programación de la producción: estado del arte Ingeniería Industrial. Actualidad y Nuevas Tendencias, vol. V, núm. 18, 2017, pp. 99-114 Universidad de Carabobo Carabobo, Venezuela Disponible en: http://www.redalyc.org/articulo.oa?id=215052403008 Cómo citar el artículo Número completo Más información del artículo Página de la revista en redalyc.org Sistema de Información Científica Red de Revistas Científicas de América Latina, el Caribe, España y Portugal Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto http://www.redalyc.org/revista.oa?id=2150 http://www.redalyc.org/revista.oa?id=2150 http://www.redalyc.org/revista.oa?id=2150 http://www.redalyc.org/articulo.oa?id=215052403008 http://www.redalyc.org/comocitar.oa?id=215052403008 http://www.redalyc.org/fasciculo.oa?id=2150&numero=52403 http://www.redalyc.org/articulo.oa?id=215052403008 http://www.redalyc.org/revista.oa?id=2150 http://www.redalyc.org Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 99 Herramientas cuantitativas para la planeación y programación de la producción: estado del arte Quantitative tools for production planning and scheduling: state of the art Julián Silva Rodríguez, Camilo Díaz Cárdenas, Julián Galindo Carabalí Palabras clave: planeación de la producción, programación de la producción, modelos matemáticos Key words: Production planning, production scheduling, mathematical models RESUMEN Este artículo tiene como objetivo primordial mostrar la tendencia de investigaciones desarrolladas en las diferentes teorías y aplicaciones que se han abarcado respecto a la Planeación y Programación de la Producción, evidenciando las facilidades que se obtienen al aplicar modelos matemáticos existentes y usados por los autores. Para la revisión se utilizó el método de “Análisis de contenido”, haciendo uso de bases de datos como Science Direct, Redalyc, Scopus, Sicelo, entre otras, con el fin de realizar la búsqueda de artículos de investigación relacionados con los temas bajo estudio durante el periodo de 2010 al 2016, logrando consolidar 50 referencias, las cuales fueron clasificadas de acuerdo al tema tratado. Estos modelos se clasifican en: Modelos Determinísticos y Modelos Estocásticos. Para los modelos determinísticos se clasificaron tres métodos de programación que son: Programación Lineal, Lineal Entera Mixta y Algoritmos y para los modelos estocásticos se utilizaron los métodos de Aproximación y la Programación Estocástica. En la revisión se evidencia que el 82% de las investigaciones utilizan modelos determinísticos (41 referencias) y solo el 18% hace uso de modelos estocásticos (9 referencias). Finalmente, se evidencia un crecimiento notable de las investigaciones realizadas en el tema, observando que en los últimos dos años se agrupa el 58% de los artículos analizados, lo que indica que este tema es de gran interés para futuros investigadores. ABSTRACT This article has as main objective to show the tendency of researches developed in the different theories and applications that have been covered with respect to the Planning and Production Programming, evidencing the facilities that obtained the mathematical models existing and used by the authors. For the review, the "Content Analysis" method was used, using databases such as Science Direct, Redalyc, Scopus, Sicelo, among others, in order to search for research articles related to the subjects under study during the period from 2010 to 2016, consolidating 50 references, which were classified according to the subject. These models are classified in: Deterministic Models and Stochastic Models. For the deterministic models three programming methods were classified: Linear Programming, Linear Mixed Integer and Algorithms and for the aesthetic models used the methods of Approximation and Stochastic Programming. The review shows that 82% of the investigations refer to deterministic models (41 references) and only 18% to uses of stochastic models (9 references). Finally, there is a remarkable increase in the research carried out on the subject, observing that in the last two years 58% of the analyzed articles are grouped, indicating that this topic is of great interest for future researchers. Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 100 En la actualidad las empresas manufactureras han optado por la implementación de la planeación y programación de la producción como una técnica usada para el desarrollo de una cierta cantidad de productos que tengan diferentes características, así mismo como el buen manejo de sus recursos en cada uno de ellos (Collier & Evans ,2009). Esta técnica ha sido definida por distintos autores que resaltan la importancia que tiene para una empresa. Según Chapman (2006) y Chase, Aquilano & Jacobs (2010), la planeación y programación de la producción es la administración de un conjunto de recursos, materiales humanos o financieros que se necesitan para la producción de bienes en un periodo dado. Por otro lado, la planeación y programación de la producción se caracterizan por contar con un conjunto de decisiones estructurales interrelacionadas, las cuales permiten definir la actividad productiva de la organización a corto y mediano plazo (Machuca, et al., 2003). De igual forma, según Heizer & Render (2004), la eficiencia en una empresa se consigue por medio de un programa que mantenga una alta utilización de la mano de obra, del equipamiento y del espacio con el que cuenta, indicando las ventajas que tiene realizar una planeación y programación en una empresa, especificando su tipo de producto, la capacidad de producción con la que cuente y el espacio necesario para cumplir con esa capacidad de producción. Es así que autores como Seker, Erol, & Botsali (2013), He, Zhang & Li (2014) y Sel, Bilgen, Bloemhof-Ruwaard, & Van der Vorst (2015) han tenido como referencia el uso de esta técnica que la han estructurado y desarrollado en cada uno de sus estudios con el fin de optimizar los procesos, analizando los problemas que surgen al planear y programar cualquier sistema de producción. Los estudios que abarcan este tema no han sido de gran auge, solo desde el año 2014 se ha evidenciado un aumentando en la cantidad de investigaciones realizadas donde se implementa esta temática, con esto, podemos observar que la tendencia de aumento se refleja en la necesidad actual de las empresas por la implementación de esta técnica. Teniendo en cuenta lo anterior, este artículo tiene como objetivo analizar y evidenciar cada una de las investigaciones en las cuales se ha implementado la técnica de Planeación y Programación de la Producción encaminando a futuros investigadores a aplicar esta técnica en sus empresas, sin importar el tipo al que pertenezca, bien sea manufacturera, siderúrgica o industrial. Además, se da una visión de las diferentes herramientas matemáticas utilizadas, las cuales sirven para dar solución a los problemas generados en la investigación, presentando la tendencia de cada una de estas herramientas en las investigaciones. Cabe resaltar la importancia de la creación de un estado del arte para mostrar los INTRODUCCIÓN Ingeniería Industrial. Actualidad yNuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 101 antecedentes de la planeación y programación de la producción, así mismo evidenciar las tendencias de esta temática al pasar de los años. En constancia de lo anterior esta revisión brinda una amplia gama de pautas para que futuros investigadores desarrollen nuevos proyectos encaminados a la planeación y programación de la producción en empresas. El método empleado para la revisión literaria en el presente artículo es el denominado “Análisis de Contenido” que según Krippendorff (2012), es una técnica de investigación que busca ser objetiva, sistemática y cuantitativa a la hora de estudiar el contenido de cualquier tipo de comunicación. Así mismo otros autores como Pokharel & Mutha (2009), reflejan un método de investigación por observación utilizado para evaluar los diferentes contenidos teóricos existentes de todas las formas de comunicación, por consiguiente, permite identificar, seleccionar y clasificar la literatura en varias de las distintas categorías. La investigación se delimitó a aquellos artículos relacionados con la temática de planeación y programación de la producción, enfocándose en estudios de carácter netamente cuantitativo, teniendo en cuenta aquellos que utilizaron para su desarrollo herramientas matemáticas o estadísticas durante el periodo del año 2010 al 2016. Para la búsqueda de cada uno de los artículos se hizo uso de bases de datos como: Sciencedirect, E-brary, ProQuest, Scielo, Redalyc y Scopus. De igual forma para la búsqueda de los artículos se utilizaron palabras claves como “Production” “Scheduling production”, “Planning production”, “MRP” y “MPS” para categorizar cada uno de los artículos. En la presente revisión se incluyeron 50 artículos los cuales han sido organizados y categorizados según el modelo matemático empleado en cada uno, siendo estos los modelos Determinísticos y modelos Estocásticos. Se tomó como pauta para categorizar las investigaciones, el tipo de modelo matemático empleado en cada una. La figura 1 evidencia que el 85% de las investigaciones fueron desarrolladas con modelos matemáticos determinísticos, mientras que el 15% de estas utilizaron modelos matemáticos estocásticos. Las investigaciones que utilizaron modelos matemáticos determinísticos se clasificaron según la herramienta matemática como se muestra a continuación: • Programación lineal. • Programación lineal entera mixta. • Algoritmos. De igual manera las investigaciones con modelos matemáticos estocásticos se clasificaron así: • Programación Estocástica • Métodos de aproximación. METODOLOGÍA Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 102 Figura 1. Referencias por tipo de modelo matemático Por otra parte, la búsqueda de los artículos se limita para el periodo comprendido entre el año 2010 y el 2016. En la figura 2 se evidencia que en los años 2015 y 2016 se han publicado el 58% de los artículos incluidos en el presente documento. De igual forma, bajo la temática de programación lineal se han publicado la mayor parte de los artículos, contando con 12 referencias para los años 2015 y 2016. Además, se encuentra una tendencia en aumento de la cantidad de publicaciones de artículos relacionada con la temática tratada. Figura 2. Clasificación de artículos de los temas de estudio por año RESULTADOS Modelos determinísticos A lo largo de la revisión, se recolectaron 41 artículos los cuales desarrollaron sus investigaciones mediante el uso de modelos matemáticos determinísticos, utilizando métodos matemáticos como programación lineal, programación lineal Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 103 entera mixta y algoritmos de programación. Con estos métodos de programación se han desarrollado diversas investigaciones, ya que según Shabani & Sowlati (2013) afirma que se pueden lograr resultados con mayor exactitud que si se utilizaran otro tipo de técnicas. Por lo tanto, el 85% de las investigaciones indican que los autores prefieren realizar sus investigaciones por modelación determinística. Programación Lineal Según Martínez, López & Vertiz (2014), la programación lineal es una herramienta que le permite al investigador incluir todas las variables y parámetros que influyen en un análisis del sistema productivo de una empresa. Debido a lo anterior, autores como Tan et al (2016), determinaron los ajustes óptimos en los niveles de producción para identificar las variables que existen en la pérdida de insumos por medio de un modelo de programación lineal difuso, de igual forma un año más tarde Ammar, Guillaume & Thierry (2016) utilizan el mismo modelo de Tan et al (2016) los cuales obtienen sus resultados mediante la aplicación de un plan de requerimiento de materiales, obteniendo una variación en el costo de parametrización en una cadena de suministros de un producto. De igual forma, Motta & Silva (2016) y Tonelli et al. (2016) por medio de un modelo de programación lineal difuso, planificaron la producción de envases de vidrio minimizando el tiempo de tardanza en los estándares de producción. Igualmente, haciendo uso de un modelo de programación lineal difuso, Vafaeenezhad & Tavakkoli-Moghaddam (2016) mejoran la planeación, distribución y componentes de la cadena de suministro y transporte requeridos en la industria de madera y papel. Por otra parte, Orejuela, Carrillo & Micán (2010), formulan y aplican una propuesta metodológica que guía a PYMES del sector publi-comercial de la ciudad de Cali- Colombia, con el fin de estipular la forma correcta de realizar la construcción de un programa de producción donde se les permita establecer fechas de entrega confiables. De igual forma, disminuir los efectos ocasionados por los síntomas observados en el área productiva y que repercuten en las áreas administrativa y comercial de dichas empresas. Así mismo, Agostino Villa & Teresa Taurino (2015) enfocan su trabajo en las PYMES cuyo con el fin de diseñar programas de producción que tengan en cuenta aspectos como la secuencia de mecanizado precisa que debe seguirse, la fecha en la que las órdenes se liberan junto con las materias primas necesarias, y la fecha de entrega que debe cumplirse. Seker, Erol & Botsali (2013) plantean un mecanismo de organización para cumplir con la demanda requerida, teniendo en cuenta varios factores como cambios de entorno de la empresa, flexibilidad de producción y maquinaria. Además, las recolecciones de los datos fueron obtenidos durante 5 días de una empresa Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 104 mexicana equilibrando la capacidad de todo el sistema. Kumar, Chen & Esmaili (2015) usaron la programación lineal como herramienta para optimizar en tiempo real las decisiones que se toman en sistemas de múltiples plantas de producción que realizan el mismo producto y varían la eficiencia de la planta respecto al costo. Abd, Abhary & Marian (2012) desarrollan un modelo de optimización especificado en cuatro reglas para encontrar la solución óptima para la programación de dos robots que ensamblan productos tecnológicos en tres estaciones. Dong, Lu & Gui (2012) resuelven la planeación de la producción y laprogramación tradicional mediante un modelo de optimización lineal integrado, enfocándose de manera heurística para facilitar la solución del problema, de igual forma se mejoró la manera de codificar y decodificar las partículas, logrando optimizarlas para el desarrollo del modelo planteado. En conclusión, se evidencia una gran utilización de la programación lineal como herramienta principal de las investigaciones, desarrollando modelos matemáticos que tengan en cuenta parámetros como los costos de producción y los precios de venta de los productos, tomando en algunos casos además costos de inventario. De igual forma se evidencia que los modelos desarrollados tienen como objetivo maximizar las utilidades o minimizar los costos. Además, los modelos desarrollados contienen una serie de restricciones primordiales, como lo son las restricciones de oferta y demanda, inventario, capacidad máxima y requerimiento de los materiales. Programación lineal entera mixta A lo largo de la búsqueda, se encontró 15 investigaciones que utilizan la programación lineal entera mixta, como herramienta matemática. Este tipo de programación requiere que algunas variables tengan valores enteros mientras que otras pueden asumir cualquier número no negativo siendo así un modelo de programación idóneo para la aplicación en cualquier tipo de estudio, ya sea experimental o documental. En consecuencia, Gómez-Herrera, Escobar & Figueroa-Cabrera (2013) desarrollan una investigación con el fin de definir la cantidad de materias primas requeridas para el abastecimiento de panaderías a nivel nacional por medio de un modelo de programación lineal entera mixta. Así mismo, Schenker, Steingrímsson, Borndörfer & Seliger (2015) identifican las variables de entrega en la fabricación de materias primas para el ensamble de bicicletas, tomando como referencia la metodología propuesta para la planificación de líneas de ensamble secuenciales propuesta por Shi & Zhou (2015). Del mismo modo, Martínez, Toso & Morabito (2016) definen patrones para minimizar los costos totales de fabricación de las máquinas empacadoras de pulpa Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 105 por medio de una programación lineal entera mixta según limitantes como características del producto y tamaño de producción. Igualmente Sel, Bilgen, Bloemhof-Ruwaard, & Van der Vorst (2015) y Roshani & Giglio (2015), por medio de herramientas computacionales, analizan los resultados obtenidos para mejorar la eficiencia de producción en la industria del yogurt, con el objetivo de minimizar los costos de producción específicamente en el balanceo de líneas de producción, basándose en las técnicas de optimización planteadas por Bilgen & Çelebi (2013). Así mismo, resaltan los factores necesarios para implementar sus modelos de optimización, como lo son la capacidad que tiene la empresa para producir un producto en específico, la composición de su cadena de suministros y modificación de sus líneas de producción, los cuales hacen que el estudio tenga mejores resultados a comparación de otra empresa que no cuente con los factores anteriormente mencionados. El uso de la programación lineal entera mixta no solo puede ser utilizado para empresas manufactureras, sino también se puede realizar para otro tipo de empresas. Esta idea la refleja Tan (2016) desarrollando un modelo para determinar la cantidad necesaria de CO2 para la elaboración de biocarburos teniendo en cuenta la metodología de extracción en plantas petroquímicas planteada por Kadambur & Kotecha (2016). En la investigación se observan los niveles de producción de cada una de las plantas de las 8 empresas bajo estudio ubicadas en Arabia Saudita. De modo similar, Merchan, Lee & Maravelias (2016) demuestran mediante un estudio computacional integral, que existen aceleraciones de hasta cuatro órdenes de magnitud comparado con los enfoques de coordinación y control existentes de producción por lotes. Este estudio en general aplica a la mayoría de empresas químicas que realizan su producción por lotes. Así mismo, Xu, Sand, Harjunkoski & Engell (2012) definen un método de coordinación en base de la programación de dos tramos consecutivos de producción, aplicado a una planta siderúrgica. Igualmente, Gebennini, Zeppetella, Grassi & Rimini (2015) optimizaron la producción de una empresa cervecera en Italia, en la cual, a través de un modelo de programación lineal entera mixta, determinaron las variables y parámetros necesarios para la producción, alcanzando los resultados de coordinación y control que posteriormente son analizados y estudiados. Por otra parte, Milne, Mahapatra & Wang (2015) en una empresa de memorias para diferente tipo de dispositivos en Taiwán, determinan los valores óptimos para los plazos de entrega previstos para ser utilizado por un sistema Plan de Requerimiento de Materiales (MRP), durante la ejecución de órdenes planificadas bajo restricciones de disponibilidad de capacidad. Así mismo, Mori & Mahalec (2016) desarrollan una Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 106 metodología en una empresa metalúrgica, con el fin de determinar el tipo de acero que se debe utilizar para optimizar la producción por colada continua. Finalmente, mediante un modelo de programación lineal entera mixta, autores como Moussavi, Mahdjoub & Grunder (2016) plantean un sistema de rotación de personal para coordinar y controlar todos los flujos de trabajadores que se maneja a lo largo de todo un año, con el fin de reducir el tiempo de producción durante los 7 días de la semana. El proceso de modelación por medio de programación lineal entera mixta es similar al modelo anterior, ya que de igual manera se dan aquellos datos o cifras que ya se tienen como parámetros, se busca la maximización de la utilidades o minimización de los costos y se tienen sus restricciones según el tipo de problema que se vaya a abordar. Sin embargo, se observa una restricción para dos variables que sean enteras y la utilización del método de los números binarios, donde se le dan valores a las variables, que pueden ser 1 o 0, donde los autores las utilizan para tomar decisiones respecto a si abrir o no plantas de producción o centros de distribución, De igual forma decidir si producir cierto producto. Algoritmos Muchos modelos matemáticos pueden ser definidos, ya sea por programación lineal o programación lineal entera mixta, dependiendo las características del sistema a analizar, pero en algunos casos no pueden ser solucionados por estos métodos, debido a la complejidad existente en los sistemas productivos y el objetivo que desean alcanzar los investigadores, lo que indica que se deben tener otras formas de plantear un modelo y desarrollarlo. Los algoritmos son una buena estrategia de solución para problemas que en algunos casos no pueden ser desarrollados por métodos convencionales. Debido a lo anterior, diferentes autores desarrollan y analizan sus resultados con diferentes tipos de algoritmos, como multi-objetivo, genético, entre otros, para la solución de problemas y desarrollar mejor sus estudios con un nuevo y útil sistema de solución. Seker, Erol & Botsali (2013) & Zhang, Ong & Nee (2015) mediante un algoritmo multi- objetivo proponen un sistema integrado de planificación que responda a los diferentes tipos de fluctuación que puedan existir durante los tiempos de producción. De igualforma, Yang, Ma & Wu (2016) y Roshani & Giglio (2015) utilizan el algoritmo multi-objetivo con el fin de minimizar el tiempo de fabricación y costo de almacenamiento de varias líneas de producción logrando optimizar el proceso de fabricación de productos prefabricados. Por otro lado, Razmi, Jafarian & Amin (2016) determinan el grado de satisfacción que debe tener la empresa respecto a su producción con ayuda de herramientas de análisis de calidad. Zhang & Wong (2016) diseñaron un sistema de planificación del proceso (maquinaria, especificaciones del producto, herramientas) para mejorar la Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 107 capacidad de respuesta de la empresa a posibles cambios de un sistema de producción. Chen, Weng, Rong & Fujimura (2015) diseñaron un método de optimización para reducir los costos de inventario y aumentar la satisfacción del cliente en un entorno de producción, utilizando un método integrado para mejorar el rendimiento de un sistema de producción y puede ser implementado y desarrollado en investigaciones futuras. Mourtzis, Doukas, Lalas & Papakostas (2015), aumentan la productividad en la industria textil, diseñando un sistema de planificación y control por medio de un algoritmo MRP, aplicándolo en un sistema de mediana escala en una empresa de Europa. Moniz, Barbosa-Póvoa & De Sousa (2014), proponen un enfoque de solución que tenga en cuenta la integración y programación a corto plazo en las plantas dosificadoras de usos múltiples, de las empresas Quimico- farmaceuticas, tomando 5 productos de estas empresas en un tiempo de 3 meses. Meneghetti & De Zan (2016), exponen un modelo de programación el cual maneja la logística de distribución y almacenamiento de diferentes navíos de carga para optimizar la entrega y desembarque de conteiner en puertos marítimos, donde se evidencia que el modelo se puede usar como herramienta de ayuda en la decisión para evaluar el impacto en los parámetros definidos de distribución y almacenamiento. Salazar-Hornig & Medina (2013), determinaron mediante el uso algoritmos genéticos, la programación de las diferentes máquinas que requieren una intervención inmediata en la preparación de la secuencia de producción, eliminando el makespan en máquinas paralelas a estas. Así mismo, |Eduardo & Giselle (2014), realizaron una investigación sobre la mejora y el análisis de las causas de los makespan en máquinas secuenciales y paralelas, determinando estrategias para eliminarlas mediante algoritmos a distintos problemas de programación de las máquinas. Por otra parte, autores como Cheref, Artigues & Billaut (2016), emplearon algoritmos de búsqueda tabú con el fin de encontrar un programa y un plan de entrega, con el fin de minimizar los criterios de robustez de un escenario incierto, realizando experimentos computacionales los cuales proporcionan el rendimiento de los métodos propuestos. Pessoa, Montesco, Junqueira, Filho & Miyagi (2013), establecieron diferentes escenarios de planificación de la producción, donde presentan de procedimientos de asignación de tareas por medio de métodos heurísticos. De igual forma, en esta investigación se presenta una asignación heurística dentro de los sistemas de APS (Advanced Planning and Scheduling) mediante el empleo de las ventanas de tiempo de los lotes con respecto a las limitaciones en la programación de la producción con las fechas finales de los productos. Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 108 En la gráfica 3, se puede evidenciar que la programación lineal entera mixta junto con los algoritmos, son las herramientas matemáticas más utilizadas en los estudios con modelos determinísticos, evidenciando que cada una de estas representan un 35% de los artículos incluidos en esta categoría. Mientras que la programación lineal solo cuenta con un 30% de las investigaciones. Figura 3.- Clasificación de artículos por modelo determinístico Modelos Estocásticos Un proceso estocástico es un concepto matemático que sirve para tratar con magnitudes aleatorias que varían con el tiempo, o más exactamente para caracterizar una sucesión de variables aleatorias, que evolucionan en función de otra variable, generalmente el tiempo (Marufuzzaman, Eksioglu & Huang, 2014). Además, de acuerdo con Puterman (2014), cualquier desarrollo temporal, sea determinista o esencialmente probabilístico, que pueda ser analizable en términos de probabilidad merece ser denominado como un proceso estocástico. Teniendo en cuenta las investigaciones encontradas, se evidencia que un 15% de estas han aplicado modelos estocásticos. Es así que autores como Ohno, Boh, Nakade & Tamura (2016) establecen un sistema de producción y distribución basada en soluciones obtenidas por métodos de solución markovianos y una programación dinámica aproximada. Araúzo, Olmo-Martínez, Laviós & Benito- Martín (2015), desarrollan un sistema holónico basado en aproximaciones, con el fin de implementar un software de programación y control para sistemas de fabricación flexibles. Igualmente González-Neira et al. (2016), desarrollan una investigación con el fin de programar almacenes de flujo flexible, bajo criterios de decisión estocásticos tanto cuantitativos como cualitativos, donde el criterio cuantitativo es la tardanza total ponderada y el cualitativo es la importancia del cliente para la empresa, además se utilizó un método de análisis integral, dado en cuatro etapas: descripción del problema, análisis cardinal, análisis ordinal, e integración, siendo el análisis ordinal el Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 109 que se realiza mediante aceptabilidad multicriterio estocástica con datos ordinales, así mismo este análisis se califica en función de la importancia del cliente, obteniendo resultados que evidencian un análisis integral, el cual permite seleccionar las alternativas de mejora en ambos criterios. Hu & Hu (2016), plantean un modelo de programación estocástica en una empresa de equipos de frenado, la cual se desarrolla en dos etapas donde dimensionan los lotes y la programación con baja incertidumbre, con el fin de encontrar la mejor secuencia de cantidades de producción bajo una demanda aleatoria con órdenes pendientes permitidas, evidenciando que el modelo estocástico supera al modelo determinístico. De igual forma a través de métodos estocásticos Biyanto, Ramasamy, Jameran & Fibrianto (2016), revisan los impactos térmicos e hidráulicos en la programación de la limpieza de un tren, mediante métodos estocásticos recientes, ayudan a resolver el tipo de modelo MINLP que se presenta debido a que es muy complejo y encontrar el óptimo global es difícil. Así las optimizaciones se realizaron 44 meses después de las variaciones de la pizarra bruta y las condiciones de operación, dando una solución a los algoritmos estocásticos, observando que ignorando el costo de bombeo adicional resulta como programa de limpieza óptima. Ghalelou, Fakhri, Nojavan, Majidi & Hatami (2016), desarrollan un programa estocástico de auto programación para el almacenamiento de aire comprimido en fuentes de energía renovable, basado en un mecanismo de respuesta a la demanda. Además, se incorpora un problema estocástico de auto programación por un tomador de decisiones parareducir el costo de operación, considerando modelos de incertidumbre de precio de mercado, carga y velocidad del viento. Por otra parte, Leite & Dimitrakopoulos (2014), desarrollan una investigación con el objetivo de realizar de la programación de la producción minera, mostrando que los métodos convencionales no dan cuenta de incertidumbres técnicas inherentes como la incertidumbre del suministro de mineral/metal esperado del subsuelo, siendo este el más crítico, en la cual se formula la programación entera estocástica en un depósito de cobre maximizando el valor económico de un proyecto y minimizando las desviaciones del objeto de producción en presencia de la incertidumbre. Finalmente, Abubakar, Sriramula & Renton (2015) utilizan un modelo de programación estocástica entera para programar la producción en una mina, teniendo en cuenta factores como extracción, equipos y rendimiento de trabajadores. En la tabla 1 se muestra un resumen de los artículos referenciados en este artículo, los cuales han sido objeto de revisión en cada una de las temáticas tratadas. Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 110 Tabla 1.- Estructura contenido revisión de literatura MODELOS DETERMINISTICOS Programación lineal He, Zhang, & Li (2014); Tan et al. (2016) ; Ammar, Guillaume, & Thierry (2016); Motta, Silva, Bressan & Almada (2016) ; F. Tonelli et al. (2016); Vafaeenezhad & Tavakkoli-Moghaddam(2016); Cabrera, Ocampo & Micán (2010); Villa & Taurino(2015); Kumar, Chen & Esmaili(2015); Abd, Abhary & Marian(2012); Dong, Lu, & Gui(2012). Programación lineal entera mixta Sel, Bilgen, Bloemhof & van der Vorst (2015); Juan, John & Álvaro (2013); Schenker, Steingrímsson, Borndörfer & Seliger (2015); Shi & Zhou (2015); Martínez, Toso & Morabito (2016); Roshani & Giglio (2015); Yue & You (2015); Tan (2016); Kadambur & Kotecha (2016); Serrano, Moral, Delorme & Dolgui (2016); Merchan, Lee & Maravelias (2016); Xu, Sand, Harjunkoski & Engell (2012); Gebennini, Zeppetella, Grassi & Rimini (2015); Milne, Mahapatra & Wang (2015); Mori & Mahalec(2015); Moussavi, Mahdjoub & Grunder (2016). Algoritmo Seker, Erol & Botsali (2013); Zhang, Ong & Nee (2015); Yang, Ma & Wu (2016); Roshani & Giglio (2015); Razmi, Jafarian & Amin (2016); Zhang & Wong (2016); Chen, Weng, Rong & Fujimura (2015); Mourtzis, Doukas, Lalas & Papakostas (2015); Moniz, Póvoa Sousa (2014); Meneghetti & Zan (2016); Salazar & Medina (2013); Eduardo & Giselle (2014); Cheref, Artigues & Billaut (2016); Pessoa, Montesco, Filho & Miyagi (2013). MODELOS ESTOCÀSTICOS Programación estocástica Ohno, Boh, Nakade & Tamura (2016); Araúzo, Martínez, Laviós, & Martín (2015); González, García, Villalobos, Sánchez, & Torres (2016); Hu & Hu (2016); Biyanto, Ramasamy, Jameran, & Fibrianto (2016); Ghalelou, Fakhri, Nojavan, Majidi, & Hatami (2016); Leite & Dimitrakopoulos (2014); Matamoros & Dimitrakopoulos (2016); Abubakar, Sriramula, & Renton (2015). Método de aproximación Araúzo, Martínez, Laviós, & Martín (2015) CONCLUSIONES La revisión muestra un incremento en el número de publicaciones acerca del tema de Planeación y Programación de la Producción, la gran mayoría aplicadas en empresas manufactureras y muy pocos estudios realizados en empresas de tipo Industrial. Estas revisiones se realizaron con investigaciones publicadas hasta el año 2016, lo que muestra que este artículo cuenta con los últimos estudios respecto al tema en estudio, las aplicaciones que se hicieron en diferentes partes del mundo y Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 111 las soluciones para cada tipo de estudio con la implementación de esta nueva técnica de producción. De la misma forma, se evidenció que existe una mayor cantidad de artículos relacionados con los Modelos Determinísticos, siendo investigaciones netamente de tipo cuantitativo. En concordancia con lo anterior, las empresas han venido tomando conciencia de la importancia de implementar esta técnica de producción, debido a los beneficios que le puede atribuir a la empresa que la aplique, además de la rentabilidad económica que obtendrá, evidenciado en el artículo investigado al culminar la revisión. REFERENCIAS Abd, K., Abhary, K., & Marian, R. (2012). Efficient scheduling rule for robotic flexible assembly cells based on fuzzy approach. Procedia CIRP, 3, 483-488. Abubakar, U., Sriramula, S., & Renton, N. C. (2015). Stochastic techno-economic considerations in biodiesel production. Sustainable Energy Technologies and Assessments, 9, 1-11. Alejandro, G.-H. J., Willmer, E. J., & Álvaro, F.-C. (2013). A Multi-Product Lot-Sizing Model for a Manufacturing Company. Ingeniería, Investigación y Tecnología, 14(3), 413- 419. Ammar, O. B., Guillaume, R., & Thierry, C. (2016). MRP parameter evaluation under fuzzy lead times. IFAC-PapersOnLine, 49(12), 1110-1115. Araúzo, J., del-Olmo-Martínez, R., Laviós, J., & de-Benito-Martín, J. (2015). Programación y Control de Sistemas de Fabricación Flexibles: un Enfoque Holónico. Revista Iberoamericana de Automática e Informática Industrial RIAI, 12(1), 58-68. Bilgen, B., & Çelebi, Y. (2013). Integrated production scheduling and distribution planning in dairy supply chain by hybrid modelling. Annals of Operations Research, 211(1), 55-82. Biyanto, T. R., Ramasamy, M., Jameran, A. B., & Fibrianto, H. Y. (2016). Thermal and hydraulic impacts consideration in refinery crude preheat train cleaning scheduling using recent stochastic optimization methods. Applied Thermal Engineering, 108, 1436-1450. Cabrera, J. P. O., Carrillo, J. J. O., & Rincón, C. A. M. (2010). Propuesta metodológica para la programación de la producción en las PYMES del sector artes gráficas, área publi-comercial. Estudios Gerenciales, 26(114), 97-118. Chapman, S. N. (2006). Planificación y Control de la Producción. México: Pearson educación. Chase, R. B., & Jacobs, F. R. (2010). Administración de operaciones: producción y cadena de suministros. México: McGraw Hill. Chen, J., Weng, W., Rong, G., & Fujimura, S. (2015). Integrating Genetic Algorithm with Time Control for Just-In-Time Scheduling Problems. IFAC-PapersOnLine, 48(3), 893-897. Cheref, A., Artigues, C., & Billaut, J.-C. (2016). A new robust approach for a production scheduling and delivery routing problem. IFAC-PapersOnLine, 49(12), 886-891. Collier, D., & Evans, J. (2009). Administración de operaciones. México: Cengage Learning. Dong, Q., Lu, J., & Gui, Y. (2012). Integrated optimization of production planning and scheduling in mixed model assembly line. Procedia Engineering, 29, 3340-3347. Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 112 Eduardo, S.-H., & Giselle, S.-A. (2014). Estrategias evolutivas para la minimización del makespan en una máquina con tiempos de preparación dependientes de la secuencia. Ingeniería, Investigación y Tecnología, 15(1), 1-10. Gebennini, E., Zeppetella, L., Grassi, A., & Rimini, B. (2015). Production scheduling to optimize the product assortment in case of constrained capacity and customer-driven substitution. IFAC-PapersOnLine, 48(3), 1954- 1959. Ghalelou, A. N., Fakhri, A. P., Nojavan, S., Majidi, M., & Hatami, H. (2016). A stochastic self-scheduling program for compressed air energy storage (CAES) of renewable energy sources (RESs) based on a demand responsemechanism. Energy Conversion and Management, 120, 388-396. González-Neira, E. M., García-Cáceres, R. G., Caballero-Villalobos, J. P., Molina-Sánchez, L. P., & Montoya-Torres, J. R. (2016). Stochastic flexible flow shop scheduling problem under quantitative and qualitative decision criteria. Computers & Industrial Engineering, 101, 128- 144. He, N., Zhang, D., & Li, Q. (2014). Agent- based hierarchical production planning and scheduling in make-to-order manufacturing system. International Journal of Production Economics, 149, 117-130. Heizer, J., & Render, B. (2004). Principios de administración de operaciones. México: Pearson Educación. Hu, Z., & Hu, G. (2016). A two-stage stochastic programming model for lot-sizing and scheduling under uncertainty. International Journal of Production Economics, 180, 198-207. Kadambur, R., & Kotecha, P. (2016). Optimal production planning in a petrochemical industry using multiple levels. Computers & Industrial Engineering, 100, 133-143. Krippendorff, K. (2012). Content analysis: An introduction to its methodology. USA: Sage. Kumar, D., Chen, Y., & Esmaili, A. (2015). Inclusion of Long-term Production Planning/Scheduling into Real-time Optimization. IFAC-PapersOnLine, 48(8), 229- 233. Leite, A., & Dimitrakopoulos, R. (2014). Stochastic optimization of mine production scheduling with uncertain ore/metal/waste supply. International Journal of Mining Science and Technology, 24(6), 755-762. Machuca, J. A. D., González, S. G., Machuca, M. Á. D., Jiménez, A. R., & Gil, M. J. Á. (2003). Dirección de operaciones: aspectos tácticos y operativos en la producción y los servicios. México: McGraw-Hill. Martínez, I., López, F., & Vertiz, G. (2014). Investigación de Operaciones: Serie Universitaria Patria. México: Grupo Editorial Patria. Martínez, K. Y., Toso, E. A., & Morabito, R. (2016). Production planning in the molded pulp packaging industry. Computers & Industrial Engineering, 98, 554-566. Marufuzzaman, M., Eksioglu, S. D., & Huang, Y. E. (2014). Two-stage stochastic programming supply chain model for biodiesel production via wastewater treatment. Computers & Operations Research, 49, 1-17. Meneghetti, A., & De Zan, E. (2016). Technicians and Interventions Scheduling for the Maintenance Service of Container Ships. Procedia CIRP, 47, 216-221. Merchan, A. F., Lee, H., & Maravelias, C. T. (2016). Discrete-time mixed-integer programming models and solution methods for production scheduling in multistage facilities. Computers & chemical engineering, 94, 387-410. Milne, R. J., Mahapatra, S., & Wang, C.-T. (2015). Optimizing planned lead times for Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 113 enhancing performance of MRP systems. International Journal of Production Economics, 167, 220-231. Moniz, S., Barbosa-Póvoa, A. P., & de Sousa, J. P. (2014). Simultaneous regular and non- regular production scheduling of multipurpose batch plants: A real chemical– pharmaceutical case study. Computers & chemical engineering, 67, 83-102. Montroll, E. (2012). Fluctuation phenomena (Vol. 7): USA: Elsevier. Mori, J., & Mahalec, V. (2016). Planning and scheduling of steel plates production. Part II: Scheduling of continuous casting. Computers & chemical engineering. Mourtzis, D., Doukas, M., Lalas, C., & Papakostas, N. (2015). Cloud-based integrated shop-floor planning and control of manufacturing operations for mass customisation. Procedia CIRP, 33, 9-16. Moussavi, S., Mahdjoub, M., & Grunder, O. (2016). Reducing production cycle time by ergonomic workforce scheduling. IFAC- PapersOnLine, 49(12), 419-424. Ohno, K., Boh, T., Nakade, K., & Tamura, T. (2016). New approximate dynamic programming algorithms for large-scale undiscounted Markov decision processes and their application to optimize a production and distribution system. European Journal of Operational Research, 249(1), 22-31. Pessoa, M. A., Montesco, R. A. E., Junqueira, F., dos Santos Filho, D. J., & Miyagi, P. E. (2013). Advanced planning and scheduling systems based on time windows and constraint programming. IFAC Proceedings Volumes, 46(7), 192-197. Pokharel, S., & Mutha, A. (2009). Perspectives in reverse logistics: a review. Resources, Conservation and Recycling, 53(4), 175-182. Puterman, M. L. (2014). Markov decision processes: discrete stochastic dynamic programming. USA: John Wiley & Sons. Razmi, J., Jafarian, E., & Amin, S. H. (2016). An intuitionistic fuzzy goal programming approach for finding pareto-optimal solutions to multi-objective programming problems. Expert Systems with Applications, 65, 181-193. Roshani, A., & Giglio, D. (2015a). A Mathematical Programming Formulation for Cost-oriented Multi-manned Assembly Line Balancing Problem. IFAC-PapersOnLine, 48(3), 2293-2298. Roshani, A., & Giglio, D. (2015b). A simulated annealing approach for multi-manned assembly line balancing problem type II. IFAC-PapersOnLine, 48(3), 2299-2304. Salazar-Hornig, E., & Medina, S. (2013). Minimizatión del makespan en máquinas paralelas idénticas con tiempos de preparación dependientes de la secuencia utilizando un algoritmo genético. Ingeniería, Investigación y Tecnología, 14(1), 43-51. Schenker, S., Steingrímsson, J. G., Borndörfer, R., & Seliger, G. (2015). Modelling of Bicycle Manufacturing via Multi-criteria Mixed Integer Programming. Procedia CIRP, 26, 276- 280. Seker, A., Erol, S., & Botsali, R. (2013). A neuro-fuzzy model for a new hybrid integrated Process Planning and Scheduling system. Expert Systems with Applications, 40(13), 5341-5351. Sel, C., Bilgen, B., Bloemhof-Ruwaard, J., & van der Vorst, J. G. (2015). Multi-bucket optimization for integrated planning and scheduling in the perishable dairy supply chain. Computers & chemical engineering, 77, 59- 73. Shabani, N., & Sowlati, T. (2013). A mixed integer non-linear programming model for tactical value chain optimization of a wood Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 10, Vol. V, N° 18 ISSN: 1856-8327 Silva, et al.,… planeación y programación de la producción… , p. 99-114 114 biomass power plant. Applied Energy, 104, 353- 361. Shi, T., & Zhou, X. (2015). A mixed integer programming model for optimizing multi- level operations process in railroad yards. Transportation Research Part B: Methodological, 80, 19-39. Tan, R., Aviso, K., Cayamanda, C., Chiu, A., Promentilla, M., Ubando, A., & Yu, K. (2016). A fuzzy linear programming enterprise input– output model for optimal crisis operations in industrial complexes. International Journal of Production Economics, 181, 410-418. Tan, R. R. (2016). A multi-period source–sink mixed integer linear programming model for biochar-based carbon sequestration systems. Sustainable Production and Consumption, 8, 57- 63. Vafaeenezhad, T., & Tavakkoli-Moghaddam, R. (2016). Fuzzy multi-objective supply chain master planning in a wood and paper industry: A case study. IFAC-PapersOnLine, 49(12), 1632-1637. Villa, A., & Taurino, T. (2015). Open-Loop- Feedback Scheduling for Multi-stage Production Systems. Procedia CIRP, 33, 99-104. Xu, C., Sand, G., Harjunkoski, I., & Engell, S. (2012). An innovative scheduling coordination method for improved productivity and energy efficiency of a large-scale integrated steel plant. IFAC Proceedings Volumes, 45(23), 250- 255. Yang, Z., Ma, Z., & Wu, S. (2016). Optimized flowshop scheduling of multiple production lines for precast production. Automation in Construction, 72, 321-329. Zhang, L., & Wong, T. (2016). Solving integrated process planning andscheduling problem with constructive meta-heuristics. Information Sciences, 340, 1-16. Zhang, R., Ong, S., & Nee, A. Y. (2015). A simulation-based genetic algorithm approach for remanufacturing process planning and scheduling. Applied Soft Computing, 37, 521- 532. Autores Julián David Silva Rodríguez. Universidad de Boyacá. Grupo de Investigación LOGyCA. Ingeniero Industrial de la Universidad de Boyacá, Magister en Ingeniería con énfasis en Ingeniería Industrial de la Universidad Pedagógica y Tecnológica de Colombia. Docente Investigador del Programa de Ingeniería Industrial de la Universidad de Boyacá, Colombia. Email: jdsilva@uniboyaca.edu.co Camilo Alejandro Díaz Cárdenas. Universidad de Boyacá. Grupo de Investigación LOGyCA. Tunja, Boyacá, Colombia. Estudiante del Programa de Ingeniera Industrial de la Universidad de Boyacá. Semillero de Investigación PRODUCTIVIDAD. Email: camalediaz@uniboyaca.edu.co Julián Hernando Galindo Carabalí. Universidad de Boyacá. Grupo de Investigación LOGyCA. Tunja, Boyacá, Colombia. Estudiante del Programa de Ingeniera Industrial de la Universidad de Boyacá. Semillero de Investigación PRODUCTIVIDAD. Email: jhgalindo@uniboyaca.edu.co Recibido: 19-08-2016 Aceptado: 25-10-2016 mailto:jdsilva@uniboyaca.edu.co mailto:camalediaz@uniboyaca.edu.co mailto:jhgalindo@uniboyaca.edu.co
Compartir