Professional Documents
Culture Documents
Estado Del Arte Diego Nu Ez
Estado Del Arte Diego Nu Ez
Resumen— Este artı́culo revisa el estado del arte sobre soluciones informáticas de elaboración de horarios universitarios,
enfocándose en tres tipos de documentos el primero relacionado con la elaboración de horarios académicos, el segundo con la
elaboración de horarios empresariales y el ultimo enfoque relacionado a artı́culos que pueden aportar al estudio de la solución
nombrada anteriormente.
Abstract— This article reviews the state of the art on computer solutions for the preparation of university schedules, focusing on
three types of documents, the first related to the preparation of academic schedules, the second with the preparation of business
schedules and the last approach related to articles that can contribute to the study of the solution named above.
además de esto se delimito que cerca del 95% de los 2) Developing a Model for the University Course
documentos son de no menos de 5 años y en el idioma inglés, Timetabling Problem: A Case Study
el único documento que se exceptuó de estas dos normas ya
que esta en español y es del año 2014 se selecciono para -Tema: Presentación de un caso de estudio en el que
tener en cuenta por haber sido realizado en un entorno mas se desarrolla un modelo matemático para la resolución del
cercano como lo es la universidad nacional de Colombia, problema de la planificación de horarios en una universidad.
tambien se cumplio con la norma de no sobrepasar los diez
años de realizacion ya quela tecnologia entre cinco y diez -Proposito: Presentar un enfoque para resolver el problema
años en promedio tiende a desvalorizarce. Además de esto de horarios de cursos universitarios mediante la creación de
se seleccionaron documentos con relación a términos como un modelo matemático y su aplicación en un caso de estudio
“horarios” o “programación”, también se buscó artı́culos de especı́fico, demostrando la eficacia de la técnica propuesta
acceso libre para su adquisición y lectura. en términos de mejora en la eficiencia y la calidad de los
horarios generados.
el uso de los recursos disponibles, como aulas y profesores, -Resultado:”se comprobó que los modelos hı́bridos
para satisfacer las necesidades de los estudiantes y la aprovechan las ventajas de CRFS y CBRS, y superan las
institución en términos de programación de cursos. desventajas de los mismos trabajando individualmente...
o, las recomendaciones que genera la propuesta sustentan
-Resultado: ”Este trabajo aclara cómo se utiliza el conjunto objetivamente la decisión de los estudiantes durante la
de restricciones activas para inspirar conocimiento inteligente matrı́cula... La actitud de los alumnos hacia un determinado
y cómo se puede implementar el GA para determinar la curso (preferencias de los alumnos) es muy relevante a la
prioridad en las restricciones en el ámbito dinámico de los hora de recomendar una lı́nea de asignaturas optativas”[15].
entornos en desarrollo... En algunas situaciones, el GA puede
fallar cuando hay una única solución razonable, pero una
7) Class Schedule Generation using Evolutionary
vez más se puede reactivar la búsqueda por las restricciones
Algorithms
activas con numerosas soluciones para localizar la mejor
de ellas... Este enfoque tiene muchas ventajas que son
el diseño fácil con la disminución del tiempo necesario -Tema: Generación de horarios de clases utilizando
para el desarrollo y el mantenimiento de las restricciones del algoritmos evolutivos.
sistema en el escenario de entornos en evolución dinámica.”[1]
-Proposito: Presentar un enfoque basado en algoritmos evo-
5) A solution to the university course timetabling problem lutivos para la generación de horarios de clases en instituciones
using a hybrid method based on genetic algorithms educativas, considerando múltiples restricciones y objetivos,
como la disponibilidad de profesores y aulas, preferencias de
-Tema: Solución al problema de programación de horarios los estudiantes y la minimización de conflictos de horarios,
de cursos universitarios utilizando un método hı́brido basado buscando proporcionar una solución más eficiente y efectiva en
en algoritmos genéticos. comparación con los métodos tradicionales de programación
de horarios de clases.
-Proposito: Presentar un método hı́brido basado
-Resultado:”Mediante el uso de esta técnica, se puede
en algoritmos genéticos para resolver el problema de
ahorrar mucho tiempo ya que es mucho más conveniente
programación de horarios de cursos universitarios buscando
que los métodos convencionales. Previene la ocurrencia de
mejorar la eficiencia y calidad de los horarios de los cursos
errores en la formulación manual de horarios. Es un concepto
universitarios, lo que es fundamental para garantizar que los
que ahorra mucho tiempo... Mientras que en un GA, después
estudiantes puedan asistir a todas las clases.
de lograr un cronograma sin choques, la evolución continuó
al mismo ritmo, y siempre somos capaces de obtener una
-Resultado:”De los cronogramas obtenidos fueron factibles
mutación más aceptable.”[7].
en todas las corridas realizadas, el algoritmo HGATS ha
demostrado ser efectivo para el problema propuesto. Además,
el tiempo máximo de cómputo empleado no ha superado 8) Automated Large-scale Class Scheduling in MiniZinc
los 25 minutos, lo que se considera un tiempo razonable...
la definición de parámetros se realizó considerando un -Tema: Desarrollo de un sistema automatizado para la
Diseño Factorial Fraccionado de resolución IV, lo que genera generación de horarios de clase a gran escala utilizando el
confusión entre los factores e interacciones, sin embargo, lenguaje de programación MiniZinc.
con los parámetros utilizados se obtuvieron buenos (factibles)
resultados en las soluciones finales”[2]
-Proposito: Presentar una metodologı́a para la
6) A Hybrid Recommender System to Enrollment for programación automatizada de horarios de clases a gran
Elective Subjects in Engineering Students using Classification escala utilizando la herramienta de modelado y resolución de
Algorithms problemas MiniZinc, centrandose en la descripción detallada
del modelo de programación de horarios de clases propuesto
-Tema: Desarrollo de un sistema recomendador hı́brido y en la implementación de la solución utilizando MiniZinc.
para la inscripción en materias electivas de estudiantes de
ingenierı́a. -Resultado: ”,El rendimiento de este programador
de clases universitario es bastante notable. No solo la
-Proposito: presentar un sistema hı́brido de recomendación universidad sino cualquier institución educativa que siga un
para la inscripción en asignaturas electivas en estudiantes sistema similar también puede incorporar este sistema para
de ingenierı́a utilizando algoritmos de clasificación para generar eficientemente su horario de clase... nto del sistema,
proporcionar recomendaciones personalizadas y precisas a el sistema tiene muchas posibilidades de mejora. Dado
los estudiantes, teniendo en cuenta su historial académico, que la elección del solucionador afecta en gran medida el
intereses y preferencias, con el fin de mejorar la satisfacción rendimiento del sistema... Chuffed tiene el mejor rendimiento
del estudiante y la eficiencia del proceso de inscripción. comparativo”[14].
4
9) Combinación entre Algoritmos Genéticos y Aleatorios en el tiempo de cálculo para resolver el RMP para instancias
para la Programación de Horarios de Clases basado en de automóviles de personal”[12].
Ritmos
2) Assembly line balancing and activity scheduling for
-Tema: Utilización de algoritmos genéticos y aleatorios customised products manufacturing
para resolver el problema de programación de horarios de
clases en base a los ritmos cognitivos de los estudiantes. -Tema: Planificación y programación de la producción en
la fabricación de productos personalizados, especı́ficamente en
-Proposito: Presentar una solución para el problema de la asignación de tareas y el equilibrio de lı́neas de ensamblaje.
programación de horarios de clases en instituciones educa-
tivas, utilizando una combinación de algoritmos genéticos y -Proposito: Presentar un enfoque para equilibrar la lı́nea
aleatorios basados en ritmos cognitivos, buscando lograr una de producción y programar actividades en la fabricación de
mejor distribución de las asignaturas y profesores en el horario productos personalizados. El artı́culo describe un modelo
escolar, teniendo en cuenta las preferencias y necesidades de matemático que puede utilizarse para asignar tareas y
los estudiantes y profesores. equilibrar el trabajo en una lı́nea de producción, lo que puede
-Resultado: ” Esta metodologı́a constituye una técnica mejorar la eficiencia y la calidad del proceso de fabricación.
excelente para resolver esta clase de problema, la cual es por
lo menos un 19,5% más eficiente que las técnicas tradicionales -Resultado: ”Los resultados sugieren que la adopción de
en la resolución de esta clase de problemas... bajo un enfoque este procedimiento asegura una tasa de uso promedio del
de programación lógica basado en ritmos cognitivos de los operador superior al 90% evitando sobrecargas estructurales
estudiantes, representa una nueva metodologı́a no descrita en para ellos con una utilización muy eficiente de las áreas
la literatura”[4] de la estación de trabajo para el almacenamiento de
. componentes”[13].
el programa de referencia de los trabajos MTO con trabajos -Proposito: Proponer un modelo de programación convexa
MTS...Los componentes para la producción de MTS se para mejorar la fiabilidad del cronograma de envı́o de lı́neas
seleccionaron bajo el supuesto de minimizar el costo total en el diseño del horario de envı́o abordando el problema
de almacenamiento y maximizar la probabilidad de que los de la fiabilidad de dichos horarios de envı́o, que es un
productos fabricados se vendan... El algoritmo propuesto problema crı́tico en la industria naviera y puede tener un
permite completar el algoritmo MTO inicial sin necesidad de impacto significativo en los costos y la satisfacción del cliente.
optimizar todas las tareas de producción, lo que lo hace útil
para pequeñas y medianas empresas.”[5]. -Resultado: ”El modelo se puede usar en tiempo real
para guiar la selección de la velocidad de navegación y el
5) Task scheduling in cloud environment: optimization, ajuste del horario a los puertos aguas abajo al resolver la
security prioritization and processor selection schemes relajación convexa en función de la última actualización
sobre la duración restante del viaje, las últimas estimaciones
-Tema: Planificación de tareas en entornos de nube (cloud de los retrasos en el puerto y la navegación, y también el
computing). presupuesto de combustible restante disponible... Se enfoca
en una decisión a nivel táctico, diseño de cronograma y no
-Proposito: Presentar una solución para el problema de considera decisiones de recuperación a nivel operativo.” [20].
programación de tareas en entornos de nube, que tiene
como objetivo maximizar la eficiencia y la seguridad de 8) Optimizing the Maintenance Schedule of a Combined
los procesos. En particular, el artı́culo se enfoca en la Cycle Gas Turbine Considering Different Maintenance Types
optimización de la asignación de tareas a procesadores y en and Operating Hours
la priorización de la seguridad de las tareas crı́ticas.
-Tema: Optimización del programa de mantenimiento
-Resultado: ”la eficiencia del algoritmo HEFT original se de una turbina de gas de ciclo combinado considerando
puede mejorar eligiendo el mejor resultado de los programas diferentes tipos de mantenimiento y horas de operación.
de cada enfoque.
Aunque esto puede llevar a que el algoritmo tenga un costo -Proposito: Presentar un modelo matemático para
más alto, es un compromiso entre costo y rendimiento”[6]. optimizar la planificación del mantenimiento de una turbina
de gas de ciclo combinado, considerando diferentes tipos de
6) Comparison of Bioinspired Algorithms Applied to the mantenimiento y horas de operación, con el fin de mejorar la
Timetabling Problem in Sport confiabilidad y eficiencia de la turbina y reducir los costos de
mantenimiento.
-Tema: Comparación de distintos algoritmos bioinspirados
utilizados para resolver el problema de la elaboración de -Resultado: Los resultados obtenidos arrojaron ”Cuanto
horarios en el ámbito deportivo. mayor sea el 453 tamaño de una instancia, mayor será el
454 tiempo computacional... el costo total de mantenimiento
-Proposito: Analizar y comparar diferentes algoritmos depende 455 de dos factores: (1) el mı́nimo y el máximo
bioinspirados para resolver el problema de programación de permitido de semanas de funcionamiento 456 y (2) la
horarios en el ámbito deportivo para determinar qué algoritmo magnitud de la demanda 457 de electricidad. Cuanto más
es el más adecuado para generar horarios que satisfagan altos sean los valores de las semanas de funcionamiento 458
las restricciones especı́ficas del ámbito deportivo, como la mı́nimas y máximas permitidas, menor será el costo total
disponibilidad de instalaciones, el tiempo de descanso entre 459 de mantenimiento. Por el contrario, cuanto mayor sea la
eventos y la distancia entre ubicaciones. magnitud 460 de la demanda de electricidad, mayor será el
costo total 461 de mantenimiento” [19]
-Resultado: En los resultados aunque no se notaron mejoras
con los datos propuestos se noto como el algortimo nsga es
más confiable al tener menos dispersion en sus soluciones y
tambien obtuvo un minimo de conflictos estudiantiles con los C. Articulos que pueden aportar a la solución
horarios bajando la probabilidad de cambios por parte del
usuario[18] 1) Organizing sports matches with a hybrid monkey search
algorithm
7) Schedule reliability in liner shipping timetable design:
A convex programming approach -Tema: Utilización del algoritmo hı́brido de búsqueda
de monos (Hybrid Monkey Search Algorithm) para la
-Tema: Mejora de la confiabilidad y puntualidad en organización de partidos deportivos.
los servicios de transporte marı́timo de lı́nea mediante la
aplicación de técnicas de programación convexa en el diseño -Proposito: Proponer un algoritmo hı́brido basado en la
de horarios de embarque. búsqueda de mono para resolver el problema de programación
de partidos deportivos, donde presenta una solución para la
6
asignación de partidos de manera eficiente, teniendo en cuenta -Resultado: ”Al principio, el algoritmo propuesto
las restricciones y preferencias de los equipos involucrados. preprocesa los flujos de trabajo cientı́ficos para eliminar
las tareas de cuello de botella. Luego, el algoritmo se
-Resultado: ”Las consecuencias detrás del procedimiento usa para programar la lista de tareas preprocesadas en las
sugerido han abordado varios pasos para alcanzar un máquinas virtuales disponibles. El enfoque propuesto está
calendario óptimo para una variedad de equipos para el respaldado por hallazgos experimentales sobre flujos de
mismo campeonato mediante un software creado para simular trabajo cientı́ficos tomados de varias áreas de investigación.
el algoritmo hı́brido de mono para obtener la solución de Con respecto a los parámetros de rendimiento especificados,
forma fácil. El rendimiento del algoritmo presentado fue muy como el tiempo de ejecución, el consumo de energı́a y el
bueno al proporcionar una organización flexible y fácil de costo, el método supera a todos los algoritmos existentes”[17].
partidos deportivos sin utilizar la rutina clásica o manual”[16]
4) Electric bus planning & scheduling: A review of related
2) EEOA: Cost and Energy Efficient Task Scheduling in a problems and methodologies
Cloud-Fog Framework
-Tema: Planificación y programación de autobuses
-Tema: Programación de tareas eficiente y rentable en un eléctricos, y proporciona una revisión de los problemas y
entorno de nube-niebla (cloud-fog) considerando los costos y metodologı́as relacionadas con esta área.
el consumo de energı́a.
-Proposito: Proporcionar una revisión exhaustiva de los
-Proposito: Proponer un nuevo enfoque para la problemas y metodologı́as relacionados con la planificación y
programación de tareas en un entorno de nube y niebla programación de autobuses eléctricos, en el articulo se revisa
(cloud-fog) que sea eficiente en términos de costo y la literatura existente sobre el tema y analiza los diferentes
energı́a, utilizando algoritmos de optimización y técnicas enfoques y modelos utilizados para abordar los desafı́os en
de aprendizaje automático para mejorar el rendimiento y la la planificación y programación de autobuses eléctricos en
eficiencia energética de los sistemas de computación en la términos de costos, eficiencia energética, tiempos de viaje y
nube. otras restricciones operativas
-Resultado: Los resultados experimentales muestran que -Resultado: ”Debido a las limitaciones y desafı́os de
el algoritmo propuesto es capaz de obtener una solución las tecnologı́as de autobuses eléctricos, se deben realizar
óptima o cercana a la óptima en un tiempo razonable y ajustes adicionales a los problemas actuales de planificación
mejora significativamente el costo y el consumo de energı́a en del transporte en autobús. Por lo tanto, la programación de
comparación con otros algoritmos de programación de tareas. vehı́culos eléctricos se reconoce como un área de investigación
”. El método de programación presentado funciona mejor crucial y de rápido crecimiento. En este documento, revisamos
que los métodos alternativos en general en todos los flujos 43 artı́culos relacionados con las tecnologı́as de autobuses
de trabajo cientı́ficos y todas las medidas de rendimiento de eléctricos y brindamos una descripción general de los
acuerdo con los resultados. Se mantiene razonablemente bien diferentes problemas en el proceso de planificación de
frente a otros procedimientos y produce los mejores resultados autobuses eléctricos (estratégicos, tácticos y operativos)” [11]
en el menor tiempo posible.. Una de las limitaciones que
descubrimos en nuestra investigación actual es que nuestro
algoritmo no puede predecir las próximas cargas de trabajo y
IV. M ENDELEY Y VOSVIEWER
no puede decidir si descargar o no la tarea”[8]
A continuación se observa el mapa de conexión a través de
3) MAA: multi-objective artificial algae algorithm for los artı́culos consultados y el análisis que pudimos establecer
workflow scheduling in heterogeneous fog-cloud environment con las bibliografı́as apoyados en las herramientas Mendeley
y VosViewer.
-Tema: Propuesta de un algoritmo llamado MAA (Multi-
Objective Artificial Algae Algorithm) para la planificación de En la Fig. 1. Se observa el mapa de todos los términos y
flujos de trabajo en un entorno heterogéneo de fog-cloud. las relaciones entre estos donde se contó con un total de 84
términos, donde podemos percibir 13 mapas de relaciones
-Proposito: Presentar un nuevo algoritmo de optimización entre terminos.
llamado Multi-Objective Artificial Algae Algorithm (MAA)
para la planificación de flujos de trabajo en entornos En la Fig. 2. nos encontramos con cuatro tipos de términos
heterogéneos de nube y niebla. Describe cómo MAA puede entre los cuales se encuentran en verde conceptos relacionados
optimizar múltiples objetivos, como la minimización del con horarios(un término del que nombra bastante por eso su
tiempo de ejecución del flujo de trabajo, la minimización de tamaño), algoritmos genéticos y tiempos en universidades; en
los costos y la maximización de la utilización de recursos en amarillo términos como fuerza de trabajo móvil, MILP y VRP
la nube y la niebla. algoritmos que se hablan en los artı́culos; en azul términos
de optimización (un término del que se habla bastante en
7
R EFERENCES
[1] I. A. Abduljabbar and S. M. Abdullah. An evolutionary algorithm
for solving academic courses timetable scheduling problem. Baghdad
Science Journal, 19:399–408, 4 2022.
[2] J. Arias-Osorio and A. Mora-Esquivel. A solution to the university
course timetabling problem using a hybrid method based on genetic
algorithms. DYNA, 87:47–56, 11 2020.
[3] N. M. Arratia-Martinez, C. Maya-Padron, and P. A. Avila-Torres.
University course timetabling problem with professor assignment. Math-
ematical Problems in Engineering, 2021:1–9, 1 2021.
[4] O. D. Castrillón. Combinación entre algoritmos genéticos y aleatorios
para la programación de horarios de clases basado en ritmos cognitivos.
Información tecnológica, 25:51–62, 2014.
[5] W. Danilczuk, A. Gola, and P. Grznar. Job scheduling algorithm for a
hybrid mto-mts production process. IFAC-PapersOnLine, 55:451–456,
1 2022.
[6] T. Hai, J. Zhou, D. Jawawi, D. Wang, U. Oduah, C. Biamba, and
S. K. Jain. Task scheduling in cloud environment: optimization,
security prioritization and processor selection schemes. Journal of Cloud
Computing, 12:15, 1 2023.
[7] M. K. Kakkar, J. Singla, N. Garg, G. Gupta, P. Srivastava, and A. Kumar.
Class schedule generation using evolutionary algorithms. Journal of
Physics: Conference Series, 1950:012067, 8 2021.
[8] M. S. Kumar and G. R. Karri. Eeoa: Cost and energy efficient task
scheduling in a cloud-fog framework. Sensors, 23:2445, 2 2023.
[9] J. C. Manzano, A. F. O. Soliven, A. M. B. Llamas, S. M. V. Tinsay,
B. P. V. Samson, and R. A. Cabredo. Using boolean satisfiability
solvers to help reduce cognitive load and improve decision making when
creating common academic schedules. Proceedings of the 2021 CHI
Conference on Human Factors in Computing Systems, pages 1–13, 5
2021.
[10] M. Mokhtari, M. V. Sarashk, M. Asadpour, N. Saeidi, and O. Boyer.
Developing a model for the university course timetabling problem: A
case study. Complexity, 2021:1–12, 12 2021.
[11] S. S. Perumal, R. M. Lusby, and J. Larsen. Electric bus planning &
scheduling: A review of related problems and methodologies. European
Journal of Operational Research, 301:395–413, 9 2022.
[12] S. S. G. Perumal, J. Larsen, R. M. Lusby, M. Riis, and T. R. L.
Christensen. A column generation approach for the driver scheduling
problem with staff cars. Public Transport, 14:705–738, 10 2022.
[13] F. Pilati, G. Lelli, A. Regattieri, and E. Ferrari. Assembly line balancing
and activity scheduling for customised products manufacturing. The In-
ternational Journal of Advanced Manufacturing Technology, 120:3925–
3946, 5 2022.
[14] M. M. Rahman, S. B. Noor, and F. H. Siddiqui. Automated large-scale
class scheduling in minizinc. 2020 2nd International Conference on
Sustainable Technologies for Industry 4.0 (STI), pages 1–6, 11 2020.
[15] J. E. H. Rivera. A hybrid recommender system to enrollment for
elective subjects in engineering students using classification algorithms.
International Journal of Advanced Computer Science and Applications,
11:400–406, 2020.
[16] R. Z. Shaban and I. N. Alkallak. Organizing sports matches with a hybrid
monkey search algorithm. Indonesian Journal of Electrical Engineering
and Computer Science, 22:542, 4 2021.
[17] P. Shukla and S. Pandey. Maa: multi-objective artificial algae algorithm
for workflow scheduling in heterogeneous fog-cloud environment. The
Journal of Supercomputing, 2 2023.
[18] J. Silva, D. Cabrera, J. Maco, M. Villón, J. G. Guliany, A. Roncallo,
and H. H. Palma. Comparison of bioinspired algorithms applied to the
timetabling problem in sport. Procedia Computer Science, 170:965–970,
2020.
[19] V. F. Yu, Y.-S. Lin, P. Jodiawan, M.-D. He, and S.-W. Lin. Optimizing
the maintenance schedule of a combined cycle gas turbine consider-
ing different maintenance types and operating hours. IEEE Access,
10:98872–98881, 2022.
[20] A. Zhang, Z. Zheng, and C.-P. Teo. Schedule reliability in liner shipping
timetable design: A convex programming approach. Transportation
Research Part B: Methodological, 155:499–525, 1 2022.
[21] A. Éles, I. Heckl, and H. Cabezas. New general mixed-integer linear
programming model for mobile workforce management. Optimization
and Engineering, 23:479–525, 3 2022.