Ponticia Universidad Cat olica de Valparaso

Facultad de Ingeniera
Escuela de Ingeniera Industrial
Desarrollo e implementaci on de extensiones practicas
en un sistema de planicaci on de la producci on
orientado a la industria de las bebidas no alcoh olicas
por
German Rodrguez Saavedra
Memoria para optar al ttulo de Ingeniero Civil Industrial
Prof. Gua: Ricardo Gatica Escobar
Julio, 2014
A mi familia por su apoyo incondicional.
A mi pareja y amigos por su compa na y entusiasmo.
A mis tutores por su paciencia y buena disposicion.
3

Indice
Lista de abreviaturas o siglas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Glosario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Lista de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Lista de Tablas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Denicion del Problema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1 Descripci on general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 CAPPS, un sistema de apoyo a la toma de decisiones . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Caractersticas principales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 Formulacion Matematica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.3 Modelo de datos del sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3 Problem aticas abordadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.1 Demanda pendiente y demanda perdida de manera simultanea . . . . . . . . . . . . . 32
2.3.2 Pronosticos de demanda y pedidos determinsticos de manera diferenciada . . . 34
2.3.3 M ultiples plantas de producci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Notas Bibliogr acas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3 Formulacion del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.1 Demanda Pendiente y demanda perdida de manera simultanea. . . . . . . . . . . . . . . 40
3.2 Pron osticos de demanda y pedidos determinsticos de manera diferenciada. . . . . 43
3.3 M ultiples plantas productivas tratadas simult aneamente . . . . . . . . . . . . . . . . . . . . 45
3.3.1 Descripci on general y supuestos para el modelo de m ultiples plantas . . . . . . . . 46
3.3.2 Formulacion matem atica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4 Modelo de datos modicado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4 Pruebas computacionales y evaluaci on de las extensiones implementadas 61
4.1 C alculo de inventarios distinguiendo entre pedidos y pronosticos de demanda . . 61
4.2 Uso de m ultiples plantas productivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2.1 Calidad de la solucion en funcion del tiempo de resoluci on empleado . . . . . . . . 64
4.2.2 Variaci on de la solucion en funci on del n umero de viajes permitidos . . . . . . . . 67
4.2.3 Lneas de producci on con ponderadores de setup diferenciados seg un planta
productiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.2.3.1 Instancia 1: Se permite un maximo de 3 viajes por periodo por ruta habi-
litada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4
4.2.3.2 Instancia 2: Se permite un m aximo de 20 viajes por periodo por ruta ha-
bilitada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2.3.3 Instancia 3: Transporte de productos ilimitado . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2.3.4 Evaluaci on General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5 Conclusiones y trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.1 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.2 Trabajos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5
Lista de abreviaturas o siglas
CAPPS = Capacitated Production Planning and Scheduling
CLSP = Capacitated Lot Sizing Problem
DSS = Decision Support System
FONDEF = Fondo de Fomento al Desarrollo Cientco y Tecnol ogico
GRASP = Greedy Randomized Adaptative Search Procedures
MFCLSP = MultiFamily Capacitated Lot Sizing Problem
MPCLSP = MultiPlant Capacitated Lot Sizing Problem
PUCV = Ponticia Universidad Catolica de Valparaso
SS = Safety Stock
6
Glosario
Bebidas no alcoholicas: Considera las bebidas gaseosas, jugos, nectares, bebidas energeti-
cas. Tambien considera aguas minerales, puricadas y saborizadas.
Das Piso: Es una forma de expresar el inventario de seguridad y corresponde a la cantidad
de das de demanda que se espera puedan ser cubiertos por dicho inventario.
Grupo Productivo: Conjunto de lneas de producci on que comparten mano de obra.
7
Lista de Figuras
Figura 2.1 CAPPS como un sistema de apoyo a la toma de decisiones . . . . . . . . . . . . 20
Figura 2.2 M odulos de CAPPS y sus relaciones. Fuente: (Presentaci on CAPPS
empresas, 2012) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Figura 2.3 Diagrama de clases del modelo de datos utilizado por CAPPS, parte 1. . 29
Figura 2.4 Diagrama de clases del modelo de datos utilizado por CAPPS, parte 2. . 32
Figura 2.5 Demanda pendiente para un producto con demanda estatica y deter-
minstica igual a a unidades y producci on constante b, con a > b. . . . . . . 34
Figura 2.6 Considerar m ultiples plantas productivas en m ultiples instancias de op-
timizaci on. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Figura 2.7 Considerar m ultiples plantas productivas de integradas en una sola ins-
tancia de optimizacion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Figura 3.1 Demanda pendiente y perdida para un producto con demanda estatica
y determinstica igual a a unidades y producci on constante b, con b < a. 41
Figura 3.2 Considerar m ultiples plantas productivas de integradas en una sola ins-
tancia de optimizacion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Figura 3.3 Diagrama de clases del modelo de datos modicado, parte 1. . . . . . . . . . . 55
Figura 3.4 Diagrama de clases del modelo de datos modicado, parte 2. . . . . . . . . . . 60
Figura 4.1 Resumen de niveles de inventario, planicado y mnimo, para distintos
niveles de pedidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Figura 4.2 Variacion porcentual del decit de inventario, los quiebres de stock y el
inventario promedio en funci on del n umero de viajes permitidos entre
cada ruta habilitada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Figura 4.3 Variacion porcentual de los setups de familia y de producto en funci on
del n umero de viajes permitidos en cada ruta habilitada . . . . . . . . . . . . . . 70
8
Lista de Tablas
Tabla 2.3 Resumen de modulos de CAPPS y sus caractersticas . . . . . . . . . . . . . . . . 22
Tabla 3.1 Ejemplo sobre la forma de operar del par ametro M
i
. . . . . . . . . . . . . . . . . . 41
Tabla 4.1 Datos de demanda e inventarios calculados para una instancia que con-
sidera 100 % de demanda basada en pronosticos . . . . . . . . . . . . . . . . . . . . . 62
Tabla 4.2 Datos de demanda e inventarios calculados para una instancia que consi-
dera 50 % de demanda basada en pron osticos y 50 % de demanda basada
en pedidos determinsticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Tabla 4.3 Datos de demanda e inventarios calculados para una instancia que con-
sidera 100 % de demanda basada en pedidos determinsticos . . . . . . . . . . . 63
Tabla 4.4 Resumen de las soluciones obtenidas en funci on del tiempo empleado
para una instancia que considera 3 plantas productivas permitiendo un
m aximo de 3 viajes entre cada par de plantas . . . . . . . . . . . . . . . . . . . . . . . 65
Tabla 4.5 Resumen de la solucion obtenida al optimizar 3 plantas de manera in-
dependiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Tabla 4.6 Comparacion de resultados entre la resolucion del problema consideran-
do tres plantas de manera independiente y considerando tres plantas de
manera simult anea. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Tabla 4.7 Conguracion de setups utilizada por defecto . . . . . . . . . . . . . . . . . . . . . . . 68
Tabla 4.8 Demanda total en pallets por planta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Tabla 4.9 Resumen de resultados para un sistema con m ultiples plantas produc-
tivas en funcion del n umero de viajes permitidos entre plantas . . . . . . . . . 69
Tabla 4.10 Conguraci on de setup con ponderadores diferenciados seg un planta
productiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Tabla 4.11 Producci on y setups por lnea productiva para una instancia con 3 viajes
por periodo por ruta habilitada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Tabla 4.12 Transporte de productos por lnea productiva por destino para una ins-
tancia con 3 viajes por periodo por ruta habilitada. . . . . . . . . . . . . . . . . . . 72
Tabla 4.13 Producci on y setups por lnea productiva para una instancia con 20
viajes por periodo por ruta habilitada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Tabla 4.14 Transporte de productos por lnea productiva por destino para una ins-
tancia con 20 viajes por periodo por ruta habilitada. . . . . . . . . . . . . . . . . . 74
Tabla 4.15 Producci on y setups por lnea productiva para una instancia con trans-
porte ilimitado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Tabla 4.16 Transporte de productos por lnea productiva por destino para una ins-
tancia con 20 viajes por periodo por ruta habilitada. . . . . . . . . . . . . . . . . . 76
Tabla 4.17 Cuadro comparativo de resultados para instancias 1, 2 y 3, Parte 1. . . . . 76
Tabla 4.18 Cuadro comparativo de resultados instancias 1, 2 y 3, Parte 2 . . . . . . . . . 77
9
Resumen
CAPPS es un sistema de planicacion de la producci on orientado a los sistemas de
producci on por lotes, el cual ha sido desarrollado por la Ponticia Universidad Catolica de
Valparaso. CAPPS desde sus inicios ha sido concebido para enfrentar las situaciones mas
comunes presentes principalmente en la industria de las bebidas, sin embargo se encuentra
en constante desarrollo permitiendo la inclusi on de nuevas funcionalidades que permitan
ajustarse a nuevas situaciones. El paradigma de desarrollo de los modelos y algoritmos del
sistema es el Problema de Tama no de Lote Capacitado con M ultiples Familias (MFCLSP).
CAPPS considera adem as una serie de situaciones no abordadas por el MFCLSP est andar.
Algunas de las situaciones que destacan son el manejo de demanda pendiente y demanda
perdida (consideradas de forma excluyente entre s), la existencia de inventarios de se-
guridad e inventarios m aximos y restricciones de disponibilidad de materias primas. Al
igual que en el MFCLSP estandar, el objetivo del problema es determinar las cantidades
a producir e inventariar para cada producto en un horizonte de planicacion.
El trabajo realizado consisti o en el desarrollo de una propuesta de funcionalidades
adicionales para el sistema, de modo que este soporte una mayor variedad de sistemas pro-
ductivos. Especcamente se proponen y desarrollan tres extensiones para el sistema. Una
primera extensi on busca permitir que coexistan simultaneamente en una misma instancia
de problema demanda pendiente y demanda perdida, para lo cual se incorpora un nuevo
par ametro que ja la cantidad de periodos que la demanda puede ser dejada pendiente
antes de convertirse en demanda perdida. En la segunda extension, se hizo una distincion
explcita entre la demanda que se encuentra basada en pronosticos y la demanda prove-
niente de pedidos determinsticos y conocidos, lo anterior para evitar que se sobrestimen
los inventarios de seguridad. En la tercera extensi on se desarrollaron modelos y algorit-
mos para resolver el problema de planicaci on de la produccion con m ultiples plantas
productivas, considerando a las mismas de manera integrada.
Finalmente, se realizaron una serie de pruebas que permitieron observar c omo es-
tas nuevas extensiones afectan el funcionamiento del sistema. Se logro mayor exibilidad
permitiendo al sistema soportar m ultiples plantas productivas y obteniendo mejores solu-
ciones al considerar la interaccion entre las mismas. Como era de esperarse, los modelos
y algoritmos utilizados se volvieron m as complejos desde el punto de vista computacional
traduciendose en mayores tiempos de soluci on, lo que constituye un desafo de investigaci on
futura.
Palabras claves: CLSP, MFCLSP, MPCLSP, Planicaci on y programaci on de la produc-
ci on, Inventario de Seguridad.
10
1 Introduccion
En Chile la industria de las bebidas no alcoh olicas se encuentra en constante creci-
miento, durante el a no 2002 sus ventas ascendieron a 1.561 millones de litros mientras que
el a no 2012 se vendieron 2.689 millones de litros, experimentando de esta manera un creci-
miento del 72,26 % en los ultimos 10 a nos. Actualmente esta industria representa el 0,6 %
del PIB, sin considerar la demanda derivada asociada a la distribuci on, comercializacion
y publicidad.
Dentro de esta industria, a nivel nacional, destacan dos competidores por regi on,
los cuales cuentan con franquicias de los grandes competidores a nivel mundial: PepsiCo
y The Coca Cola Co. La competencia se basa en constantes campa nas de marketing, y la
creaci on de nuevos productos y formatos para llegar a un mayor n umero de consumidores.
Se busca crear un producto para cada tipo de consumidor o necesidad detectada.
Actualmente existen mas de 500 combinaciones de marcas y formatos disponibles,
entre los que se encuentran formatos que van desde la cl asica botella de un litro, hasta
formatos m as recientes como las bebidas mini, bebidas de 1,5 litros, 2 litros y 3 litros.
Adicionalmente se han introducido nuevos productos que responden a las necesidades m as
recientes detectadas en la sociedad, tales como bebidas bajas en caloras o energeticas,
adem as de productos pensados para los m as peque nos con vitaminas y minerales.
La inclusi on de nuevos productos y formatos ha permitido un importante crecimien-
to de la industria en los ultimos a nos. Dicho crecimiento ha provocado que los sistemas
productivos pertenecientes a la industria sean mas complejos. Por ejemplo, la administra-
ci on de las distintas cadenas de suministro se ha hecho mas difcil producto del aumento
en el n umero de eslabones. Tambien ha aumentado la dicultad en la administracion de
Recursos Humanos y Financieros producto de un mayor n umero de recursos productivos.
De la misma forma, el problema de planicacion de la producci on tambien se ha visto
afectado, principalmente debido al notable aumento en el n umero de productos y a la
constante b usqueda de la eciencia por parte de las empresas productoras.
Para hacer frente a la creciente complejidad de dicho problema, la Escuela de Inge-
niera Industrial de la Ponticia Universidad Catolica de Valparaso ha desarrollado una
soluci on de software de tipo DSS, denominada CAPPS, la cual se basa en modelos de
optimizaci on y tiene como objetivo apoyar al planicador de la produccion en su trabajo,
generando planes y programas de produccion ecientes y apropiados para las distintas
realidades de los sistemas productivos.
CAPPS desde sus inicios ha sido concebido para enfrentar las situaciones m as
comunes presentes principalmente en la industria de las bebidas, sin embargo se encuentra
en constante desarrollo permitiendo la inclusi on de nuevas funcionalidades que permitan
ajustarse a nuevas situaciones.
El objetivo de esta memoria es el desarrollo de tres nuevas funcionalidades para el
11
sistema. Las nuevas situaciones que se han abordado permiten al sistema:
Operar con demanda pendiente y demanda perdida de manera simultanea.
Discriminar entre demanda basada en pron osticos y demanda determinstica aso-
ciada a pedidos puntuales realizados por los clientes.
Trabajar con m ultiples plantas de manera integrada en un unico problema de
optimizaci on.
Resulta importante se nalar que dichas extensiones fueron implementadas s olo en
una versi on de prueba del sistema y en ning un caso en la version comercial del mismo.
Esta memoria se ha organizado de la siguiente manera: en el captulo 2 se describe
brevemente el problema de planicacion de la produccion, el enfoque de solucion basado
en el paradigma del CLSP y una revisi on del estado del arte respecto a dicho paradigma;
a su vez se describe CAPPS, los modelos que utiliza y los aspectos perfectibles del sistema
en los que se ha trabajado a lo largo de esta memoria. En el captulo 3 se presentan
alternativas de solucion para las problem aticas del sistema vistas en el captulo previo.
En el captulo 4 se realizan pruebas computacionales para evaluar el comportamiento
del sistema con las nuevas extensiones implementadas. Finalmente, en el captulo 5, se
presentan las conclusiones y aspectos en los que se puede profundizar en el futuro.
12
2 Denicion del Problema
A lo largo de esta memoria se enfrenta, desde el punto de vista pr actico y teorico,
la implementacion de tres extensiones en un software de apoyo a la toma de decisiones en
el ambito de la planicacion de la producci on. Dichas extensiones buscan que el software
sobre el cual se trabajo sea capaz de adaptarse a una mayor variedad de sistemas produc-
tivos. Para explicar todas las aristas del problema este captulo se ha dividido en cuatro
secciones: En la seccion 2.1 se presenta una descripci on del problema de planicacion de
la produccion centrando la atencion en la utilizaci on del paradigma de modelamiento del
CLSP, dado que el sistema en el cual se ha trabajado basa sus modelos en dicho paradigma.
Luego, en la secci on 2.2, se presenta CAPPS, el software de apoyo a la toma de decisiones
sobre el cual se trabajaron las extensiones desarrolladas en la memoria. Posteriormente, en
la seccion 2.3, se detallan los aspectos del software que se busca mejorar a lo largo de este
trabajo. Finalmente, en la secci on 2.4, se revisa el estado del arte asociado al problema de
planicaci on de la produccion.
2.1 Descripcion general
El problema de la planicaci on de la producci on se ha abordado en la literatura
en m ultiples ocasiones, y se ha descrito de distintas maneras. Por ejemplo, en el a no 1979
Magee y Boodman describen al problema de planicacion de la producci on como sigue:
El problema del planeamiento de la produccion surge de la necesidad de diri-
gir estrictamente las operaciones internas de producci on ante las demandas y
limitaciones externas. El objetivo de un adecuado planeamiento y programa-
ci on de la producci on o control de inventarios consiste en reducir al mnimo
las fricciones entre las relaciones internas y externas. (Magee and Boodman,
1979).
Una denicion mas reciente es la que presenta Yves Pochet el a no 2005, quien dene
la planicacion de la producci on de la siguiente manera:
Es la planicaci on de la adquisici on de recursos y materias primas, as como
la planicacion de las actividades productivas requeridas para transformar las
materias primas en productos terminados, satisfaciendo las demandas de los
clientes de la manera m as eciente o econ omica posible. (Pochet and Wolsey,
2005).
En general, la planicaci on consiste en denir las directrices que permiten alcanzar
un objetivo determinado. En el caso de la produccion lo que se busca es satisfacer la
demanda de la manera m as eciente posible.
13
Para efectos de esta memoria, la planicacion de la producci on se entendera como
una actividad que busca satisfacer los requerimientos de demanda, determinando las canti-
dades a producir e inventariar de cada producto en cada uno de los periodos del horizonte
de planicacion considerado, de forma que se utilicen los recursos disponibles de manera
eciente y se minimicen los costos.
La problem atica de la planicacion y programaci on de la producci on se presenta
en los distintos niveles de la organizaci on: a nivel estrategico, t actico y operativo, en cada
uno de ellos con distintos objetivos: en el nivel estrategico (largo plazo) se encuentra el
problema de dise no de capacidad y de localizaci on de instalaciones, a nivel tactico (mediano
plazo) se debe resolver el problema de planicaci on de la producci on e inventarios, y a
nivel operacional (corto plazo) se maniesta en la programacion de la producci on e en la
organizaci on de los turnos de trabajo. Actualmente existe una gran variedad de enfoques
que buscan resolver la problem atica de la planicaci on de la producci on. En particular, el
sistema sobre el cual se trabaj o utiliza como paradigma de modelamiento el Problema de
Tama no de Lote Capacitado (CLSP por sus siglas en ingles), por lo tanto en este tipo de
sistemas se centrara la atencion.
La complejidad de los modelos de tama no de lote dependen en gran medida de las
funciones que se tengan en cuenta y en base a esto se pueden clasicar de la siguiente
manera (Dallery, Gicquel y Minoux, 2008):
De acuerdo al n umero de recursos: Los productos pueden ser fabricados
en una m aquina (single-resource models) o en varias maquinas (multi-resource
models).
De acuerdo al n umero de niveles: De un nivel (single-level ) o m ultiples
niveles (multi-level ). En el primer caso los productos nales son obtenidos en una
etapa de producci on, mientras que en el segundo caso existen m ultiples etapas
de producci on que involucran la fabricaci on de uno o m as productos intermedios,
los cuales pueden servir como input para la producci on de otros temes.
Discretizacion del horizonte de planicaci on: En los problemas del tipo
big bucket es posible fabricar mas de un tem por recurso productivo por
perodo de tiempo. En los problemas del tipo small bucket cada periodo es
tan corto que s olo un tipo de tem puede ser fabricado por recurso productivo
en cada periodo de tiempo.
Karimi (2003), presenta algunas caractersticas adicionales que tambien aumentan
la complejidad del problema a resolver:
Tipo de demanda: Dentro de esta categora pueden encontrarse diferencias de
acuerdo a diversos criterios, los cuales se enumeran a continuaci on:
1. De acuerdo a su comportamiento en el tiempo: Si la demanda es constante
en el tiempo se habla de demanda est atica, por el contrario, si vara en el
14
tiempo se trata de demanda din amica.
2. Si la demanda es conocida de antemano: En caso de que la demanda se co-
nozca a priori se habla de demanda determinstica; por otra parte, si existen
probabilidades asociadas a la cantidad demandada se trata de demanda pro-
babilstica.
Estructura de setups: En una estructura de setup simple los tiempos y costos
de setup no dependen de la secuencia. En una estructura de setup compleja los
tiempos y costos de setup dependen de la secuencia en que son realizados.
Quiebres de inventario: Los quiebres de stock pueden o no ser permitidos. Si
los quiebres son permitidos se presentan dos casos adicionales:
1. Demanda pendiente (backlogging): La demanda no satisfecha del periodo
actual puede cubrirse en periodos futuros.
2. Demanda perdida (lost sales): En este caso se permite no satisfacer la de-
manda.
El CLSP estandar consiste en dise nar un plan de produccion para un sistema de
N tems, en un horizonte de T perodos de tiempo, con un unico recurso productivo de
capacidad limitada. Se puede considerar un problema de un nivel y un recurso del tipo big
bucket. Se puede caracterizar como sigue:
Considera un horizonte de planicaci on de T perodos.
Se considera un conjunto de N productos que deben ser fabricados.
Considera un unico recurso productivo con capacidad limitada y que es capaz de
fabricar solo un producto a la vez.
La preparacion del recurso considera costos de setup, los cuales son independien-
tes de la secuencia.
Se consideran costos asociados a la produccion.
Existe un costo de mantencion de inventario el cual es cancelado el funcion del
n umero de unidades inventariadas al nal de cada periodo.
Cada producto tiene asociada una demanda en cada perodo, la cual es din amica
y determinstica.
La demanda debe ser satisfecha en su totalidad, es decir se debe alcanzar un
nivel de servicio del 100 %.
El objetivo es determinar las cantidades a producir e inventariar en cada uno de
lo perodos para cada uno de los productos, minimizando la suma de los costos de setup
e inventario. Es importante se nalar que los costos unitarios de produccion pueden no
15
considerarse ya que se asumen constantes en el tiempo y s olo se debe satisfacer la demanda,
ni mas ni menos.
El problema decisional m as importante del CLSP es el trade-o existente entre
los costos asociados al nivel de inventario y la cantidad de setups en los que se incurre.
Para minimizar los costos de setup se debe producir en lotes grandes a expensas de altos
costos de inventario. Por el contrario, los niveles de inventario pueden mantenerse bajos
realizando muchos lotes peque nos lo que implica altos costos de setup.
La formulaci on matem atica del CLSP est andar es la siguiente:
Parametros:
T: N umero de periodos en el horizonte de planicaci on.
N: N umero de productos.
II
i
: Inventario inicial del producto i.
R
t
: Capacidad disponible en el perodo t.
D
it
: Demanda del producto i en el periodo t.
c
it
: Costo de setup en el que se incurre si el producto i es fabricado en el periodo t.
h
it
: Costo por tener una unidad de inventario del producto i al nal del periodo t.
a
i
: Coeciente de absorci on de capacidad del producto i.
Max
it
: Lmite superior para la produccion del producto i durante el perodo t
(Max
it
=

T
k=t
D
ik
).
Variables:
x
it
: Cantidad a producir del producto i durante el periodo t.
s
it
: Cantidad disponible en inventario del producto i al nal del periodo t.
y
it
: Variable binaria que toma el valor 1 cuando se produce el producto i durante
el periodo t. Toma el valor 0 en caso contrario.
16
Modelo matematico:
Minimizar
N

i=1
T

t=1
c
it
y
it
+h
it
s
it
(2.1)
s.a.:
x
i1
+II
i
s
i1
= D
i1
i = 1, ..., N (2.2)
x
it
+s
i,t1
s
it
= D
it
i = 1, ..., N t = 2, ..., N (2.3)
N

i=1
a
i
x
it
R
t
t = 1, ..., T (2.4)
x
it
Max
it
y
it
i = 1, ..., N t = 1, ..., T (2.5)
y
it
{0, 1} i = 1, ..., N t = 1, ..., T (2.6)
x
it
0 i = 1, ..., N t = 1, ..., T (2.7)
s
it
0 i = 1, ..., N t = 1, ..., T (2.8)
Donde la funci on objetivo (2.1) minimiza la suma de los costos se setup e inventario.
Las restricciones (2.2) y (2.3) son las denominadas restricciones de balance y se encargan
de asegurar que la demanda de cada periodo sea satisfecha. La restricci on (2.4) limita
la capacidad disponible en cada periodo t. La restricci on (2.5) se asegura de que s olo se
produczca en caso de que se haya realizado el setup correspondiente. Las restricciones
(2.6), (2.7) y (2.8) representan las restricciones de dominio de las variables del problema.
Una variante com unmente utilizada del CLSP est andar que resulta interesante revi-
sar para efectos de esta tesis es el Problema de Tama no de Lote Capacitado con M ultiples
Familias (MFCLSP). En esta variante se considera que los productos se encuentran agru-
pados en familias, donde cada producto pertenece a una unica familia. En el MFCLSP
existen costos de setup asociados tanto al cambio de familia como al cambio de produc-
to. El objetivo sigue siendo el mismo del CLSP est andar, es decir, denir un plan de
producci on donde se detallen las cantidades a producir e inventariar de cada producto
minimizando los costos de inventario y setup.
A continuaci on se presenta el modelo matem atico del MFCLSP:
17
Parametros:
T: N umero de periodos en el horizonte de planicaci on.
N: N umero de productos.
F: N umero de familias.
II
i
: Inventario inicial del producto i.
R
t
: Capacidad disponible en el perodo t.
D
it
: Demanda del producto i en el periodo t.
c
it
: Costo de setup en el que se incurre si el producto i es fabricado en el periodo t.
C
jt
: Costo de setup en el que se incurre si alg un producto perteneciente a la familia
j se fabrica en el periodo t.
h
it
: Costo por tener una unidad del producto i al nal del periodo t.
a
i
: Coeciente de absorci on de capacidad del producto i.
Max
it
: Lmite superior para la produccion del producto i durante el perodo t
(Max
it
=

T
k=t
D
ik
).
PF
j
: Conjunto de productos de la familia j..
Variables:
x
it
: Cantidad a producir del producto i durante el periodo t.
s
it
: Cantidad disponible en inventario del producto i al nal del periodo t.
y
it
: Variable binaria que toma el valor 1 cuando se produce el producto i durante
el periodo t. Toma el valor 0 en caso contrario.
z
jt
: Variable binaria que toma el valor 1 cuando se produce alg un producto perte-
neciente a CP
k
en el periodo t. Toma el valor 0 en caso contrario.
18
Modelo matematico:
Minimizar
N

i=1
T

t=1
c
it
y
it
+h
it
s
it
+
T

t=1
F

j=1
C
jt
z
jt
(2.9)
s.a.:
x
i1
+II
i
s
i1
= D
i1
i = 1, ..., N (2.10)
x
it
+s
i,t1
s
it
= D
it
i = 1, ..., N t = 2, ..., N (2.11)
N

i=1
a
i
x
it
R
t
t = 1, ..., T (2.12)
x
it
Max
it
y
it
i = 1, ..., N t = 1, ..., T (2.13)
y
it
z
jt
j = 1, ..., F t = 1, ..., T i PF
j
(2.14)
y
it
{0, 1} i = 1, ..., N t = 1, ..., T (2.15)
z
jt
{0, 1} j = 1, ..., F t = 1, ..., T (2.16)
x
it
0 i = 1, ..., N t = 1, ..., T (2.17)
s
it
0 i = 1, ..., N t = 1, ..., T (2.18)
Al comparar el MFCLSP con el CLSP estandar es posible observar que a la funci on
objetivo(2.9) se le han a nadido los costos de setup de familia. Adem as se ha a nadido
una nueva restricci on (2.14) que vincula los setup de familia con los setup de producto,
forzando a que se realice un setup de familia en cada periodo que se realice un setup de
alguno de los productos que la constituyen.
Para obtener mayor informaci on sobre el problema de tama no de lote y sus varian-
tes, se recomienda revisar el trabajo de Karimi et. al. (2003).
2.2 CAPPS, un sistema de apoyo a la toma de decisiones
El a no 2004 la Ponticia Universidad Cat olica de Valparaso se adjudico el proyecto
FONDEF n umero D04I1428, denominado Arquitectura congurable para la optimizaci on
de la logstica de producci on en la industria de procesos por lotes. El objetivo de dicho
proyecto fue desarrollar un framework de software basado en modelos de optimizaci on
para facilitar la implementaci on de sistemas de apoyo a la toma de decisiones en el ambito
19
de la planicacion y programacion de la producci on.
La Escuela de Ingeniera Industrial de la PUCV utiliz o el framework desarrollado
como base para la creaci on de CAPPS, una solucion de software orientada a sistemas de
producci on de procesos por lotes.
A lo largo de esta secci on se presentara CAPPS colocando enfasis en las carac-
tersticas del software que resulten relevantes para el desarrollo de esta tesis.
2.2.1 Caractersticas principales
CAPPS es un software del tipo DSS o Decision Support System orientado al ambito
de la Programaci on y Planicacion de la Produccion. El objetivo del software es generar
planes y programas de produccion ecientes y apropiados, apoyando de esta manera la
labor del encargado de planicar la producci on.
El usuario del sistema debe entregar una serie de entradas relacionadas con el pro-
blema. El sistema, utilizando algoritmos de optimizacion basados en programaci on lineal,
utiliza dichas entradas para generar un plan de produccion consistente en un conjunto de
salidas.
Las principales entradas que recibe CAPPS son:
Pron osticos de demanda.
Conjunto de productos.
Conjunto de materias primas.
Conjunto de familias de producto.
Lneas de produccion.
Periodos.
Das h abiles de producci on por periodo.
Tiempos de setup de producto.
Tiempos de setup de formato.
Inventarios iniciales, tanto de productos como de materias primas.
Preferencias del usuario.
Las entradas ingresadas son analizadas por el sistema. Dependiendo del horizonte
en el cual se este realizando la optimizacion el sistema entrega distintas salidas:
20
Largo plazo: En este caso el sistema entrega un presupuesto de producci on
detallado a nivel mensual.
Mediano plazo: En el mediano plazo el sistema entrega un plan de producci on
detallado a nivel semanal.
Corto plazo: El sistema entrega un programa de produccion detallado a nivel
diario.
La Figura 2.1 presenta de manera gr aca lo expuesto anteriormente.
Figura 2.1 CAPPS como un sistema de apoyo a la toma de decisiones
CAPPS trabaja en tres horizontes de tiempo con 3 modulos diferentes, los cuales
buscan integrar, a traves de un proceso jer arquico, las decisiones que deben tomarse en
el largo, mediano y corto plazo. Esquem aticamente, dichos modulos y sus relaciones se
pueden observar en la Figura 2.2.
21
Figura 2.2 Modulos de CAPPS y sus relaciones. Fuente: (Presentaci on CAPPS
empresas, 2012)
A continuaci on se describen los tres m odulos de CAPPS:
Modulo de Largo Plazo: Al utilizar este m odulo se considera generalmente
un horizonte de un a no. Como entrada principal se utilizan los pronosticos de
demanda mensuales. El objetivo de este m odulo es balancear las contrataciones,
el inventario y la utilizaci on de activos. Las salidas de este m odulo son un pre-
supuesto de produccion, un presupuesto de requerimientos de mano de obra y
un presupuesto de requerimientos materias primas. El detalle de las salidas es a
nivel mensual.
Modulo de Mediano Plazo: Utiliza como input el presupuesto de produccion
obtenido en el m odulo anterior. El objetivo de este modulo es lograr un equi-
librio entre la satisfacci on de demanda, el nivel de inventario y los tiempos de
setup. La salidas del m odulo de mediano plazo es un plan de producci on y los
requerimientos de materias primas estimados para cada periodo. En este caso el
detalle de las salidas es a nivel semanal.
Modulo de Corto Plazo: Este m odulo recibe como entrada el plan de pro-
ducci on entregado por el modulo de mediano plazo. Su objetivo de es minimizar
los quiebres de stock cumpliendo al mismo tiempo el plan de producci on entre-
gado por el modulo de mediano plazo. La salida de este m odulo es un detallado
programa de producci on a nivel diario.
La informacion anterior, se presenta resumida en la Tabla 2.3.
22
Tabla 2.3 Resumen de m odulos de CAPPS y sus caractersticas
h
h
h
h
h
h
h
h
h
h
h
h
h
h
h
h
hh
Caractersticas
Modulo
CAPPS LP CAPPS MP CAPPS CP
Detalle de las salidas Nivel mensual Nivel semanal Nivel diario
Objetivos
Balancear
contrataciones,
inventario y
utilizacion de
activos.
Lograr
equilibrio entre
satisfaccion de
demanda y nivel
de inventario.
Minimizar
tiempos de
setup.
Minimizar
quiebres de
stock. Cumplir
plan de
produccion.
Entradas
Pronosticos de
demanda,
parametros que
caracterizan al
sistema.
Presupuesto
anual de
capacidad.
Plan de
produccion de
mediano plazo.
Salidas
Presupuesto de
produccion de
largo plazo.
Presupuesto de
mano de obra.
Requerimientos
de materia
prima.
Plan de
produccion.
Requerimientos
de materia
prima
Programa
detallado de
produccion
2.2.2 Formulacion Matematica
CAPPS, como todo DSS, debe procesar las entradas entregadas por el usuario para
generar las salidas. Internamente, el sistema opera con un modelo basado en el MFCLSP,
que incluye varias caractersticas adicionales. A continuaci on se presentan listadas las
principales diferencias del modelo utilizado por CAPPS con respecto al MFCLSP estandar:
Permite la existencia de demanda pendiente o demanda perdida.
Considera inventarios de seguridad e inventarios maximos para cada producto.
Opera con un inventario objetivo para el nal del horizonte de planicaci on.
Considera un inventario maximo de bodega en unidades de volumen.
Posee restricciones de capacidad tanto para la mano de obra como para las lneas
productivas.
23
Introduce el concepto de Grupo Productivo, el cual corresponde a un conjunto
de lneas productivas que comparten mano de obra.
Permite la utilizacion de tama nos de lote mnimos y m aximos de producci on para
cada producto.
Considera la utilizacion de materias primas para la fabricaci on de cada producto.
Permite restringir el maximo de setups, tanto de familia como de producto, por
lnea productiva y por periodo.
Permite denir un nivel de importancia para cada producto y familia.
A continuacion se presenta una abstracci on del modelo utilizado por el sistema en
el modulo de mediano plazo:
Parametros:
F: N umero de familias.
P: N umero de productos.
T: N umero de periodos.
G: N umero de grupos productivos.
L: N umero de lneas de produccion.
K: N umero de materias primas.
PF
j
: Conjunto de productos que pertenecen a la familia j.
PL
l
: Conjunto de productos que procesa la lnea l.
FL
l
: Conjunto de familias que procesa la lnea l.
LG
g
: Conjunto de lneas que pertenecen al grupo productivo g.
PM
k
: Conjunto de productos que utilizan la materia prima k.
FF
i
: Familia del producto i.
D
it
: Demanda del producto i durante el periodo t.
II
i
: Inventario inicial del producto i.
IIM
k
: Inventario inicial de la materia prima k.
IMAX
it
: Inventario m aximo del producto i en el periodo t.
IMIN
it
: Inventario mnimo del producto i en el periodo t.
24
IFIN
j
: Inventario objetivo de la familia j al nal del horizonte de tiempo.
IT: Capacidad m axima de almacenamiento de la planta [pallets].
IL
lt
: Capacidad m axima de almacenamiento asignada a la lnea l en el periodo t.
CAP
lt
: Capacidad disponible de la lnea l en el periodo t.
NLMAX
lt
: N umero m aximo de cuadrillas asignables a la lnea l en el periodo t.
NMAX
gt
: N umero global de cuadrillas asignables al grupo productivo g en el pe-
riodo t.
NMF
l
: N umero m aximo permitido de setup de familia por periodo en la lnea l.
NMP
l
: N umero maximo permitido de setup de producto por periodo en la lnea l.
LMIN
i
: Lote mnimo del producto i.
AMP
kt
: Cantidad de materia prima k que llega y est a disponible en el periodo t.
A
ik
: Cantidad de materia prima k que consume el producto i.
HC
t
: Horas disponibles por cuadrilla en el periodo t.
R
i
: Rendimiento de la linea al fabricar el producto i.
FU
lt
: Factor de utilizacion m aximo para la lnea l en el periodo t.
IF
j
: Factor de ponderacion de la familia j.
IP
i
: Factor de ponderacion del producto i.
PDP: Ponderador de la demanda pendiente.
PSF: Ponderador para el setup de familia.
PSP: Ponderador para el setup de producto.
PDI: Ponderador para el decit de inventario.
PIF: Ponderador del inventario objetivo para el ultimo periodo del horizonte.
RET
k
: Par ametro que toma el valor 1 si la materia prima k es retornable. En otro
caso toma el valor 0.
25
Variables:
x
it
: Cantidad de producto i fabricado durante el periodo t.
s
it
: Inventario de producto i disponible al nal del periodo t.
y
it
: Variable binaria que toma el valor 1 en caso de que se realice un setup del
producto i en el periodo t, en caso contrario toma el valor 0.
z
jt
: Variable binaria que toma el valor 1 en caso de que se realice un setup de la
familia j en el periodo t, en caso contrario toma el valor 0.
n
lt
: N umero de cuadrillas asignadas a la lnea l en el periodo t.
dp
it
: Demanda pendiente o perdida del producto i en el periodo t.
di
it
: Decit de inventario del producto i en el periodo t.
dfi
j
: Decit de inventario de la familia j en el ultimo periodo del horizonte.
sm
kt
: Inventario de materia prima k al nal del periodo t.
26
Modelo matematico:
Minimizar
P

i=1
T

t=1
(IP
i
(PDI di
it
+ PDP dp
it
+ s
it
) + PSP y
it
) +
F

j=1
(IF
j
PIF
dfi
j
+PSF
T

t=1
z
jt
)
(2.19)
s.a.:
x
i1
+II
i
s
i1
= D
i1
dp
i1
i = 1, ..., P (2.20)
x
it
+s
i,t1
s
it
= D
it
dp
it
+dp
i,t1
*
i = 1, ..., P t = 2, ..., T (2.21)
x
it
+s
i,t1
s
it
= D
it
dp
it
**
i = 1, ..., P t = 2, ..., T (2.22)
s
it
IMIN
it
di
it
i = 1, ..., P t = 1, ..., T (2.23)
s
it
IMAX
it
i = 1, ..., P t = 1, ..., T (2.24)

iPF
j
s
iT
IFIN
j
dfi
j
j = 1, ..., F (2.25)
P

i=1
s
it
IT t = 1, ..., T (2.26)

iPL
l
x
it
R
i
FU
lt
CAP
lt
t = 1, ..., T l = 1, ..., L (2.27)

iPL
l
x
it
R
i
FU
lt
HC
t
n
lt
t = 1, ..., T l = 1, ..., L (2.28)

lLGg
n
lt
NMAX
gt
t = 1, ..., T g = 1, ..., G (2.29)
x
it
(IMAX
it
+D
it
) y
it
t = 1, ..., T g = 1, ..., G (2.30)
x
it
LMIN
i
y
it
i = 1, ..., P t = 1, ..., T (2.31)
*
La restriccion (2.21) se utiliza solo cuando se permite demanda pendiente.
**
La restriccion (2.22) se utiliza solo cuando no se permite demanda pendiente.
27
y
it
z
FF
i
,t
i = 1, ..., P t = 1, ..., T (2.32)

jFL
l
z
jt
NMF
l
l = 1, ..., L t = 1, ..., T (2.33)

iPL
l
y
it
NMP
l
l = 1, ..., L t = 1, ..., T (2.34)
z
jt
{0, 1} j = 1, ..., F t = 1, ..., T (2.35)
y
it
{0, 1} i = 1, ..., P t = 1, ..., T (2.36)
s
it
0 i = 1, ..., P t = 1, ..., T (2.37)
x
it
0 i = 1, ..., P t = 1, ..., T (2.38)
dp
it
0 i = 1, ..., P t = 1, ..., T (2.39)
di
it
0 i = 1, ..., P t = 1, ..., T (2.40)
0 n
lt
NLMAX
lt
l = 1, ..., L t = 1, ..., T (2.41)
sm
kt
0 k = 1, ..., K t = 1, ..., T (2.42)
dfi
j
0 j = 1, ..., F (2.43)
La funci on objetivo (2.19) minimiza los quiebres de stock, los decits de inventario,
los niveles de inventario y los costos de setup, tanto de familia como de productos. En este
punto destaca, con respecto al MFCLSP, la inclusion de ponderadores en vez de costos.
Los ponderadores son parametros denidos por el planicador de la producci on, en base a
su experiencia y conocimiento del sistema productivo, que permiten balancear los costos
asociados a los quiebres de stock, decits de inventario, niveles de inventario y costos de
setup.
Respecto a las restricciones, las expresiones (2.20) y (2.21) o (2.22) corresponden a
las restricciones de balance. Como es posible observar, al compararlas con las expresiones
(2.10) y (2.11), en este caso se utiliza la variable dp
it
, la cual permite relajar el supuesto
de cumplir con un nivel de servicio del 100 %. La ecuacion (2.21) aborda el caso de que
la demanda no satisfecha el periodo actual, puede ser satisfecha en periodos posteriores
(backlogging); si ese no es el caso, es decir la demanda no satisfecha en el periodo actual
se pierde (lost sales), se utiliza la restricci on (2.22), donde ya no esta presente el termino
dp
i,t1
. La expresi on (2.23) corresponde al lmite inferior para el inventario de cada pro-
ducto en cada periodo, mientras que la expresi on (2.24) corresponde al lmite superior; en
28
este punto destaca la inclusion de la variable di
it
la cual permite que el modelo siga siendo
factible a un cuando el lmite inferior no sea alcanzado. La expresion (2.25) corresponde
al inventario objetivo para cada una de las familias al nal del horizonte de planica-
ci on. La ecuacion (2.26) busca que no se sobrepase la capacidad de almacenamiento de
la planta. La expresi on (2.27) busca que no se sobrepase la capacidad disponible de cada
lnea productiva mientras que la restriccion (2.28) busca que no sea superada la capacidad
disponible de mano de obra; en este punto es posible notar que el coeciente de absorci on
de capacidad se expresa en terminos del rendimiento y adicionalmente se utiliza un factor
de utilizaci on, el cual depende de la linea y el periodo. La expresi on (2.29) corresponde al
lmite de cuadrillas permitidas por periodo y por grupo productivo. La restricci on (2.30)
es analoga a la restriccion (2.5) del CLSP estandar y hace posible la produccion solo si se
ha hecho el setup de producto correspondiente; en tanto, la restricci on (2.31) se asegura
de que la producci on de cada producto sea al menos tan grande como el lote mnimo
permitido. La restricci on (2.32) vincula los setup de familia con los setup de producto,
asegur andose de que si se fabrica un producto se haya realizado previamente el setup de
familia correspondiente. Las restricciones (??) y (??) corresponden a las ecuaciones de
balance para las materias primas, la cuales se aseguran que para la fabricaci on de un
producto se disponga de materia prima. En el caso de las materias primas retornables
se asume el supuesto de que el retorno de materia prima es igual al consumo materias
prima del periodo inmediatamente anterior. Las restricciones (2.33) y (2.34) restringen el
m aximo de setups, tanto de familia como de producto, que pueden realizarse por lnea
productiva y por periodo. Finalmente, Las restricciones que van desde la (2.35) a la (2.43)
representan el dominio de las variables de decision del problema.
2.2.3 Modelo de datos del sistema
A lo largo de esta secci on se presentar a, colocando s olo las clases m as relevantes
y sus atributos principales, el modelo de datos utilizado por CAPPS para representar el
problema de optimizacion descrito en la secci on 2.2.2.
Para mejorar la visualizacion y comprension del modelo, este ha sido representado
a traves de dos diagramas de clases, los cuales se encuentran relacionados entre s: la
Figura 2.3, considera los elementos b asicos del modelo y sus relaciones (principalmente
relacionados con los par ametros del problema), en tanto la segunda (Figura 2.4) presenta
los elementos de la solucion, en este caso del plan de producci on (relacionados con las
variables del problema).
29
Figura 2.3 Diagrama de clases del modelo de datos utilizado por CAPPS, parte 1.
En la Figura 2.3 es posible ver los elementos basicos del modelo. A continuacion se
describir a cada una de las clases presentes en el diagrama:
MainEntity: Los objetos de esta clase tienen toda la informaci on relativa a una
instancia del problema de optimizaci on. Incluye tanto los datos de los parametros
como los datos de la soluci on (hace referencia al objeto Plan).
PeriodoProducto: Los objetos del tipo PeriodoProducto almacenan la infor-
maci on importante asociada a un periodo y a un producto en particular. Entre
sus principales atributos se encuentra la cantidad demandada y los inventarios
m aximos y mnimos permitidos para el producto en dicho periodo.
PeriodoMatPrim: Los objetos de esta clase contienen la informaci on asociada
a un periodo y a una materia prima. En particular, guardan la informaci on sobre
las llegadas programas de materia prima para el periodo.
30
PeriodoGrupo: Los objetos de este tipo guardan la informaci on relacionada
a un grupo productivo y a un periodo determinado. Entre la informaci on mas
relevante destacan los das laborales del grupo productivo en el periodo.
PeriodoLinea: Los objetos de esta clase almacenan la informaci on asociada a
una lnea productiva y a un periodo. Entre sus principales atributos destacan la
capacidad de la lnea en el periodo as como su factor de utilizaci on.
InventarioProducto: Los objetos de la clase InventarioProducto, est an asocia-
dos a un producto en particular y almacenan la informaci on acerca de la cantidad
que tiene en inventario dicho producto al comienzo del horizonte de planicacion.
InventarioFormato: Los objetos de esta clase almacenan informacion de los
inventarios iniciales de una familia en particular. Adicionalmente guardan la
informaci on del inventario de la familia al nal del horizonte de planicaci on
(esta informacion la obtienen desde la soluci on).
InventarioMatPrim: Los objetos de este tipo estan asociados a una materia
prima y almacenan informaci on acerca de la cantidad que tiene en inventario
dicha materia prima.
Producto: Las instancias de esta clase guardan toda la informacion relativa a un
producto en particular. Algunos de sus atributos m as relevantes son la eciencia
de la lnea cuando lo fabrica, su importancia y el lote mnimo de producci on per-
mitido. Como se puede observar, cada objeto del tipo Producto est a compuesto
por objetos del tipo RequerimientoMatPrim.
Formato: Los objetos de este tipo tienen informaci on relativa a una familia. Sus
atributos mas relevantes son su importancia y su inventario nal deseado. Como
es posible observar en el diagrama est a compuesto de productos.
MateriaPrima: Las instancias de esta clase guardan informaci on relacionada a
una materia prima. En particular el atributo retornable indica si se trata de una
materia prima retornable o no.
RequerimientoMatPrim: Los objetos de esta clase almacenan informacion
del consumo que tiene un producto en particular de una determinada materia
prima. As un producto tiene m ultiples requerimientos de materia prima y un
requerimiento de materia prima est a asociado a un producto.
Periodo: Una instancia de esta clase guarda la informaci on relativa a un periodo.
Entre sus principales atributos destaca su fecha de inicio, fecha de termino y la
cantidad de das habiles con los que cuenta.
Grupo: Cada instancia de esta clase guarda informacion de un Grupo Produc-
tivo. Sus atributos est an asociados fundamentalmente con su identicaci on.
31
Linea: Los objetos de esta clase almacenan informaci on de una lnea de pro-
ducci on. Entre sus atributos destaca la informaci on relacionada a los n umeros
deseados y m aximos permitidos de setups.
Preferencias: Una instancia de esta clase guarda informaci on relativa a los
par ametros del problema que no se encuentran asociados a ning un otro objeto
en particular. En la gura es posible distinguir que los ponderadores de setup,
demanda e inventario se encuentran entre los par ametros. Adem as incluye la
capacidad de almacenamiento de la planta.
Las clases Formato, Producto, Grupo, Linea y MateriaPrima, cuentan con atributos
adicionales a los mostrados en la Figura 2.3, los que son utilizados para su identicaci on
(nombre, c odigo, etcetera).
Con respecto a los elementos de la soluci on, estos pueden ser vistos en la Figura
2.4. Cabe se nalar que las relaciones con respecto a la primera parte del modelo de datos se
encuentran implcitas (representadas con metodos). A continuacion se describen las clases
presentadas en el diagrama:
Plan: Una instancia de Plan tiene referenciados a todos los objetos asociados a
la solucion. Adicionalmente tiene una referencia al MainEntity.
DecitInventario: Un objeto de este tipo tiene referenciada a una Familia en
particular. Almacena el valor de la variable dfi
j
, asociada al decit de inventario
en el ultimo periodo del horizonte para la familia j.
MPPeriodo: Un objeto de esta clase tiene referencia a un periodo, incluye todos
los elementos de la soluci on asociados a dicho periodo.
MPMatPrima: Un objeto de este tipo hace referencia a un periodo y a una
materia prima. Almacena informaci on sobre el consumo de materia prima y los
inventarios del periodo.
MPGrupo: Hace referencia a un periodo y a un grupo productivo. Incluye un
metodo para calcular la utilizaci on de las cuadrillas en el grupo productivo.
MPLinea: Una instancia de esta clase hace referencia a un periodo y a una
lnea productiva determinada. Entre los principales metodos con los que dispone
est an los que permiten calcular el n umero de setup de producto y familia en la
lnea respectiva.
MPProduccion: Cada objeto de esta clase almacena informaci on sobre la pro-
ducci on, el inventario, el decit inventario y la demanda pendiente de un producto
en un periodo.
32
Figura 2.4 Diagrama de clases del modelo de datos utilizado por CAPPS, parte 2.
2.3 Problematicas abordadas
Tal como se mencion o previamente, lo que se busca en esta memoria es convertir a
CAPPS en un software m as exible, capaz de abordar un mayor n umero de situaciones y
soportar a su vez una mayor variedad de sistemas productivos. Con respecto a lo anterior,
en esta secci on se presentar an, algunas de las situaciones que el sistema, tal como se
describi o en la secci on 2.2, no es capaz de abordar, y en las que se trabaj o a lo largo de la
tesis.
2.3.1 Demanda pendiente y demanda perdida de manera simultanea
Como se ha visto hasta el momento, el sistema es capaz de trabajar con demanda
pendiente (backlogging) o bien con demanda perdida (lost sales), sin embargo no es capaz
de tratar ambos tipos de demanda de manera simultanea. Para entender el problema de
utilizar este enfoque, a continuacion se describe c omo se comporta el sistema de acuerdo
al tipo de demanda que se utilice:
33
Demanda perdida: Este tipo de demanda se da cuando la demanda no satis-
fecha en el periodo actual se convierte en ventas perdidas. Para modelar esta
situaci on se utiliza la restriccion (2.22). Como es posible observar al comparar
esta restricci on con la del CLSP est andar (2.3), se ha a nadido un nuevo termino
(dp
it
), el cual permite relajar el supuesto de satisfacci on del 100 % de la de-
manda. En caso de que la producci on mas el inventario del periodo anterior no
sean lo sucientemente grandes para satisfacer la demanda del periodo actual,
la variable dp
it
tomar a un valor positivo el cual corresponder a a la demanda
perdida del periodo.
Demanda pendiente: Este tipo de demanda se da cuando la demanda no satis-
fecha del periodo actual puede satisfacerse en periodos posteriores, en terminos
pr acticos el cliente estara dispuesto a esperar en caso de que no haya stock del
producto. Para modelar esta situacion se usa la restricci on (2.21). Si se compara
esta restricci on con la utilizada en el caso previo (2.22), se adiciona un nuevo
termino correspondiente a la demanda pendiente del periodo anterior (+dp
i,t1
).
As, si en el periodo anterior quedo demanda pendiente, entonces esta se le suma
a la demanda del periodo actual. El problema que se puede dar en esta situacion
es la acumulacion de demanda pendiente de manera indenida.
A continuaci on, a modo de ejemplo, se presentar a el comportamiento de la demanda
pendiente y la demanda perdida de un producto con una demanda estatica y determinstica
igual a a unidades por periodo y una produccion de b unidades por periodo considerando
un inventario inicial de 0 unidades. Se consideraran dos situaciones:
Produccion es mayor o igual que la demanda (b a): Este caso no
es de mayor interes para el an alisis, dado que la produccion es suciente para
satisfacer la demanda, por lo tanto la demanda pendiente (o perdida), tendr a un
valor igual a cero. Por otra parte el nivel de inventario aumentara a una tasa de
b a unidades por periodo.
Produccion es menor que la demanda (a > b): En esta situacion la demanda
no podra ser satisfecha en cada periodo. En caso de que se trate de demanda
perdida, en cada periodo se perder an a b unidades, por otra parte si se trata
de demanda pendiente, esta se acumular a a una tasa igual a (a b) unidades
por periodo. En la Figura 2.5 es posible ver el comportamiento de la demanda
pendiente donde al cabo de t periodos ha alcanzado un valor igual a t(a b).
Dado lo anterior, en el caso de que se trabaje con demanda perdida, el modelo se
ajusta a la realidad, considerando que en cada periodo en que la demanda no puede ser
satisfecha, la misma se pierde.
Por otra parte, cuando se trabaja con demanda pendiente, en funci on de los parame-
tros del problema, podra darse una situaci on que se asemeje a la expuesta en la Figura
2.5, donde la demanda pendiente crece sin control.

Esta ultima situaci on no se ajusta
34
totalmente a la realidad, dado que en general un cliente no estara dispuesto a esperar de
manera indenida por el producto, y eventualmente parte de la demanda pendiente podra
perderse. Para hacer frente a esta situaci on, resulta relevante ajustar sistema de modo de
que sea capaz de operar de manera simultanea con demanda pendiente y demanda perdi-
da, y de esta forma ajustarse en mayor medida a la realidad en problemas en los cuales se
permite demanda pendiente.
Figura 2.5 Demanda pendiente para un producto con demanda estatica y
determinstica igual a a unidades y producci on constante b, con a > b.
2.3.2 Pronosticos de demanda y pedidos determinsticos de ma-
nera diferenciada
Un elemento fundamental de una buena planicaci on consiste en estimar, con la
mayor exactitud posible, la demanda de cada producto.
El pron ostico es una estimaci on de la demanda que experimentara un producto
durante un determinado periodo futuro y es una de las entradas para el modelo de plani-
caci on de la produccion.
Para elaborar un pron ostico, generalmente se emplean tecnicas estadsticas basadas
en los datos historicos de la organizacion (por ejemplo series de tiempo), sin embargo, como
toda estimaci on, los pronosticos tienen un grado de incertidumbre y en ocasiones podran
alejarse de la realidad. Algunas de las razones que hacen que un pronostico no sea exacto
se presentan a continuacion:
Los datos historicos con los que cuenta la organizacion corresponden a la venta
y no a la demanda. En caso de que se hayan producido quiebres de stock, los
35
datos de venta son distintos a la demanda, lo que puede provocar que se estime
una demanda menor a la real.
La informaci on puede estar sesgada debido a la existencia de promociones en pe-
riodos anteriores. Esto puede provocar que se sobrestime la cantidad demandada.
Si se lleva un registro detallado de las promociones en el historico de ventas, se
pueden limpiar los datos y corregirlos de modo de obtener un pronostico acerta-
do.
Al elaborar los pron osticos basados en informaci on hist orica, de manera implcita
se asume el supuesto de que lo que sucedi o en el pasado debera tender a repetirse
en el futuro. Esto no siempre sucede en la realidad.
Para hacer frente a la incertidumbre con la que cuentan los pron osticos, la organi-
zaci on ja un nivel de servicio, en base al cual dene un inventario de seguridad, el que
permite combatir la aleatoriead de la demanda.
Los pedidos determinsticos, por otra parte, corresponden a demanda sin incerti-
dumbre y se materializan a traves de un documento u orden de compra que los respalda.
Cuando los sistemas productivos satisfacen este tipo de demanda, se les caracteriza como
sistemas contra pedido, en estos sistemas la organizaci on fabrica el producto solicitado
especcamente para el cliente y no es necesario que guarde existencias del mismo en
inventario.
Los factores que motivan a tratar de manera diferenciada los pedidos de la demanda
basada en pron osticos son los siguientes:
Tienen una naturaleza distinta. Por una parte los pedidos no tienen aleatoriedad
asociada mientras que los pronosticos s la poseen.
Existen distintos tipos de sistemas productivos. Por una parte hay sistemas push
o contra inventario, en los cuales la organizacion produce basada en pron osticos
de demanda. Por otra parte existen los sistemas pull o contra pedido, en los que
se fabrica luego de recibir el pedido. En la pr actica, gran parte de los sistemas
son mixtos, es decir, un porcentaje de la demanda que reciben corresponde a
pedidos puntuales mientras que el resto es incierta, por tanto se estima a traves
de pronosticos.
El c alculo del inventario de seguridad utiliza la demanda y el nivel de servicio
como par ametros. Dado que por denicion el inventario de seguridad se utiliza
para hacer frente a la aleatoriedad de la demanda, si la demanda no es aleatoria,
como es en el caso de los pedidos, no es necesario utilizarlo. Por otra parte, si la
demanda esta basada en pron osticos, se hace necesario utilizarlo.
Actualmente CAPPS no hace distincion entre pedidos y pronosticos. Cuando se
presentan simult aneamente ambos tipos de demanda, el planicador debe sumar los pedi-
36
dos determinsticos con la demanda proveniente de los pronosticos (demanda aleatoria).
Dicha suma es considerada la demanda del periodo.
El problema que se genera al abordar el problema de esta manera no es directamente
con el modelo de optimizacion, sino mas bien con el calculo del inventario de seguridad por
parte del sistema . Para calcular el stock de seguridad, CAPPS recibe como parametro la
cantidad de das piso mnimo para cada uno de los productos. Adicionalmente, el sistema
calcula la demanda diaria promedio en base a la informaci on de demanda de cada producto.
Finalmente, el inventario de seguridad corresponde al resultado de la multiplicaci on entre
los das piso mnimos y la demanda diaria promedio. En la expresi on (2.44) es posible ver
la formula empleada por el sistema.
IMIN
it
= DP
i
DDP
it
t = 1, ..., T (2.44)
Donde:
IMIN
it
: Inventario de Seguridad calculado para el producto i en el periodo t.
DP
i
: Das piso mnimo para el producto i (par ametro entregado por el usuario).
DDP
it
: Demanda diaria promedio del producto i en el periodo t.
Se puede observar en esta expresion que el inventario de seguridad, si bien es jo en
cantidad de das piso, no lo es en unidades de producto y depende de la demanda diaria
promedio del producto en el periodo respectivo.
C omo se ha se nalado anteriormente, el parametro D
it
considera de manera indistin-
ta, tanto la demanda asociada a los pedidos como la demanda basada en los pron osticos.
Por tanto, el c alculo del stock de seguridad, en caso de que existan pedidos determinsticos,
resultar a sobredimensionado.
2.3.3 M ultiples plantas de producci on
Actualmente el proceso de optimizaci on realizado por CAPPS est a dise nado para
una planta productiva. Cuando existen sistemas con m ultiples plantas productivas una
posible aproximaci on, utilizando CAPPS como apoyo, es considerar cada planta por sepa-
rado, dado que el sistema no aborda el problema de m ultiples plantas.
Esquem aticamente la aplicaci on de este enfoque puede observarse en la Figura 2.6,
donde se consideran N plantas, cada planta es optimizada por separado, lo que genera un
plan de producci on independiente para cada una de ellas.
37
Figura 2.6 Considerar m ultiples plantas productivas en m ultiples instancias de
optimizaci on.
El problema de considerar las plantas de esta manera radica en que se ignora la
interacci on existente entre las plantas, la cual puede reejarse en el transporte de materia
prima o productos terminados entre plantas o bien en una coordinaci on asociada a las
distintas eciencias que podran tener las lneas productivas en cada planta. Desde un
punto de vista sistemico, el plan generado por CAPPS no aprovechara la opci on de generar
sinergia debido a la existencia de m ultiples plantas productivas dentro de una misma
organizaci on.
Una situaci on deseable puede verse en la Figura 2.7. Donde se ingresan a una unica
instancia de optimizaci on los parametros de todas las plantas y un conjunto extra de
par ametros relacionados con su interaccion. CAPPS considera de manera simult anea todo
el conjunto de par ametros y a partir de ellos genera un plan de produccion integrado.
38
Figura 2.7 Considerar m ultiples plantas productivas de integradas en una sola
instancia de optimizacion.
2.4 Notas Bibliogracas
El problema de tama no de lote ha sido motivo de estudio desde los inicios de la
industrializaci on. El primer trabajo relacionado es el que presenta Harris (1913), conocido
como el modelo EOQ, donde se debe determinar el lote economico de compra de modo
de minimizar la suma de los costos de setup e inventario para un unico producto en un
entorno con demanda constante y sin el uso de restricciones de capacidad. Posteriormente,
en el trabajo de Wagner y Within (1958), se presenta un algoritmo que permite alcanzar
la optimalidad en una situaci on con demanda din amica y sin restricciones de capacidad.
A partir de este punto se han estudiado m ultiples extensiones y variantes del problema de
tama no de lote; las principales extensiones pueden ser revisadas en el trabajo de Karimi
et al. (2003).
A lo largo de esta secci on se revisara la literatura asociada a tres extensiones (des-
critas en la secci on 2.3). Cabe se nalar que no ha sido posible encontrar literatura asociada
que revise de manera simultanea las extensiones estudiadas o en las que se utilice de base
un sistema con las caractersticas de CAPPS, por tanto la revisi on se limita a autores que
39
incorporen de alguna manera extensiones similares en sus trabajos.
Con respecto a la extensi on que permite que la demanda pendiente y la demanda
perdida coexistan en el mismo sistema, en la literatura es posible encontrar el trabajo
de Wee (1999) donde se presenta un modelo de inventario en el cual s olo un porcentaje
de la demanda puede ser dejada pendiente (partial backlogging). Abad (2001), propone
un modelo en el que se permite demanda pendiente y perdida; en este caso la demanda
pendiente m axima permitida es una funcion del tiempo que debe esperar el cliente. Chang
y Lin (2010), presentan un modelo de inventario en el cual coexisten demanda pendiente
y perdida para un unico producto, en el cual la demanda es funcion de la inaci on.
Por otra parte, para el problema de considerar m ultiples plantas productivas si-
mult aneamente en un unico problema, en la literatura es posible encontrar una extension
del CLSP que ha sido estudiada por diversos autores y que considera m ultiples plantas pro-
ductivas y costos de transporte; dicho problema es conocido como MPCLSP (Multi Plant
Capacitated Lot Sizing Problem). Entre los autores que han propuesto aproximaciones pa-
ra solucionar este problema se pueden considerar a Sambasivan y Yahya (2005), quienes
proponen una heurstica basada en relajacion lagrangeana para el problema, considerando
transferencias de productos entre plantas; posteriormente Sambasivan (2008) presenta un
caso pr actico resuelto con la misma heurstica. Akbalik y Penz (2007), presentan la resolu-
ci on de una variante del problema, en el cual la demanda no es concentrada por las plantas
sino que por un centro de distribuci on; este problema es resuelto utilizando programacion
din amica. Deleplanque, Sidhoum y Quilliot (2013), presentan una formulacion alternativa
para el problema basada en ujo en redes y lo resuelven utilizando relajaci on Lagrangeana.
Finalmente, con respecto al calculo de los inventarios de seguridad en sistemas que
poseen tanto demanda basada en pron osticos como demanda determinstica provenien-
te de pedidos realizados con anticipaci on por los clientes, no ha sido posible encontrar
bibliografa asociada.
40
3 Formulacion del Modelo
A lo largo de este captulo se abordan las problem aticas descritas en la seccion 2.3,
dando soluci on a cada una de las situaciones vistas. En la secci on 3.1 se proponen modi-
caciones al modelo base visto en la secci on 2.2.2 que buscan permitir la coexistencia de
demanda pendiente y perdida. En la seccion 3.2 se presentan las modicaciones realizadas
al sistema para que exista una distinci on entre pron osticos de demanda y demanda real.
En la secci on 3.3 se presenta la formulaci on matem atica del modelo que considera m ulti-
ples plantas productivas de manera simult anea. Finalmente en la secci on 3.4 se presenta
el nuevo modelo de datos del sistema, el cual soporta las extensiones implementadas.
Es importante se nalar que el trabajo realizado se ha aplicado de manera incre-
mental, es decir que el modelo nal, presentado en la secci on 3.3, incluye tambien las
modicaciones realizadas en las secciones previas (3.1 y 3.2).
3.1 Demanda Pendiente y demanda perdida de manera simultanea
El objetivo de esta extension es permitir que coexistan demanda pendiente y de-
manda perdida. Para lograr esto, la demanda pendiente en alg un momento debe convertirse
en demanda perdida. Una aproximacion razonable es que el usuario del sistema ingrese
informaci on sobre el tiempo que el cliente esta dispuesto a esperar un pedido.
Para ejemplicar esta situaci on se presenta la Figura 3.1, donde con color azul
se representa la demanda pendiente y con color gris se representa la demanda perdida
acumulada para un producto con una demanda estatica y determinstica de a unidades y
una produccion constante de b unidades. Como se puede observar, la demanda pendiente se
acumula hasta que se alcanza el periodo M, el cual corresponde a la cantidad de periodos
que esta dispuesto a esperar el cliente por el producto. Pasado el periodo M, la demanda no
satisfecha y que posee mayor antig uedad se convierte en demanda perdida, esto consigue
el efecto buscado, es decir en el mismo sistema se presentan de manera simult anea ambos
tipos de demanda. Lo presentado en este ejemplo se puede contrastar con la Figura 2.5,
donde la demanda pendiente crece sin lmite alguno.
Para mayor claridad sobre la forma en que opera el par ametro M
i
, en la Tabla 3.1
se presenta un ejemplo numerico. En dicha tabla, se presenta la demanda y produccion
mensual considerando un horizonte de 6 periodos. Luego se presentan la demanda pen-
diente m axima admitida por periodo (correspondiente al m aximo valor que puede tomar
la variable dp
it
) y la demanda perdida (correspondiente a la variable dper
it
), lo anterior
considerando dos valores del par ametro M
i
.
41
Tabla 3.1 Ejemplo sobre la forma de operar del par ametro M
i
Periodo 1 2 3 4 5 6
Demanda 100 200 300 400 500 600
Produccion mensual 0 0 0 0 0 0
M
i
= 1
Demanda pendiente maxima 100 200 300 400 500 600
Demanda perdida 0 100 200 300 400 500
M
i
= 2
Demanda pendiente maxima 100 300 500 700 900 1100
Demanda perdida 0 100 200 300 400
Figura 3.1 Demanda pendiente y perdida para un producto con demanda estatica y
determinstica igual a a unidades y producci on constante b, con b < a.
Si M
i
toma un valor de 1, la demanda pendiente del periodo t se convierte en
demanda perdida en caso de no haber sido satisfecha a un en el periodo t + 1, as por
ejemplo, en la Tabla 3.1, la demanda pendiente m axima del periodo 2 es 200, por lo tanto,
dado que la producci on es 0, la demanda que haba quedado pendiente en el periodo
1 y no fue satisfecha al termino del periodo 2, pasa a convertirse en demanda perdida.
An alogamente, en el caso en que M
i
toma el valor de 2, la demanda que queda pendiente
en el periodo t, pasa a convertirse en demanda perdida si no es satisfecha a mas tardar
al termino del periodo t + 2. Generalizando, la demanda pendiente del periodo t puede
mantenerse en dicho estado a lo m as hasta el nal del periodo t +M
i
, y en caso de no ser
satisfecha en ese momento pasa a convertirse en demanda perdida.
42
A continuacion se presentan las modicaciones que se introdujeron al modelo pre-
sentado en la secci on 2.2.2, de modo de lograr que existan simult aneamente demanda
pendiente y perdida en una unica instancia de problema:
Nuevos parametros :
PDPer: Factor de ponderacion para la demanda perdida.
M
i
: N umero de periodos que puede ser dejada pendiente la demanda antes de
convertirse en demanda perdida para el producto i.
Nuevas variables:
dper
it
: Demanda perdida del producto i en el periodo t.
Funcion objetivo modicada:
Minimizar
P

i=1
T

t=1
(IP
i
(PDI di
it
+PDP dp
it
+PDPer dper
it
+s
it
) +PSP y
it
) +
F

j=1
(IF
j
PIF dfi
j
+PSF
T

t=1
z
jt
)
(3.1)
Nuevas restricciones:
x
i1
+II
i
s
i1
= D
i1
dp
i1
dper
i1
i = 1, ..., P (3.2)
x
it
+s
i,t1
s
it
= D
it
dp
it
+dp
i,t1
dper
it
i = 1, ..., P t = 2, ..., T (3.3)
dp
it

t

c=tMin(M
i
,t)+1
D
ic i = 1, ..., P t = 1, ..., T (3.4)
Como es posible observar se ha introducido un nuevo ponderador para la demanda
perdida, PDPer, el cual resulta relevante para hacer una distinci on entre la importancia
que tiene cada tipo de demanda. Resulta natural pensar que perder demanda es menos
deseable que dejar demanda pendiente por tanto su valor debera ser superior al par ametro
PDP, correspondiente al ponderador de la demanda pendiente.
Adicionalmente se a nade un par ametro para indicar el n umero de periodos que
puede ser dejada pendiente la demanda de cada producto (M
i
), el cual corresponde al
n umero de periodos que el cliente esta dispuesto a esperar por el producto i. El valor
jado para dicho par ametro puede estar basado en la experiencia del planicador o bien
43
puede obtenerse luego de un analisis de los tiempos que los clientes estan dispuestos a
esperar.
Con respecto a la funci on objetivo (3.1), es posible notar, al compararla con la
expresi on (2.19), que se ha a nadido un nuevo termino. Dicho termino se utiliza para
penalizar la demanda perdida.
Se introducen nuevas restricciones de balance, donde la restricci on (3.2) reemplaza
a la restricci on (2.20) y la restricci on (3.3) reemplaza a las restricciones (2.21) y (2.22).
Como es posible notar, en estas nuevas restricciones se utilizan variables distintas para la
demanda pendiente y demanda perdida. Se a nade ademas una nueva restricci on (3.4), la
cual limita la cantidad de demanda que puede ser dejada pendiente.
Con respecto a la nueva formulaci on cabe se nalar:
Se asume que la demanda mas antigua se satisface primero. Esto se ve reejado
en la restriccion (3.4). Este supuesto resulta razonable ya que, salvo en casos de
excepci on, se preferir a satisfacer la demanda que est a mas cercana a perderse.
Un caso en el que este supuesto no se cumplira es, por ejemplo, cuando existen
clientes preferidos a los cuales no se hace esperar.
Ya no es necesario tener una restricci on de balance cuando se trabaja exclusiva-
mente con demanda pendiente y una distinta cuando se trabaja s olo con demanda
perdida. La nueva restriccion de balance (3.3) resulta mas general. En caso de
que el parametro M
i
tome valor 0, las variables dp
it
se haran 0 y con esto se
lograra lo mismo que con la restricci on (2.22). Si se desea lograr lo mismo que
con la restricci on (2.21), es decir trabajar con demanda pendiente que se acumu-
le de manera indenida, el valor de M
i
debe ser igual a la cantidad de periodos
considerados en el horizonte de planicaci on (T). Si M
i
toma cualquier valor
mayor que 0 y menor que T, se considerar a la existencia de demanda pendiente
y perdida simult aneamente.
3.2 Pronosticos de demanda y pedidos determinsticos de mane-
ra diferenciada
Lo que se busca con la implementacion de esta extension es hacer una distincion
explcita entre la demanda asociada a pedidos (o determinstica) y la demanda estima-
da proveniente de los pron osticos de demanda realizados por la organizaci on. Se busca
solucionar el problema descrito en la secci on 2.3.2.
Para lograr esto se consider o que el parametro D
it
, correspondiente a la demanda
del producto i en el periodo t, tiene dos componentes: un primer componente asociado a
los pronosticos de demanda y un segundo componente asociado a los pedidos o demanda
44
determinstica. Lo anterior se puede expresar de la siguiente manera:
D
it
= Ped
it
+Pron
it
(3.5)
Donde:
D
it
: Demanda total del producto i en el periodo t.
Ped
it
: Demanda asociada a pedidos del producto i durante el periodo t.
Pron
it
: Pronostico de demanda del producto i para el periodo t.
Como es posible observar, esta modicacion no implica cambios directos en la for-
mulaci on del modelo matem atico, ya que en este se sigue utilizando el parametro D
it
.
Por otra parte, tratar de manera diferenciada los pedidos de los pron osticos, afecta
la manera en que se calculan los inventarios de seguridad e inventarios maximos. Los
pedidos no deben ser considerados para el calculo del stock de seguridad, dado que son
considerados determinsticos (sin aleatoriedad), pero s deben ser considerados para el
c alculo del stock m aximo. A continuaci on se presenta la nueva manera de calcular los
inventarios m aximos y mnimos:
Calculo Inventario de Seguridad:
IMIN
it
= DP
i
DDPP
it
t = 1, ..., T (3.6)
Donde:
IMIN
it
: Inventario de seguridad del producto i en el periodo t.
DP
i
: Das piso mnimos de inventario para el producto i.
DDPP
it
: Demanda diaria pronosticada promedio para el producto i en el periodo
t.
Esta expresion se diferencia de la expresion (2.44), dado que en este caso se consi-
dera solo la demanda asociada a los pron osticos.
Calculo de Inventario Maximo:
Previo a implementar la extension descrita en esta seccion, el inventario m aximo
se calculaba de la siguiente manera:
IMAX
it
= DPM
i
DDP
it
t = 1, ..., T (3.7)
Donde:
45
IMAX
it
: Inventario m aximo permitido del producto i en el periodo t.
DPM
i
: Das piso maximo de inventario para el producto i.
DDP
it
: Demanda diaria promedio para el producto i en el periodo t.
Dado que ahora se diferencia de manera explcita la demanda basada en pron osticos
de los pedidos dicha expresion ha sido reemplazada por la siguiente:
IMAX
it
= DPM
i
(DDPP
it
+PedDP
it
) t = 1, ..., T (3.8)
Donde se consideran los siguientes parametros adicionales:
DDPP
it
: Demanda diaria pronosticada promedio para el producto i en el periodo
t (considera solo pron osticos).
PedDP
i
: Pedidos promedio del producto i durante el periodo t (considera solo
pedidos).
Es posible observar que se ha hecho la diferencia explcita entre pedidos y demanda
basada en pronosticos. El sistema calcula, basado en la informacion de demanda y los das
piso maximo, los pedidos promedio y la demanda basada en pronosticos promedio. Para
calcular el inventario m aximo se considera el producto entre la demanda diaria promedio
asociada a los pronosticos de demanda y los das piso maximo y se adiciona el producto
entre los pedidos promedio y los das piso m aximo.
3.3 M ultiples plantas productivas tratadas simultaneamente
Lo que se busca con esta extension es permitir que el sistema sea capaz de gene-
rar un unico plan de produccion considerando m ultiples plantas productivas y teniendo en
cuenta la interaccion existente entre ellas. Esquematicamente se busca lograr lo presentado
en la Figura 3.2, donde se ingresan los par ametros de N plantas y los par ametros rela-
cionados con su posible interaccion y el sistema genera un plan integrado de producci on
considerando simult aneamente todas las plantas.
Para lograr esto, se debi o modicar la formulaci on del modelo matem atico y el
modelo de datos del sistema. A lo largo de esta secci on se presentar a el nuevo modelo,
considerando los supuestos as como su formulaci on.
46
Figura 3.2 Considerar m ultiples plantas productivas de integradas en una sola
instancia de optimizacion.
3.3.1 Descripcion general y supuestos para el modelo de m ulti-
ples plantas
El modelo presentado se encuentra orientado principalmente a organizaciones que
disponen de m ultiples plantas productivas y cuyos tiempos de setup de familia son gran-
des. En dicho tipo de sistemas productivos se presenta un problema decisional adicional,
correspondiente al trade-o existente entre la cantidad de productos a transportar y el
n umero de setups a realizar. A mayor cantidad de productos transportados menor debiesen
ser la cantidad de setups realizados.
Se consideran los siguientes aspectos adicionales con respecto al problema presen-
tado en la secci on 2.2.2:
Se consideran B plantas de produccion.
Se considera demanda pendiente y demanda perdida simult aneamente.
Cada planta productiva es un centro de demanda, por tanto existe una demanda
47
asignada a cada planta, a cada producto y a cada perodo (D
itb
).
En caso de que se presenten pedidos determinsticos, estos son asignados a una
planta en particular.
Cada planta dispone de una capacidad de almacenamiento.
Se considera un stock de seguridad y stock m aximo para cada producto en cada
planta.
Los ponderadores de setup, tanto de familia como de producto dependen de la
lnea productiva.
Existen rutas que unen las plantas, las cuales consideran una planta de origen y
una planta de destino.
Existen ujos de materia prima y de productos terminados entre plantas, consi-
derados en unidades de volumen.
Para transportar dichos ujos se utiliza un medio de transporte con capacidad
limitada.
Se considera un m aximo de viajes entre cada par de plantas por periodo.
Tanto los productos como las materias primas poseen un volumen determinado.
Cada producto puede ser fabricado en m as de una planta.
En cada planta cada producto solo puede ser fabricado por una lnea productiva.
Se asume que los tiempos de setup de familia pueden ser grandes y que pueden
afectar directamente a la capacidad de la lnea de produccion, situacion que se
materializa con la inclusi on de tiempos de setup para las familias de producto
3.3.2 Formulacion matematica
En esta secci on se presenta la formulacion del modelo, considerando par ametros,
variables de decisi on y el modelo propiamente tal:
Parametros:
F: N umero de familias.
P: N umero de productos.
T: N umero de perodos del horizonte.
G: N umero total de grupos productivos.
48
L: N umero total de lneas de producci on.
K: N umero de materias primas.
PF
j
: Conjunto de productos de la familia j.
PL
l
: Conjunto de productos de la lnea l.
FL
l
: Conjunto de familias de la lnea l.
LG
g
: Conjunto de lneas del grupo g.
PM
k
: Conjunto de productos que usan la materia prima k.
FF
i
: Familia del producto i.
B: N umero de plantas.
GR
b
: Conjunto de grupos de la planta b.
LP
b
: Conjunto de lneas de la planta b.
PT
l
: Planta a la que pertenece la lnea l.
D
itb
: Demanda del producto i en el periodo t en la planta b.
M
i
: Cantidad de perodos que la demanda puede quedar pendiente para el producto
i.
II
ib
: Inventario inicial disponible del producto i en la planta b.
IIM
kb
: Inventario inicial de materia prima k en la planta b.
IMAX
itb
: Inventario m aximo del producto i en el perodo t en la planta b.
IMIN
itb
: Inventario de seguridad del producto i en el perodo t en la planta b.
IFIN
jb
: Inventario objetivo de la familia j al nal del horizonte de tiempo en la
planta b.
IT
b
: Capacidad m axima de almacenamiento de la planta b [pallet].
CAP
lt
: Capacidad de la lnea l durante el perodo t.
NLMAX
lt
: N umero m aximo de cuadrillas disponibles para la lnea l en el perodo
t.
NMAX
gt
: N umero global de cuadrillas asignables para el grupo g en el periodo t.
NMF
l
: N umero m aximo permitido de setup de familia por periodo en la lnea l.
49
NMP
l
: N umero m aximo permitido de setup de producto por periodo en la la lnea
l.
LMIN
ib
: Lote mnimo del producto i en la planta b [CF].
TS
l
: Tiempo de setup promedio de cambio de familia en la lnea l.
AMP
ktb
: Cantidad de materia prima k que llega y est a disponible al inicio del
perodo t en la planta b.
A
ik
: Cantidad de materia prima k que consume el producto i.
IF
j
: Factor de ponderacion de la familia j.
IP
i
: Factor de ponderacion del producto i.
PDP: Factor de ponderacion para la demanda pendiente.
PDPer: Factor de ponderacion para la demanda perdida.
PDI: Factor de ponderacion para el decit de inventario.
PIF: Factor de ponderaci on para el inventario objetivo en el ultimo periodo del
horizonte.
PSF
l
: Factor de ponderacion de setup de familia en la lnea l.
PSP
l
: Factor de ponderacion de setup de producto en la lnea l.
RET
k
: Parametro que toma el valor 1 si la materia prima k es retornable. 0 si es
desechable.
HC
tb
Horas disponibles por cuadrilla en el perodo t en la planta b.
R
il
: Rendimiento real del producto i en la lnea l.
FU
lt
: Factor de utilizacion m aximo de la linea l en el perodo t.
V
i
: Volumen del producto i en [pallets].
V m
k
: Volumen de la materia prima k en [pallets].
Capt: Capacidad del medio de transporte en [pallets].
NMV
abt
: M aximo de viajes permitidos durante el periodo t entre las plantas a y b.
RT: Conjunto de rutas disponibles.
50
Variables:
x
itb
: Cantidad de producto i fabricado durante el perodo t en la planta b.
s
itb
: Inventario del producto i al nal del perodo t en la planta b.
n
lt
: N umero de cuadrillas asignadas a la lnea l en el perodo t.
dp
itb
: Demanda pendiente del producto i en el perodo t en la planta b.
dper
itb
: Demanda perdida del producto i en el perodo t en la planta b .
di
itb
: Decit de inventario del producto i en el perodo t en la planta b.
dfi
jb
: Decit de inventario de la familia j en la planta b en el ultimo perodo.
sm
ktb
: Inventario de materia prima k al nal del perodo t en la planta b.
z
jtb
: 1 Si se realiza un setup de la familia j en el perodo t en la planta b. 0 en otro
caso.
y
itb
: 1 Si se realiza un setup del producto i en el perodo t en la planta b. 0 en otro
caso.
f
iabt
: Flujo del producto i desde la planta a a la planta b durante el perodo t (se
totaliza al nal del perodo).
fmp
kabt
: Flujo de la materia prima k desde la planta a a la planta b durante el
perodo t(se totaliza al nal del perodo).
nv
abt
: N umero de viajes entre la planta a y la planta b durante el perodo t.
Modelo matematico:
Minimizar
P

i=1
T

t=1
B

b=1
(IP
i
(PDIdi
itb
+PDPdp
itb
+PDPerdper
itb
+s
itb
))+
B

b=1
F

j=1
(IF
jb

PIF dfi
jb
) +
T

t=1
L

l=1

jFL
l
(PSF
l
z
jtPT
l
+PSP
l

iPF
j
y
itPT
l
)
(3.9)
s.a.:
II
ib
+x
i1b
s
i1b
+
B

a=1
a=b
f
iab1

a=1
a=b
f
iba1
= D
i1b

dp
i1b
dper
i1b
i = 1, ..., P b = 1, ..., B (3.10)
51
s
i,t1,b
+ x
itb
s
itb
+
B

a=1
a=b
f
iabt

B

a=1
a=b
f
ibat
=
D
itb
dp
itb
dper
itb
+dp
i,t1,b
i = 1, ..., P
t = 2, ..., T
b = 1, ..., B (3.11)
B

a=1
a=b
f
iba1
II
ib
+x
i1b
i = 1, ..., P b = 1, ..., B (3.12)
B

a=1
a=b
f
ibat
s
i,t1,b
+x
itb
i = 1, ..., P
t = 2, ..., T
b = 1, ..., B (3.13)
dp
itb

t

c=tMin(M
i
,t)+1
D
icb
i = 1, ..., P
t = 1, ..., T
b = 1, ..., B (3.14)
s
itb
IMIN
itb
di
itb
i = 1, ..., P
t = 1, ..., T
b = 1, .., B (3.15)
s
itb
IMAX
itb
i = 1, ..., P
t = 1, ..., T
b = 1, .., B (3.16)

iPF
j
s
iTb
IFIN
jb
dfi
jb
j = 1, ..., F b = 1, ..., B (3.17)
P

i=1
s
itb
V
i
IT
b
t = 1, ..., T b = 1, ..., B (3.18)

iPL
l
x
it,PT
l
R
il
FU
lt
CAP
lt
TS
l

jFL
l
z
jt,PT
l
l = 1, ..., L t = 1, ..., T (3.19)

iPL
l
x
it,PT
l
R
il
FU
lt
HC
t,PT
l
n
lt
l = 1, ..., L t = 1, ..., T (3.20)

lLGg
nl
lt
NMAX
gt
t = 1, ..., T g = 1, ..., G (3.21)
x
itb
(IMAX
itb
+D
itb
) y
itb
i = 1, ..., P
t = 1, ..., T
b = 1, ..., B (3.22)
x
itb
LMIN
ib
y
itb
i = 1, ..., P
t = 1, ..., T
b = 1, ..., B (3.23)
52
y
itb
z
FF
i
,tb
i = 1, ..., P
t = 1, ..., T
b = 1, ..., B (3.24)
IIM
kb
+ AMP
k1b

iPM
k
A
ik
x
i1b
+
B

a=1
fmp
kab1

B

a=1
fmp
kba1
= sm
k1b
k = 1, ..., K b = 1, ..., B (3.25)
sm
k,t1,b
+ AMP
ktb
+ RET
k

iPM
k
D
i,t1,b

A
ik
)

iPM
k
A
ik
x
itb
+
B

a=1
fmp
kabt

B

a=1
fmp
kbat
= sm
ktb
k = 1, ..., K
t = 2, ..., T
b = 1, ..., B (3.26)
nv
abt

P

i=1
(f
iabt
V
i
) +
K

k=1
(fmp
kabt
V m
k
)
Capt
(a, b) B B, a = b
(3.27)
t = 1, .., T
nv
abt
NMV
abt
(a, b) B B, a = b
(3.28)
t = 1, .., T
x
itb
0 i = 1, ..., P
t = 1, ..., T
b = 1, ..., B (3.29)
s
itb
0 i = 1, ..., P
t = 1, ..., T
b = 1, ..., B (3.30)
0 n
lt
NLMAX
lt
l = 1, ..., L t = 1, ..., T (3.31)
dp
itb
0 i = 1, ..., P
t = 1, ..., T
b = 1, ..., B (3.32)
dper
itb
0 i = 1, ..., P
t = 1, ..., T
b = 1, ..., B (3.33)
di
itb
0 i = 1, ..., P
t = 1, ..., T
b = 1, ..., B (3.34)
dfi
jb
0 j = 1, ..., F b = 1, ..., B (3.35)
53
sm
ktb
0 k = 1, ..., K
t = 1, ..., T
b = 1, ..., B (3.36)
z
jtb
{0, 1} j = 1, ..., F
t = 1, ..., T
b = 1, ..., B (3.37)
y
itb
{0, 1} i = 1, ..., P
t = 1, ..., T
b = 1, ..., B (3.38)
f
iabt
0
a, b = 1, ..., B
(3.39)
i = 1, ..., P t = 1, ..., T
fmp
kabt
0
a, b = 1, ..., B
(3.40)
k = 1, ..., K t = 1, ..., T
nv
abt
N
0
a, b = 1, ..., B
(3.41)
t = 1, ..., T
Donde la funcion objetivo (3.9) es an aloga a la expresi on (2.19), donde se busca
minimizar los quiebres de stock, los decits de inventario, los niveles de inventario y los
costos de setup, tanto de familia como de producto. Un aspecto que destaca, respecto
a la expresi on (2.19), es que los ponderadores de setup son dependientes de la lnea de
producci on.
Con respecto a las restricciones, las expresiones (3.10) y (3.11) son las ecuaciones
de balance; se puede observar que se han a nadido dos sumatorias correspondientes a los
ujos de producto entrantes y salientes de cada planta. Las restricciones (3.12) y (3.13)
limitan la cantidad de ujo saliente al inventario m as la produccion del periodo, lo anterior
para asegurar que no se enven productos que no se encuentren en inventario. La restric-
ci on (3.14), es utilizada para limitar la demanda pendiente (analogo a lo que se realiza
con la restricci on (3.4)). Las restricciones (3.15) y (3.16) corresponden a las restricciones
de inventario mnimo y maximo para cada producto, periodo y planta; son analogas a las
restricciones (2.23) y (2.24). La restricci on (3.17) busca que al nal del horizonte de plani-
caci on el inventario de cada familia de productos se aproxime lo m as posible al inventario
deseado, lo anterior se realiza para todas las plantas. La restricci on (3.18) corresponde al
m aximo de inventario permitido en cada planta. La restriccion (3.19) es la restriccion de
capacidad; es posible observar que se los setups de familia inciden directamente en la capa-
cidad disponible. La restriccion (3.20) corresponde a la restricci on de capacidad de mano
de obra. La restricci on (3.21) corresponde al lmite de cuadrillas permitidas por periodo y
por grupo productivo. La restricci on (3.22) vincula la producci on a la realizaci on de setup
de producto, exigiendo que la produccion del producto sea menor que inventario m aximo
permitido del producto en la planta m as la demanda del periodo. La restricci on (3.23) exi-
ge que cada lote de produccion sea al menos tan grande como el lote mnimo de produccion
permitido para cada producto. La restriccion (3.24) vincula los setups de producto con
54
los setup de familia, obligando a que se realice un setup de familia en cada periodo que
se ha realizado un setup de cualquiera de sus productos constituyentes. Las restricciones
(3.25) y (3.26) son las ecuaciones de balance para las materias primas; como es posible
notar se a naden dos sumatorias correspondientes a las entradas de materias primas desde
otras plantas y a las salidas de materias primas hacia otras plantas. La restricci on (3.27)
corresponde al n umero de viajes realizados entre cada par de plantas y corresponde al
cociente entre el volumen transportado entre dichas plantas y la capacidad del medio de
transporte. En tanto, la restriccion (3.28), exige que la cantidad de viajes realizados entre
cada par de plantas sea menor al maximo de viajes permitido . Las restricciones que van
desde la (3.29) a la (3.41) representan el dominio de las variables de decisi on del problema.
3.4 Modelo de datos modicado
Para que el sistema sea capaz de soportar las extensiones que se han descrito en
este captulo, ha sido necesario modicar el modelo de datos descrito en la seccion 2.2.3.
A lo largo de esta seccion se presentara el nuevo modelo, haciendo enfasis en los cambios
introducidos.
El nuevo modelo de datos ha sido divido en dos diagramas, el primero de ellos,
se puede observar en la Figura 3.3, y representa las clases relevantes relacionados con los
par ametros del problema. En tanto, en la Figura 3.4 es posible ver el segundo diagrama,
el cual presenta fundamentalmente las clases asociadas a las variables del problema.
Se han destacado con color las nuevas clases que se han introducido. A continuacion
se describiran, la clases relacionadas con los parametros del problema:
MainEntity: Los objetos de esta clase tienen toda la informaci on relativa a una
instancia del problema de optimizaci on. Incluye tanto los datos de los parametros
como los datos de la solucion (hace referencia al objeto Plan presente en la
Figura 3.4). Con respecto a la version inicial del problema s olo se diferencia
en que contiene una mayor cantidad de asociaciones de agregaci on, debido a la
introducci on de nuevas clases.
PeriodoProductoPlanta: Las instancias de esta clase almacenan la informa-
ci on importante asociada a un periodo, a un producto y una planta en particular.
Entre sus principales atributos se encuentra la cantidad de demanda (pron osticos
de demanda), los pedidos, los inventarios m aximos y mnimos permitidos para
el producto en dicho periodo y en dicha planta.
PeriodoProducto: Los objetos del tipo PeriodoProducto, en este diagrama tie-
nen asociados un conjunto de objetos PeriodoProductoPlanta y contiene meto-
dos que permiten entregar informacion resumida respecto a los pron osticos de
demanda y a los pedidos de todas las plantas.
55
Figura 3.3 Diagrama de clases del modelo de datos modicado, parte 1.
56
PeriodoMatPrimPlanta: Los objetos de esta clase contienen la informaci on
asociada a un periodo, a una planta y a una materia prima. En particular, guar-
dan la informacion sobre las llegadas programas de materia prima para el periodo
en la planta respectiva.
PeriodoMatPrim: Los objetos de este tipo disponen de metodos que permiten
entregar informaci on agregada sobre una materia prima en un periodo deter-
minado. En particular contiene un metodo que calcula las llegadas de materia
prima considerando todas las plantas.
PeriodoPlanta: Los objetos de este tipo guardan la informacion relacionada
a una planta y a un periodo determinado. Entre la informaci on mas relevante
destacan los das laborales de la planta en el periodo. Esta informacion previa-
mente estaba asociada al periodo, sin embargo al considerar m ultiples plantas
productivas, las diferentes plantas podran tener distintos das laborales .
PeriodoGrupo: Los objetos de este tipo guardan la informaci on relacionada
a un grupo productivo y a un periodo determinado. Entre la informaci on mas
relevante destacan los das laborales del grupo productivo en el periodo. Cabe
se nalar que esta clase no se vio modicada con respecto al modelo inicial.
PeriodoLinea: Los objetos de esta clase almacenan la informaci on asociada a
una lnea productiva y a un periodo. Entre sus principales atributos destacan la
capacidad de la lnea en el periodo as como su factor de utilizaci on. Esta clase
no resulto modicada respecto a la version inicial del modelo de datos.
InventarioProductoPlanta: Las instancias de esta clase, est an asociados a un
producto y una planta. Almacenan la informacion acerca de la cantidad que tiene
en inventario dicho producto al comienzo del horizonte de planicacion.
InventarioProducto: Los objetos de la clase tienen asociados un conjunto de
objetos InventarioProductoPlanta. En particular cuenta con un metodo que per-
mite calcular el inventario total, considerando todas las plantas, de un producto
determinado al inicio del horizonte de planicacion.
InventarioFormatoPlanta: Esta clase reemplaza a la clase InventarioFormato
del modelo de datos inicial. Las instancias de esta clase almacenan informacion
de los inventarios iniciales y nales de una familia en una planta en particular.
InventarioMatPrimPlanta: Los objetos de este tipo est an asociados a una
materia prima y a una planta. Almacenan informaci on acerca de la cantidad que
hay en inventario al inicio del horizonte de planicacion de una materia prima
en una planta en particular.
InventarioMatPrim: Esta clase tiene asociado un conjunto de objetos del tipo
InventarioMatPrimPlanta. Cuenta con un metodo que calcula el inventario inicial
de una materia prima, considerando a todas las plantas en el c alculo del mismo.
57
ProductoPlanta: Los objetos de esta clase guardan toda la informaci on de un
producto en una planta en particular. Entre sus atributos destaca el tama no de
lote mnimo y la eciencia al ser fabricado dicho producto.
Producto: Las instancias de esta clase guardan toda la informaci on base de
un producto en particular. Entre sus atributos destaca la importancia de dicho
producto. Ademas tiene asociado un conjunto de objetos RequerimientoMatPrim.
En relacion al modelo de datos inicial, tiene una menor cantidad de atributos
ya que un conjunto de los atributos que tena dependen de la planta en que se
fabrique el producto y ahora pertenecen a la clase ProductoPlanta.
FormatoPlanta: Las instancias de esta clase tienen informacion relativa a una
familia en una planta en particular. Entre sus atributos destaca el inventario
nal deseado de la familia en la planta.
Formato: Los objetos de este tipo tienen informacion relativa a una familia.
Entre sus atributos destaca la importancia de la familia. Como es posible observar
en el diagrama, cada familia se compone de uno o m as productos. Con respecto al
modelo inicial, el inventario nal deseado al nal del horizonte de planicaci on
ahora depende de la planta, por tanto ese atributo ahora se encuentra en los
objetos del tipo FormatoPlanta.
MateriaPrima: Las instancias de esta clase guardan informaci on relacionada
a una materia prima. En particular el atributo retornable indica si se trata de
una materia prima retornable o no. Esta clase no presenta cambios respecto al
modelo inicial.
RequerimientoMatPrim: Los objetos de esta clase almacenan informacion del
consumo que tiene un producto en particular de una determinada materia prima.
As un producto tiene m ultiples requerimientos de materia prima y un requeri-
miento de materia prima est a asociado a un producto. Esta clase no representa
cambios respecto al modelo de datos inicial.
Periodo: Una instancia de esta clase guarda la informaci on relativa a un perio-
do. Entre sus principales atributos destaca su fecha de inicio, fecha de termino.
En relaci on al modelo de datos inicial, la cantidad de das laborales ahora se
encuentra en la clase PeriodoPlanta.
Planta: Cada instancia de esta clase guarda informacion de una planta en par-
ticular. Entre sus atributos destaca la capacidad de bodega disponible.
Grupo: Cada instancia de esta clase guarda informacion de un Grupo Produc-
tivo. Sus atributos est an asociados fundamentalmente con su identicaci on. No
presenta cambios respecto a la versi on inicial del modelo de datos.
Linea: Los objetos de esta clase almacenan informacion sobre una lnea de pro-
ducci on. Entre sus atributos destaca la informaci on relacionada a los n umeros
58
deseados y m aximos permitidos de setups. Con respecto al modelo de datos ini-
cial, en esta versi on tambien incluye atributos que almacenan el valor de los
ponderadores de setup de familia y producto, adem as de un nuevo atributo que
hace referencia al tiempo promedio de setup de familia en la lnea.
Ruta: Una instancia de esta clase almacena informacion de una ruta que une dos
plantas, por tanto tiene asociadas dos plantas, una de origen y una de destino.
Entre sus atributos destaca el costo de recorrer la ruta y el n umero m aximo de
viajes permitidos en la misma. Este ultimo par ametro es ingresado por el usuario
Preferencias: Una instancia de esta clase guarda informaci on relativa a los
par ametros del problema que no se encuentran asociados a ning un otro objeto
en particular. En la gura es posible distinguir que los ponderadores de deman-
da (pendiente y perdida) e inventario. Adem as, se han a nadido nuevos atributos
asociados a la capacidad del medio de transporte y el n umero m aximo de perio-
dos que la demanda puede ser considerada como pendientes antes de convertirse
en perdida. Los ponderadores de setup ahora se han asociado a las lneas pro-
ductivas.
Las clases Formato, Producto, Planta, Grupo, Linea y MateriaPrima, cuentan con
atributos adicionales a los mostrados en la Figura 3.3 y que son utilizados para su identi-
caci on (nombre, c odigo, etcetera).
Sobre los elementos de la soluci on, estos pueden ser vistos en la Figura 3.4. La
explicaci on de cada una de las clases presentes en dicha gura se presenta a continuacion:
Plan: Una instancia de Plan tiene referenciados a todos los objetos asociados a la
soluci on. Adicionalmente tiene una referencia a un objeto de la clase MainEntity.
DecitInventario: Un objeto de este tipo tiene referenciado un objeto For-
mato en particular. Contiene una coleccion de objetos DecitInvPlanta. Posee
un metodo para obtener el decit de inventario de familia al n del horizonte
considerando todas las plantas.
DecitInventarioPlanta: Un objeto de este tipo hace referencia a una planta
y a un objeto DecitInventario. Almacena el valor de la variable dfi
jb
, asociada
al decit de inventario en el ultimo periodo del horizonte para la familia j en la
planta b.
MPPeriodo: Un objeto de esta clase tiene referencia a un periodo, incluye todos
los elementos de la soluci on asociados a dicho periodo.
MPPlanta: Hace referencia a una planta y a un periodo (un objeto Periodo-
Planta). Incluye todos los elementos de la solucion asociados a un periodo y a
una planta.
59
MPFlujoProd: Una instancia de esta clase almacena informaci on sobre la
cantidad de unidades de un producto que recorre una ruta en un mismo periodo.
Guarda el valor de la variable f
iabt
del modelo matem atico.
MPFlujoMatPrim: Una instancia de esta clase almacena informaci on sobre la
cantidad de unidades de una materia prima que recorre una ruta en un mismo
periodo. Guarda el valor de la variable fmp
kabt
del modelo matem atico.
MPMatPrimaPlanta: Un objeto de este tipo hace referencia a un periodo,
a una materia prima y una planta. Almacena informacion sobre el consumo de
materia prima en el periodo y planta respectiva, as como tambien de los niveles
de inventario de materia prima en la planta en dicho periodo.
MPMatPrima: Un objeto de este tipo hace referencia a un periodo y a una
materia prima. Tiene asociada una colecci on de objetos MPMatPrimaPlanta.
Tiene metodos que permiten calcular el inventario inicial de materia prima y el
consumo de la misma, considerando todas las plantas en un periodo determinado.
MPGrupo: Hace referencia a un periodo y a un grupo productivo. Incluye un
metodo para calcular la utilizaci on de las cuadrillas en el grupo productivo.
MPLinea: Una instancia de esta clase hace referencia a un periodo y a una
lnea productiva determinada. Entre los principales metodos con los que dispone
est an los que permiten calcular el n umero de setup de producto y familia en la
lnea respectiva.
MPProduccionPlanta: Cada objeto de esta clase almacena informaci on sobre
la produccion, el inventario, el decit inventario y la demanda (pendiente y per-
dida) de un producto en un periodo y en una planta. Con respecto al modelo
matem atico almacena los valores que toman las variables x
itb
, s
itb
, dp
itb
, dper
itb
y di
itb
para el producto i en el periodo t en la planta b.
MPProduccion: Una instancia de esta clase tiene asociada una colecci on de ob-
jetos del tipo MPProduccionPlanta y tiene metodos que recorren dicha coleccion
y permiten calcular para un periodo y producto en particular la produccion, el
inventario, el decit de inventario , la demanda pendiente y la demanda perdida.
60
Figura 3.4 Diagrama de clases del modelo de datos modicado, parte 2.
61
4 Pruebas computacionales y evaluacion de las exten-
siones implementadas
En este captulo se presentan diversas pruebas realizadas para evaluar como impac-
tan las extensiones implementadas en la manera en que opera el sistema y en los calculos
que realiza. Cabe se nalar que como insumo base para realizar las pruebas se consider o una
base de datos de una empresa local del rubro de las bebidas no alcoh olicas, la cual consi-
dera:
Una planta productiva.
16 formatos o familias de productos.
70 productos.
1 grupo productivo.
3 lneas productivas.
105 periodos de una semana de duracion.
Datos de demanda para cada producto en cada uno de los periodos.
159 materias primas.
Inventarios iniciales, tanto para los productos como para las materias primas.
Tiempos de setup para cambio de familia y cambio de producto.
A partir de dicha base de datos se crearon instancias para evaluar el desempe no
del sistema luego de la implementacion de las extensiones.
El equipo empleado en las pruebas corresponde a un computador con procesador
Intel Core i5-3317U a 1.7Ghz con 6 GB DDR3 de memoria RAM. El sistema operativo
instalado en el equipo utilizado es Windows 8.1 x64. Se utiliz o el solver IBM Cplex v12.2.
4.1 Calculo de inventarios distinguiendo entre pedidos y pron osti-
cos de demanda
A lo largo de esta secci on se evaluar a como varan los niveles de inventario, tanto
mnimo (stock de seguridad) como planicado, en funcion de la razon entre pedidos y
demanda total (la demanda total corresponde a la suma entre pedidos y pron osticos de
demanda).
En esta evaluaci on se consideraron datos de demanda para 70 productos en un
horizonte de 6 periodos. Para cada dato de demanda, se asumio que un porcentaje corres-
ponda a pedidos puntuales y el resto a demanda basada en pronosticos. Dicho porcentaje
62
se modico sistematicamente para obtener el comportamiento de los inventarios en fun-
ci on del tipo de demanda que predomina. A continuacion se presentar an los datos tomados
considerando una demanda totalmente basada en pronosticos; luego considerando una de-
manda mixta, con un componente de pron osticos del 50 % y de pedidos determinsticos del
50 %; y nalmente, considerando una demanda completamente basada en pedidos. Para
todos los casos se presenta el inventario de seguridad sugerido por el sistema por periodo
y el inventario planicado por el software. En las instancias creadas se consider o que no
haba inventario inicial.
Para una demanda completamente basada en pron osticos, los datos se presentan en
la Tabla 4.1. Como es posible observar no hay pedidos en ning un periodo. Adicionalmente,
es posible notar que el inventario planicado es menor al inventario mnimo sugerido por el
sistema (existe un decit de inventario). Lo anterior se debe a que no existen inventarios
iniciales en las instancias consideradas y la capacidad productiva no es suciente para
alcanzar los niveles mnimos sugeridos.
Tabla 4.1 Datos de demanda e inventarios calculados para una instancia que
considera 100 % de demanda basada en pronosticos
Periodo
Pron ostico
[unidades]
Pedidos
[unidades]
Inventario
mnimo
[unidades]
Inventario
planicado
[unidades]
1 330.590 0 354.561 164.408
2 487.108 0 191.865 139.063
3 211.270 0 126.549 130.283
4 205.360 0 192.704 184.378
5 266.779 0 209.531 174.732
6 283.236 0 209.531 124.049
Promedio 297.391 0 214.124 152.819
Para una demanda mixta que considera un 50 % de demanda basada en pron osticos
y un 50 % de pedidos determinsticos, los datos se presentan en la Tabla 4.2. Como es
posible observar, los niveles de inventario, tanto mnimo como planicado, disminuyeron
en comparaci on con la Tabla 4.1.
En la Tabla 4.3, se presenta el caso en que la demanda esta compuesta en un 100 %
por pedidos. Dado que en este caso la demanda se considera completamente determinstica,
los inventarios mnimos sugeridos por el sistema son 0 para cada uno de los periodos. En
este ultimo caso el inventario planicado disminuy o considerablemente en relacion a los
casos anteriores.
63
Tabla 4.2 Datos de demanda e inventarios calculados para una instancia que
considera 50 % de demanda basada en pron osticos y 50 % de demanda basada en pedidos
determinsticos
Periodo
Pron ostico
[unidades]
Pedidos
[unidades]
Inventario
mnimo
[unidades]
Inventario
planicado
[unidades]
1 165.295 165.295 177.282 111.662
2 243.554 243.554 95.937 42.210
3 105.635 105.635 63.273 219.256
4 102.680 102.680 96.352 215.068
5 133.390 133.389 104.768 166.590
6 141.618 141.618 104.768 130.034
Promedio 148.695 148.695 107.063 147.470
Tabla 4.3 Datos de demanda e inventarios calculados para una instancia que
considera 100 % de demanda basada en pedidos determinsticos
Periodo
Pron ostico
[unidades]
Pedidos
[unidades]
Inventario
mnimo
[unidades]
Inventario
planicado
[unidades]
1 0 330.590 0 74.647
2 0 487.108 0 27.663
3 0 211.270 0 127.750
4 0 205.360 0 166.529
5 0 266.779 0 181.262
6 0 283.236 0 0
Promedio 0 297.391 0 96.309
Finalmente, a modo de resumen, se presenta la Figura 4.1, en la cual se presentan
los inventarios promedio, tanto planicados c omo mnimos. Como es posible observar en
dicha gr aca, los resultados obtenidos en las pruebas son los esperados, es decir, los niveles
de inventario disminuyen. Cabe se nalar que el inventario planicado al pasar desde una
demanda basada 100 % en pron osticos a una demanda mixta (50 % pedidos y 50 % en
pron osticos), no fue tan importante, sin embargo, esto se puede explicar debido a que la
capacidad disponible no permiti o lograr niveles mayores de inventario en el primer caso,
situaci on que se puede apreciar en la gr aca, donde la lnea que representa el inventario
mnimo promedio sugerido por el sistema es mayor al inventario planicado (existe un
decit de inventario).
64
Figura 4.1 Resumen de niveles de inventario, planicado y mnimo, para distintos
niveles de pedidos
4.2 Uso de m ultiples plantas productivas
Para evaluar el desempe no del sistema al utilizar m ultiples plantas productivas y
para vericar que el sistema se comporte de manera adecuada, se cre o una instancia que
considera 3 plantas identicas en todo aspecto en un horizonte de tiempo de 6 periodos. No
se consider o inventario inicial y no se permitio ujo de materias primas. Se considero la
existencia de un medio de transporte cuya capacidad maxima es de 20 pallets.
En general, para medir las posibles mejoras en el desempe no al considerar de manera
conjunta varias plantas productivas se utilizo como punto de comparaci on la resoluci on
del problema considerando cada planta de manera independiente.
4.2.1 Calidad de la soluci on en funcion del tiempo de resoluci on
empleado
Para esta prueba se busca evaluar de que manera impacta el tiempo empleado de
resoluci on en la calidad de la soluci on. La instancia utilizada consider o 3 plantas, cada una
con 3 lneas productivas. Todas las rutas que unen las plantas se consideraron habilitadas
permitiendo un maximo de 3 viajes por cada una de ellas en cada periodo (18 viajes por
periodo).
La prueba consisti o en resolver la instancia de problema modicando el tiempo
m aximo permitido para su resoluci on.
Los resultados obtenidos pueden ser vistos en la Tabla 4.4. En la primera columna
65
se presenta el tiempo empleado para encontrar la solucion, mientras que en las columnas
sucesivas se presenta el quiebre de inventario total, el decit de inventario promedio, el
inventario promedio y las cantidades de setup, tanto de familia como de producto.
Tabla 4.4 Resumen de las soluciones obtenidas en funci on del tiempo empleado para
una instancia que considera 3 plantas productivas permitiendo un maximo de 3 viajes
entre cada par de plantas
Tiempo
[s]
Def.
inventario
promedio
[unidades]
Quiebre
de stock
total
[unidades]
Inventario
promedio
[unidades]
Setup
Familia
Setup
Producto
422 73.370,3 94.002 911.906,8 223 779
786 75.393,3 93.795 937.461,0 224 771
1542 70.297,2 93.795 918.450,2 225 774
3042 70.369,8 93.795 928.517,7 224 762
4540 68.869,3 93.795 914.844,5 223 779
6037 69.468,3 93.795 921.186,3 224 770
7538 68.594,0 93.795 923.300,8 223 768
9047 69.182,2 93.795 942.059,0 223 757
18041 68.411,0 93.795 932.491,5 220 751
36052 68.249,8 93.795 934.607,0 219 748
Adicionalmente, para obtener un punto de comparaci on con respecto a la situaci on
inicial (sin m ultiples plantas productivas), se resolvi o una segunda instancia que considera
la resoluci on de cada planta por separado. Dado que las plantas fueron optimizadas de
manera independiente en este caso no existen viajes entre las mismas. En la Tabla 4.5 se
presentan los resultados de dicha instancia:
Tabla 4.5 Resumen de la solucion obtenida al optimizar 3 plantas de manera
independiente
Tiempo
[s]
Def.
inventario
promedio
[unidades]
Quiebre
de stock
total
[unidades]
Inventario
promedio
[unidades]
Setup
Familia
Setup
Producto
516 112.257,0 113.805 961.990,8 213 765
Analizando supercialmente los resultados mostrados en la Tabla 4.4, es posible
notar que existe una tendencia a obtener una mejor soluci on a medida que se dispone de
m as tiempo, lo cual resulta natural si se considera que el solver es capaz de revisar mas
alternativas de soluci on. Al comparar el caso en que se emplean 422 segundos (primera la
de la Tabla 4.4 con el caso en que se utilizan 36.052 segundos ( ultima la de la Tabla 4.4)
66
es posible notar una disminucion del 0,2 % en los quiebres de stock, una disminuci on del
6,97 % en los decit de inventario, una baja del 1,79 % en los setups de familia y del 3,79 %
en los setups de producto, mientras que el inventario promedio aument o en un 2,48 %. En
consecuencia, para obtener una mejora del orden del 2 % en la solucion para la instancia
considerada, se debi o emplear un tiempo 85 veces mayor. Si bien este experimento se
ha realizado en una instancia particular y sus resultados pueden variar al cambiar los
par ametros de entrada del problema, permite tener una idea sobre la importancia del
tiempo empleado para la resolucion en la calidad de la solucion.
Con respecto al tiempo empleado resolviendo cada planta de manera independiente,
el software fue capaz de encontrar la mejor soluci on en 172 segundos para cada planta, ob-
teniendo un tiempo de resolucion total, para las tres plantas, de 516 segundos. Este tiempo
es claramente inferior al obtenido considerando todas las plantas de manera simult anea,
caso en el cual, a un luego de 36.052 segundos, no se aproxima a la mejor soluci on posible
para el problema. Esto se debe a que el problema es NP-Hard y al aumentar en gran
medida el n umero de variables las posibilidades que deben ser exploradas por el solver
aumentan mucho m as que proporcionalmente. A lo anterior se le debe sumar que en el
caso de tratar las tres plantas de manera simultanea tambien se considera la interacci on
existente entre ellas al permitir el transporte de productos terminados.
En relaci on a la calidad de la solucion, al considerar las tres plantas de manera
simult anea resulta mejor en pr acticamente todos los criterios considerados. En la Tabla
4.6, es posible ver una comparaci on entre los resultados obtenidos al considerar cada planta
por separado y los que se obtuvieron al considerar las tres plantas de manera simultanea.
Para realizar la comparaci on se utilizo como situaci on inicial el caso de tres plantas
consideradas de manera independiente. Con respecto al caso inicial es posible observar
que el tiempo de resoluci on aument o en 68 veces, el decit de inventario disminuy o en un
39,2 %, el quiebre de stock bajo en un 17,6 %, el inventario promedio se vio disminuido
en un 2,8 %; con respecto a los setups, los de familia aumentaron levemente, en un 2,8 %,
mientras que los de producto disminuyeron en un 2,2 %, todo esto al considerar m ultiples
plantas productivas. La disminuci on en pr acticamente todos los criterios se debe a la mayor
libertad que posee el sistema al considerar la interacci on existente entre las plantas. Por
otra parte el leve aumento en la cantidad de setups de familia puede ser producto de
diversas razones, a continuaci on se presentan algunas de ellas:
El sistema resulta mas exigido en este punto al mejorar la solucion en los otros as-
pectos comparados (decit de inventario, quiebres de stock, inventario promedio,
etc.).
Puede ser necesario volver a calibrar los ponderadores utilizados considerando
que se opera con mas de una planta simult aneamente.
El sistema es mucho m as lento en encontrar la soluci on optima y los resultados
obtenidos a un est an lejos de dicha solucion. Es probable que con m as tiempo
pudiese mejorarse tambien el n umero de setups de familia.
67
Para determinar con exactitud el verdadero motivo del alza en el n umero de se-
tups de familia sera necesario realizar nuevas pruebas que vayan orientadas a analizar el
comportamiento de dichos setups.
Tabla 4.6 Comparacion de resultados entre la resoluci on del problema considerando
tres plantas de manera independiente y considerando tres plantas de manera simultanea.
3 Plantas
independientes
3 Plantas
simultaneas
Cambio
Porcentual [ %]
Tiempo 516 36.052 6.886,8
Decit de
Inventario
promedio
[unidades]
112.257 68.250 -39,2
Quiebre de stock
total [unidades]
113.805 93.795 -17,6
Inventario
Promedio
[unidades]
961.990 934.607 -2,8
Setup Familia 213 219 2,8
Setup Producto 765 748 -2,2
4.2.2 Variaci on de la soluci on en funci on del n umero de viajes
permitidos
El objetivo de esta prueba es evaluar como se ve afectada la solucion calculada
por el sistema en funcion de la libertad que se le da a este para transportar productos
entre cada par de plantas. Para esto se comenzo realizando una corrida para evaluar
el desempe no de cada planta por separado (no permitir viajes entre plantas), luego se
aument o gradualmente el n umero de viajes hasta permitir un total de 6 viajes en cada
ruta posible por perodo (36 viajes por perodo, 216 viajes como m aximo en el horizonte
considerado). Al sistema se le otorgo libertad con respecto al n umero de setups mnimos
(setup mnimo = 0) y el n umero de setups m aximos se mantuvo de acuerdo a los valores
previamente congurados en la base de datos utilizada (Tabla 4.7).
68
Tabla 4.7 Conguracion de setups utilizada por defecto
Ponderadores de setup
Nombre Lnea Producto Familia
VD 1 3
RP 1 3
OW 1 3
Por otra parte, en la Tabla 4.8 es posible ver cual es la cantidad demandada en pa-
llets por planta productiva considerando todo el horizonte (6 periodos). Este dato permite
estimar aproximadamente que porcentaje de la demanda de la planta puede ser transpor-
tada en cada viaje. Considerando que la demanda total de cada planta asciende a 30.083,2
pallets en el horizonte y que el medio de transporte considerado tiene una capacidad de 20
pallets, en cada viaje es posible transportar el equivalente al 0,066 % de la demanda total
de cada planta.
Tabla 4.8 Demanda total en pallets por planta
Planta Demanda [Pallets]
1 30.083,2
2 30.083,2
3 30.083,2
Total 90.249,6
Para esta prueba se realizaron 7 corridas. Para el caso de m ultiples plantas se
limit o en el software el tiempo de resoluci on a 9.000 segundos.
En la Tabla 4.9 es posible ver un resumen de los resultados obtenidos. Como es po-
sible notar tanto el decit de inventario como el inventario promedio disminuyen a medida
que se permite un mayor n umero de viajes entre plantas. El quiebre de stock disminuye
de golpe al permitir que las plantas interact uen para luego alcanzar un equilibrio. Con
respecto al n umero de setups, los de familia tienden a subir mientras que los de producto
bajan a medida que aumenta la cantidad de viajes permitidos. Una posible explicaci on
para este fenomenos es que se deben volver a calibrar los ponderadores de setup para que
se ajusten a las nuevas caractersticas del sistema.
Gr acamente, en la Figura 4.2 se representa la variacion porcentual que experimen-
tan los quiebres de inventario, el decit de inventario y el inventario promedio en funci on
del n umero de viajes tomando como valor inicial la soluci on obtenida sin permitir viajes
entre plantas (resolviendo cada planta por separado). Los decit de inventario disminuye-
ron hasta en un 30,1 % los quiebres de stock bajaron en un 5,5 % mientras que el inventario
promedio disminuy o hasta en un 3,9 %.
69
Tabla 4.9 Resumen de resultados para un sistema con m ultiples plantas productivas
en funcion del n umero de viajes permitidos entre plantas
Viajes
por ruta
habilita-
da
Def.
inventario
promedio
[unidades]
Quiebre
de stock
[unidades]
Inventario
promedio
[unidades]
Setup
Familia
Setup
Producto
0 76.296,0 98.916 956.382,5 216 768
1 73.128,0 93.911 945.471,5 208 762
2 71.383,2 94.023 944.131,0 212 763
3 69.182,2 93.795 942.059,0 223 757
4 64.198,7 93.795 936.448,7 223 755
5 60.273,8 93.796 921.838,3 221 747
6 58.651,5 93.795 920.219,5 221 744
Figura 4.2 Variaci on porcentual del decit de inventario, los quiebres de stock y el
inventario promedio en funci on del n umero de viajes permitidos entre cada ruta
habilitada
As mismo, en la Figura 4.3 se puede observar la variacion porcentual que experi-
menta la cantidad de setups, tanto de producto como de familia. Los setup de producto
tienden a la baja alcanzando un descenso del 3,2 % mientras que el setup de familia tiende
a bajar en un principio, alcanzando a lo mas un descenso del 3,8 %, para luego subir y
ubicarse entre un 2 % y un 3 % por sobre el caso inicial. De esta forma el unico aspecto
de la soluci on que empeor o a medida que aument o el n umero de viajes fue la cantidad de
setups de familia en los que se debe incurrir. Lo anterior puede deberse a que al sistema, al
70
mejorar la soluci on en los otros aspectos, se le hace mas complicado encontrar soluciones
que mejoren los setups de familia, y por tanto, en virtud del tiempo de soluci on utilizado
no es capaz de disminuir tambien en este aspecto.
Figura 4.3 Variaci on porcentual de los setups de familia y de producto en funci on del
n umero de viajes permitidos en cada ruta habilitada
4.2.3 Lneas de producci on con ponderadores de setup diferen-
ciados seg un planta productiva
En esta prueba se busca revisar el comportamiento del sistema cuando en una planta
resulta m as eciente o m as econ omico fabricar determinadas familias o productos, o bien
se cuenta con lneas productivas m as modernas a las que les desea dar prioridad a la hora
de la fabricaci on de determinados productos. Para esto se conguraron los ponderadores
de setup de tal manera que el sistema otorgue preferencia a la fabricaci on de algunos
productos y familias en ciertas lneas por sobre otras. Para la realizaci on de esta prueba
la demanda es aproximadamente un 75 % de la capacidad disponible.
La conguraci on de setup empleada se puede ver en la Tabla 4.10. Como es posible
observar, resulta m as economico para el sistema, en terminos de ponderadores, fabricar
los productos que se realizan en la lnea VD en la planta 2, los productos que se fabrican
en la lnea RP en la planta 3 y los productos que se fabrican en la lnea OW en la planta
1.
71
Tabla 4.10 Conguracion de setup con ponderadores diferenciados seg un planta
productiva
Planta Lnea Ponderador Familia Ponderador Producto
Planta 1
VD 9 3
RP 9 3
OW 3 1
Planta 2
VD1 9 3
RP1 3 1
OW1 9 3
Planta 3
VD2 3 1
RP2 9 3
OW2 9 3
A continuaci on, en las siguientes secciones, se presentan distintas instancias, las
cuales dieren entre s en la libertad para transportar productos entre plantas. Cabe
se nalar que en cada uno de los viajes, es posible transportar aproximadamente un 0,066 %
de la demanda de cada planta (tal como se estimo en la secci on 4.2.2).
4.2.3.1 Instancia 1: Se permite un maximo de 3 viajes por perio-
do por ruta habilitada.
Dado que en esta prueba se permite un m aximo de 3 viajes por periodo y por
ruta habilitada, si se considera que el medio de transporte empleado posee una capacidad
m axima de 20 pallets, en cada combinacion ruta - periodo es posible transportar 60 pallets.
A continuacion, en la Tabla 4.11, es posible observarr la cantidad producida en
pallets por cada una de las lneas productivas y la cantidad de setups en que se incurri o en
cada una de las mismas. Se presentan destacadas las lneas que poseen ponderadores de
setup menores. Practicamente no se presentan diferencias al comparar la producci on en
cada planta para un mismo tipo de lnea productiva. Con respecto a los setups, en el caso
de los de familia pr acticamente no hay diferencias mientras que los de producto presentan
una leve tendencia a ser mayores en el caso de las lneas destacadas.
En la Tabla 4.12 se presenta la cantidad de pallets transportados por lnea pro-
ductiva y por planta de destino. Las lneas cuyos ponderadores de setup son menores se
muestran destacadas.
72
Tabla 4.11 Produccion y setups por lnea productiva para una instancia con 3 viajes
por periodo por ruta habilitada
Lnea
Produccion
[Pallets]
Setup
Familia
Setup
Producto
OW 9.222,5 35 112
OW1 8.951,0 33 104
OW2 9.258,4 34 109
RP 14.377,2 18 62
RP1 14.759,1 18 73
RP2 14.452,9 18 66
VD 10.552,8 17 76
VD1 10.417,8 17 72
VD2 10.455,3 17 76
Tabla 4.12 Transporte de productos por lnea productiva por destino para una
instancia con 3 viajes por periodo por ruta habilitada
Transporte por destino [Pallets]
Origen Lnea Planta 1 Planta 2 Planta 3 Total
% Planta
de origen
Planta 1 OW 0,0 221,9 231,3 453,2 62,9
Planta 1 RP 0,0 23,6 62,8 86,4 12,0
Planta 1 VD 0,0 114,6 65,9 180,4 25,1
Planta 2 OW1 139,5 0,0 139,0 278,4 38,7
Planta 2 RP1 169,7 0,0 139,8 309,5 43,0
Planta 2 VD1 50,9 0,0 81,2 132,1 18,3
Planta 3 OW2 240,2 234,4 0,0 474,7 65,9
Planta 3 RP2 73,1 52,5 0,0 125,7 17,5
Planta 3 VD2 46,6 73,1 0,0 119,7 16,6
Total
general:
720,0 720,0 720,0 2160,0
Con respecto al transporte cuyo origen es la Planta 1, el 62,9 % corresponde a
productos que se fabrican en la lnea OW. En el caso de la Planta 2, el 43 % de los pallets
transportados corresponden a productos que se fabrican en la lnea RP1. Por ultimo, en
el caso de la Planta 3 s olo el 16,6 % de productos que son fabridados por la lnea VD2
fueron transportados.
73
4.2.3.2 Instancia 2: Se permite un maximo de 20 viajes por pe-
riodo por ruta habilitada.
Esta instancia diere de la presentada en la secci on 4.2.3.1 s olo en el n umero de
viajes permitidos, por tanto se diferencia en el ujo maximo por ruta habilitada. En este
caso, en cada combinacion ruta - periodo es posible transportar un maximo de 400 pallets.
En la Tabla 4.13, se presenta la cantidad producida en pallets por lnea productiva y
la cantidad de setups en que se incurrio en cada una de las mismas. Se presentan destacadas
las lneas que poseen ponderadores de setup menores. Se puede observar que la producci on
de las lneas destacadas tiende a ser mayor. Los setups de familia son practicamente iguales
entre las lneas que son equivalentes, sin importar el ponderador. Finalmente los setups de
producto se muestran mayores en las lneas cuyos ponderadores de setup son menores.
Tabla 4.13 Produccion y setups por lnea productiva para una instancia con 20 viajes
por periodo por ruta habilitada
Lnea
Produccion
[Pallets]
Setup
Familia
Setup
Producto
OW 10.631 34 89
OW1 8.042 32 70
OW2 8.713 33 77
RP 13.748 18 45
RP1 15.699 17 63
RP2 14.133 18 53
VD 9.688 17 52
VD1 10.383 17 53
VD2 11.250 17 65
En la Tabla 4.14 se presenta la cantidad de pallets transportados por lnea pro-
ductiva y por planta de destino. Las lneas cuyos ponderadores de setup son menores se
muestran destacadas.
74
Tabla 4.14 Transporte de productos por lnea productiva por destino para una
instancia con 20 viajes por periodo por ruta habilitada
Transporte por destino [Pallets]
Origen Lnea Planta 1 Planta 2 Planta 3 Total
% Planta
de origen
Planta 1 OW 0,0 1.536,9 1.747,7 3.284,6 69,1
Planta 1 RP 0,0 451,4 415,6 867,0 18,2
Planta 1 VD 0,0 365,4 234,5 599,9 12,6
Planta 2 OW1 828,4 0,0 883,5 1.711,9 35,8
Planta 2 RP1 999,1 0,0 984,9 1.983,9 41,5
Planta 2 VD1 555,2 0,0 528,9 1.084,1 22,7
Planta 3 OW2 953,0 1.263,3 0,0 2.216,2 46,2
Planta 3 RP2 649,9 354,1 0,0 1.004,0 20,9
Planta 3 VD2 797,2 776,9 0,0 1.574,0 32,8
Total
general:
4.782,6 4.748,0 4.795,1 14.325,7
El 69,1 % de los productos transportados desde la Planta 1, corresponden a pro-
ductos que se fabrican en la lnea OW. En el caso de la Planta 2, el 41,5 % de los pallets
transportados corresponden a productos que se fabrican en la lnea RP1. Por ultimo, en
el caso de la Planta 3 el 32,8 % de productos que son fabridados por la lnea VD2 fueron
transportados, destacando en este caso un aumento respecto al 16,6 % que se obtuvo en
la seccion previa.
4.2.3.3 Instancia 3: Transporte de productos ilimitado
En esta instancia se da total libertad al transporte de productos entre plantas. Si
bien para efectos de la resoluci on y de los resultados arrojados esta instancia conside-
ra m ultiples plantas productivas y transporte de productos, en los aspectos practicos se
asemeja al problema de lneas en paralelo dado que no existen lmites para el ujo de
productos entre plantas y existen m ultiples lneas productivas que fabrican los mismos
productos y familias, situacion que en la vida real podra entenderse como que se trata de
una unica planta compuesta de 3 sub-plantas o grupos de trabajo.
A continuaci on, en la Tabla 4.15, se presenta la cantidad producida en pallets por
lnea productiva y la cantidad de setups en que se incurri o en cada una de las mismas.
Se puede observar que la producci on se concentra principalmente en las lneas destacadas,
as como tambien presentan un mayor n umero de setups tanto de familia como de producto.
En la Tabla 4.16 se presenta la cantidad de pallets transportados por lnea pro-
75
Tabla 4.15 Produccion y setups por lnea productiva para una instancia con
transporte ilimitado
Lnea
Produccion
[Pallets]
Setup Familia
Setup
Producto
OW 17721,7 31 106
OW1 4973,5 19 27
OW2 4690,1 24 43
RP 4496,4 5 7
RP1 35538,2 18 82
RP2 3546,1 3 8
VD 4357,3 4 7
VD1 3865,9 10 12
VD2 23097,9 17 84
ductiva y por planta de destino. Las lneas cuyos ponderadores de setup son menores se
muestran destacadas.
El ujo de productos en este caso es muy superior al visto en las dos secciones
anteriores alcanzando un total de 67.709, 1 pallets. Claramente se privilegia el transporte
de los productos fabricados por las lneas cuyos ponderadores de setup son menores, al-
canzando en el caso de la Planta 1 el 66,3 %, el 79,1 % en la Planta 2 y un 73,9 % en la
Planta 3.
4.2.3.4 Evaluaci on General
Luego de revisar los resultados obtenidos en las tres instancias estudiadas a lo
largo de la seccion, es posible observar que la inuencia que tienen los ponderadores de
setup, tanto de familia como de producto, en la eleccion de las lneas dependen del resto
de los par ametros del sistema. En los casos en que se limit o el transporte, se obligaba a
satisfacer la demanda de cada planta mayoritariamente con producci on propia, no as en
el caso donde el transporte es ilimitado, donde el sistema preri o utilizar las lneas cuyos
ponderadores son menores y en lo posible no incurrir en costos de setup en las demas
lneas.
A continuacion, en las Tablas 4.17 y 4.18 se presenta un resumen de los resulta-
dos obtenidos en las pruebas ya vistas. Se puede observar que la cantidad de setups de
producto y de familia disminuyen a medida que se permite un mayor ujo de productos.
La producci on se mantiene practicamente constante, sin embargo se distribuye de manera
diferente en las lneas productivas, privilegiando las lneas preferidas en la medida que
tiene m as libertad de transportar productos entre plantas, hecho que se ve reejado en
la Tabla 4.18, donde la produccion de las lneas preferidas (con ponderadores de setup
76
Tabla 4.16 Transporte de productos por lnea productiva por destino para una
instancia con 20 viajes por periodo por ruta habilitada
Transporte por destino [Pallets]
Origen Lnea Planta 1 Planta 2 Planta 3 Total
% Planta
de origen
Planta 1 OW 0,00 6.151,21 5.610,03 11.761,25 66,3
Planta 1 RP 0,0 1.303,9 1.454,1 2.758,1 15,6
Planta 1 VD 0,0 1.550,0 1.661,6 3.211,7 18,1
Planta 2 OW1 1.517,7 0,0 2.276,6 3.794,3 12,8
Planta 2 RP1 12.021,6 0,00 11.381,6 23.403,23 79,1
Planta 2 VD1 1.652,6 0,0 749,5 2.402,1 8,1
Planta 3 OW2 1.649,8 1.797,6 0,0 3.447,4 16,9
Planta 3 RP2 769,9 1.092,2 0,0 1.862,2 9,1
Planta 3 VD2 7.642,0 7.427,0 0,0 15.069,0 73,9
Total
general
25.253,7 19.322,0 23.133,5 67.709,1
menores) representa inicialmente un 33,6 %, en la instancia 1, el cual sube hasta alcanzar
un 74,7 % en la instancia 3. Al igual que la produccion, a medida que se permite un mayor
ujo de productos entre plantas, los setups tanto de familia como de producto tienden a
concentrarse principalmente en las lneas cuyos ponderadores de setup son menores, al-
canzando un 50,5 % de los setups totales en el caso de las familias y un 72,3 % en el caso
de los productos.
Tabla 4.17 Cuadro comparativo de resultados para instancias 1, 2 y 3, Parte 1
Instancia
Setup
Familia
Setup
Producto
Prod. Total
[pallets]
Flujo Tot.
[pallets]
1 207 750 102.446,9 2.160,0
2 203 567 102.287,1 14.325,7
3 131 376 102.287,1 67.709,1
Claramente el an alisis realizado corresponde a un set de datos en particular y
desde un punto de vista teorico no es posible generalizar. Sin embargo, los experimentos
realizados permiten observar que el sistema responde de manera adecuada cuando se le
indica que se preere realizar la producci on en determinadas lneas productivas por sobre
otras. Otro aspecto relevante observado a partir de la realizaci on de este experimento es
que el sistema, utilizando un enfoque de m ultiples lneas productivas, es capaz de resolver
problemas de lneas en paralelo si es congurado con los parametros adecuados.
77
Tabla 4.18 Cuadro comparativo de resultados instancias 1, 2 y 3, Parte 2
Prod. Lnea Pref./
Prod. Total
S.Familia Lnea
Pref / S. Familia
Total
S. Prod. Lnea
Pref./S. Prod.
Total
33,6 % 33,8 % 34,8 %
36,7 % 33,5 % 38,3 %
74,7 % 50,4 % 72,3 %
78
5 Conclusiones y trabajos futuros
5.1 Conclusiones
En esta tesis se ha trabajado sobre CAPPS, un sistema de planicacion de la pro-
ducci on orientado a la industria de las bebidas no alcoholicas desarrollado por la Escuela
de Ingeniera Industrial de la Ponticia Universidad Cat olica de Valparaso. CAPPS, des-
de su concepcion, ha sido pensado para adaptarse a distintos sistemas productivos de
producci on por lotes.
El objetivo de esta tesis fue desarrollar nuevas funcionalidades para el sistema, las
cuales le permitiesen abordar una mayor variedad de sistemas productivos. Este objetivo se
ha logrado con la incorporaci on de 3 nuevas extensiones: la coexistencia de demanda pen-
diente y demanda perdida, la distincion explcita entre demanda que se basa en pron osticos
y demanda determinstica (pedidos conocidos) y el soporte integrado de m ultiples plantas
productivas, permitiendo la interaccion entre ellas a traves de ujos de producto y de mate-
rias primas con lmites controlados por el usuario. Estas extensiones fueron implementadas
de manera incremental.
En una primera instancia el trabajo se concentr o en permitir que coexistan demanda
pendiente y perdida. Este punto se fundamento en que en una situacion real los clientes
no est an dispuestos a esperar indenidamente, por tanto se permiti o jar un tiempo de
espera m aximo, el cual servira al sistema para determinar cuando la demanda pendiente
se convertira en demanda perdida.
En una segunda fase, se trabaj o en permitir la distinci on entre demanda basada en
pron osticos y demanda determinstica proveniente de pedidos puntuales realizados por los
clientes. El fundamento te orico utilizado en este punto fue que el inventario de seguridad
est a pensado para hacer frente a la aleatoriedad de la demanda, por lo tanto si existe
certeza de que existira una determinada cantidad demandada, no debera existir un in-
ventario de seguridad asociado a dicha cantidad, por consiguiente para los c alculos de los
inventarios de seguridad s olo se consider o la demanda basada en pron osticos. Con respecto
a este punto, las pruebas realizadas indican que, en caso de la existencia de pedidos, se
exigen niveles de inventario de seguridad inferiores, lo que en terminos econ omicos podra
conducir a un ahorro sustancial, dependiendo del costo del producto y el porcentaje de
pedidos.
La ultima extensi on implementada permite considerar en un mismo sistema pro-
ductivo m ultiples plantas de producci on permitiendo su interacci on a traves de ujos de
productos terminados o materias primas. Esta ultima extension concentr o la mayor parte
del trabajo realizado en la tesis ya que requiri o una reestructuraci on importante a nivel de
software para que el usuario pudiese entregar los nuevos par ametros asociados al problema
y el sistema fuese capaz de tomar estos nuevos parametros y a partir de ellos presentar
una soluci on al usuario. Con respecto a la solucion, se conserv o la estructura base utili-
zada inicialmente por el sistema, se ajustaron las restricciones de modo de que el sistema
79
soportara m ultiples plantas productivas de forma integrada, permitiendo al usuario la op-
ci on de limitar el n umero de viajes posibles en cada una de las rutas que unen las plantas
productivas.
Las pruebas que se realizaron consideraron un set de datos particular asociado a
una empresa del rubro de las bebidas no alcoholicas, por tanto, desde un punto de vista
te orico, las conclusiones de las pruebas s olo se limitan a dicha empresa. Sin desmedro de
lo anterior, las pruebas han permitido vericar de manera pr actica que el sistema tiene
el comportamiento esperado en la medida que se congure de manera adecuada, y que,
producto de la sinergia que se genera debido a la interaccion entre las plantas productivas es
posible obtener mejores soluciones que al considerar cada planta de manera independiente.
En las pruebas realizadas se comparo una situacion inicial donde las plantas no
interact uan entre s con varias instancias donde se permita la interacci on entre plantas
en mayor o menor medida. En todas las instancias donde se permiti o la interacci on entre
plantas se lograron mejoras en la solucion. Se obtuvieron disminuciones de los quiebres
de inventario del orden del 5 % disminuci on que se vio acompa nada de una disminuci on
del inventario promedio cercanos al 4 %. Con respecto al n umero de setups, los de familia
aumentaron alrededor de un 2 % mientras que los de producto disminuyeron entre un 1 y
un 3 %. Considerando lo anterior, el unico aspecto de la soluci on que se vio mermado en
el caso estudiado es el n umero de setups de familia, situaci on que podra tener alguna de
las siguientes explicaciones:
En el caso de utilizacion de m ultiples plantas productivas, el sistema al obtener
mejores soluciones con respecto a los quiebres de stock, requiere un compromiso
mayor de parte de las lneas productivas, obligando a que se generen m as setups
de familia.
En las pruebas realizadas con m ultiples plantas productivas no se alcanz o el
optimo por motivos de tiempo, lo cual podra explicar el mayor n umero de setups
de familia.
Se utilizaron los mismos ponderadores usados por el sistema en el caso mono-
planta. Es probable que se deban volver a calibrar dichos ponderadores.
Para tener certeza acerca del motivo del aumento de los setups de familia se deberan
realizar nuevas pruebas abocadas a estudiar dicho fenomeno.
En un segundo experimento se comprob o que al otorgar mayor prioridad a una lnea
productiva el sistema tiende a preferir a dicha lnea por sobre otras. Lo anterior permite
vericar que el sistema act ua seg un lo esperado.
Un aspecto que empeoro de manera importante al considerar m ultiples plantas
productivas es la velocidad con que el sistema se acerca a la soluci on optima. En las
pruebas realizadas, al trabajar con una planta productiva de manera independiente los
tiempos bordeaban los 3 minutos por cada planta, alcanzando soluciones muy cercanas
80
al optimo, mientras que para las pruebas que consideraron m ultiples plantas productivas
se emplearon hasta 10 horas sin lograr llegar a soluciones tan cercanas al optimo como
las conseguidas al trabajar cada planta de manera separada. A un as, al menos en el
caso estudiado, la soluci on obtenida empleando cerca de 7 minutos ya es mejor que la
soluci on que se obtuvo al considerar de manera independiente las 3 plantas productivas
y las mejoras obtenidas al aumentar el tiempo de soluci on desde los 7 minutos hasta 10
horas bordearon el 2 %.
Finalmente es importante destacar que un aspecto que se consider o en el desarrollo
de esta tesis fue hacer amigable el sistema para el usuario, esto es posible observarlo
en la manera que se abord o cada una de las extensiones implementadas, intentando no
complicar en demasa al usuario con el ingreso de un exceso de nuevos par ametros difciles
de estimar o interpretar. Por una parte, para permitir la existencia de demanda pendiente y
perdida solo se requiere la incorporaci on de un nuevo par ametro, correspondiente al tiempo
promedio que los clientes suelen esperar por sus productos, dato que puede ser estimado
por el planicador en base a su experiencia. Por otra parte, para permitir la coexistencia
de pedidos determinsticos y demanda basada en pronosticos, ambos tipos de demanda
se separaron explcitamente, por tanto el usuario solo debe ingresar la informacion de
demanda desagregada, es decir ingresar los pedidos por separado de los pron osticos de
demanda. Finalmente, con respecto a la extensi on de m ultiples plantas productivas, se
consideran practicamente los mismos parametros que utilizaba el sistema en un principio
y a nadiendo la opcion de limitar explcitamente la interaccion entre las plantas, ingresando
informaci on sobre el n umero de viajes permitidos en cada ruta habilitada.
5.2 Trabajos Futuros
Como se discuti o en la seccion previa, los modelos y algoritmos desarrollados pa-
ra abordar el problema de m ultiples plantas productivas de manera integrada hicieron
que el problema se volviera m as complejo desde el punto de vista computacional, lo que
gener o un impacto negativo en los tiempos de soluci on, por tanto los trabajos futuros
debiesen centrarse fundamentalmente en mejorar este aspecto.
Para aumentar la rapidez de resolucion, en la literatura es posible encontrar varias
heursticas que resuelven el Problema de Tama no de Lote Capacitado con M ultiples Plan-
tas (MPCLSP). En particular el trabajo de Sambasivan y Yahya (2005) utiliza un modelo
semejante al utilizado en esta tesis el cual es resuelto utilizando una heurstica basada en
relaci on Lagrangeana, dicho trabajo podra servir como punto de partida para intentar
mejorar los tiempos de resolucion y la calidad de la soluci on.
Otra aproximacion que podra permitir la mejora en los tiempos de resoluci on es
probar nuevas formulaciones para el modelo, lo anterior buscando una mayor eciencia por
parte del solver al momento de resolverlo, por ejemplo podra probarse con una formulaci on
basada en ujo en redes.
81
Un segundo aspecto de investigaci on futura, es la b usqueda de nuevos algoritmos
que entreguen soluciones de mejor calidad que las que se entregan en este trabajo, por
ejemplo Nascimento, Resende y Toledo (2010), presentan una heurstica GRASP para
la resoluci on de este problema. Resultara interesante vericar la calidad de la soluci on
usando dicha metodologa.
Otro aspecto en el cual se puede profundizar en el futuro es determinar a que se
debe el aumento en los setups de familia en pr acticamente todas las pruebas realizadas.
Lo anterior en cierta medida contradice lo que se plante o inicialmente relativo al trade-o
existente entre transporte y setup.
En general, tanto la disminuci on de los tiempos de resoluci on como la mejora en
la calidad de las soluciones, son objetivos no excluyentes entre s, por tanto son aspectos
del problema que idealmente podran mejorarse de manera simultanea, y esto es lo que se
debera perseguir cuando se busque dar continuidad a este trabajo.
82
Bibliografa
Abad, P. L. (2001). Optimal price and order size for a reseller under partial backordering.
In: Computers and Operations Research, Vol. 28.
Akbalik, Ayse; Penz, Bernard (2007). Exact Methods for the single-item, multi-
plant capacitated lot sizing problem coupled with transportation. Disponible
va web en http://www.ulouvain.be/cps/ucl/doc/core/documents/coredp2007 49.pdf.
Asociaci on Nacional de Bebidas Refrescantes (2013). Total ventas en volumen, 2012.
Disponible va web en http://www.anber.cl.
Belvaux, G.; Wolsey, L. (2001). Modelling practical lot-sizing problems as mixed integer
programs. In: Management Science, Vol 47.
Chang, H. J.; Lin, W. F. (2010). A partial backlogging inventory model for non-instantaneous
deteriorating items with stock-dependent consumption rate under ination. In: Yugos-
lav Journal of Operations Research, Vol. 20.
Dallery, Y.; Gicquel, C.; Minoux, M (2008). Capacitated lot sizing models: A litera-
ture review. Feb. Disponible va web en http://hal.inria.fr/docs/00/25/58/30/PDF/
CER GICQUEL 2008 01.pdf.
Depelanque, S.; Sidhoum, S.; Quilliot, A (2013). Lagrangean Heuristic for a Multi-Plant
Lot-Sizing Problem with Transfer and Storage Capacities. In: RAIRO Operation
Research, Vol. 47.
Harris, F. (1913). How many parts to make at once. In: Factory: The magazine of
management, Vol. 10.
Hopp, Wallace; Spearman, Mark (2011). Factory Physics, Tercera Edicion. Illinois: Edi-
torial Waveland Press.
Jans, R; Degreave, Z. (2006). Modelling Industrial Lot Sizing Problems: A review. In:
ERIM Report Series, Vol 49.
Karimi, B.; Fatemi Ghomi, S.; Wilson J.M. (2003). The capacitated lot sizing problem: a
review of models and algorithms. In: Omega Vol. 31.
Magee, John; Boodman, David (1979). Planeamiento de la producci on y control de
inventarios, Cuarta Edici on. Buenos Aires: Editorial El Ateneo.
Nascimento, Mara C. V.; Resende, Mauricio G.C.; Toledo, Franklina M. B. (2010). GRASP
83
with path-relinking for the multi-plant capacitated lot sizing problem. In: European
Journal of Operational Research. 01/2010.
Pochet, Yves (2005). Production Planning by Mixed Integer Programming. Edi-
torial Spinger.
Sambasivan, M; Yahya, S. (2005). A Lagrangean-Based Heuristic for Multi-Plant, Multi-
Item, Multi-Period Capacitated Lot Sizing Problems with Inter-Plant Transfers. In:
Computers and Operations Research, Vol. 32.
Sambasivan, M (2008). A Lagrangean-Based Heuristic for Multi-Plant, Multi-Item, Multi-
Period Capacitated Lot Sizing Problems with Inter-Plant Transfers. In: Integration
& Dissemination, Vol. 2.
Wagner, H; Within, T. (1958). Dynamic Version of the Economic Lot Size Model. In:
Management Science, Vol. 5.
Wee, H. M. (1999). Deteriorating inventory model with quantity discount, pricing and
partial backordering. In: International Journal of Production Economics, Vol.
59.