You are on page 1of 17

Facultad de Ingeniera Departamento de Ciencias de la Ingeniera Magster en Logstica y Gestin de Operaciones

ANDRES BELLO
UNIVERSIDAD

PLANIFICACIN DE LOTES DE PRODUCCIN-MRP MLG-516

1er semestre 2006 Prof.: Ignacio Carrasco G.

INDICE
-Definicin y Conceptos -Mtodos Determinacin Lotes
-Lote a Lote -Economic Order Quantity (EOQ) -Economic Time Cycle (ETC) -Least Unit Cost (LUC) -Part-Period (PP) -Mtodo Silver-Meal -Mtodo Groff

-Resumen -Modelo de Loteo No capacitado (ULSP) -Mtodo Wagner-Within -Otros mtodos de Solucin -Modificaciones al ULSP
1er Semestre 2006 Prof: Ignacio Carrasco. 2

Definicin y Conceptos
MRP: El Problema del Requerimiento de los Materiales, es Conocido como MRP (Material Requirement Planning) y bsicamente consiste en determinar las partes y piezas necesarias para producir y satisfacer una demanda no constante en multiples perodos. BOM : Bill of Materials, lista de materiales. Consiste en la desagregacin de: el tipo y la cantidad de partes y piezas requeridas para producir un producto determinado en sistemas de ensamblaje. BOP : Bill of Products, es el listado de procesos por el cual una parte o pieza puede ser procesado. Esto se usan el sistema de multiples etapas.

1er Semestre 2006

Prof: Ignacio Carrasco.

Definicin y Conceptos-BOM
Ejemplo de un BOM : Supongamos que tenemos una silla (SI) que consta de : 1 Respaldo (RE) 1 Asiento (AS) 2 Patas Largas (PL) 2 Patas cortas (PC) 4 Soportes del asiento (SA) 2 Travesao Laterales (TL)

1er Semestre 2006

Prof: Ignacio Carrasco.

Definicin y Conceptos-BOM
Esta silla se puede esamblar de Diferentes Maneras, supongamos esta secuencia: 1.- Una pata larga (PL) se une con una pata corta (PC) y un soprte del asiento (SA) y un travesao lateral (TL), produciendo una parte intermedia conocida como media silla (MS). 2.- Luegos dos medias sillas (MS) se unen con el respaldo (RE) y dos soportes de asiento (SA) produciendo el armazn (AM). 3.- Finalmente el Armazn (AM) se junta con el Asiento (AS) produciendo finalmente la Silla (SI).
1er Semestre 2006 Prof: Ignacio Carrasco. 5

Definicin y Conceptos-BOM
El diagrama del BOM sera como sigue:

1-PL 2-SA 1-PC 1-MS 2-TL 2-MS 2-SA Primer Esamblaje Segundo Esamblaje Esamblaje Final 1-RE 1-AM 1-AS 1-AM 1-SI

1er Semestre 2006

Prof: Ignacio Carrasco.

Definicin y Conceptos-MRP
Ahora tenemos el siguiente requerimiento de sillas para las siguientes 8 semanas, dado por el plan de produccin maestro: Perodo Requirimiento 1 25 2 30 3 0 4 50 5 0 6 65 7 35 8 35

Supongamos finalmente que las sillas hay que barnizarlas, con lo que cada lote de produccin debemos incurrir en un costo de limpieza de circuito de pintado.

Como debieramos producir estas sillas.?

1er Semestre 2006

Prof: Ignacio Carrasco.

MRP-Lote a Lote
Una manera sera hacer 25 sillas la primera semana, luego en la segunda semana hacer 30, luego descanzar la tercera semana, etc. Esto consiste en producir Lote a Lote, con esto Tendramos. Perodo Requirimiento Manufactura Stock 1 25 25 0 2 30 30 0 3 0 0 0 4 50 50 0 5 0 0 0 6 65 65 0 7 35 35 0 8 35 35 0

Tenemos otras alternativas?

1er Semestre 2006

Prof: Ignacio Carrasco.

Definicin y Conceptos-MRP
S, otra manera sera trabajar a full la primera semana, producir 240 sillas y luego dar vacaciones. Perodo Requirimiento Manufactura Stock 1 25 240 215 2 30 0 185 3 0 0 185 4 50 0 135 5 0 0 135 6 65 0 70 7 35 0 35 8 35 0 0

Cual de ambas situaciones es mejor?

1er Semestre 2006

Prof: Ignacio Carrasco.

Definicin y Conceptos-MRP
Veamos los costos. Sea: CF = 100 La limpieza del circuito de pintura ($) CA = 1 Costo de almacenaje ($/u) CT = Costo Total En el primer Caso, lote a lote tendramos: CT = 100+100+100+100+100+100 = 600 $ En el segundo Caso, de un solo lote tenemos: CT = 100+ 215+185+185+135+135+70+35 = 1060 $

No hay nada Mejor?


1er Semestre 2006 Prof: Ignacio Carrasco. 10

Lotes EOQ
La demanda promedio por cada semana es de D = 30 unidades de sillas. Podramos aplicar el Lote de Wilson , alias EOQ. Recordemos que:

EOQ = Qopt =

2(CF ) D 2 100 30 = = 77 CA 1

Es decir debemos hacer lotes de 77 sillas cada vez que sea necesario Perodo Requirimiento Manufactura Stock
1er Semestre 2006

1 25 77 52

2 30 0 22

3 0 0 22

4 50 77 49

5 0 0 49

6 65 77 61

7 35 0 26

8 35 77 68
11

Prof: Ignacio Carrasco.

Lotes EOQ
Cuyo Costo Total da CT = 749 $.

Por que el EOQ da un resultado tan malo?


Por que, el EOQ esta diseado para sistemas donde la demanda sea constante, es decir, en sistemas muy JIT. Tambin, al ser un lote promedio, en algunos perodos siempre queda un saldo en inventario. Por ejemplo en los perodos donde los requerimientos son 0.

1er Semestre 2006

Prof: Ignacio Carrasco.

12

Economic Time Cicle


El problema de tener saldos innecesarios lo podramos resolver con lotes que sean calzados a perodos exactos. Es as, por ejemplo que asginameros los lotes cada 3 perodos. Con esto tenemos: Periodo Requirimiento Manufactura Stock 1 25 55 30 2 30 0 0 3 0 0 0 4 50 115 65 5 0 0 65 6 65 0 0 7 35 70 35 8 35 0 0

Cuyo costo Total es CT = 495 $.

1er Semestre 2006

Prof: Ignacio Carrasco.

13

Least Unit Cost


Ahora, que tal si tomamos el siguiente criterio: Producimos aquella cantidad que minimiza el costo unitario en un rango de perodos dado. Es decir : 1.- Sumamos las cantidades de periodo en periodo (QQ(t)) 2.- Y calculamos el costo total hasta el perodo en cuestin. (CCTT(t)) 3.- Luego dividimos UC = CCTT(t)/QQ(t), aquel t* donde UC sea min escogemos el QQ(t*) como el lote a producir. 4.- Repetimos el proceso para los perodos en t* en adelante. Si el lote cubre 1 periodo Q = 25 el CT = 100 y el LUC = 4 ($/u) Si el lote cubre 2 periodos Q = 55 el CT = 130 y el LUC = 2.4 ($/u) Si el lote cubre 3 periodos Q = 55 el CT =130 y el LUC = 2.4 ($/u) Si el lote cubre 4 peridos Q=105 el CT = 280 y el LUC = 2.7 ($/u)
1er Semestre 2006 Prof: Ignacio Carrasco. 14

Least Unit Cost


De esta manera el LUC de menor magnitud es 2.4 para 3 y 4 perodos. Aplicando nuevamente esta regla a partir del 4 perodo nos d el siguiente esquema: Periodo Requirimiento Manufactura Stock 1 25 55 30 2 30 0 0 3 0 0 0 4 50 50 0 5 0 0 0 6 65 100 35 7 35 0 0 8 35 35 0

Cuyo costo Total es CT= 465 $

1er Semestre 2006

Prof: Ignacio Carrasco.

15

Least Unit Cost


Matemticamente el costo unitario se puede ver como
um = CA d i (i 1) + CF
i =1 m m

i =1

di

La idea es escoger el m que minimize esta expresin. Podemos iterar m desde 1 hasta que um suba de valor o usar la siguiente regla :
a a + a b b + b si y solo si a a b b

Con esto llegamos a que um um+1 si se cumple, si y solo si:


m m CA d i (i 1) + CF d m +1 di CAmd m +1 i =1 i =1

Que lo podemos simplificar y saber si um+1 es mayor que um si se cumple


i =1

d i (m i + 1) CF /CA
Prof: Ignacio Carrasco. 16

1er Semestre 2006

Part Period
El siguiente mtodo es tambin conocido como el costo total minimo. Este mtodo escoge el tamao del lote que hace que los costos de almacenaje sean similares a los costos fijos. Esto es :

CF CA d i (i 1)
i =1

Con esto llegamos a que debe escoger el lote hasta un m que se cumpla:

i =1

d i (i 1) CF /CA

1er Semestre 2006

Prof: Ignacio Carrasco.

17

Part Period
Con este mtodo tendramos la siguiente tabla: Perodo Requirimiento Manufactura Stock 1 25 55 30 2 30 0 0 3 0 0 0 4 50 115 65 5 0 0 65 6 65 0 0 7 35 70 35 8 35 0 0

El cual es un resultado similar al LUC, pero esto no es general para otros casos. El costo Total es de CT= 495 $

1er Semestre 2006

Prof: Ignacio Carrasco.

18

Silver- Meal
La heurstica de Silver Meal es bastante similar a la heuristica LUC pero en vez de minimizar el costo unitario para un lote, este minimiza el costo por perodo sobre un numero de perodos que el lote cubre. Si nosotros calculamos el costo por unidad de perodo empezando desde t=1 y usamos la misma notacin tenemos:
m Cm = CA d i (i 1 + CF ) / m. = 1 i

Usando el mismo razonamiento de la regla del LUC tenemos que el m que hace cm cm+1, debe cumplir :
m 2 CA d i (i 1 + CF ) m CAd m +1 i =1

Reordenando debemos escoger m tal que:


m 2d m +1 d i (i 1) CF / CA
i =1 m

1er Semestre 2006

Prof: Ignacio Carrasco.

19

Silver- Meal
La tabla para la heuristica Silver-Meal es: Perodo Requirimiento Manufactura Stock 1 25 55 30 2 30 0 0 3 0 0 0 4 50 50 0 5 0 0 0 6 65 100 35 7 35 35 0 8 35 0 0

Cuyo costo Total es CT = 465 $

1er Semestre 2006

Prof: Ignacio Carrasco.

20

10

Heurstica de Groff
En esta heurstica el lote se debe escoger de manera que el incremento marginal en los costos de inventario por ao; cuando el lote es aumentado en un ; sea igual a una disminucin marginal en los costos de setup por ao. El problema de calcular el costo marginal en los costos de inventario en un loteo dinmico es dificil, puesto que el costo depende del tamao del lote. Sin embargo, haciendo uso una analoga del calculo del EOQ, se podra sugerir que un incremento en los costos de mantencin del inventario por perodo es proporcional a la mitad del incremento del tamao del lote en el siguiente perodo, esto es (CA*dm+1)/2.

1er Semestre 2006

Prof: Ignacio Carrasco.

21

Heurstica de Groff
Una disminucin en los costos de setup por perodo se puede calcular como:

CF CF CF = m m + 1 m(m + 1)
Esto deja como conclusin que m debiera escogerse de manera que se cumpla:

m(m + 1)d m +1 / 2 CF / CA
O alternativamente debieramos escoger m tal que:

m(m + 1)d m +1 / 2 CF / CA
Para el caso antes visto, esta heuristica da la misma solucin que la Heuristica Silver Meal, cuyo costo Total es CT = 465 $
1er Semestre 2006 Prof: Ignacio Carrasco. 22

11

Resumen
En el caso expuesto tenemos la siguinet tabla de resultados
Heuristica Un solo Lote Lot For Lot EOQ Economic Time Cicle Part Period Silver Meal Groff Costo Total 600 1060 749 495 495 465 465

En estudios computacionales se ha encontrado que la Heuristica de Groff y la Heuristica de Silver-Meal dan resultados consistentemente superiores. En cambio el EOQ, fue uno de los ms deficientes.
1er Semestre 2006 Prof: Ignacio Carrasco. 23

Resumen
Existen Otras reglas de Loteo como la de McLaren y la heuristica de Freeland-Colley. En los softwares se utiliza por lo comn el LFL, EOQ, PP, Silver-Meal y el mtodo de Wagner Within (WW). De otodos estos el mtodo que es ptimo es el WW.

1er Semestre 2006

Prof: Ignacio Carrasco.

24

12

Modelo de Loteo No Capacitado (ULSP)


Los mtodos anteriores son heuristicas, es decir que ninguno de ellos garantiza la optimalidad de la solucin. Los mtodos estandares para resolver el problema MRP con demandas dinmicas son Ramificacin y Acotamiento (Branch and Bound) y la Programacin dinmica. El modelo matemtico ms basico fue propuesto por Wagner y Within, quienes ademas dieron un mtodo de solucin. Desde los comienzos de la investigacin de operaciones y ciencia de la administracin, modelos para la planificacin de la produccin han sido un importante objeto de estudio con la formula EOQ de Harris o el modelo de Wilson (Q,r) y el modelo dinmico de Wagner-Whitin, las piedras angulares para el tratamiento de la demanda estacionaria y dinmica, respectivamente. Wolsey y Pochet (2006)*
* Wolsey, L., Pochet, Y. (2006). Production planning by mixed integer programmning. Springer Series in Operation Research. EE.UU. 499 pp. 1er Semestre 2006 Prof: Ignacio Carrasco. 25

Modelo de Loteo No Capacitado (ULSP)


El resumen el modelo es: Min

p x + h s + q y
t t t t t t =1 t =1 t =1

sa st 1 + xt = st + dt st 0, x t 0, y t {0,1} s0 = sn = 0
Donde: xt : Cantidad o lote a producir en el perodo t. st : Stock o inventario al final del perodo t. yt : Variable binaria, 1 si se incurre en un costo de setup, 0 sino. M : Constante muy grande.
1er Semestre 2006 Prof: Ignacio Carrasco. 26

1 t n 1 t n 1 t n

xt My t

13

Modelo de Loteo No Capacitado (ULSP)


Este Modelo se puede ver como un problema de flujos en redes.

Arco
(p1,q1) (p2,q2) 1 (h1,0) 2 (d2) (p3,q3) (h2,0)

Costo Variable del Flujo Costo Fijo del arco


(p4,q4) (p5,q5) 4 (d4) (h4,0) 5

3 (d3)

(h3,0)

(d1)

(d5)

PERIODO

Demanda
1er Semestre 2006 Prof: Ignacio Carrasco. 27

Mtodo Wagner-Whitin
De este modelo se puede obtener las siguientes onservaciones: Obs 1. No hay ciclos: Un resultado de la teora de redes indica que el flujo en una
red no forma circuitos.

Obs 2. Caracteristica de la solucin:

Una caracteristica de la Solucin ptima es que se deb cumplir que st-1xt=0. Es decir para que exista produccin en u perodo (xt<>0), no debe existir un inventario previo (st-1= 0) o, si hay un invenatrio de un perodo a otro, el perodo subsiguienteNo tiene produccin. Por la ecuacin de balance de inventarios, es posible eliminar la variable de stock o la variable de produccin del modelo.

Obs 3. Reformulacin:

1er Semestre 2006

Prof: Ignacio Carrasco.

28

14

Mtodo Wagner-Whitin
El mtodo que propusieron Wagner y Within consiste en la aplicacin de la programacin dinmica, pero adems hicieron uso de las observaciones antes vistas para obtener un algoritmo ms eficiente. Empecemos por definir: dit : Como la demanda acumulada entre los periodos i y t. d it =

d
i =1

Ahora. considerando que s0=0, y haciendo uso de la ecuacin del t balance de inventarios, podemos hacer:
st =

x
i =1

d1t

Reemplazando esto en la funcin objetivo tenemos:

t =1

pt xt +

t =1

qt y t +


i =1

ht t =1
n

xi d it =

t =1

ct x t +

t =1

qt y t

h d
t t =1

it

Donde el ultimo trmino es una constante


1er Semestre 2006 Prof: Ignacio Carrasco. 29

Mtodo Wagner-Whitin
De esta manera ct est definido como:

ct = pt

h
i =1

Ahora hagamos H(k) como la solucin de mnimo costo entre los perodos 1k. Si t k, es el ltimo perodo donde hubo produccin, resulta que los perodos previos : 1(t-1) , tambien pertenecen a la solucin optima y por lo mismo tenemos que H(t-1) Esto permite hacer la siguiente recursin:

H (t ) = min {H (t - 1) + qt + ct d tk }
1 t k

Con H(0)=0.
1er Semestre 2006 Prof: Ignacio Carrasco. 30

15

Mtodo Wagner-Whitin
Veamos un ejemplo Sea n=4, d = (2,4,5,1), p=(3,3,3,3), h=(1,2,1,1) y, q = (12,20,16,8). Primero debemos obtener ct y dit. c = ( 8,7,5,4) (d11, d12, d13, d14) = ( 2,6,11,12) y tenemos que la constante es :

h d
i t =1

1t

= 37

1er Semestre 2006

Prof: Ignacio Carrasco.

31

Mtodo Wagner-Whitin
Ahora determinemos H(k) usando la recursin:
H(1) = q1+c1d1= 12+2*8= 28 H(2) = Min {28+c1d2; H(1)+q2+c2d2} = {28+4*8; 28+20+4*7}={60;76} = 60 H(3) = Min {60+c1d3; 76+c2d3;H(2)+q3+c3d3}= {100,111,101} = 100 H(4) = Min {100+c1d4; 111+c2d4;101+c3d4; H(3)+q4+c4d4} = {108,118,106,112}= 106

Trabajando hacia atrs, tenemos que:


H(4) = 106 = H(2)+q3+c3d34 , entonces esto implica y3=1 x3=6, y4= x4=0 H(2) = 60 = q1+c1d12, entonces esto implica y1=1, x1=6, y2=x2=0.

As tenemos que la solucin ptima es:


x = (6,0,6,0) y =(1, 0, 1,0) s= (4,0,1,0)

Cuyo valor en la funcin objetivo inicial es 106-37=69.


1er Semestre 2006 Prof: Ignacio Carrasco. 32

16

Otros mtodos de solucin


El problema original se puede formular y resolver como un problema de Rutas mnimas. Para esto debemos obtener todos las posibles alternativas y representarlas en una red. Para nuestro ejemplo tenemos.
108 100 60 0 28 1 48 83 90 2 3 4 46

41

12

Esta red se puede resolver por el mtodo de Dijsktra de rutas mnimas.


1er Semestre 2006 Prof: Ignacio Carrasco. 33

Modificaciones al ULSP
Del modelo ULSP se pueden extraer varias alternativas. 1.- Incluyendo Devolucin de lotes. 2.- Incluyendo posibilidad de perder ventas. 3.- Con perecibilidad en los productos. 4.- Con remanufactura. 5.- Con ventanas de tiempo. 6.- Produccin con Capacidad. Para cada uno de estos de debe aplicar un algoritmo nuevo, y de todos ellos el ms importante es el 6. Dando origen al MRP-II.

1er Semestre 2006

Prof: Ignacio Carrasco.

34

17