Programación de un Sistema Job Shop-Open Shop por medio de una Red Neuronal

• Autores: Omar D. Castrillón Gómez, Santiago Ruiz Herrera, William A. Sarache Castro
• Localización: Información tecnológica, ISSN-e 0718-0764, ISSN 0716-8756, Vol. 27, Nº. 5, 2016, págs. 163-170
• Idioma: español
• Títulos paralelos:
  • Scheduling of a Job Shop-Open Shop System through a Neuronal Network.
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Se propone una metodología basada en redes neuronales para la programación de pedidos en un ambiente job shop-open shop. El problema de programación de la producción en sistemas job shop consiste en definir la mejor secuencia de pedidos para minimizar el tiempo total de proceso (makespan) u otras variables relevantes. Diversas técnicas inteligentes se han aplicado para resolver este tipo de problema. 2in embargo, estás presentan dificultades prácticas cuando se requieren cambios de programación, pues exigen reconfigurar nuevamente el problema para obtener una nueva solución. La metodología propuesta entrena la red mediante la combinación de los tiempos de proceso en cada nodo, por medio de funciones de transferencia multiplicadas por pesos que son generados por el algoritmo de programación de la red. La red neuronal propuesta permite obtener soluciones no solo para un problema en particular, sino para los nuevos que surjan sin necesidad de hacer una nueva reconfiguración. Las soluciones encontradas fueron comparadas con otras técnicas de programación de la producción, encontrándose desempeños superiores en el makespan del orden del 30% al 164%.

  • English

    A methodology based on neural networks is proposed for solving the job shop-open shop scheduling problem. The job shop scheduling problem consist of defining the best order sequence to minimize the total processing time (makespan) or other relevant variables. 2everal intelligent techniques have been applied to solve this kind of problem. However, when reprogramming is required these techniques present practical difficulties since they require to be restructured to find a new solution. The proposed methodology trains the network by combining the processing times at each node, through transfer functions that are multiplied by weights obtained from the algorithm of network programming. The proposed neural network obtains solutions not only for a particular problem but also for new situations without requiring a problem reconfiguration. When compared with other techniques, the obtained solution showed a superior performance ranging from 30% to 164% in terms of the makespan.