AGIRRE, Iñaki, Planificación Estocástica de Proyectos

TESIS DOCTORAL
Sistema de planificacin
estocstico de proyectos:
Implicaciones en la gestin de
riesgos
Iaki Agirre Prez
TESIS DOCTORAL
Sistema de planificacin
estocstico de proyectos:
Implicaciones en la gestin de
riesgos
Iaki Agirre Prez
Universidad de La Rioja
Servicio de Publicaciones
2007
Esta tesis doctoral, dirigida por el doctor D. Joaqun Ordieres Mere, fue leda el 19 de enero de 2007, y obtuvo
la calificacin de Sobresaliente Cum Laude Unanimidad.
Iaki Agirre Prez
Edita: Universidad de La Rioja

Servicio de Publicaciones
ISBN 978-84-690-6192-3
Sistema de planificacin estocstico de proyectos
Implicaciones en la gestin de riesgos
TESISDOCTORALENELDEPARTAMENTODEINGENIERAMECNICA
UNIVERSIDADDELARIOJA
AUTOR:
IakiAgirrePrez
DIRECTOR:
JoaqunOrdieresMer
Sistemadeplanificacinestocsticodeproyectos
Amispadres
3/166
Resumen
En este trabajoplanteamos unmodelo del riesgo en el proyectoenredestocstico, expresado
medianteredesdePetriestocsticasmsgenerales.Elmodelocontemplalaincertidumbresobrela
duracin de las actividades, e incluye los planes de contingencia y los ciclos de repeticin.
Caracterizamos probabilsticamente la incertidumbre sobre el resultado exitoso o fallido del
proyectocomoconjuntoydecadaunadesusactividades.
Enelmodeloseincluyendistribucionesdeprobabilidadparalasvariablesaleatoriasligadasala
duracindelasactividades.ApartirdeunasimulacindeMonteCarlo,seejecutanalgoritmosde
secuenciacin y asignacin de mltiples recursos cuyos resultados agregados muestran una
informacincompletasobrelasexpectativasdecomportamientodelaredestocsticadelproyecto.
HemosdesarrolladounprototipodesoftwareenJavaparademostrarlaaplicabilidaddenuestra
propuesta.Elprototipotomacomoentradaunproyectoounportafoliodeproyectos,yejecutalos
algoritmos de planificacin para ofrecer la informacinsobre criticidad, probabilidad de xito,
consumoderecursos,coste,duracin,etc...
Elmodeloderiesgoyelprototiposehanprobadoenunconjuntodeproyectosdepequeotamao
encontradosenlaliteraturayenlaprcticaprofesional.Losexperimentoshandemostradoquela
informacinobtenibleparalagestindelriesgoenelproyectoesmsextensayprecisadelaquese
obtieneconlastcnicasenuso.
Estemodeloderiesgopuedeseradecuadoparanuevasreasgestionadasporproyectosdondeel
riesgoessignificativo,comolainvestigacin,lastecnologasdelainformacinoeldesarrollode
nuevosproductos.
4/166
Abstract
Inthisworktitled'StochasticProjectSchedulingSystem:ImplicationsforRiskManagement'we
developastochasticriskmodelfortheproject'snetworkdepictedbymoregeneralStochasticPetri
Nets.Themodelexpressestheuncertaintyaboutactivities'duration,anditincludescontingency
plansandrepetitioncycles.Uncertaintyaboutthesuccessfulorfailedoutcomeoftheprojectasa
wholeorofitsactivitiesischaracterizedprobabilistically.
Therandomvariablesboundtoactivitydurationsaremodelledbyprobabilitydistributions.Aftera
MonteCarlosimulation,schedulingandmultiresourceallocationalgorithmsareexecutedinorder
to collect aggregated measures that depict a comprehensive information about the expected
behaviourofthestochasticprojectnetwork.
The feasability of our proposal has been proven by a software prototype built in Java. The
programreadsaprojectoramultiprojectasinput,executestheschedulingalgorithms,anddisplays
informationsuchascriticality,successchance,resourceconsumption,cost,makespan,etc.
Theriskmodelandtheprototypehavebeentestedinasetofsmallsizedprojectschosenfromthe
literatureandfromtheprofessionalpractise.Theexperimentshaveshownthattheinformationwe
getforprojectriskmanagementismoreextensiveandprecisethantheoneyoucouldgetwith
previoustechniques.
Thisriskmodelcouldbeverysignificantinsomenewareasmanagedbyprojectssuchasresearch,
informationtechnologyoraggressiveproductdevelopment,wheretheriskfactorishigh.
5/166
Rsum
DanscetravailonenvisagelemodleenrisquedansleprojetdeRseauStochastiqueexprimen
RseauxdePetriStochastiquesplusgnraux.Lemodleenvisagelincertitudedeladuredes
activitsetinclutlesplansdecontingenceetlescyclesrptition.
Oncaractriseprobabilistiquementlincertitudesurlersultatrussiteoududuprojetcommeun
ensembleetcommechacunedesesactivits.
Lemodlecomprendlesdistributionsdesprobabilitspourlesvariablesalatoiresliguesparla
dure des activits. Partant dune simulation de Monte Carlo, sexecutent les algorithmes de
squencage et dassignation des ressources dont les resultats ajouts montrent une information
compltesurlesexpectativesducomportementderseaustochastiqueduprojet.Onadveloppun
prototypedesoftwareenJavapourdmontrerlapplicabilitdenotreproposition.
Leprototypeprendcommeentreunprojetetxecutelesalgorithmesdeplanificationpourofrir
linformationsurcriticit,probabilitdesuccs,consommationdesressources,ducot,deladure,
etc
Lemodlederisqueetleprototypeonttprouvsdansunensembledepetitsprojetstrouvsdans
laliteratureetlapratiqueprofessionnelle.Lesexperimentationsontdmontrquelinformation
obtenueparlagestiondurisquedansleprojetestplusextenseetprcisequecellequisobtient
aveclestechniquesusage.
Cemodlederisquepeuttreadquatpourlesnouveauxsecteursgrspardesprojetsolerisque
estsignificatif,commelinvestigation,lestechnologiesdelinformationouledveloppementdes
nouveauxproduits.
6/166
ndice de contenidos
Sistemadeplanificacinestocsticodeproyectos...............................................................................1
Implicacionesenlagestinderiesgos.................................................................................................1
Resumen......................................................................................................................................4
Abstract.......................................................................................................................................5
Rsum........................................................................................................................................6
1.Introduccin...............................................................................................................................10
1.1Motivacin..........................................................................................................................10
1.2Disposicindelamemoria..................................................................................................11
1.3Notacinyconceptos..........................................................................................................12
1.3.1ElmtododelCaminoCrtico.....................................................................................15
1.3.1.1Clculodetiemposmstempranos.....................................................................16
1.3.1.2Clculodetiemposmstardos...........................................................................16
1.3.1.2Clculodeholguras.............................................................................................17
1.3.1.5Criticidad.............................................................................................................18
1.3.2ElmtododeMonteCarlo..........................................................................................19
1.3.2.1Tcnicasdereduccindelavarianza..................................................................21
1.3.2.1.1Latransformacinantittica........................................................................21
1.3.2.1.2Lasvariablesdecontrol...............................................................................22
1.3.2.1.3Laesperanzacondicional.............................................................................23
1.3.3Laprogramacindelacadenacrticaylagestindemrgenesdeproteccin..........24
1.3.4Laasignacinderecursos...........................................................................................24
2.Estadodelarte............................................................................................................................30
2.1Unavisingeneral..............................................................................................................30
2.2Elanlisisdecoste..............................................................................................................32
2.3Elanlisisdelriesgotemporal............................................................................................33
2.3.1Lasreservasdecontingencia.......................................................................................33
2.3.2Elvalorpresenteneto..................................................................................................34
2.3.3Lapujadelproyecto....................................................................................................35
2.3.4LasimulacindeMonteCarlo....................................................................................35
2.3.4.1Lastcnicasdereduccindelavarianza.............................................................35
2.3.5Lareddeactividadesalternativas...............................................................................36
2.3.6Laingenieraconcurrente............................................................................................38
2.3.6.1Losciclosderepeticin.......................................................................................39
2.4Lagestindelportafolio.....................................................................................................40
2.5Lacaracterizacindelriesgoenelproyecto.......................................................................41
2.6Elmtododelacadenacrtica............................................................................................42
2.7Elproblemadelaplanificacindeproyectosconrecursoslimitados................................43
2.7.1Losmtodosheursticos..............................................................................................45
7/166
2.7.2Elproblemadelaplanificacinmultimododeproyectos...........................................47
2.7.2.1Elproblemadelcompromisoentreeltiempoyelcoste.....................................49
2.7.2.2Elproblemadelcompromisoentreeltiempoylosrecursos...............................50
2.7.3Losmtodosmetaheursticos......................................................................................50
2.7.3.1Losalgoritmosgenticos.....................................................................................50
2.7.3.2Latcnicadelashormigas...................................................................................52
2.7.3.3Labsquedatab.................................................................................................52
2.7.3.4Laoptimizacinporenjambredepartculas.......................................................53
2.8Otrosproblemasdeasignacinderecursos........................................................................53
2.8.1Lanivelacinderecursos............................................................................................54
2.9Losconjuntosdifusos..........................................................................................................55
2.10Lasredesneuronales.........................................................................................................56
2.11Otrosproblemasdeplanificacin.....................................................................................57
2.11.1Elproblemadelospuntosdecontrol........................................................................57
2.11.2Lareparacindelprograma......................................................................................58
2.11.3Elproblemadeltiempomedio..................................................................................59
2.12Nuestravisin:redestemporalesestocsticasdeactividadesconalternativas................59
3.Modelodedatos.........................................................................................................................61
3.1Laredestocsticadelproyecto...........................................................................................61
3.2Modelodeactividad............................................................................................................63
3.2.1Activacin...................................................................................................................67
3.2.1.1Prescindibilidad...................................................................................................70
3.2.2Desarrollo....................................................................................................................73
3.2.2.1Laduracinprobabilstica...................................................................................74
3.2.2.2Losrecursoscomplejos.......................................................................................76
3.2.3Terminacin................................................................................................................77
3.3Laredgeneralizadadelproyecto........................................................................................78
3.3.1Lasredesdealternativasmltiples..............................................................................78
3.3.2Losplanesdemitigacindelriesgo............................................................................78
3.3.3Losciclosrepetitivos...................................................................................................82
3.3.3.1Algoritmodedesplieguedelasiteracionesenlosciclos....................................84
3.3.3.2Clculodetiemposmstempranos.....................................................................85
3.3.3.3Clculodetiemposmstardos...........................................................................85
3.4Factoresderiesgocomunesaciertasactividades...............................................................86
3.5SolucindelaredmediantelasimulacindeMonteCarlo...............................................88
3.6Exgesisdelosresultados...................................................................................................91
3.6.1Laplanificacinrestringidaporlosrecursos..............................................................94
3.6.1.1Paso1:Inicializacin...........................................................................................96
3.6.1.2Paso2...................................................................................................................96
3.6.1.3Paso3...................................................................................................................96
3.6.1.4Paso4...................................................................................................................97
3.6.1.5Paso5...................................................................................................................97
8/166
3.6.1.6Paso6...................................................................................................................97
3.6.1.7Paso7:Vueltaatrs.............................................................................................98
4.Prototipodesoftware.................................................................................................................99
4.1Introduccin........................................................................................................................99
4.2Descripcindelprototipo....................................................................................................99
4.2.1Casosdeuso................................................................................................................99
4.2.1.1Analizarelplazo................................................................................................100
4.2.2Diagramasdeclases..................................................................................................102
4.2.3Interfazgrfica..........................................................................................................105
4.3Formatosdelosficheros...................................................................................................112
4.3.1Ficherodeentradaparaelportafolio........................................................................112
4.3.1.1Ejemplodeficherodeentrada...........................................................................115
4.3.2Ficherodeconfiguracin...........................................................................................118
4.4Rendimiento......................................................................................................................119
5.Experimentacin......................................................................................................................121
5.1Experimentonmero11...............................................................................................121
6.Conclusionesylneasdefuturo...............................................................................................136
6.1Conclusiones.....................................................................................................................136
6.2Lneasdefuturo................................................................................................................138
7.Referencias...............................................................................................................................140
9/166
1. Introduccin
1.1 Motivacin
Se puede considerar que el estudio sistemtico de la organizacin industrial comenz con la
publicacindePrincipiosdelaAdministracinCientficapor[Taylor1911].FrederickW.Taylor
postulaba,entreotrosprincipios,lanecesidaddedescomponerlasactividadesensuselementos
1
constituyentes. En 1917 Henry Gantt desarroll su diagrama de barras, explicitando por vez
primeralanecesidadindustrialdeplanificaryprogramar.
Lastcnicasdescritasenestedocumentosonaplicablesacualquierproyectorealizadoencualquier
campodelaactividadhumana,perosonespecialmentetilesenaquellosproyectoscomplejosque
seencuentrenrodeadosdeunaltogradodeincertidumbre.Losproyectosdedesarrolloinformtico,
deinvestigacin,desarrolloeinnovacin,odeinversinruralenpasesenvasdedesarrolloson
algunos de los tipos de proyectos que se vern beneficiados por el uso de las tcnicas aqu
plasmadas.
Elanlisisdelriesgotemporalesespecialmenteimportanteenlosproyectosdeinnovacinyenel
desarrollo y lanzamiento de nuevos productos. En estos casos, los retardos en la entrega del
proyectoresultanmuchomscarosquelasdesviacionesdelpresupuesto.
Laincertidumbreenlosproyectospuededeberseacausasepistmicas,estoes,puededeberseala
ignoranciadelosparticipantesenelproyectosobrelosmecanismossubyacentesensurealizacin.
Aunqueestaincertidumbresereduzcaconlaexperienciaylahabilidaddeestablecerlasadecuadas
analogas entre el proyecto a abordar, nico por naturaleza, y los proyectos realizados
anteriormente,laotrafuentedeincertidumbreesaleatoria,yconestoqueremosdecirquesedebea
unanaturalezaintrnsecamenteprobabilstica.Enesteltimocaso,slopodremosesperardelos
conocimientosyexperienciadelosparticipantesunaadecuadacaracterizacindelaincertidumbre,
caracterizacinsobrelaqueaplicaremoslastcnicasyprocedimientosdesarrolladosparaextraer
lasprevisionesyplanesdecontingenciamsadecuados.
Algunas actividades tienen un rango amplio de posibles tiempos de terminacin. Por ejemplo,
algunasdelasactividadesenlafasedelanzamiento,comolaobtencindelosfondosparaun
proyectopuedenllevareltiempodeunallamadadetelfonoonecesitarmprobosesfuerzosdurante
semanas,mesesoaos.Enestoscasos,unadescomposicinulteriordelaestructuradeltrabajo
1 Algunasdeestasideasestabanyaen[Gantt1910].
10/166
puedemostrarqueexistenmuchassubactividadescuyaejecucindependedelosresultadosdeotras
subactividadesanteriores.Esloque[Williams1999a]definecomoincertidumbreestructural,quea
su vez tiene dos dimensiones, segn el nmero de elementos y las dependencias entre los
elementos.
Enunproyectodeimplementacindeunatecnologanueva,porejemplo,puedenoestarclarosise
necesitarn realizar actividades de formacin con parte de la plantilla. En ciertos proyectos
farmacuticos actividades con pruebas adicionales dependen de factores externos como la
aprobacindeunanuevalegislacin.Trasunaencuestadesatisfaccinconelcliente,unproducto
finalpuedenonecesitarmstrabajo,onecesitarnuevasactividadesparamejorarlo.Laspruebasde
rendimientonormalmenteconducenasituacionessimilares,dondelaejecucindelastareasde
ajusteorefinadodependedelresultadodelastareasdeprueba.
Otrafuentedecomplejidadenlaprogramacindeproyectosvienedelarepeticindetareas.Siel
nmeroderepeticionesesconocido,sesuelecopiarvariasveceslaactividadenlaplanificacin.
Por ejemplo, en las negociaciones para la consecucin de un acuerdo de compra se pueden
secuenciar laprimera,segundaytercerarondas.Sinembargo,sielnmeroderepeticiones es
impredecible,comocuandosetienequerepetirlapreparacinyenvodeunosplanosdeunedificio
hastaconseguirlaaprobacindelarquitectomunicipal,estaaproximacinnoesrealizable.Otro
ejemplo estara en las pruebas y depuracin del cdigo de los programas informticos, que
requierenvariasrepeticioneshastaquesealcanzaelobjetivodecalidaddeseado.
Nuestro modelo para tratar la incertidumbre en la gestin de proyectos puede ser aplicado a
cualquierniveldelaEDP(EstructuradeDescomposicindelProyecto: WBS,WorkBreakdown
Structure),yaseaenlasfasesinicialesdepreparacindelaoferta,oenlafasedeejecucindel
proyecto,cuandoyapartedestehasidorealizadoynuevasactividadesdemayorniveldedetalle
vansiendoaadidas.
Estainvestigacinsehaplasmadoenlaconstruccindeunprototipodesoftwareconelquese
demuestralaaplicabilidaddelastcnicasdesarrolladas.Enciertosentido,lainvestigacintratade
saltarlabrechaquesehaproducidoentrelainvestigacinenoperacionesdelosltimosaosyla
prcticadelagestindeproyectos.
1.2 Disposicin de la memoria

Estamemoriasedivideen6captulos.EnestaIntroduccinmotivamoslanecesidadderealizarla
investigacin, presentamos las obras introductorias al campo y describimos los conceptos
fundamentalesylanotacinqueemplearemoseneltexto.Acontinuacinemprenderemosenel
11/166
captulo2,EstadodelArte,unarevisincomentadadelasaportacionessignificativasquesehan
realizadoltimamenteenlaplanificacindeproyectos.Elcampoesbastanteextenso,asqueesta
ser una resea centrada en los aspectos o problemas para los que esta tesis aporta algo. En
particularrevisamoslasredesalternativasenlaplanificacindeproyectos,losciclosderepeticin
enlaingenieraconcurrente,lagestindelportafolioomultiproyecto,lacaracterizacindelriesgo
enelproyecto,elproblemadelaplanificacindelproyectoconrecursoslimitadosyelproblemade
los puntos de control en el proyecto. En el captulo 3, Modelo de datos, desgranaremos las
caractersticasdelmodeloestocsticoquehemosdesarrolladoparacapturarlaincertidumbreyla
complejidad de la gestin del riesgo asociada. El modelo divide la actividad en tres zonas,
activacin,desarrolloyterminacin,loquenospermiteabordarlaincertidumbresobreladuracin
delaactividadysobreelempleodesusrecursos,ytambinlaincertidumbresobrelapropiaredde
actividadesdelproyecto.VeremoslacaracterizacindelareddeactividadesalternativasAND/OR
ylosciclosderepeticindesecuenciasdeactividades.Enelcaptulo4,PrototipodeSoftware,
describiremos el producto que hemos programado con la intencin de demostrar que la
aproximacin caracterizada en el Modelo de datos es realizable. La descripcin explica los
detallesdelaentradaysalidadelprototipo,desdeelpuntodevistadelaadecuacinalmodelo.El
captulo 5, Experimentacin, trata sobre la aplicacin del modelo y el prototipo a algunos
problemas que hemos considerado significativos. Cerramos esta memoria con un captulo 6,
Conclusionesylneasdefuturo,enelquerecopilamoslospuntosfundamentalesyabordamoslo
quepodranserfuturaslneasdeinvestigacin.Comoescostumbre,labibliografaaparecealfinal,
comoReferencias.
El anexo A, enunCD,contieneladocumentacindelprototiporealizadoenJavaenformato
Javadoc, con vistas a su mejor comprensin y a su posible integracin posterior en nuevos
desarrollosdeinvestigacin.ElanexoB,enelmismoCD,contieneelcdigofuentedelprototipo.
1.3 Notacin y conceptos

La estructura de descomposicin del proyecto es un rbol de paquetes de trabajo que se crea
dividiendosucesivamentestosensuspartesconstituyenteshastallegaralniveldeactividad,conel
detallenecesarioparalagestindelproyecto.Normalmenteestrelacionadaconunaestructurade
descomposicinorganizativa.Sobreestosconceptosrecomendamos[Burke1992]ensucaptulo4
y[Kerzner1998]ensuseccin11.10.
Lareddeactividadesdeunproyectosedescribemedianteelpar(N,A)dondeN={1,...,m}
representa el conjunto de nodos o vrtices de la red y A = {(a i, bi) : ai , b i N , i = 1,..., n}
representaelconjuntodearcosdirigidos,siendo a i N elnodoinicialy b i N elnodofinal.Enla

12/166
representacinmsusual,ladelMtododelosPotenciales,lasactividadessecolocanenlosnodos,
ylosarcosdirigidosplasmanlasrelacionesdeprelacinentrelasactividades[Roy1962],[Roy
1964].Sedefinenalmenosunaactividadinicial A1 N yunaactividadfinal A n N .
Cadaactividad Ai N quenoseaunaactividadinicialtieneunconjuntodepredecesores Pi N .
2
LaactividadAi seextiendedurantedi periodosdetiempo.EnelPERT [Malcolmetal.1959]

clsico,estaduracinindeterminadaseestimabaenunnmerodeterminado,aunquedesdeelPERT
probabilstico[Fulkerson1962][MacCrimmon;Ryavec1964][Hartley;Wortham1966]selesuele
caracterizarcomounavariablealeatoria i .Enestetrabajousaremosfuncionesdedensidadde
probabilidad continuas para esta variable, pero los resultados son extensibles a las funciones
discontinuas.ParaunaexplicacindelmtodoPERTvanseloscaptulos3,4y5de[Ordieres
1999]oelcaptulo10de[Andersonetal.2005].ParaestudiarlasvariablesaleatoriasenPERT,
vase[Ndas1979].
En general, en la investigacin sobre planificacin de proyectos, se suele considerar que una
actividadnopuedesuspendersuejecucinunavezquehacomenzado.Estaeslasimplificacinque
nosotroshemosseguido,aunqueharemosnotarenelcaptulo2,Estadodelarte,quenotodoslos
investigadoreslaasumen.Sisepermitelainterrupcinyreanudacinposteriordeactividadesse
puedeacortarsignificativamenteladuracindelproyectoenaquellassituacionesenlasquelos
recursosestnseveramentelimitados.
Ademsdeactividadesyprelaciones,elproyectovienecaracterizadoporunconjuntodetiposde
recursosdisponiblesR={Rj :j=1,...,r},cadaunodeloscualestieneunacapacidadfinitakj
={k : R R , k 0} .Asuvez,estosrecursossepuedencategorizarenrenovables,
definidaen K
h
h
h
norenovablesydoblementerestringidos[Baewiczetal.1985],[Baewiczetal.1986].Delos
recursosrenovables,unaactividadAiconsumeunciertonmerodeunidadesdealgunosdeellos
durante el periodo de ejecucin. Esto se puede caracterizar tambin en un vector
={c : A N , R R , 0c k } . Ejemplos de recursos renovables son las mquinas, o el
C
i
ij
i
j
ij
j
personal.
Losrecursosnorenovablesestnlimitadosparaeltotaldelproyecto,sinrestriccionessobrecada
periodo.Ejemplosderecursosnorenovablesonelpresupuestodelproyectoylosmaterialesde
construccin.
Los recursos doblemente restringidos son los que estn limitados a la vez en su totalidad
acumulada,comolosrecursosnorenovables,yensucapacidadportiempo,comolosrenovables.
2 ProgramEvaluationandReviewTechnique,tcnicadesarrolladaen1958enlaMarinadelosEstadosUnidospara
eldesarrollodelsistemademisilesbalsticosPolarisdelaflotadesubmarinos.
13/166
Enocasiones,laactividadpuededisponerdediversos,inclusoinfinitosmodosderealizacin.Un
mododeterminaladuracindelaactividad,oalmenoseltipodelavariablealeatoria i ,sila
actividad resulta interrumpida, y los requerimientos de recursos de varias categoras. Tambin
determinalosposiblesflujosmonetariosqueocurrenalactivar,duranteeldesarrolloyalterminar
laactividad.
Silasvariablesdedecisinfkrepresentanlostiemposdefinalizacindelasactividades,elvector
F ={ f k : A k N ,0 f k } representaunadelasposiblesplanificaciones delproyecto.Definidala
planificacin, esinteresantedefinirelconjuntodeactividades queseestarnejecutandoen un

determinado momento t A[t ]={Ai A : f j d j t f j } planificacin que ser realizable con
respectodelasrestriccionesdeprelacionesyrecursossi
f i d j f
j A[t]
j =1,... , , Ai P j [f1]
c jhk h h=1,... ,r t =1,... ,T
[f2]
Veremosenelcaptulo3,Modelodedatos,comonosiempresesostienelaprimeraecuacin.
LasrelacionesdeprelacinentredosactividadesAi,Ajpuedesermsvariadas.Lasrelacionesde
precedencia generalizadas de desfase mnimo se agrupan en cuatro clases [Elmaghraby;
Kamburoski1992]:
1.Definacomienzo
si d i l ij s j , Ai P j [f3]
dondelijeseltiempodedesfasepositivoonegativoentrelasactividadesA i,Ajysi,sjlostiempos
decomienzorespectivos.
2.Decomienzoacomienzo
si l ij s j , Ai P j [f4]
3.Decomienzoafin
si l ij s j d j , Ai P j [f5]
4.Definafin
14/166
si l ij d i s j d j , A i P j [f6]
En esta investigacin nos centraremos en las relaciones de precedencia de fin a comienzo sin
tiempodedesfase,peronoporelloperderemosgeneralidad.En[Bartuschetal.1988]seencuentra
unaformaestndarderepresentartodoslostiposderelacionesdeprecedenciageneralizadoscomo
relacionesdeprecedenciadeltipo2,decomienzoacomienzo.Conpequeosajustesesposible
aplicarlasmismastcnicasquevamosaemplearalrestoderelacionesdeprecedencia.
La funcin de evaluacin de la planificacin del proyecto cuantifica la calidad de la solucin
alcanzada,ypermiteelegirentrevariassoluciones.Tambinseconocecomofuncinobjetivoa
optimizar. La funcin de evaluacin ms comn es la duracin del proyecto. Se define como
= f n s1 siA1,Ansonlasactividadesinicialyfinalrespectivamente.
Otrasfuncionesdeevaluacinqueseestudiansonelvalorpresenteneto[Beyetal.1981],elcoste
o la calidad. Nosotros estudiaremos el problema de optimizacin para la minimizacin de la
duracindelproyecto.Sobrelaevaluacindelproyectorecomendamos[Baca1990].
Sobreunareddeactividadesesposible,enprincipio,definirunordentopolgico<demodoque
Ai A j Ai P j Un tipo de relacin de precedencia especial que debemos considerar aparece
*
3
cuandoseproduceuncicloenlared,y Ai , A j A j P i Ai P j .
Entreloselementosdelaredcontamostambin,comoveremos,conciertasrestriccionessobreel
tiempoenquesepuedenproduciralgunoseventos,oelnmerodevecesquesepuederecorrerun
determinadociclo.
Cuandolareddeactividadesdelproyectopuedeejecutarsecondistintoscaminos,sinnecesidadde
realizarlostodos,seconocecomoredalternativa.Consideraremosqueelresultadoexitosoofallido
de una actividad Ai viene representado por una operacin Or Exclusiva estocstica. Esta
caracterstica,juntoconlasoperacioneslgicasAnd,OryNotqueenlazanlasactividadesentres,
nospermitirmodelarunacompletaredalternativaconelobjetivodeincluirlagestindelriesgo
dentrodelaplanificacindelproyecto.
1.3.1 El mtodo del Camino Crtico
ElMCC(eninglsCPM,CriticalPathMethod)omtododelcaminocrtico[Kelley;Walker1959]
*
Ak P j A k P j
3 P jsedefinecomo:
A l Pk A k P*j A l P*j
*
15/166
fuedesarrolladoporlaempresasRemingtonRandUnivacyDuPontenEstadosUnidos.Paraun
estudiogeneraldelmtodo,vaseelcaptulo6de[Ordieres1999].
Elmtodotiene3pasos:
1.Clculodetiemposmstempranos
2.Clculodetiemposmstardos
3.Clculodeholguras
1.3.1.1 Clculo de tiempos ms tempranos

Eltiempotempranodeunsucesotratademedireltiempomnimonecesarioparallegaraese
suceso.Paraellosecomienzaporelsucesoiniciodelproyecto,alqueseleasignauntiempo
temprano0.Estesucesocoincideeneltiempoconelcomienzotempranodetodaslasactividades
definidascomoiniciales.Luegoseprocederecursivamente,calculandolostiempostempranosde
lasactividadessucesorasdecadaactividadcuyotiempotempranoconozcamos.
Eltiempotempranodeunciertosucesoj,querepresentaremosportj,ser
t j =max [t i t ij ] i [f7]
dondetijesdk,laduracindelaactividadAkquecomienzaenelsucesoiyfinalizaenelsucesoj.
Eltiempotempranodelsucesofindeproyectotieneunaimportanciaespecial,puesnosindicael
tiempomnimonecesarioparapoderfinalizarelproyecto.
1.3.1.2 Clculo de tiempos ms tardos

Lostiempostardossecalculanempezandoporelsucesofindelproyecto,alqueseleasignaun
tiempotardoigualaltiempotempranopreviamentecalculado.Luegoseprocederecursivamente,
calculandolostiempostardosdelasactividadespredecesorasdeunadada.
16/166
*
Eltiempotardodeciertosucesoi,querepresentaremosport iser:
*
t i =min [t j t ij ] j [f8]
1.3.1.2 Clculo de holguras

Laholguradeunciertosuceso,querepresentaremosporHi,sedefinecomoladiferenciaentrelos
tiempostardosytempranosdelsuceso:
*
H i =t i t i [f9]
Laholguradeunsucesonosindicaelnmerodeunidadesdetiempoenquepuederetrasarsela
realizacindelmismo,demaneraqueladuracindelproyecto(medidaporeltiempotempranodel
sucesofindelproyecto)noexperimenteningnretraso.
T
LaholguratotaldeunaactividadAkdefinidaentrelossucesosiyj,querepresentaremosporH ij,se
definecomoeltiempoqueresultaderestaraltiempotardodelsucesofinaleltiempotempranodel
sucesoinicialyladuracindelaactividad,esdecir:
T
H k =H ij =t j t i t ij =t j t i d k [f10]
La holgura total de una actividad nos indica el nmero de unidades de tiempo en que puede
retrasarselarealizacindelaactividadconrespectoalplanprevisto(findeactividadtemprano),de
maneraqueladuracindelproyectonoexperimenteningnretraso.
Aquellasactividadescuyaholguratotalseacerosedenominanactividadescrticas.Uniendotodas
lasactividadescrticasseformauncaminoquevadesdeelvrticequerepresentaelsucesoinicio
delproyectoalvrticequerepresentaelsucesofindelproyecto.Estecaminorecibeelnombrede
caminocriticoyresultaesencialparaefectuarelcontroldelproyecto.Elresponsabledelproyecto
deber extremarlavigilanciadeestasactividadescrticas,puesunretrasoenlarealizacin de
cualquieradeellasproducirunretrasoenlafinalizacindelproyecto.
17/166
HolguraoflotantelibredeunaactividadAkdefinidaentrelossucesosiyj,querepresentaremos
L
porH ij,eseltiempoqueresultaderestaraltiempotempranodelsucesofinaleltiempotemprano
delsucesoinicialyladuracindelaactividad.
L
Laholguralibrerepresentalapartedelaholguratotalquepuedeserconsumidasinperjudicaralas
actividadessiguientes.
La holgura o flotante independiente de una actividad Ak definida entre los sucesos i y j, que
I
representaremosporH ij,eseltiempoqueresultaderestaraltiempotempranodelsucesofinalel
tiempotardodelsucesoinicialyladuracindelaactividad.
I
Lasholgurasayudanaaclasificarlaimportanciadelasactividades,segnseandesignonegativo,
positivoonulas.Noobstante,estaclasificacinsloestilenloscasosenlosquelosrecursosno
son una limitacin del sistema. Incluso en estos casos, las decisiones de secuenciacin de las
actividadesnotienenningnreflejoenlasholguras,locualreducesuutilidad.Enelcaptulo2,
Estadodelarte,veremosalgunasnuevasdefinicionesyusosdelasholguras.
Paraelestudiodelasbasesmatemticasdelmtododelcaminocrticoremitimosallectora[Kelley
1961],dondesedemuestraqueelclculodelostiempostempranosytardosproduceunprograma
queesptimorespectodeladuracintotaldelproyecto.
1.3.1.5 Criticidad
Enlagestindeproyectosprobabilstica,sellamacriticidaddeunaactividadalaprobabilidadde
formarpartedelcaminocrtico.Lasactividadesconaltacriticidadpuedenactuarcomouncuellode
botelladelproyecto,porquesuretrasooadelantorepercutirenladuracintotaldelproyecto.
Lacriticidadcondicionaldeunaactividadeslaprobabilidaddequelaactividadformepartedel
caminocrtico,supuestoquelaactividadsuceda.Particularmenteennuestromodelo,estosignifica
18/166
quelaactividadresulteactivada.Esundatoquesugierelaatencinqueseledebededicarala
actividaddurantesudesarrollo.
4
Dominiorelativo deuncaminoeslaprobabilidaddequeresulteserelcaminocrtico.Veremos
algunosejemplosdeusodeesteindicadorenelcaptulo5,Experimentacin.
Crucialidaddeunaactividadeselvalorabsolutodelacorrelacinentreladuracindelaactividad
yladuracindelproyecto[Williams1992].Aunqueestamedidaresuelvealgunosproblemasdela
criticidad,principalmenteladificultaddeaplicacinenuncontextodeprogramacinrestringida
porlosrecursos,tieneelpocointuitivoefectodedeclarardenulacrucialidadlasactividadesde
duracindeterminada[Elmaghraby2000].
1.3.2 El mtodo de Monte Carlo

ElmtododeMonteCarlotomasunombredelfamosoCasinodeMonteCarlo,yaqueemplea
cualquier tcnica de muestreo estadstico para encontrar soluciones aproximadas a problemas
cuantitativos.Tambinseconocecomomtododesimulacinpormuestreoaleatorio.Graciasala
potenciadelascomputadoras,estosmuestreossepuedenautomatizar.
ElmtododeMonteCarlofuedesarrolladoporelmatemticopolacoStanislawUlamen1946,al
comienzodelaeradelacomputacin,conelobjetodetraducirprocesosdescritosmedianteciertas
ecuaciones diferenciales en formas equivalentes interpretables mediante una sucesin de
operaciones aleatorias, para poder resolverlos ms fcilmente. Ulam y Nicholas Metropolis
publicaronsutrabajoen[Metropolis;Ulam1949],perohayantecedentesdelmtodoentre los
archivosclasificadosdelainvestigacinatmicadurantelasegundaguerramundial,enparticular
5
en Los Alamos National Laboratory, New Mexico, USA . En [Eckhart 1987] se cuentan las
circunstancias de las que surgi el mtodo de Monte Carlo. Para un estudio del mtodo
recomendamos [Brandt 1999], la seccin 8.6 de [Brassard; Bratley 1987], [Knuth 1969],
[Rubinstein1981],[Sobol'1994]y[Fishman1996].Sobrelaeficienciadelmtodo,vaselaseccin
5.1de[Hammersley;Handscomb1964]y[Fox1986].
Enelcasogeneral,elmtododeMonteCarlotratadeevaluarlaintegraldefinidamultivaluada
4Relativedominance
5citadoen[Brassard;Bratley1987]
19/166
2
1 1
0 0
= f u 1 ,u 2 , ,u n du dun
[f13]
lacualseexpresaresumidamentecomo
=
0,1
f udu [f14]
Estafrmulapuederepresentarunproblemaestocsticoono.Encualquiercaso,elmtodode
Monte Carlo consisteenbuscarunasolucinaproximadaalproblemaintroduciendounvector
n
aleatorioU.Elvectoraleatoriosedistribuyeuniformementeenlaregindeintegracin(0,1) .En
estecasof(U)representaunavariableestocsticacuyaesperanzaes
]= f uu du
E [fU
[f15]
0,1
donde representalafuncindedensidaddeprobabilidaddeU.Yaque sedistribuye

uniformementeenlaregindeintegracin,
]= f u du
E [fU
[f16]
0,1
As,obtenemoslaexpresinprobabilsticadelaintegral
] [f17]
=E [ f U
Losmomentosdelavariableestocsticaf(U)sonpueslamedia yladesviacinestndar
.Definimosunestimadorinsesgado
H=
[ k]
U [f18]
f
m k =1
[i]
dondeU representaunadelasmvariablesaleatoriasindependientes,laqueestasociadaalturno
[i]
[j]
i.Porlotantocadaf(U )esunavariableestocsticatambinindependientedeotraf(U ),pero
idnticamentedistribuida.ElerrorestndardelestimadorinsesgadoHes
[f19]
20/166
ElprimeroenaplicarlatcnicadeMonteCarloalaplanificacindeproyectosfue[McGowan
1964],porloquenosotrossabemos.Elmismocorpusdeconocimientosobregestindeproyectos
[PMBOK1996]recomiendasuutilizacindiciendo:
Debera utilizarse la simulacin del programa en cualquier proyecto grande o complejo, ya que las tcnicas de anlisis
matemtico tradicionales como el mtodo del camno crtico (MCC) o la tcnica de evaluacin y revisin del programa
(PERT) no toman en cuenta la convergencia de caminos, y subestiman, por lo tanto, la duracin del proyecto.
LatcnicadeMonteCarlo,alcontrarioqueelclculooperacional,nospermitirenfrentarnosa
problemasdetamaorealomedio,alavezquemantenemosunmodelodelproyectoquetienea
nuestrojuiciogranpotenciaexpresivayaplicabilidad.
1.3.2.1 Tcnicas de reduccin de la varianza
Comoseveenlafrmulaanterior,essencilloreducirelerrorestndardelestimadorenunanlisis
deMonteCarlo.Bastaconaumentareltamaodelamuestra.Noobstante,sepuedenemplear
tcnicasdereduccindelavarianza,comolatransformacinantittica,lasvariablesdecontrol,el
muestreoenfatizado(importancesampling),elmuestreoestratificadoolaesperanzacondicional.
Paraunarecopilacindelastcnicasdereduccindelavarianzaconsltense[Wilson1984]y
[Nelson1987].
1.3.2.1.1 La transformacin antittica
Latransformacinantitticaesunasubclasedelatcnicaconocidacomoinduccindecorrelacin
(correlation induction). En general, se trata de obtener una correlacin negativa respecto de
determinadoresultadoW,quepuedeseronoelresultadoobjetivoY.Wes,porlotanto,funcinde
losnmerosaleatoriosexgenos
W=wU i i I w [f20]
dondeIwdenotalosndicesordenadosdeunsubconjuntodelosnmerosaleatoriosexgenosU.En
latransformacinantitticaseagrupanlosnmerosaleatoriosendosseries,tomandolosdela
segundaseriecomocomplementariosdelosdelaprimera.Sikfueranlasdiferentesrondasde
muestreoprevistas
k / 2 j
Ui
=1U i [f21]
21/166
Conestatransformacinseobtienendosnmerosaleatoriosnegativamentecorrelacionados.Los
(j)
(k/2+j)
marginales de la distribucin conjunta [Ui , Ui
] son uniformes en (0,1), y por lo tanto la
varianzasevereducida.
1.3.2.1.2 Las variables de control
Lavariabledecontrolesunavariablealeatoriaobtenidamedianteunafuncinreal cuya
mediasedefinecomo:
] [f22]
=E [ U
Apartirdeestavariabledecontrolobtenemosunanuevavariablealeatoriaf*(U)
*
=f U
c[ U
] [f23]
f U
Siendocunaconstante,
*
]=E [f U
]= [f24]
E [ f U
Paraestimarlaintegral utilizamosunestimadorinsesgado
1
1
[k ]
[k ]
[k ]
H = f
U = f
U c [
U ] [f25]
m k =1
m k =1
*
ParaqueestenuevoestimadortengaunerrorestndarmenorqueelestimadorclsicodeMonte
*
Carlo,esprecisoqueladesviacinestndar def*(U)seamenorqueladesviacinestndar
def(U),locualseproducecuandohayunacorrelacinaltaentrelasvariablesaleatoriasf(U)
y U .Precisamente
c[ U
]]=std [f U
c U
]= 2 c2 22c [f26]
* =std [ f U
donde eselcoeficientedecorrelacinde U conf(U)y esladesviacinestndar
de U .Porlotanto,
*
c
Elvalormnimode
seencuentraen
22/166
[f27]
c=
*
2
= 1 [f28]
Elmtododelavariabledecontrolconsisteenencontrarunafuncin queseaproximemuchoa
] seafcildecalcular.Amenudo,tanto como sedesconocen.Se
f,yparalacual E[ U
puedeusarunanlisisdeMonteCarloaparteparaestimarlas,o,si seaproximamuchoaf,
definirc=1.
1.3.2.1.3 La esperanza condicional
La esperanza condicional (conditional expectation)es otra tcnica de reduccin de la varianza

talquesu
cuyosresultadossonmuyprometedores.Enesta,seutilizaunvectoraleatorio
esperanzacondicionalsea
=
x] [f29]
h x E [
.Apartirdeestafrmula
donde x representacualquierposiblevalordelvectoraleatorio
definimosunanuevavariablealeatoria
[f30]
Z h
Estavariablealeatoriaformaunnuevoestimadorde basadoenunslopasodesimulacin.
Extrapolandosobreunaseriedenresultados{Xi:i=1,...,n},obtenemosunamuestra{Z i=h(Xi):i
=1,...,n}.Elestimadordeesperanzacondicionales
n
1
EC n Z i [f31]
n i=1
LavarianzadelnuevoestimadoressiempremenoroigualqueVar[Y(n)]yaque
2ZVar Z=Y2 E [ Var Y
X ] [f32]
Ennuestroprototiponohemosempleadoningunatcnicadereduccindelavarianza,aunquenolo
descartamoscomolneadeactuacinfutura.Laraznestenquehemosdispuestodesuficiente
ponenciadeclculopararealizarlosexperimentosplanteadosconlaexactitudquenosinteresabaa
basedefijaruntamaodemuestragrande.
23/166
1.3.3 La programacin de la cadena crtica y la gestin de mrgenes de
proteccin6
La aplicacin a la gestin de proyectos de la teora de las limitaciones se conoce como la
programacindelacadenacrticaylagestindemrgenesdeproteccin.Desdelapublicacinde
[Goldratt1997]estaaplicacinharecibidounaatencincrecienteporpartedelacomunidadde
especialistas.Otrosevangelistasmuyinfluyenteshansido[Newbold1998]y[Leach2000].
Lacadenacrticasedefinecomoelconjuntodeactividadesquedeterminaladuracindelproyecto.
Antes del libro de [Goldratt 1997] se defini tambin como la secuencia crtica [Woodworth;
Shanahan1988].Parasuclculosetienenencuentatantolasprelacionescomolasrestricciones
sobrelosrecursos.Estoquieredecirquesiunrecursoestlimitadoparavariasactividadesquese
planificaronenparalelo,lasactividadesquenoestabanenelcaminocrticoseaadenalacadena
crticadebidoalalimitacinenlacapacidaddelrecurso.Laduracindelasactividadesseplanifica
conunintervalodeconfianzadel50%,conelobjetodeminimizarlainfluenciadelaLeyde
Parkinson,queestablecequeeltrabajoseexpandehastaocupartodoeltiempodisponible.Porla
misma razn, no se utilizan ni hitos ni fechas de terminacin de las actividades. Tampoco se
permite la multitarea. Las actividades se planifican para comenzar lo ms tarde posible, y los
conflictossobrelosrecursossesolucionanadelantandoactividades.
Laincertidumbresobreladuracindelasactividadessecontrolamediantelagestindemrgenes
deproteccin.Lacadenacrticatieneasociadounmrgendeproteccindeproyectoquesecoloca
alfinal,ycuyaduracinvieneaocuparel50%deladuracindelacadenacrtica.Losmrgenesde
proteccindealimentacinsecolocandonde unalneadeactividadesseincorporaalacadena
crtica,paraprotegerastadelavariabilidaddelasotrascadenas.Existentambinunosmrgenes
deproteccinderecursoqueseutilizandondeunrecursoseempleaenunaactividaddelacadena
crtica,ylaactividadanteriorenlacadenacrticaempleaunrecursodistinto,aunquesuutilidad
consisteenestecasoenavisarconanticipacindequeelrecursodebeestardisponible.Parala
programacinmultiproyectoseutilizantambinunosmrgenesdeproteccindecuellodebotella
paralosrecursosqueactancomolimitadoresentodoslosproyectos.
1.3.4 La asignacin de recursos

Laasignacinderecursosocargaderecursoseselprocesodeasignarrecursos,yaseapersonal,
6 Critical Chain Scheduling and Buffer Management. Otras traducciones de buffer son tampn, proteccin,
amortiguadorysimplementebuffer
24/166
infraestructurasoequipamiento,alosproyectos.Elconsumodelosrecursosdeterminaloscostes
delproyecto.Sobreingenieradecostesenelproyectovase[Ahuja;Walsh1983].Generalmente
seentiendequelosrecursosseasignanhastaenelniveldeactividad,loquellevaimplcitalatoma
dedecisionessobrequeactividadesseejecutarnenquperiodoparaevitarlosconflictosporlos
recursos.
Laplanificacindeproyectosrestringidaporlosrecursosesmateriadeinvestigacindesdehace
msde40aos.Lostrabajosseminalesestnen[Kelley1963]y[Wiest1964].Paraunestudio
generaldelproblema,vanse[Arranz1993],elcaptulo9de[Ordieres1999],[Tormos;Lova
1998]o[Klein1999].Paraunestudiomsdetallado,vase[Demeulemeester;Herroelen2002],
especialmenteloscaptulos6y7,yelcaptulo9sobreelproblemamultimodoqueseproduce
cuandolasactividadessepuedenejecutardediversasmaneras,cadaunaconunosrequisitossobre
losrecursosyunaduracindistintos.
Laplanificacinrestringidaporlosrecursossehavueltomsimportantedesdehacedcadas,por
los cambios econmicos, principalmente la prdida de beneficio del capital en la actividad
industrialquehallevadoavalorarlareduccindecostesporencimadelaproduccinyelbeneficio
total.Paralelamentesehaproducidounaespecializacindelamanodeobra,enunprocesode
milenios,yunagotamientodelosrecursosnaturales.Estoobligaalasempresas,yalapostreala
administracintambin,atrabajarconescasezderecursos,dondesonstoslosquelimitanengran
medida los proyectos. Adems de todo esto, desde [Wickwire et al. 2001] los juzgados
estadounidensesexigenprogramacionesconcargasderecursosexplcitasenlosanlisisdetiempos
delosjuiciosporresponsabilidadcivil,loquedesdeluegollevaaunrenovadointersporaplicar
estastcnicasenlosproyectosdeingeniera.
Delosdistintosalgoritmosligadosalaplanificacindeproyectosrestringidaporlosrecursos,nos
hemoscentradoeneldeasignacinderecursos.Elproblemaconsisteenencontrarunprogramadel
proyectorealizabledentrodelasrestriccionesdegestin.Estasrestriccionesconsistenenunao
variasfechaslmitesparafinalizarelproyectooalgunadesusactividades,yunoovarioslmitesen
lacantidadderecursosdisponiblespararealizarlasactividades.
Elproblemadelaplanificacindeproyectosrestringidaporlosrecursos,msconocidoporsus
siglaseninglsRCPSP,seclasificacomom,1|cpm|Cmaxsegn[Herroelenetal.1999].Elprimer
campo en [Herroelen et al. 1999] indica los recursos utilizados, m tipos de recurso, todos
renovables(1).Elsegundodescribelasprelacionesentrelasactividades,fininiciosinretraso.El
tercero campo seala el criterio de optimalidad, segn el cul se intenta minimizar el tiempo
mximodefinalizacindelasactividades.
25/166
Segnlaclasificacinde[Bruckeretal.1999]esunproblemaPS|prec|Cmax.Elprimercampoen
[Bruckeretal.1999]indicaeltipodeproblema,programacindeproyectos.Elsegundodescribe
tambinlasprelacionesentrelasactividades,sealandoenestecasorelacionesdeprecedenciade
7
tipogeneral.Eltercercampo,elcriteriodeoptimalidad,coincide con[Herroelenetal.1999].
Loslmitesenlacantidadderecursosdisponiblessesueleexpresarcomo
iS t
r ijk j , t =1, 2, , f n R j R [f33]
dondeS(t)representaelconjuntodeactividadesenejecucinduranteelintervalo(t1,t]
S t =i f i d i t f i [f34]
Silosrecursosnosonrenovables,lalimitacinseexpresacomo
iS t
r ijK j [f35]
Encualquiercaso,[Baewiczetal.1983]demostraronqueelproblemaesdelaclaseNPduroen
elsentidofuerte.Esademsunproblemadedifcilaproximacin.LosproblemasNPdurossonun
tipo de problemas de decisin para los cuales existe una reduccin en tiempo polinomial de
cualquier problema de decisin en NP. Para un estudio de la teora de la complejidad
8
computacional veseelcaptulo10delmencionado[Brassard;Bratley1987],[Cook1971],[Karp
1972],[Ahoetal.1974],[Sahni;Horowitz1978],[Horowitz;Sahni1978]y[Hopcroft;Ullman
1979][Hopcroft;Motwani;Ullman2006].Unaautoridadencompletitudnopolinomialesla
monografa[Garey;Johnson1979].
7 Ambosgruposdeinvestigacinsebasanenlaclasificacin de[Grahametal.1979]paralosproblemasde
planificacin,segnlacual especificaeltipodemaquinaria, especificaeltipodetrabajoy elcriteriode
optimalidad.
8 Elestudiodelacomplejidadcomputacionalempezconlademostracindelaindecibilidaddelproblemadeparada
en[Turing1936]
26/166
Siladisponibilidaddeunrecursonofueraconstante,lafrmulasepuedecomplicarcomo
iS t
r ij k j t [f36]
Normalmenteenlaprcticaprofesionaldelagestindeproyectoshayquelidiarconambostipos
de restricciones,restriccioneseneltiempoyrestricciones enlosrecursos disponibles.Ante la
imposibilidadderespetarlastodassurgencostesdepenalizacinobonificacinrespectodelos
plazos,ytambinloscostesdesobrecargaohorasextrasenlasqueseincurrecuandonosepueden
respetarlasrestriccionessobrelacantidadderecursosdisponibles.
Losalgoritmosdeasignacinderecursossedividenbsicamenteenserialesyparalelos,segn.Su
esquema de generacin de secuencias o esquema de secuenciacin. Ambos tienen conceptos
comunes,comolasecuenciaparcial,queeselconjuntodeactividadesquehalogradoprogramarel
algoritmohastaestaetapa.Tambincompartenelconceptodeactividadelegible,queesaquella
actividadnoprogramadacuyaspredecesorassqueestnenlasecuenciaparcial.
E={A iPS Pi PS } [f37]

La asignacin en serie es la ms rpida y simple. Trata de aumentar en una el nmero de
actividadesdelasecuenciaparcialencadaetapa.Losalgoritmostienendosfases.Primeroordenan
todaslasactividadesenunalistaporalgncriterio,yluegopasanaprogramarlasactividadesdela
listadeunaenuna.Loscriteriosdesecuenciacinpuedenserelordendescendenteporfintardo,
ordenascendenteporcomienzotardo,ordenascendenteporholguratotaluotros.Laprogramacin
tratadeplanificarlasactividadesdentrodesuholgurarespetandoladisponibilidaddelosrecursosy
lasrelacionesdeprelacin.Avecesseintentaminimizarelproductoenprocesooseusaotro
criterio.
Unalgoritmodeprogramacinenserietienelasiguienteforma:
1.Inicializacin:s1=f1=0;PS1={A1}
2.Parag=2hastan1hacer:
k t k K ; t F g
1.Calcular Eg ,Fg , R
27/166
2.Seleccionar A i Eg
{f h}
3. ESi =hmax
P A
i
k k K , [t,t+d [ Fg }
4.si=min{ t : t ESi t Fg r i , k R
j
5.fj=sj+dj
6. PSg=PSg1 A i
{f h}
3. f n= hmax
P A
n
DondeDg eselconjuntodeactividadeselegibles,Fg elconjuntodetiemposdefinalizacin, y

R k t ladisponibilidadrestantedelrecursodetipokeneltiempot.
La asignacin en paralelo utiliza potencialmente todas las actividades en cada ciclo de
programacin.Losalgoritmostienentresfases.Primeroseutilizaelmarcodetiempoquesevaa
programar.Luegoseseleccionanaquellasactividadesqueannosehanprogramadototalmentey
que podran ejecutarse en el marco de tiempo dado. Y finalmente se van eligiendo aquellas
actividades cuyos recursos estn disponibles y se van programando hasta que no queden ms
recursosomsactividades.Loscriteriosparaelegiractividadesenlatercerafasepuedensersi
estabaprogramadaenelmarcoanterior,oparcialmenteprogramada,osihasidoretrasada,ola
holgurarestante,olautilizacindeundeterminadorecursocrtico,ounapropiaprioridaddela
actividad.
Unalgoritmodeprogramacinenparalelotienelasiguienteforma:
1.Inicializacin:g=0,f1=0,S0=C0={A1}, R k 0=R k , k K
2.Mientras SgCgn2 hacer:
1.g=g+1
{f j }
2. tg =Amin
S
j
g 1
3.Calcular Cg , Sg , R k t g ,Dg
4.Mientras Dg hacer:
1.Seleccionar A j Dg
2.sj=tg
3.fj=sj+dj
28/166
4.Actualizar R k tg ,Sg ,Dg
{f h}
3. f n= Amax
P A
h
Dondetg representaeltiempodesecuenciacin,Cg elconjuntodelasactividadesprogramadasy

terminadasentg,ySg elconjuntodelasactividadesprogramadas,comenzadasynoterminadasen
tg.Dgrepresentaelconjuntodeactividadeselegiblesentg,esdecir,todaslasactividadesquepueden
serprogramadasrespetandolasrelacionesdeprecedenciaylasrestriccionesdelosrecursos.
29/166
2. Estado del arte

2.1 Una visin general
Estainvestigacinsehaplasmadoenlaconstruccindeunprototipodesoftwareconelquese
demuestralaaplicabilidaddelastcnicasdesarrolladas,principalmenteparamuestreoaleatorioy
asignacin de recursos. En cierto sentido, la investigacin trata de saltar la brecha que se ha
producidoentrelainvestigacinenoperacionesdelosltimosaosylaprcticadelagestinde
proyectos.Larazn,segn[Williams2003],estenqueelmismocuerpodeconocimientodela
gestindeproyectossebasaenpremisasquehoyendasoninsuficientespararepresentarlos
proyectosmodernos.Paraunarevisinhistricadelastcnicasdeprogramacindeproyectosen
relacin con los sistemas de software a partir del sistema RAMPS (Resource Analysis and
MultiProjectScheduling,1959/1960),vase[Gordon;Tulip1997].Alpoco,en[PollackJohnson;
Liberatore1998],encontramosunarevisindelascapacidadesdelsoftwarecomercialdegestinde
proyectos.Nuevamente,[Marotoetal.1999]estudianestetipodesoftware,especialmenterespecto
delosalgoritmosdeplanificacinrestringidaporlosrecursosyplanificacindelportafoliocon
recursoscompartidos.DestacanenlaprimerafuncionalidadCASuperprojectyTimeLine.Enla
planificacin del portafolio, sobresale Primavera Project Planner. Sobre la implementacin de
algoritmosdeplanificacinrestringidaporlosrecursossepuedeconsultarelestudiode[Kolisch
1999], como veremos en el apartado 2.7, El problema de la planificacin de proyectos con
recursoslimitados.Laquintapartede[Turner1993]estdedicadaalosprocedimientosdegestin
de proyectos y su mecanizacin en los sistemas de informacin. Esta obra puede servir de
introduccinalagestindeproyectos.
Unarevisinhistricadelainvestigacinenlagestindeproyectosentrelosaos1960y1999fue
realizadapor[Kloppenborg;Opfer2000].Enestevastotrabajo,dondeungranequipoanotms
de 3.500 referencias en ingls para identificar las lneas de investigacin ms populares, se
eligieron tambin los artculos considerados los mejores, los ms tiles. Citaremos aqu los
artculos destacados en las reas de conocimiento sobre las que tiene impacto la presente
investigacin.Sobreelcoste:[Fisheretal.1995],[Mahler;Mazina1982],[Benjaminetal.1990],
[Lubyetal.1995]y[Tavakoli;Riachi1990].Sobreelriesgo:[Bakeretal.1998],[Mallak;Kurstedt
1997], [Williams 1997], [Couillard 1995] y [Williams 1993]. Sobre el tiempo: [Rasdorf;
Abydayyeh1991],[Hughes;Wilcox1996],[Starr1990],[Hughes1986],[Yates1992],[Benjamin
etal.1990]nuevamentey[Evansetal.1993].Adems,enelreadelacalidadest[Lawyer1992].
Existenvariosbuenoslibrosdeintroduccinalaprogramacindeproyectosenrelacinconla
gestindelriesgoylaincertidumbre.Apartirdeltrabajoseminalde[Elmaghraby1977],podemos
30/166
recomendara[Moderetal.1983],[Baca1990],[Lpez1993],[Arranz1993],[Chapman;Ward
1997],[Tavares1998],[Brucker1998]ya[Ordieres1999].Enelcampodelaconstruccindestaca
[Hegazy2002],ysobrelaaplicacindelmtododelcaminocrticoenlaconstruccin,[Antill;
Woodhead1970].
Especficamente sobre el anlisis y gestin del riesgo en el proyecto, el estado del arte en la
industriaestrepresentadoen[Norrisetal.1992],[Simonetal.1997]y[RAMP1998].
Lacorrienteortodoxadentrodelagestindeproyectosestrepresentadaporel[PMBOK1996].En
9
estetrabajosedefineelconjuntodetemas,reasdeconocimiento yprocesosquesedebenusar
conjuntamenteconlosprincipiosslidosdelagestindeproyectospararealizarunproyecto.El
PMBoKdelProjectManagementInstitutehaemprendidoexitosamenteelcaminoparaconvertirse
en un estndar [ANSI 2001] [IEEE 2004]. A pesar de ello, esta corriente ha sido criticada
duramente, y se han creado nuevas lneas de trabajo. Entre ellas destaca principalmente la
aplicacindelateoradelaslimitacionesqueseconocecomolaprogramacindelacadenacrtica
[Goldratt 1997]. La describimos en la seccin 2.6, El mtodo de la cadena crtica, de este
captulo,juntoconalgunasreacciones.
[Goldratt1997]noeselnicoquehaintentadoremoverloscimientosdelagestindeproyectos.
Otrasaproximacionesvienendelateorageneraldesistemas,comolade[Kerzner1998].[Koskela;
Howell2002]estudianlastresteorassubyacentesalagestindeproyectosdel[PMBOK1996],
queidentificancomogestinporplanificacin,modelodeejecucinymodelodeltermostato,y
afirmannosloquenosonlasmejoresteorasdegestindisponibles,sinoinclusoquesusdefectos
explicanelfracasodelagestindeproyectoscomodisciplina.Inclusotrabajosmsortodoxos
como [Devaux1999]y[Williams1992]proponennuevosindicadoresymedidasparaunamejor
gestindelriesgo.Enesteambienteesrecomendableparaunreadeinvestigacincontarconun
prototipo propio en el que ir probando las nuevas propuestas que van surgiendo, amn de
desarrollarlasideaspropiasydemostrarsuaplicabilidad.
Paraunavisingeneraldelainvestigacinenmodelosmatemticosparalagestindeproyectos,es
muyrecomendablelarecopilacinde[Williams2003],queabarcatantomodelosdeterministas
comonodeterministas,yensu5apartadolosmodelosestocsticosderedestemporales.Elartculo
termina clamando por una nueva teora de gestin de proyectos, reclamacin que sostendrn
tambin otros como[Williams 1999a].Una resea invitada est disponible en [Tavares 2002],
donde se revisan los distintos modelos de proyectos planteados, las aproximaciones a la
programacinymonitorizacindeproyectosyelmodeladoestocsticodelriesgoenelproyecto.
[Herroelen;Leus2005b]publicanunareseasobrelaplanificacindeproyectosencondicionesde
incertidumbre.Incluyentambinreferenciasa trabajos enplanificacinde mquinascuando la
9 mbito, calidad, tiempo, coste, riesgo, recursos humanos, contratacin/aprovisionamiento, comunicaciones e
integracindelproyecto.
31/166
literaturadegestindeproyectosesinsuficiente.Distinguenlasreasdeplanificacinestocstica,
planificacindifusa,planificacinproactivaorobustayanlisisdesensibilidad.Laprimeraparte
de [Jzefowska; Wrglarz2006]tambinest dedicadaalos nuevos modelos deinvestigacin
operativaqueofrecenalternativaalaPERT.
2.2 El anlisis de coste

El mtodo de Monte Carlo se viene aplicando hace ya tiempo a la gestin del riesgo en los
proyectos.[Raz;Michael2001]realizanunestudiosobrelacontribucindelasherramientasde
gestinderiesgoalabuenagestindeproyectos.Entrelasherramientasevaluadasenelartculo
destacaporsubuenavaloracinlasimulacin.Muchosinvestigadores,sinembargo,secentranen
estudiodeunaseriedeparmetrosclavequepuedendefinirelcosteoelbeneficiodelproyecto.
Esteanlisis,enciertomodo,serealizaantesdelaestructuradedescomposicindeltrabajo,onola
necesita.Paraestetipodeanlisisdelriesgo,lasprelacionesentrelasactividadesdelproyectoson
irrelevantes.[Chau1995],enunestudio sobreloscostesenconstruccin,criticaelusodela
distribucin triangular y la independencia entre variables y propone una logtriangular y un
modelado de la dependencia por coeficientes de correlacin. [Wall 1997] recalca que las
correlacionesdebenirincluidasenlasimulacindeMonteCarlosinosequiereinfravalorarel
2
riesgoenlosanlisisdecoste.Demuestramediantepruebasde queladistribucinlognormales
mejor que la beta en su industria. Tambin en el campo de los anlisis de Coste/Beneficio
[Balcombe;Smith1999]escribenunrepasodelasaproximacionesalanlisisdelriesgoporMonte
Carlo.Hacenhincapienlascorrelacionesentrevariablesaleatoriasylosciclosocorrelaciones
seriales,yexplicanunaaproximacinprcticaparadefinirytratarlasmatricesdecorrelaciny
presentarelanlisisdeMonteCarlocuandoaparecenestasperturbaciones.[Lorance;Wendling
1999a]y[Lorance;Wendling1999b]defiendenlasimulacindeMonteCarloparaanalizarlos
costes, y aconsejan sobre el correcto establecimiento de las variables aleatorias y sobre la
presentacin de los resultados. [Chapman; Ward 2000] presentan un enfoque minimalista para
trabajarconlaincertidumbreenlasrejillasdeprobabilidadporimpactoenlasfasesinicialesdel
proyecto,duranteelplanteamientoolapreparacindeofertas.Secentranenlacorrectaestimacin,
10
quecorrigenevitandolainfluencia optimista,yenladefinicindelniveldedetallenecesario.
Defiendenelusodeherramientasdesoftwareparaelclculoylapresentacingrficadelriesgo.
Enlaprimeravueltadesuprocedimientoaconsejanladistribucindeprobabilidaduniforme,que
nosotros definimos en el captulo 3, Modelo de datos seccin 3.2, Modelo de actividad.
Tambin estudian la dependencia perfectamente positiva entre variables aleatorias. Nuestra
aproximacinalproblema,sinembargo,consisteenidentificarunaaunalasvariablesaleatorias
ligadaslasduracionesyalosestadosdeterminacindelasactividadesdelproyecto.Estasvariables
sonconsideradasvariablesindependientes,engeneral,salvociertoscasosenlosquepostulamos
una independencia condicional. En el captulo arriba mencionado seguimos la discusin de la
10 bias
32/166
dependencia.
Otro anlisis de Coste/Beneficio se encuentra en [Elkjaer 2000], donde se utilizan las facetas
bsicas del principio sucesivo para identificar y aislar los factores de riesgo generales. Estos
factoresllevanasignadosdistribucionesdeprobabilidadapartirdeunaestimacindetrespuntos,y
posteriormente se incorporan a una simulacin de Monte Carlo. De este modo se aseguran la
independenciaentrelasvariablesaleatoriasligadasaloscostes.
2.3 El anlisis del riesgo temporal

Nuestraaproximacinestmsenlalneadeintegrarelanlisisdelcosteconelanlisisdelplazo.
Partimosdelareddeactividadesdelproyecto,redenlaqueestndispuestaslasrelacionesde
precedencia.Especialmente,desaprobamoselusodeestimacionesdeunsolopuntocomosustitutas
delasdistribucionesdeprobabilidad.[Wendling;Lorance2000]reclamanunamayorcalidaddelos
modelosdurantelasestimacionesencincoclases,yunaespecialatencinalanlisisdesensibilidad
y a la presentacin de resultados de manera congruente para conseguir esta integracin.
[Elmaghraby2005]abogaporelcorrectotratamientodelasvariablesaleatoriasquedefinenla
incertidumbreenlagestindelproyectorespectodeladuracinyelcoste.Supropuesta,basadaen
11
la programacin dinmica , tiene notables dificultades computacionales, pero merece la pena
recogerelguantelanzadoapropsitodelasimulacindeMonteCarlo,dondesugierebasarseenla
polticaptima.Trataremosestaideaenelapartado2,Modelodeactividad.Yaqueplanteamos
unprototipodesoftwareparalagestindeproyectos,empleamossimulacinenvezdeclculo
analtico para obtener el mismo dato: la probabilidad de xito del proyecto. Pensamos que la
resolucinanalticanoesabordableparaproyectosdetamaoreal.
2.3.1 Las reservas de contingencia
12
Lasreservasdecontingencia seconstituyenmedianteapartadosdelpresupuestoodeltiempodel
proyectoquesedestinanahacerfrentealasincicenciasquenopuedenserprevistasconexactitud.
Supropsitoestratarconlaincertidumbredemodoquelafechayelcosteesperadosdelproyecto
seanmsrealistas.
Enestaotralneatrabajan[Dillonetal.2005],quienesseplanteanelusoptimodelasreservasde
contingencia.Basndoseenelanlisisderiesgoprobabilsticoestimadoporelvalordeopcin,
desplieganunmarcodinmicodeeleccinparalaasignacindelosrecursosendiversosmomentos
deltiempo.Bsicamente,setratadeelegirentreemplearlasreservasahoraoenunmomento
11 Paraunestudiodelaprogramacindinmica,vaseelcaptulo18de[Andersonetal.2005]
12 Contingencyreserve,managementreserve,knownunknowns
33/166
posterior.Enparticular,sepuedeelegirentreemplearlasenincrementarlarobusteztcnicaoaadir
valor.
[Houghtonetal.2001]presentanunarmazndetrabajoparacalcular,contresnivelesdeprecisin,
lasreservasdecontingenciaentiempoquesededucendeunanlisisderiesgocualitativoseguido
deunaestimacincuantitativaespecializadaligadaaladuracindelasactividades.Enlosniveles
dos y tres, realizan una simulacin de Monte Carlo con distribuciones de incertidumbre no
normales,yrepartenlaholguraentrelasactividadesenformadereservasdecontingencia.
2.3.2 El valor presente neto
Maximizarelvalorpresentenetoesuncriteriodegranintersparalafinanciacindelproyecto
[Battersby1964].Elprimeralgoritmoderesolucindeunproblemadeestetiposedebea[Russell
1970].[Herroelenetal.1997]hicieronunareseacompletadelosdistintostiposdeproblemasde
13
flujodeefectivodescontadoavalorpresente .[Grinold1972]demostrqueelproblemadela
cF C 14
planificacindepagosrestringidaporlasrelacionesdeprecedencia, PS |temp , d|
j
siguiendo la notacin de [Brucker et al. 1999], se poda transformar en un problema de
15
16
programacinlineal ,queresolvaporelmtodosimplex .En[Neumann;Zimmermann2000a]
se presenta un heurstico para el valor presente neto restringido por los recursos, y un
procedimientoexactoeficienteparaelvalorpresentenetosinlarestriccinqueesunaadaptacin
delalgoritmode[Grinold1972].Enotroinformetcnicodelmismoao,[Neumann;Zimmerman
2000b] discutenunabsquedademximogradienteparaelproblemaconretardosmximosy
mnimos.Introducenunesquemadegeneracinquevaaadiendorelacionesdeprecedenciapara
relajarconflictos,demanerasimilara[Demeulemeester;Herroelen1992].Labsquedadiscutidase
aplicaenelproblemarestringidoysinrestringirporlosrecursos,ysedefinetambinunmtodo
eficazparatruncarlabsqueda.[Schwindt;Zimmermann2001]presentanunalgoritmoascendente
de mxima pendiente para el problema restringido slo por las relaciones de precedencia.
[Vanhouckeetal.2001]maximizanelvalorpresentenetoparaunosflujosdecajaqueseproducen
al trmino de cada actividad, dependiendo de su fecha de terminacin. Utilizan una bsqueda
recursiva,ytampococontemplanrestriccionesenlosrecursos. Unabsquedarecursivahbrida
muy eficiente para este problema con relaciones de precedencia generalizadas se encuentra en
[Vanhoucke2006].
j
13 DiscountedCashFlow:tambinllamadoflujodecajadescontado,tratadelvalordeldineroinvertidoteniendoen
cuentaeltiempoquetranscurrehastaqueseproducenlosingresos[Williams1937].
14 cjF representaelflujodeefectivodelaactividadAj,Cj eltiempodeterminacindelamismaactividad,y Cj el
factordedescuentocorrespondiente
15 Paraelestudiodelaprogramacinlineal,vanseloscaptulos2,3,4,5y8de[Andersonetal.2005]
16 Paraelestudiodelmtodosimplex,vanseloscaptulos6y7de[Andersonetal.2005]
34/166
2.3.3 La puja del proyecto
Elanlisisdelriesgogeneraldelproyectotieneunaimportanteaplicacindirectaenlafasede
preparacin de ofertas. Esta aplicacin se conoce como la puja del proyecto en un entorno
probabilstico. Desde [Elmaghraby 1990] hasta [Paul; Gutierrez 2005] ha recibido muchas
aportaciones.Porejemplo,[Chapmanetal.2000]presentanunmodelosencillodelproblemade
maneratransparente,ofreciendounaaproximaciniterativaparaeldesarrollodelapuja,yevitando
precisionesinapropiadas.[Alquieretal.2002]describenunsistemadeayudaaladecisinparala
gestinyanlisisdelriesgodurantelaprimerafasedelproyecto.Eldiseodelsistemapreveeuna
versin probabilstica basada en la simulacin de Monte Carlo. Incluyen un mdulo para la
recogida y reutilizacin de informacin sobre proyectos y pujas anteriores. Nosotros hemos
preferidonohacerunseguimientoestrictodelcampoypresentarcomoresultadolaprobabilidadde
xito del proyecto, en la seguridad de que estos investigadores podrn aprovechar el trabajo
realizadoenestainvestigacin.
2.3.4 La simulacin de Monte Carlo
Sobreelproblemadelasimulacindelavariablealeatorialigadaaladuracindelaactividad,ha
trabajado[Dawood1998].Defineestavariableenbaseaotrasvariablesaleatoriasdelosfactoresde
riesgoconocidosenlaindustriadelaconstruccin,ydesarrollaunasimulacindeMonteCarlo
modificada. Para los factores de riesgo utiliza distribuciones uniformes, triangulares y
trapezoidales.[Dorp;Duffey1999]estudiantambinladependenciadeladuracindelatareade
losfactoresderiesgocomunesaplicandoelmodelodelasvariableslatentes.Desarrollantambin
mtododemuestreoespecialbasadoenlosmtodosdecorrelacinderangos.[Tavaresetal.1998]
desarrollanunmodelodedecisinapartirdeldenominadofactordeholguraqueempleanenla
temporalizacindelproyecto.Posteriormentesimulanlasvariablesaleatoriasdeladuracindela
actividadydesucosteparaestimarelriesgodelproyecto.Ambasvariablessoninterdependientesy
usanregresinlinealparaligarlas.Siguenpueslaestelade[Thomasen;Butterfield1993],quienes
consideraronlasincertidumbresligadasalrendimientodelosrecursos.
Alternativamente,[Pontrandolfo2000]presentaunasolucinanalticaparacalcularladuracinde
unproyectoqueconsistenentransformacionesdelosgrafosPERTqueseaproximaalasimulacin
deMonteCarlo.SebasaenlastcnicasPERTestadoyPERTcamino.Desafortunadamente,las
transformaciones son muy costosas computacionalmente, pero su resolucin en proyectos de
complejidadmediapermiteunmejorentendimientodelaevolucindelosproyectos.
2.3.4.1 Las tcnicas de reduccin de la varianza
35/166
ElanlisisdeMonteCarloaplicadoalasactividadesdelproyecto,enproyectosdegrantamao,
puedeconsumirungranesfuerzodecomputacin.[Avramidis;Wilson1993a]handesarrolladouna
tcnicadereduccindelavarianzaparareduciresteesfuerzoqueconsisteendividirlamuestraen
tresgruposparacalcularlasvariablesdecontrol.Apartirdestas,estimanlamediayvarianzade
la duracin total del proyecto, independientemente de la distribucin. Desafortunadamente, su
procedimientonocorrigelaprdidadecoberturaencasosdeanormalidadextrema.Enotrotrabajo
[Avramidis;Wilson1993b]experimentanconlascombinacionesdedistintastcnicasdereduccin
delavarianzaparaestimarlamediadeladuracintotaldelproyecto.Lastcnicasqueintentan
integrarson laesperanzacondicional,lasvariablesdecontrolylacorrelacininducidaensus
variantes la transformacin antittica y el muestreo de hipercubo latino. La combinacin que
recomiendanconsisteenmezclarlaesperanzacondicionalconelmuestreodehipercubolatino,con
lacualconsiguenunanotablereduccindelavarianza.[Avramidis;Wilson1996]reafirmalos
mismosresultadosaplicadossobreunnuevoejemplo.
[Shih2005]aplicalastcnicasdemuestreoporimportanciaymuestreoadaptativoparaestimarla
probabilidad decumplirelplazodelproyectoenredesdeactividadesestocsticas.Sebasa en
conocimientodeldominio,enunsubconjuntodeactividadescuyocomportamientodefineeldela
variabledefinalizacindelproyecto.
2.3.5 La red de actividades alternativas
Nuestra aportacinse inscribeenel campo delas redes estocsticas aplicadas alagestin de
proyectos,yenparticularsiguelaesteladelaGERT[Pritsker;Happ1966][Pritsker;Whitehouse
1966][Pritsker1966][Whitehouse;Pritsker1969].Enestasredes,losnodosdenotanoperaciones
lgicas,ycadaarcodirigidollevaasociadalaprobabilidaddequesearealizado.Otrosparmetros
delarcodirigido,comoeltiemporequeridopararecorrerlo,puedenserdescritostambinporuna
17
variablealeatoria.EnlamismalneaestlaVERT [Moeller1972],[Moeller;Digman1981],un
modelo de red de actividades generalizado con la actividad en el arco que tambin soporta
ejecucinprobabilstica.Estalneadeinvestigacinnotuvomuchoxitodebidoasucomplejidad,
peroltimamenteharecibidolaaportacindealgunostrabajostericoscomo[GolenkoGinzburg;
Blokh1997].Enelmencionadoartculo,seproponeunmodelodereddeactividadesalternativas
generalizado(GeneralizedAlternativeActivityNetwork,GAAN),queincluyealaGERTcomocaso
particular.AdemsdelasactividadestipoPERT,seadmitenactividadesalternativasdeterministas
(puntosdedecisin)yactividadesalternativasprobabilistas.Tambinsepropusoen[Voropajevet
al.1999b]unnuevotipoderedestocsticaalternativaytemporal(stochasticalternativetime
orientedmodel,SATM)quepermitaunamplioabanicodeprelacionesentreactividadesynodos
17 VentureEvaluationandReviewTechnique,utilizaloselementosogicosdeentradaINITIAL,AND,PARTIAL
AND(ORconespera)yORyloselementoslgicosdesalidaTERMINAL,ALL,MONTECARLO(activacin
probilstica de una actividad) y FILTER (restricciones complejas). Pueden consultar un apretado resumen en
[Moeller;Digman1978].
36/166
(eventos),eincluamltiplescaminosalternativosdeterministasoprobabilistas.Establecanuna
secuenciadepuntosdecontrolenlosnodosdeterministas,yplanteabanunestudioformalpara
encontrarunasolucincuasiptimaqueconsisteenreducirlaredaunaredgeneralizada,ms
clsica,multialternativa.Contamosconunarevisindelaspublicacionesentornoalasredesde
actividadesalternativas enlosproblemasdesecuenciacinconmquinas en[Neumann1999].
[Lasloetal.2005]desarrollanunprocedimientoheursticoparamonitorizarlasredesdeactividades
alternativasgeneralizadasde[GolenkoGinzburg;Blokh1997]cuandoestnrestringidasporlos
recursos. El procedimiento incluye simulacin para determinar la probabilidad de que las
actividadesseancrticas.
Conunenfoquemsprcticoabordaronelproblema[Dawson;Dawson1998],dondedefinieron
unanotacinespecficaparamostrarlasredesdeactividadesgeneralizadassobreunaredPERT.Su
trabajoinclualaposibilidaddeinterrumpiryabandonarunaactividadsisecompletaotraquese
est ejecutando paralelamente. ste es uno de los pocos trabajos sobre planificacin expulsiva
desde[Demeulemeester;Herroelen1996].
Sobre una clasificacin de los distintos modelos de red de actividades, referimos al lector a
[Voropajev et al. 2000], donde explican las redes segn los tipos de elementos de la red, los
parmetrosqueaceptenyelgradodealternancia.
[Dinic1990]estudiaronenelcasoderelacionesAND/ORconduracionesdeterminadaspositivasla
aplicacindelalgoritmodeDijkstraparaelclculodelostiempostempranos.[Mhringetal.2000]
desarrollanunalgoritmoparadeducirlasrelacionesAND/ORimplcitasenunareddealternativas.
Suaplicacinalaprogramacindeproyectosrestringidaporlosrecursosconsisteenrepresentar
losconflictosenlosrecursoscomorelacionesdeprecedenciaOR.[Stork2001]utilizalaspolticas
preselectivascomoprocesosdedecisindinmicosenelcontextodelaplanificacinestocstica
restringida.Paraello,estudialasrelacionesdeprecedenciaAND/ORydesarrollalosalgoritmos
bsicos para el clculo de los tiempos tempranos y para detectar relaciones de precedencia
transitivas.Apartirdeestos,desarrolla5algoritmosderamificacinypoda.Podemosencontrar
avances de las distintas polticas en [Stork 2000] y [Mhring; Stork 2000], que citaremos en
relacin con la programacin de proyectos restringida por los recursos. [Mhring et al. 2004]
describennuevamentelasrelacionesdeprecedenciaAND/ORydesarrollanalgoritmoseficientes
para varios clculos bsicos sobre variantes del modelo, entre ellos el clculo de los tiempos
tempranos.
[AdelsonVelsky;Levner2002]describenunalgoritmopolinomialparaelclculodelostiempos
tempranosengrafosAND/ORconciclosdelongitud0.[Levneretal.2002]seenfrentanauna
generalizacindelasrelacionesdepredenciaAND/ORquemodelanmedianteactividadesumbral.
Una actividad umbral quehayanterminado cierto nmero de sus predecesoras paracomenzar.
PresentanunalgoritmotipoDijkstraparaencontrarlostiempostempranos,inclusoenredescon
ciclos.
37/166
Citaremosenelapartado2.11,Otrosproblemasdeplanificacina[Herroelen;Leus2004],cuyo
modelopermitedefiniractividadesconduracinnormal0yduracinperturbadadefinidaporuna
variablealeatoria,loquealapostresignificaactividadesconciertaprobabilidaddeocurrencia.
2.3.6 La ingeniera concurrente
Lalneadetrabajoquesestrecibiendoatencinesladelaingenieraconcurrente[Syan;Menon
1994].Enella,laestructuradelainformacinquefluyeentrelasactividadesseindependizadel
ordendeejecucindestas.[Yassineetal.1999]yapresentabanunesquemaconrboldedecisin
para elegir entre ejecucin secuencial, solapada y concurrente donde haba riesgo con las
repeticiones de actividades. Su modelo inclua tambin incertidumbre sobre la duracin de las
actividades.
Anteriormente, [Smith; Eppinger 1997a] analizaron el caso de la iteracin secuencial con una
18
matriz de estructura de diseo [Steward 1981] cuantitativa con repeticin probabilstica que
resolvan mediantecadenasdeMarkov.Noobstante,lasrestricciones delmodelolohacan de
limitadaaplicacinenlaingenieradediseo,aunquecontieneunaextensinparapermitirduracin
variabledelasactividadesqueveremosenelcaptulo3,Modelodedatos.
En[Luhetal.1999]seplanteabaunmodelomscomplejoquedescribelarepeticindesecuencias
de actividades dentro de subproyectos. Utilizan la relajacin de Lagrange, la programacin
dinmicaestocstica,laoptimizacinordinalyalgunosheursticosparaanalizarlaplanificacin.El
modelobuscaunequilibrioentrefidelidadycomplejidadcomputacional.
[Noelleetal.2002]identificanlosrequerimientosdeunsistemainformticoparaelsoportedela
ingenieraconcurrente.[Kaoetal.2002]diseanunsistemabasadoenmultiagentesquecomparten
19
unaspizarrasenunaintranetconelmismoobjetivo.EldiseoutilizaredesdePetri [Petri1962]
dealtonivelpararepresentarlasoperacionesdelosagentes.
[Yassine; Braha 2003] defienden el uso de la matriz de estructura de diseo para reducir la
complejidaddeldesarrollodeproductos,revelarclaramentelosflujosdeinformacinentrelas
actividades desistemas complejos yreplanificarlosciclositerativos.Entreotras ventajas, esta
18 DesignStructureMatrix(DSM):Matrizdeprecedenciaquedescribelosflujosdeinformacinentreactividadesde
ingenieradediseo
19 Representacinmatemticadeunsistemadistribuidodiscreto.LasredesdePetrisonunageneralizacindelateora
deautmatasquepermitenexpresareventosconcurrentes.UnareddePetriestformadaporlugares,transicionesy
arcosdirigidos.Losarcosconectanunlugaraunatransicinounatransicinaunlugar.Loslugarescontienenun
nmerocualquieradefichas.Lastransicionessedisparan,esdecir,consumenfichasdeunaposicindeinicioy
producenfichasenunaposicindellegada.Unatransicinesthabilitadasitienefichasentodassusposicionesde
entrada.ParaelestudiodelasredesdePetriclsicasvase[Peterson1977].
38/166
tcnicaredundaenunamejorestimacindelostiemposycostesdeldiseo.Adems,sumodelo
incluye la dinmica del nmero de problemas de diseo remanentes. [Ford; Sterman 2003a]
presentanunmodelodinmicoformalqueexploralasestructurasdelosproyectosdedesarrolloen
losqueseutilizalaingenieraconcurrenteparadescribir,cuantificarysimularelintercambiode
informacinentrelosprocesosylasdecisionesdegestin,fundamentalmenteencuantoalosciclos
deiteracin.Elmodelonoincluyerestriccionesenlosrecursos,peroesaplicadoexitosamentepara
describiruncasoreal.
Mscercanoanuestromodeloestelenfoquede[Hegazy;Kassab2003],quienescombinanla
simulacindediagramasdeflujoconunalgoritmogenticoparaencontrarlacombinacinptima
derecursosenunespaciodeactividadesmultimodorespectodelaratiocoste/produccin.Los
diagramasdeflujomodelanlasactividadesrepetitivas,losciclosylasalternativascondicionales.
[Shenetal.2005]planteanuncomplejomodeloparalaindustriainformticaconelqueestablecen
repositoriosdeactividades,deproductosyderecursos.SobreelmodeloaplicanredesdePetri
temporalesestocsticas,yestudianconactividadesmultimodoelplazodeterminacinylacalidad
delproductofinal.
2.3.6.1 Los ciclos de repeticin
Larepeticindeactividadespuedesercapturadapordistintosmodelos.[Vallsetal.1998]partieron
deactividadesdeduracindeterminadaquesoninterrumpiblesduranteuntiempoaleatorio,trasel
cualla actividadprosigueuntiempoextraaleatoriotambin.Sobreestemodelo,plantearon el
problemadelaplanificacinconrecursosrenovableslimitados,conelobjetivodeminimizarla
esperanza del retraso ponderado de las actividades. Para encontrar la solucin, utilizaron una
bsquedadispersa.
Enlaindustriadelsoftware,[Kusumotoetal.1997]desarrollanunsimuladordeproyectosdonde
lasactividadesentranenciclosderepeticinhastaalcanzarelequilibriodeseadodecalidadycoste.
Laduracindelasactividadesesfuncindelcontenidodetrabajo,delosrecursosasignadosydel
factordeeficienciaenlaasignacinderecursos.Cadaactividadsedivideentresfasesquese
modelanmedianteredesdePetriestocsticasgeneralizadas,confuncionesdeejecucincomplejas
propiasdeldominio.Enlamismaindustria,[Chang;Christensen1999]proponenunmodeloque
capturalosciclosderepeticinmediantepuntosdedecisinaltrminodealgunasactividades,
dondesedeterminasisehaproducidounxitoounfallo.BasadoenredesdePetri,elmodelo
contemplatambinartefactos,restriccionesyactividadesabstractasqueagrupanotrasactividades.
Tambinsehanpropuestoalgunosmodelosorientadoshacialaindustriadelaconstruccin.[Yiet
al. 2002] presentan un modelo en red para la secuenciacin de este tipo de actividades y la
asignacindeequiposdetrabajo.Utilizanunabsquedaenprofundidadparaencontrarelmnimo
localdeladuracindeestetipodeproyectos.
39/166
2.4 La gestin del portafolio

La gestin del portafolio de proyectos es un proceso de gestin diseado para ayudar a una
organizacin a adquirir y revisar la informacin sobre todos o un conjunto orientado de sus
proyectos,demodoquepuedapriorizarcadaproyectodeacuerdoconuncriteriocomncomo
valorestratgico,impactoocoste.
[Ghomi; Ashjari2002]apuntanlas lneasmaestrasde unasimulacinparamultiproyectos con
duracinestocsticadelasactividadesyunslorecursoporactividad.Definenelproblemacomo
unsistemadecolasmulticanal.[Fenbert;Fleener2002]aplicanlateoradelaslimitacionesyla
gestindelacadenacrticaalosmultiproyectos,intentandoobtenermejoresprediccionesdela
fecha de finalizacin de los proyectos. Para ello, cuentan con un algoritmo de programacin
modificado y balanceanlosrecursoscrticos entremltiplesproyectos,aunquenodanmuchos
detalles. Estas aproximaciones, como la nuestra, intentan predecir los resultados de las
interaccionesentrevariosproyectosensucompetenciaporlosrecursos.[Artiguesetaal.1999]
proponenunprocedimientoparadeterminarconjuntosdesecuenciacionesdevariosproyectoscon
restriccionesenlosrecursosrenovables,sobreelquevolveremosmsadelante.[GolenkoGinzburg
etal.2001a],comoveremosenelapartado2.7.1,Losmtodosheursticos,planteanlaasignacin
derecursoscomunesyespecialesentrelosproyectosdeunportafolio.En[Engwall;Jerbrant2003]
disponemos de un breve estudio sobre los problemas operacionales asociados a la gestin
multiproyecto. Define un sndrome de la asignacin de recursos en las empresas que se ve
aumentadoporlosfallosdeplanificacinyelcompromisoporencimadelasespectativasreales.
Todoestollevaauncomportamientogerencialoportunista.Unaaproximacinmsgeneralala
incertidumbreinteractualexternaalproyectopuedeverseen[Jensenetal.2006],enunestudioque
incluyelainteraccinmultiproyectoperotambinotrostiposdeincertidumbresambientalesque
sufrelaorganizacindelproyecto.
Otroproblemarelacionadoeseldelaseleccindeproyectosenunportafolio.[Sefair;Medaglia
2005]mezclanlaseleccindelosproyectosysusecuenciacinenunmodeloqueincluyevariables
estocsticasparaelflujodecaja,restriccionessobreunrecurso(elpresupuesto)yrelacionesde
precedenciaentreproyectos.Paraeldobleobjetivodemaximizarelvalornetoactualdelportafolio,
20
yminimizarelriesgo,entendidocomolavariabilidad,utilizanlaprogramacinmixtadeenteros .
Adems,aadenlasimulacindeMonteCarloparalaprediccindelflujodecajafuturo.
Laprogramacinmixtadeenterosestambinunadelastcnicasqueaporta[Hans2001]para
resolver la planificacin grosso modo de la capacidad en un nivel tctico por encima de los
20 Modeloparaproblemasdeoptimizacindondelasrestriccionessepuedenexpresarmedianterelacioneslineares.En
laprogramacinmixtadeenterosalgunasotodaslasvariablessonnmerosenteros.Paraunareseadelestadodel
arteenprogramacindeenterosvase[Wolsey1998].
40/166
algoritmosdeplanificacindeproyectosqueveremosacontinuacin.Ensutesis,contemplauna
capacidadflexibleparalacargadelosrecursosyrelacionesdeprecedenciaentrelospaquetesde
trabajo.Proponevariosalgoritmosexactosyheursticosparalaplanificacindelacapacidadenun
entornodeportafolio.Susalgoritmosbuscanelequilibrioentreloscostesdelacapacidadextray
loscostesdelapenalizacinporretraso.
2.5 La caracterizacin del riesgo en el proyecto

Otro enfoque planteadoparamejorarlas capacidades delsoftware degestinde proyectos, en
cuantoagestindelriesgo,partedelanecesidaddebasesdedatosderiesgos.Enestesentido
abogan[Chadbourne2000],[Schuyler2000]y[Hillson2000].[Mulholland;Christian1999]han
desarrollado un sistema de informacin propio para la industria de la construccin. [Elkjaer;
Felding1999]definenelbucledecontroldelagestinderiesgoenelproyecto,yconllosvalores
de predictabilidad e influencia para cada riesgo identificado. Plantean un ciclo continuo de
identificacin, evaluacin, respuesta y monitorizacin del riesgo. [Pritchard 2000] propugna la
creacindetaxonomaspropiasmedianteelusodelosdiagramasdeafinidad.Sealaquelacalidad
de la identificacin de riesgos depende de la cantidad de identificadores estudiados. En la
cuantificacindelriesgo,elautordistinguelacuantificacincualitativacomoelclsicoanlisisde
losmodosdefalloysusefectos,lacuantificacinestadsticacomoelmtododeMonteCarloyla
cuantitativoanalticaqueproponeenlalneadedesarrollarprotocolosoestrategiasnormalizadas
derespuestaalriesgo.Nuestraaproximacinnoabordadirectamenteestaproblemtica,aunque
hemoscuidadolaexportacindenuestrosresultadosparapodercontribuiralacreacindedichas
basesdedatos.
Elriesgoenelproyectosepuededefinirmediantelateoradelaprobabilidad.[Schafer1976]
distingua entre probabilidad aleatoria, la que acarrean situaciones intrnsecamente inciertas, y
probabilidadepistmica,larelativaalacreenciaoalafaltadeconocimientosobrelosprocesos.
Otracaracterizacindelriesgoprovienedelateoradelaposibilidad,lacualpretendemodelarel
conocimiento incompletomedianteconjuntos difusos. A ellos dedicamos el apartado2.9, Los
conjuntosdifusos.
[Jrgensen1999]identifica10influenciasenlosmodelosdeplanificacindeproyectosqueles
dificultan tratar con la incertidumbre de los proyectos, y defiende una aproximacin desde la
programacinestocsticaylaspolticasquepermitanunamayorflexibilidadalgestor.[Williams
2000]defiendeunmodelosistmicodegestindelriesgoenelproyecto,construidoconlaayuda
de mapas conceptuales y que incluya tanto la dinmica del sistema como la naturaleza
probabilsticadelriesgo.Clamatambinporunaintegracindelmodeloconlagestintcticadel
proyecto,enlalneadelossistemasdeayudaaladecisin.[deKlerk2001]optaporrevitalizarla
41/166
21
teoradelautilidadesperada paraincorporarlaactitudhaciaelriesgoenelarmazndegestin
delriesgoenelproyectodelaempresa.
El citado [Noelle et al. 2002] describen los indicadores de incertidumbre en las actividades e
incertidumbre en los procesos como tipos diferenciados de incertidumbre estructural. Ambos
conceptossonabordablesconnuestromodelo,comoveremosenelcaptulosiguiente.
22
[Fan;Yu2004]proponenunesquemaparaincorporarlasredesdecreenciabayesianas alagestin
delriesgoenelproyecto.Suprocedimientointentadecidirlamejorasignacinderecursosacada
actividadparaminimizarlaesperanzadelaprdidaeconmicadeproyecto,ytieneencuentalas
prdidasdeeficienciadelosrecursosenlasactividades.
[Chapman2006]abreeldebatesobrelaprcticadelagestindelriesgoenbaseaprobabilidades
objetivas, critica el uso de ndices de probabilidad por impacto, y recomienda trabajar con
probabilidadessubjetivasytenerencuentalassuposicionesycondicionesdeestasprobabilidades.
2.6 El mtodo de la cadena crtica

Sobreelmtododelacadenacrtica,[Herroelen;Leus2001],aunreconociendolosmritosdela
programacindelacadenacrtica,aseveranquelareglade50%paraelmargendeproteccinde
proyecto,conduceaunaseriasobrestimacindeladuracintotaldelproyecto.Elestudiodelos
principiosdelaprogramacindelacadenacrticaylagestindemrgenesdeproteccinsebasaen
simulaciones por ordenador, para los cuales se ha considerado una distribucin lognormal
redondeadaparaladuracindelasactividades.Otrosaspectosdeestatcnicasoncriticados,como
elmantenimientoenseriedelacadenacrtica.Detodosmodos,larecomendacinfundamentalde
estosinvestigadoresesrecalcularfrecuentementelaplanificacinbsica,yutilizaralgoritmosde
planificacincomoelderamificacinypoda.Nosotrosempleamosestealgoritmopararesolverel
problemadelaplanificacindelproyectorestringidaporlosrecursos.
[Raz;Barnes;Dvir2003],[Raz;Barnes;Dvir2004]tambinencuentranquefaltaevidenciadeque
se sobrestime la duracin de las actividades y de que el trabajo se expanda hasta el tiempo
estimado. Tampocoencuentranfundamentoparalosrecortestpicosdel33%,yaqueesdifcil
estimarlapropiasobrestimacin.Creenqueelacortamientodelosplazosdebilitarelcompromiso
delosimplicados,ycausarmayoressobrestimacionesposteriormente.Aligualque[Herroelen;
Leus2001]demuestranqueelmtododelacadenacrticanosolucionalosproblemascausadospor
21 Lautilidaddeunaproposicininciertasecomparaconunaapuestaestndardeloteraenelpuntodeindiferencia,
dondeelagente,laempresaenestecaso,nomuestrapreferenciaporunauotra[vonNeumann;Morgestern1944].
22 Unareddecreenciabayesiana[Heckerman;Wellman1995]esungrafoacclicoconprobabilidadescondicionadas
asociadas.Losnodosrepresentanvariablesaleatorias,ylosarcosrelacionescausales.Aadiendonodosdedecisin
yutilidadsepuedeobtenerundiagramadeinfluencia.
42/166
las cadenas nocrticas quesevuelvencrticas.Elusodelos mrgenes deproteccintambin
presentacontraindicaciones,yaquenosedeterminaqualgoritmosdeplanificacinrestringidapor
losrecursossedeberanemplearcomobase,ynocreenque,encasodecompetencia,latasade
penetracin en el mrgen de proteccin deba ser el criterio fundamental. De todos modos, no
menosprecianlosbeneficiosdelatcnica,ylarecomiendanparaorganizacionessinprocesosde
controlyplanificacindeproyectosqueejecutenungrannmerodeproyectossimilaresenun
entorno de matriz preocupado por las fechas de entrega. En la misma lnea, se expresan en
[Herroelen;Leus2005a],unartculoconejemplosaclaratoriosquecitaremosdenuevo.En[Vande
Vonderetal.2006]secomparaelmtododelacadenacrticaconunheursticodesarrolladoex
profeso con respectodelaestabilidaddelaprogramacindeactividades,ylaprobabilidad de
completarelproyectoatiempo,enunconjuntoampliodeproyectoscondistintascaractersticas.El
heursticoconsideralaspenalizacionesdecadahito,eintroduceprecedenciasextradasdelaredde
flujoderecursosparasolventarlasrestriccionesenlosrecursos.Seconcluyequelasventajasde
CC/BMsondifcilesdedefender,sielplazodeentregaesrealmenteimportante.
2.7 El problema de
recursos limitados
la
planificacin
de
proyectos
con
Sobre el problema de la planificacin con recursos limitados, hay un elevado nmero de

contribucionesenlaliteratura.[Baaretal.1999]hicieronunexhaustivorepasodelaliteraturahasta
lafecha,citandomsdedoscientosartculos.Definieronunesquemadeclasificacinynotacin
que luego seguiremos. [Neumann et al. 2000] propone un esquema de clasificacin de las
secuenciascondesfasesmximosymnimosentreactividades,confuncionesobjetivoregularese
irregulares.Extiendelosconceptosdeprogramaactivoysemiactivoparaestostiposdedesfase.En
lamonografade[Neumannetal.2002]seestudiaelproblemadesdeelpuntodevistadelafuncin
objetivo,definiendohasta7clasesdefunciones.Lasegundapartede[Jzefowska;Wrglarz2006]
sededicaaperfilaryevaluarlosltimosalgoritmosaportadosaesteproblema.
Apesardetantainvestigacinrealizada,comomuestra[Kolisch1999],losalgoritmosempleados
enelsoftwarecomercialdegestindeproyectosdanunosresultadossubptimos.Destacamosde
esteestudiosobre7paquetesdesoftware,quelosproyectosseclasificansegnvariosparmetros,
yunospaquetesfuncionanmejorqueotrosfrenteaellos.Engeneral,losmejoresresultadosse
conseguan con Primavera Project Planner y CASuperProject. Nosotros hemos optado por
implementar en nuestro prototipo el algoritmo de resolucin ptimo de [Demeulemeester;
Herroelen1992].En[Demeulemeester;Herroelen1997]seencuentraunestudiocomparativodel
rendimientodelalgoritmo,yseplanteantambinalgunasmejorasencuantoausodelamemoriay
unnuevolmiteinferior.
Sepuedeencontrarunadescripcinformaldelasdiferenciasentrelosesquemasdegeneracindel
43/166
programaserialesyparalelosen[Kolisch1995].Enotrotrabajo,[Kolisch1996]demostrquelos
algoritmosdeasignacinderecursosenparaleloobtienenelptimodelassecuenciassinretraso,
esto es, aquellas en las que ninguna actividad puede empezar antes sin retrasar alguna otra
actividad, aunque sea parcialmente, interrumpindola. Las secuencias sin retraso son un
subconjunto de las secuencias activas, que son el espacio de bsqueda de los algoritmos de
asignacinenserie.Unasecuenciaesactivasinopermitequeningunadesusactividadessean
adelantadas(desplazadashacialaizquierda)sinviolarunarestriccindeprecedenciaoprelacin,ni
retrasarningunaotraactividad.[Sprecheretal.1995]demostraronquesiemprehayunasolucin
ptimaqueesactiva.Sinembargo,nohaygarantadequelasecuenciaptimaseasinretraso,por
loquelosalgoritmosparalelos,aunqueeficientes,noaseguranquevayanaencontraresasecuencia
ptima. En [Nbel; Schwindt 1997] se definen las clases de secuencias y su relacin con los
esquemasdegeneracinparaproyectosconrelacionesdeprecedenciageneralizadasyfunciones
objeto regulareseirregulares.Apartedelasclasesdesecuenciasmencionadas,sedefinenlas
pseudosemiactivas, semiactivas, pseudosemiestables, semiestables, estables, voraces, y
balanceadas.Noobstante,notodoslosinvestigadoressiguenestaclasificacincuandohablande
programasestables.
[Schwindt1998]proponeunasolucinparaelproblemaconlapsosmnimosymximosentrelos
comienzos de las actividades, una variante de aplicacin en el rea de planificacin de la
produccinenplazoscortos.Reduceelespaciodebsquedadelalgoritmoderamificacinypoda
23
introduciendorelacionesdeprecedenciadisjuntivas adicionalesentreconjuntosfactiblesmximos
(segnlosrecursos)yalternativasdedemoramnimas.
[Kolisch;Sprecher1996]publicaronunabibliotecaderedesdeactividadesdeproyectosgenerados
con distintos parmetros para uso de la comunidad de investigadores en los problemas de
planificacindeproyectosconrecursoslimitados.Lalibrera,conocidadcomoPSPLIB(Project
Scheduling Problem LIBrary), incluye problemas multimodo, y adems permite a los
investigadoresaportarsussolucionesalosproblemas,ptimasocuasiptimas.En[Kolischetal.
1999] se documentan nuevas instancias de los problemas. El generador que utilizaron para la
libreraesactualizadoymejoradoen[Drexletal.2000].
[Herroelen;Leus2005a]insistenenqueelprocedimientoempleadopararesolverlosconflictosde
losrecursos tieneunimportanteimpactoenladuracinplanificadaparaelproyecto.Adems,
adviertenquelacadenacrticanosiempredeterminaladuracindelproyecto,yquelassecuencias
activasnosonlasmsestables.Otroprocedimientoderesolucinexactosedebea[Dorndorfetal.
1999],[Dorndorfetal.2000],quienesusanunalgoritmoderamificacinypodasobreunesquema
23 LasrelacionesdeprecedenciadisjuntivassedefinenentreconjuntosdisjuntosdeactividadesAyB,yobligana
retrasarelcomienzo j B hastaquefinalicelaprimera i A
44/166
24
de generacin en serie basado en la propagacin de restricciones con una prueba de

desplazamiento a la izquierda para ceirse a las secuenciaciones activas. Su algoritmo no usa
lmitesinferiores,yescalabienhastalosproblemasdetamaomediodelconjuntoJ120 de la
mencionada[Kolischetal.1999].
[Klein; Scholl 2000] presentan un procedimiento de resolucin exacto para el problema
generalizadodelaplanificacindeproyectosconrecursoslimitados.Elproblemageneralizado
admitefechasdelanzamientoyentregaporactividad,demodoquelaactividadslosepueda
ejecutareneseintervalodetiempo,ydisponibilidaddelosrecursosvariable.Adems,sepermite
definirrelacionesdeprecedenciadecomienzoacomienzopositivas.
[Bowers 2000] define tres nuevas medidas de la holgura para los casos en que distintas
asignacionesdelosrecursosproduzcanplanificacionesalternativas,yaqueincorporaalareddel
proyecto los cambios de asignacin de recursos en la misma planificacin como restricciones
comienzofin. [Kim; de la Garza 2003] estudian tambin la holgura y el camino crtico en
condicionesdeplanificacinrestringidaporlosrecursos,eidentificanlasholgurasrealesylos
programas alternativos aadiendo relaciones de precedencia para solucionar conflictos por los
recursos.
[Brucker; Knust 2000] desarrollan una de las mejores cotas inferiores del problema mediante
propagacinderestriccionesyprogramacinlineal,lascualesaplicandemaneradestructivapara
descartarcotasirrealizables.Sumtodoesaplicableconrelacionesdeprecedenciageneralizadas,
estoes,conretrasosmnimosymximos. [Mhringetal.2003]presentanuna aproximacin
clsica,larelajacindeLagrange,paracalculareficientementecotasinferioresdelproblema,y
producirsecuenciasrealizables.Utilizanelteoremadelcortemnimosobreungrafoconlospesos
deltiempodecomienzodelasactividades.[Demassey2003]continalaaproximacinde[Brucker;
Knust2000]ypresentaunarelajacindeLagrangesobreunmodelolinealconpropagacinde
restricciones. Calcula tambin cotas inferiores del problema y describe un innovador rbol de
bsqueda. [Kovcs;Vncza2004]empleanlassolucionesparcialescompletablesparaevitar el
crecimientodelrboldebsqueda,ypoderenfrentarseaproblemasdetamaogrande.
[Damay2005]presentaunaformulacinlinealmixtadelproblemadeplanificacinexpulsivaque
resuelveconunalgoritmoderamificacinypoda.
2.7.1 Los mtodos heursticos
[Kumar;Ganesh1998]desarrollaronunmodelodereddeactividadesdelproyectobasadoenredes
24 ConstraintPropagation,unaaproximacinbasadaenelrazonamientolgicoformal.Lasrestriccionesseutilizanen
unprocesodeductivoquepermitedetectarrpidamenteinconsistenciaseneldominiodedefinicindelasvariables.
EsunatcnicausadaenInteligenciaArtificial[Prosser1993]yenInvestigacinOperativa[Esquiroletal.1995].
45/166
dePetricoloreadasenelcuallasactividadesserepresentabanmediantetransiciones.Laasignacin
derecursosseguabaporelcriteriodecriticidad.
[Lu;Li2003]planteanunmtodoheurstico(RACPM,ResourceActivityCriticalPathMethod,
mtododelcaminocrticodeactividadesyrecursos)paralaasignacinderecursosbasadoenel
esfuerzo,conelqueademsidentificanlosrecursoscrticos.Paraello,utilizanunesquemade
secuenciacinserial.[Kim;delaGarza2005]discutenunprocedimientoparalaasignacinde
recursos en unentorno determinista, el mtododel camino crticorestringido por los recursos
(RCPM,ResourceconstrainedCriticalPathMethod),segnelcualseintroducenenelgrafodel
proyecto, mediante un esquema de generacin serial, ciertas prelaciones entre actividades
originadasporlasdependenciasdelosrecursos.Elprocedimientoessubptimo,aunqueeseficiente
yrespetaelsignificadodelasholguras.
Pesea contarconunasolucinptima,elproblemadelaplanificacinconrecursoslimitados
contina atrayendo la atencin de muchos investigadores. El problema de la planificacin con
recursoslimitadosesNPduroenelsentidofuerte[Baewiczetal.1983],asquelassoluciones
ptimasslosonaplicableseninstanciasdetamaopequeo.Haceyauntiempo,granpartedel
esfuerzoinvestigadorseconcentrendesarrollaralgoritmosheursticospararesolveresteconocido
problema.Unodelosprimerosartculospublicadosenestalneaeraya[Kelley1963].Porejemplo,
[Bell;Han1991]presentaronunalgoritmoheursticoendosfases.Enlaprimerafase,resolvanlos
conjuntos de conflicto mnimos aadiendo arcos de prelacin nuevos, y en la segunda fase
examinabanestosarcosparaestudiarlaposibilidaddequitarlosyvolveraemplearelalgoritmoen
laredasproducida.Hayunabuenareseadelosmtodosheursticospublicadosen[Hartmann;
Kolisch 2000]. [Abeyasinghe et al. 2001]presentan unheursticomuyeficiente, LINRES, que
mejoracasitodoslospropuestoshastalafecha.[DePuy;Whitehouse2000]ynuevamente[DePuy;
Whitehouse2001]aplicanelheursticoCOMSOAL(ComputerMethodofSequencingOperations
forAssemblyLines,mtodocomputacionalparalasecuenciacindeoperacinesencadenasde
montaje),originalmentedesarrolladoparaelproblemadelequilibradodecadenasdemontaje,ala
planificacinconrecursoslimitados.Esunmtodomixto,heursticoyaleatorio.Utilizanvarios
esquemadeprioridadesparaseleccionarlaactividadasecuenciar.Sumtodotienelaventajade
queencadaiteracinproduceunaprogramacindelproyectorealizable.[Ballestn2001]desarrolla
dosalgoritmosheursticosnuevosparaelproblema,perosedecantaporlatcnicametaheurstica
delosalgoritmosgenticos,comoveremosluego.
[Stork2000]haceunestudioexhaustivodelosalgoritmosderamificacinypodaqueutilizan
polticaspreselectivasengeneral,dondeexistealgunareglaquedecidequactividadseatrasaren
casodeconflictoderecursos.Ensuexperimentoconproyectosdetamaopequeomuestranque
las polticas preselectivas lineales tienen un rendimiento mucho mejor que las polticas
preselectivas en general. [Mhring; Stork 2000] se centran en el estudio de las polticas
preselectivaslinealespararesolverlosproblemasdeprogramacinestocsticadeproyectoscon
46/166
recursos limitados,representndolasmedianterelacionesdeprecedenciaAND/OR.[Vallsetal.
2005]muestranqueladoblejustificacindelasactividadesaderechaeizquierdaesunatcnica
sencillaque,sinembargo,ofreceunassignificativasmejorasenlacalidaddelosresultadoscuando
se usa tanto con algoritmos heursticos sencillos como con algoritmos genticos e incluso
25
enfriamientoestocstico [Kirkpatricketal.1983],[Eglese1990].Losdetallessobrelatcnicade
justificacin se pueden obtener en el citado [Ballestn 2001]. Similarmente defendan [Raz;
Marshall 1996] la definicin de holgura total programada y holgura libre programada, aunque
faltara una caracterizacin clara de la aplicacin inversa de los algoritmos heursticos de
planificacinconrecursoslimitados.Estalneadetrabajo,ladeladoblejustificacin,sehatornado
bastanteproductiva.Veremosalgunaaplicacinenelcampodelosalgoritmosgenticos.
[Tormos; Lova2001]presentanunheursticomuyeficiente,unheursticoaleatoriodemtodo
hbrido.Lassecuenciasseconstruyenconunmtododemuestreoaleatoriosesgadobasadoenla
peoreleccin,ycadasecuenciasejustificaaderechaeizquierda.Laregladeprioridadparael
muestreoesLFT,minimumLatestFinishTime.Utilizantantoalgoritmodesecuenciacinparalelo
comoserie.Susresultadossoncomputacionalmenteexcelentesenproblemasdetamaopequeo.
[GolenkoGinzburg et al. 2000], [GolenkoGinzburg et al. 2001a] discuten la asignacin de
recursos entre los proyectos de un portafolio cuyas actividades tienen duraciones aleatorias.
Caracterizanalgunosrecursosespeciales,recursosrarosyexternoscuyaasignacinaunproyecto
espuntual,enfechadeterminada,ytratandeminimizarloscostesnooperacionales,incluyendo
costesdedemoraypenalizacionesportenerlosrecursosespecialesparados.Utilizanunatcnica
heursticacombinadaconunasimulacin.
2.7.2 El problema de la planificacin multimodo de proyectos
Laplanificacinrestringidaporlosrecursosesmscomplejasiladuracindelasactividades
dependedelacantidadderecursosasignados.Estoseconocecomoelproblemadelaplanificacin
multimododeproyectosoproblemadecoste/duracin,queserepresentacomo m,1T|grp,mu|
Cmax ennotacinde[Herroelenetal.1999]o MPS|temp|Cmax ennotacinde[Bruckeretal.
1999].Sinohaytiemposdedesfase,elproblemasedenotam,1T|cpm,mu|CmaxoMPS|prec|
Cmax respectivamente. [Sprecher et al. 1997] extendieron el esquema de enumeracin de
[Demeulemeester; Herroelen 1992] al problema de planificacin multimodo limitada por los
recursos.En[Sprecher;Drexl1998]aadanuncriteriodedominiomspotentealprocedimiento
deramificacinypoda.[DeReyck;Herroelen1999]presentanunheursticoparalaasignacinde
recursos cuando cada actividad tiene varios modos de ejecucin con distintas duraciones y
necesidades de recursos. Adems, su modelo contempla las relaciones de precedencia
25 SimulatedAnnealing,tambinconocidocomotemplesimulado,esunatcnicadeoptimizacinsegnlacualsiguen
solucioneslocalespeoresconunaciertaprobabilidadquedependedelatemperatura,quevadescendiendo.
47/166
generalizadas.
[zdamar1999]describeunalgoritmogenticobasadoenlacodificacindeprioridades.[Artigues
eta al. 1999] proponenunprocedimientobasadoenprioridadesparadeterminarlas secuencias
26
grupales ysufactibilidad.En[Artigues;Roubellat2000]presentanunatcnicadeinsercinde
actividades que resuelve en tiempo polinomial, entre otros, el problema de la planificacin
multimodoconrecursosrenovables.Definenunareddeflujoderecursosparaidentificarcmoes
transferido cada recurso de actividad en actividad. [Alcaraz 2001] adapta a este problema un
algoritmogenticoconunnuevooperadordecrucededospuntosquedesarrollaparalaversin
monomodo.
[Jzefowskaetal.2000]resuelvenelproblemadeplanificacindeproyectosdiscretocontinuo,en
elquedeterminadorecursorenovablepuedeserasignadoaunaactividaden cualquiercantidad
27
dentrodeunintervalo ,cantidaddelaqueesfuncincontinualaduracindelaactividad.Para
resolverlo,lotransformanenunproblemadeplanificacinmultimodomediantediscretizacin,yle
aplicanunprocedimientoamedidadeenfriamientoestocsticoconelobjetivodeminimizarla
duracintotaldelproyecto.En[Jzefowskaetal.2001]aplicanlamismatcnica,basndoseenla
listadeactividadesfactibleencuantoarelacionesdeprecedencia,eintroduciendounafuncinde
penalizacin.[Jzefowskaetal.2003]presentanunheursticoparaelmismoproblema,juntocon
otroheursticodereparacindelprogramaenloscasosenlosquecambialadisponibilidadola
demandadelosrecursos.
Paraelproblemageneral,[Heilmann2003]presentaunprocedimientodebsquedaexacto,con
ramificacinypoda.Elprocedimientoevalalasdecisionesrespectodelosmodosolosrecursos
conjuntamente,demodoqueeligelasdecisionesmsdifcilescuantoantesenelrboldedecisin.
[Turnquist;Nozick2003][Turnquist;Nozick2004]planteantambinlaejecucinmultimododelas
actividadesdelproyecto.Ensumodelo,relacionanlaprobabilidaddexitodelaactividadconel
plazoimpuestoyelmodo,quedependedelnmeroderecursosasignados.Utilizandistribuciones
deWeibullparamodelarlosmodos,ycalculananalticamentelaprobabilidaddexitodelproyecto.
Ejecutantambinunaoptimizacindelaasignacinderecursosyplazos.
Unproblemasimilaresabordadopor[Teresoetal.2004],[Teresoetal.2003],dondelavariable
aleatoria de la duracin de una actividad depende del modo elegido. Mediante una
computacionalmente costosa programacin dinmica, analizan el modelo para calcular el coste
26 Conjuntodeactividadesquepuedenprogramarseencualquierordensinafectaralafechadeterminacindel
proyecto.
27 Elrecursocontinuoesunrecursorenovableydisponibleenelintervalo[0,1].Deesteltimodependelatasade
ejecucin de la actividad, y su duracin a la postre. Los recursos discretos son tambin renovables y estn
disponiblesencantidadesdiscretas.Latasadeejecucindelaactividadnodependedelaasignacindeestos
ltimosrecursos.
48/166
asociadoalosmodosyloscostesderetraso.Utilizandistribucionesexponencialesenladuracin
delasactividades.[Jakowski;Sobotka2004]planteanunproblemadeplanificacinmultimodo
condisponibilidaddelosrecursosvariable.Loveremosenelapartado2.7.3.1,Losalgoritmos
genticos.Delmismoapartadoobtenemosunaaplicacinalproblemamultimodoconelobjetivo
deminimizarelcostede[Hegazy;Petzold2003].
[Ramachandra2006]planteaunavariablealeatoriadedistribucinexponencialparalacantidadde
trabajodelaactividad,ydespusmodelalaasignacinderecursoscomounacadenadeMarkovde
tiempocontinuo.Paralaresolucindelproblema,enelqueladuracindelaactividaddependedel
modoyestepuedereconsiderarseeneltranscursodelamisma,perfilaunaoptimizacinbasadaen
simulacindeMonteCarlocontcnicasdereduccindelavarianzapormuestreodehipercubo
latinoyvariablesantitticas.
Nosotrosnoplanteamoslaejecucinmultimodo,peroslasrelacionesentreelresultadodeuna
actividadysuduracin.
2.7.2.1 El problema del compromiso entre el tiempo y el coste
Unsubproblemadeproblemamultimodosedenominaelproblemadecoste/duracinoproblema
28
delcompromisoentreeltiempoyelcoste .Paraelmodeloestocstico,dondelasactividades
tienen una duracin variable antes de tomar ninguna decisin de asignacin, publicaron un
algoritmoheursticoyunabsquedaexhaustiva[GolenkoGinzburg;Gonik1998a].Elproblema
queellosresolvantienevariassimplificaciones,comolanecesidaddeasignarencadapuntode
controltodoslosrecursosdisponibles.Paralaestimacindelacriticidadutilizanelmtododela
simulacin.[Hegazy1999b]desarrollaunalgoritmogenticoenelqueloscromosomasrepresentan
elmododecadaactividad.[Zhengetal.2002]estudianlaidoneidaddelastcnicasheursticas,la
29
programacinlineal,laprogramacindeenteros yelalgoritmogenticode[Hegazy1999b]para
elproblemadiscretoconduracionesdeterminadas,yaconsejanelempleodeesteltimo.
[Gutjahretal.2000]vuelvenalmodeloestocstico,frentealcualsepuedentomardiversasmedidas
por actividad, cada una con un coste asociado, para evitar incurrir en costes de penalizacin.
Proponenunalgoritmoheursticoparadeterminarelsubconjuntoptimodemedidas(asignaciones
discretasderecursos).Lasduracionesdelasactividadessiguenladistribucinbeta.
[Laslo2003]defineunmodelodeladuracinyelcosteestocsticosdeunaactividadbajodiversos
supuestos, conrestriccionesdetiempoycoste.Paralaestimacindelasvariables estocsticas
28 Timecosttradeoff.Elplanteamientoparaelmodelodeterministaysinrestriccionesenlosrecursos,correspondea
[Fulkerson1961]
29 Paraunaintroduccinalaprogramacinlinealdeenteros,vaseelcaptulo8de[Andersonetal.2005]
49/166
empleaelmtododelosfractilos[Selvidge1980],queveremoscondetalleenelapartado3.2.2.1
Laduracinprobabilstica.
2.7.2.2 El problema del compromiso entre el tiempo y los recursos
Otro subproblema del problema multimodo, intrnsecamente relacionado con el anterior, se
denomica el problema del compromiso entre el tiempo y los recursos. Si las elecciones de
compromisosondiscretas,elproblemaserepresentacomo1,1|cpm,disc,mu|Cmaxennotacinde
[Herroelenetal.1999].Paralaplanificacinnoexpulsivalaprimerasolucinsedioen[Talbot
1982].[Williams1999b]describeunmodelodedinmicadesistemas,apoyndoseenuncasoreal
delaindustrianaval,paraencontrarelequilibrioptimoentreadaptarladefinicindeunproyecto
sinaportarmsrecursosoaadirrecursosparacumplirconelprogramainicial.[Demeulemeester
et al. 2000] presentan un procedimiento de bsqueda en profundidad con ramificacin y poda
basadoensusolucinde[Demeulemeester;Herroelen1992],conunasreglasdedominionuevas
sobremodosredundantesydesplazamientoalaizquierdamodificado.
2.7.3 Los mtodos metaheursticos
Engeneral,hayheursticosmejoresypeores,peronosehaencontradoningunoquefuncionemejor
quelosdemsparatodotipodeproblemas.[Davis;Patterson1975]presentaronunaratiohace
tiempo. [Ulusoy; zdamar 1989], al introducir su heurstico WRUP (Weighted Resource
Utilization ratio and Precedence, ratio de utilizacin de recursos y precedencia ponderadas)
compararon el rendimiento de distintos heursticos segn el tipo de red de proyecto y las
caractersticasdelosrecursos.Desdeentonceselposicionamientorespectivodelosheursticosno
hacambiadomucho.
2.7.3.1 Los algoritmos genticos
Debidoalasdificultadescomputacionalesdelassolucionesexactasalproblemadelaplanificacin
deproyectosconrecursoslimitados,yaquenosehaencontradounalgoritmoheursticogeneral,
quefuncionebienparatodotipodeproyectos,siguehabiendointersendesarrollarmetaheursticos
30
comolosalgoritmosgenticos [Holland1975],quebuscanlamejorsolucinencadacaso.Los
algoritmosgenticossellevanaplicandoalaplanificacinrestringidaporlosrecursosdesde[Davis
1985]. Uno de los artculos ms influyentes est en [Hartmann 1998], donde se estableci la
representacinenpermutacindeprecedenciarealizableparaelgenotipo,loqueluegoseconoci
30 GeneticAlgorithmssonalgoritmosdebsquedaquecodificanlainformacindecadasolucinenunacademaque
luego alteran y cruzan con otras soluciones para desarrollar una nueva generacin de soluciones. Vase una
introduccinaestatcnicaen[Mitchell1996].
50/166
comolistadeactividades.Laproduccindelfenotiposerealizabaporesquemaserial.[Hegazy
1999a]proponaalgunasmejorasenlosheursticosdelaplanificacinrestringidaporlosrecursosy
lanivelacin,delaquehablaremosluego.Usabaalgoritmosgenticosdebsquedacuasiptima
pararesolverlossimultneamente.Paralaasignacinderecursosasignabaprioridadesalastareas,
mientrasqueusabadoblesmomentosparalanivelacin.
[Wang;Lu2002]utilizanunalgoritmogenticoparaestablecerlasprioridadesdecadaactividad
anteelalgoritmodeplanificacinrestringidaporlosrecursos.Definentambinlosparmetros
adecuadosparaproyectosdetamaoprctico.Enuntrabajosimilar,[Leu;Hung2002]combinanla
simulacindeunareddeproyectoestocsticaconunalgoritmogenticoparabuscarsoluciones
cuasiptimasalproblemadelaplanificacinrestringidaporlosrecursos.
[Hindietal.2005]diseanunalgoritmoevolutivoparaelproblemamonomodoqueofrecebuenos
resultadossobredosjuegosdeproblemas,tantoenalcanzarelptimoconocido,comoenminimizar
elerrormedio.[Hartmann2002]presentaotroalgoritmogenticodondeaadeungenmsalalista
deactividadesqueindicasilaproduccindelfenotiposerealizaporesquemaserialoparalelo.
[Vallsetal.2002]presentanunalgoritmogenticohbridoconunoperadordecrucediseado
especialmenteparaelproblema,elcrucedepico,yutilizanunoperadordedoblejustificacincomo
optimizadorlocal.Elrendimientodealgoritmogenticohbridoessobresalienteparalosproblemas
medianos(PSPLIBJ120).LosdetallesdelalgoritmoHGA(HybridGeneticAlgorithm)estnenel
citado[Ballestn2001].
[Alcaraz;Maroto2001]presentanunalgoritmogenticoconcodificacindelalistadeactividades,
yconungenmsqueelalgoritmode[Hartmann1998].Distinguensilalistadeactividadesse
secuenciahaciaadelanteohaciaatrs,eincluyenunamplioestudiosobrediversasvariantesde
poblacin,operadordecruceyotrosparmetros.Losdetallesestnenelcitado[Alcaraz2001].
[Kochetov; Stolyar2003] presentantambinun algoritmogenticohbrido conbsqueda local
31
32
GRASP [Feo;Resende1989]ylistatab [Glover1989],[Glover1990].[Senouci;Eldin2004]
utilizan tambin un algoritmo gentico hbrido sobre un modelo con distintas relaciones de
precedencia,distintosmodosenlaactividad,ycompromisosentreeltiempoyelcostetotaldel
proyecto para encontrar soluciones cuasi ptimas a los problemas de nivelado, planificacin
31 Greedy Ramdomized Adaptative Search Procedure, procedimiento de bsqueda adaptativa aleatorizada voraz.
Consta de dos fases. En la fase de construccin, se evalan los elementos y se elige el mejor con cierta
probabilidad.Laprobabilidaddeeleccindependedelosvaloresevaluados.Unavezescogidoelmejor,losvalores
delosotroselementosseadaptan,yseiteraportodosloselementos.Enlafasedemejora,seutilizaunabsqueda
local.Ambasfasesserepitenvariasveces.
32 TabuSearch,tcnicadeoptimizacinquepermiteempeorarencontradelamejorsolucindelentorno
local,peroqueutilizaunalistademovimientosprohibidosparaevitarciclos.Aestatcnicadedicamosel
apartado2.7.3.3Labsquedatab.Paraunestudiodelatcnica,puedeconsultarselamonografa
[Glover;Laguna1997].
51/166
restringidaporlosrecursosyminimizacindelcostetotaldelproyecto.
[Debels; Vanhoucke 2005] utilizan un algoritmo gentico especial inspirado en la doble
justificacinconelqueconsiguenlosmejoresresultadossobreconjuntosdeactividadesmedianos
(PSPLIBJ60yJ120).[Jakowski;Sobotka2004]seenfrentan,porelcontrario,aunproblemade
asignacinderecursosmodificado,dondelasactividadestienendistintosmodosyladisponibilidad
delosrecursosesvariable.Pararesolverlo,planteanunalgoritmogenticodondelosmodosy
prioridadesdelasactividadessoncodificadosenloscromosomas.[Hegazy;Petzold2003]emplean
unalgoritmogenticoparalaoptimizacindelcostetambinconactividadesmultimodoenun
entornodinmicodeseguimientodelproyecto.
[Hegazyetal.2004]presentanunalgoritmogenticoparaunavariantedelproblemadeasignacin
de recursos. Su modelo de programacin distribuida describe el trabajo concurrente en varias
localizaciones,ytieneencuentalainterrupcindeactividades,loscosteseconmicosytemporales
delarelocalizacindelosrecursosyproductividadligadaalemplazamiento.
[Zhuang; Yassine 2004] emplean un algoritmo gentico para el conocido problema de la
planificacin restringida por los recursos minimizando la duracin, pero en un entorno
multiproyecto.Partendelarepresentacinenmatrizdeestructuradediseodelosproyectos,y
apuntaneltratamientoparalarealimentacinestocstica,conlaquemodelanlaprobabilidadde
quedeterminadaactividaddebarepetirse.
2.7.3.2 La tcnica de las hormigas
33
Latcnica delashormigas [Dorigo;DiCaro1999]hasidoaplicadaconxitopor[Bautista;

Pereira 2002].La mejorhormigadecadasubcoloniadeja unapista (feromona)entre pares de
actividadescorrelativasoentreunaactividadysuposicinenlalista.[Merkleetal.2000]tambin
consiguenunosbuenosresultadosconunmtodoquecombinalaevaluacindedosferomonas.
Posteriormente [Merkle et al. 2001], [Merkle et al. 2002] ajustan el algoritmo cambiando la
influenciadelheursticoenlasdecisionesdelashormigas,yaadenunavistaglobalmedianteotra
feromonaqueproduceunefectosimilaralatcnicadelapartado2.7.3.4Laoptimizacinpor
enjambredepartculas.LosresultadosdesutcnicaenelconjuntodeproblemasdePSPLIBson
muybuenos.
2.7.3.3 La bsqueda tab
33 AntColonyOptimization,unmetaheursticoenelquegeneracionesdehormigasartificialesbuscansolucionesa
travsdedecisionesprobabilsticas.Lasqueencuentranbuenassolucionesmarcanelcaminorecorridoparaatraera
lasiguientegeneracindeexploradoras.
52/166
A parte de los algoritmos genticos y la tcnica de las hormigas, se han utilizado otros
metaheursticospararesolvereldisparrendimientodelosheursticosdisponibles.Labsquedatab
de[Glover1989]y[Glover1990]esunatcnicadeoptimizacinqueutilizaciertasestructurasde
memoriaparamodificarlabsquedaenlavecindaddeunasolucin.Laestructuramssencillaes
unalistadelassolucionesvisitadasrecientemente.
[Tsai;Gemmill1998]aplicaronlabsquedatabalproblemadelaplanificacinrestringidaporlos
recursos, en sus variantes determinada y estocstica. En la variante estocstica modelaban la
duracin de las actividades mediante distribuciones beta calculadas a partir de tres puntos.
Utilizaban simulacin para calcular la duracin del proyecto. En ambas variantes utilizan el
heursticodemnimaholgura.
[Viana; de Sousa 2000] estudian los metaheursticos multiobjetivo con el objeto de encontrar
buenas aproximaciones para el conjunto de soluciones no dominadas. En particular aplican el
34
enfriamientoestocsticodePareto ylabsquedatabparatresobjetivosdistintosenalgunos
problemasdetamaomedio.Enlamismalnea,[AlFawzan;Haouari2005]presentanunalgoritmo
de bsqueda contab quese aproxima al conjuntode soluciones nodominadas, conel doble
objetivodeminimizarladuracintotalymaximizarlarobustezdelprograma.Msadelante,enel
apartado3.6,Exgesisdelosresultados,volveremossobrelarobustezdelosprogramas.Estos
investigadoresmidenlarobustezmediantelasumadelasholguraslibres.Aunquelasduracionesde
las actividades sean determinadas, la robustez permite elegir aquellas planificaciones menos
sensiblesalosretrasosoalairrupcindetrabajosnoprevistos.
2.7.3.4 La optimizacin por enjambre de partculas
35
[Zhangetal.2006]introducenelusodelaoptimizacinporenjambredepartculas [Kennedy;
Eberhart1995]enelproblemadelaplanificacinrestringidaporlosrecursosmedianteunespacio
debsquedaNdimensional,dondecadadimensinrepresentalaprioridaddecadaactividad.
2.8 Otros problemas de asignacin de recursos

Laasignacinderecursoseselproblemaqueseplanteron[Voropajevetal.1999a]consumodelo
RGNM (RandomGeneralizedNetworkModel) enelque,ademsdeduracinaleatoriadelas
actividades, se permitan nuevas relaciones de precedencia. Sobre este modelo explicaban el
34 ParetoSimulatedAnnealing(PSA),tcnicaheursticadeoptimizacinmultiobjetivoquesebasaenelmtodode
enfriamiento estocstico para generar en un tiempo corto un conjunto de soluciones que forme una buena
aproximacinalconjuntodesolucioneseficientes(segnlaeficienciadePareto[Pareto1896],[Pareto1897])
35 ParticleSwarmOptimization(PSO),tcnicadeoptimizacinqueseinspiraenelcomportamientodelasbandadas
deavesbuscandoalimento.Combinalosptimoslocalygeneralenelclculodelasiguienteposicin.
53/166
problema:ladeterminacindeuncalendariooprogramadedisponibilidaddealgunosrecursos
escasos o muycaros,conelobjetivodeminimizarelcostemedio.Aunquenodieranmuchos
detalles,enlasolucinutilizarontantolasimulacincomolaprogramacinnolineal.
Unproblemaderivadodelaplanificacinrestringidaporlosrecursosconactividadesmultimodose
producecuandolaintensidaddelaactividadesvariabledurantesuejecucin.Esunproblema
complejoqueyaplantearon[Leachmanetal.1990].Enintervalosdiscretos,sepuede,porlotanto,
cambiar el consumo de recursos afectando a la duracin de la propia actividad. [Kis 2005]
desarrollaunalgoritmoeficientederamificacinycorteparaesteproblema.
2.8.1 La nivelacin de recursos
Otroproblemadeasignacinderecursos,enlalneadeintegrarcosteytiempo,eslanivelacinde
recursos.Elobjetivoquehayqueminimizarrepresentadealgnmodolavariacinenlautilizacin
delosrecursoseneltiempo.Secuentaconunasolucinptimadesde[Bandellonietal.1994].
36
[Savinetal.1996][Savinetal.1998]desarrollaronunaredneuronal [MacCulloch;Pitts1943]
[Rosenblatt1958]detiporetroalimentada[Hebb1949][Hopfield1982]quecargabaninicialmente
conlostiempostempranosdelasactividades.[Kartam;Tongthong1998]crearonunaredneuronal
especfica,mezclandolostiposHopfieldycompetitiva[Kohonen1982],yconsiguieronmejores
resultadosqueconlosheursticosdisponiblesenlafecha.
Aestemismoproblemaaplicaban[Son;Skibniewski1999]unoptimizadorlocalmultiheurstico
cuyos resultados mejoraban con enfriamiento estocstico. Ya hemos citado el trabajo con
algoritmos genticos y conjuntos difusos de [Leu et al. 1999]. En el citado [Neumann;
Zimmermann 2000], se especifican procedimientos exactos y heursticos polinomiales en el
problemadenivelacinderecursosconysinrestriccionesenlosrecursos,condistintosobjetivos.
[Jeetendraetal.2000]utilizanredesdePetriestocsticascoloreadasextendidasconunadinmica
propia basada en la matriz de precedencia para modelar la red del proyecto, y describen un
algoritmoheursticodenivelacinderecursossobresumodelo.
[Hiyassat 2000] modifica el mtodo heurstico de nivelacin de los momentos [Harris 1978]
cambiandoelcriteriodeseleccindelaactividaddesplazableporaqullaconmayorproductotasa
derecursoporholgura.En[Hiyassat2001]aplicaelnuevoheursticoalanivelacindemltiples
recursos, obteniendo unos resultados que en algunos casos mejoran aquellos de [Harris 1978].
[Songetal.2002]aplicanunaredneuronalparaelegirlasactividadesquesedebendesplazarpara
36 ArtificialNeuralNetwork,unparadigmadeaprendizajeydeprocesamientoautomticodistribuidoinspitadoenel
sistemanerviosoanimalalquededicamoselapartado2.10Lasredesneuronales.Paraunaintroduccinalas
redesneuronales,vase[Gurney1997].
54/166
nivelar el programa. [Zheng et al. 2003] utilizan un algoritmo gentico multiobjetivo para la
nivelacindedosrecursos,mediantepesosadaptativos.
2.9 Los conjuntos difusos

37
Algunosinvestigadoreshanencontradopertinentelateoradeconjuntosdifusos [Zadeh1965]
para modelar la incertidumbre ligada a la planificacin de proyectos. Es una aproximacin
apropiada cuando falta la informacin histrica o es irrelevante para el clculo probabilstico.
Permite manejar la informacin ambigua suministrada por los expertos mediante funciones de
pertenencia.Lasfuncionesdepertenenciasebasanenlateoradelaposibilidad,porcontrastecon
lasdistribucionesquehemosvistohastaahora,yquesebasanenlateoradelaprobabilidad.
Laprimeraaplicacindelateoraenelcampodelaplanificacindeproyectossedebea[Prade
1979].Noobstante,anquedacaminoporrecorrer. Partedelcrecienteintersenprogramacin
difusaseencuentrarecogidoen[Sowiski;Hapke2000].Undefensordelateora,[Pender2001]
critica la base probabilstica de la gestin de riesgo al uso, y defiende un nuevo armazn de
conocimientoincompletodondetengancabidalosconjuntosdifusosolasopcionesreales.[Dubois
et al. 2003] presentan una resea de la aplicacin de los conjuntos difusos y la teora de la
posibilidadenplanificacin,ydistinguendosreasprincipales:larelajacinderestriccionesyla
utilizacindelconocimientoincompleto.
[Hapkeetal.1994]aplicaronlosnmerosdifusosLRalosalgoritmosdeplanificacinrestringida
porlosrecursosbasadosenreglasdeprioridad,modelandolaincertidumbresobreladuracin,la
fechapreferibleylafechatopedefinalizacindelasactividades.Sobreunmodelo,[Wang1999]
utiliz un algoritmo paralelo de secuenciacin para maximizar la satisfaccin de restricciones
temporalesdifusas,enestecaso,lasfechaspreferiblesytopedeentregadelproyecto.
[Leuetal.1999]utilizaronconjuntosdifusosyalgoritmosgenticospararesolverelproblemade
nivelacincuandohayincertidumbreenladuracindelasactividades.Posteriormente,[Leuetal.
2001] aplican la misma combinacin de tcnicas para buscar soluciones al problema del
compromiso entre el tiempo y el coste ante distintos perfiles de aceptacin del riesgo. Los
conjuntosdifusosdefinenlaincetidumbresobreladuracindelasactividades,delacualsederiva
elcoste.
[zdamar;Alanya2001]planteanunarmaznmatemticoenelcualmodelanlaincertidumbrede
las macroactividades tanto en cuanto a su duracin como a sus relaciones de precedencia de
comienzoacomienzo.Utilizannmerosdifusosdeseispuntosycuatroheursticosbasadosen
37 Fuzzysets,extensindelateoradeconjuntosqueseutilizaenlgicadifusa.Utilizafuncionesdepertenenciade
loselementosalosconjuntosdelaforma [0, 1]
55/166
prioridadesquecontemplanvariosmodosdeejecucindelasactividades.
[Panetal.2001]empleantambinlosnmerosdifusosparamodelarladuracindelasactividades,
yaplicanunalgoritmoparalelodeplanificacinrestringidaporlosrecursos,paraelquedefinenlos
38
equivalentesde10reglasdeprioridadfamosas .[Liberatore2002]aplicatambinlafuncinde
pertenenciadifusaaladuracindelasactividades.Intentaunaaproximacincomputacionaldirecta
39
alanlisisdelcaminocrticoaplicandoelprincipiodeextensindeZadeh .Definelaaritmticadel
clculodelostiempostempranos,perolasolucindelostiempostardossemuestrainconsistente.
Es un problema abierto desde [Buckley 1989], quien advirti la dificultad de computar las
funcionesdelostiempostardosylasholguras.[Liberatore2002]obtieneotrosdatoscomola
criticidad mediante un procedimiento de enumeracin. [Slyeptsov; Tyshchuk 2003] aplican
tambinelprincipiodeextensinalmtododelcaminocrticoyconsiguencalcularnoslolos
tiempostempranos,sinotambinlasholgurasmedianteungrafodedescomposicin.
[Pan;Yeh2003]muestranenunartculobientrabadoelusodelenfriamientoestocsticoconun
algoritmoparalelodifusodeplanificacinrestringidaporlosrecursos.Tambinellosutilizanuna
funcindepertenenciadifusaparaladuracindelasactividades.Uncasoparticulardeusodelos
conjuntosdifusosseencuentraen[Kimetal.2003]dondesepresentaunalgoritmogenticohbrido
queutilizauncontroladordelgicadifusapararegularlastasasdecruceymutacin.
[Wang2002]utilizaunabsquedaenabanicoconelobjetivodeminimizarelriesgodelproyecto,
definidocomolacombinacindeloscriteriosoptimistaypesimistadelateoradelaposibilidad
respectodeladuracindifusadelproyecto.En[Wang2004]incluyeunalgoritmogenticosobreel
criterio pesimista con la intencin de producir un programa robusto que ofrezca el mejor
comportamientoenelpeorcaso.
2.10 Las redes neuronales

Lasredesneuronalesformanunparadigmadecomputacinparalelabasadoenlaneuronaartificial.
Estaneuronalestcompuestademultiplesentradas,unasalidayunasfuncionesdepropagacin,
activacinytransferenciaquedefinensucomportamiento.Elparadigmahaencontradomuchasy
variadasaplicacionesenlaingeniera[Haykin1994].
Noobstante,pocostrabajossecentranenlaaplicacindelasredesneuronalesalproblemadela
planificacin.Hemoscitadoenelapartado2.8.1Lanivelacinderecursoslasredesneuronales
38 Mnimocomienzotemprano,mnimofinaltemprano,mnimocomienzotardo,mnimaholgura(MINSLK),mzima
demandaderecursos,mnimaduracin,mximaduracin,mayornmerodesucesorasdirectasymenornmerode
sucesorasdirectas
39 Sea*unaoperacinaritmticabsica,lafuncindepertenencia
56/166
A B z = max {min A x , B y }
x y= z
propuestaspor[Kartam;Tongthong1998],[Savinetal.1996]y[Savinetal.1998].Podemoscitar
tambina[Senouci;Adeli2001],queutilizanunadinmicaneuronalbasadaenunapatentede
invencinde[Adeli;Park1998]paraplanificarlosrecursosyoptimizarelcostesobreunmodelo
matemticocondistintasrelacionesdeprecedencia,distintosmodosenlaactividadycompromisos
entreeltiempoyelcostetotaldelproyecto.
2.11 Otros problemas de planificacin

2.11.1 El problema de los puntos de control
Elproblemadelcontroltambinhaatradolaatencindevariosinvestigadores. [Eisner1962]
introdujoelconceptodecajadedecisin,unpuntoenelprogramaqueincluyearcosdesalida
alternativosdeterministasoaleatorios.[GolenkoGinzburg;Gonik1997]desarrollaronunmodelo
paraunaredtemporalestocsticarestringidaporlosrecursos,yplantearonunsistemadedecisin
dinmico de los tiempos de comienzo de las actividades utilizando programacin 01. Las
duraciones de las actividades vienen definidas por variables aleatorias (betas, uniformes o
normales)paralasqueexistencotassuperioreseinferiores.Utilizansimulacinparadeterminarla
probabilidaddequelaactividadseacrtica.Estosmismosinvestigadorescontinanen[Golenko
Ginzburg;Gonik1998b],yestudianunalgoritmoheursticoeficienteparadeterminarlospuntosde
controlenunproyectoconduracinaleatoriadelasactividades.Enestospuntos,sepuedealterarla
velocidaddeejecucindelasactividades,yelalgoritmointentadeterminarelsiguientepuntode
controlsinquelasaccionescorrectivaslleguendemasiadotarde.
[deFalco;Macchiaroli1998]propusieronguiarlaprogramacindelasactividadesdecontrolporel
40
criteriodeproductoenproceso ,perolautilidaddeestecriterioespuestaendudapor[Herroelen;
Leus2001].[Bushuyev;Sochnev1999]propusieronaplicarunamedidadelaentropa,apartirdela
teora de la informacin de [Shannon 1948], para controlar la ejecucin del proyecto. En su
aproximacincualitativalaentropaseutilizacomounrecursoms,ysirvecomomedidanica
sobreelpresupuesto,elprograma,lareservadegestinylacalidad.
[ZafraCabezaetal.2005]proponenunaaplicacindelcontrolpredictivobasadoenmodelossobre
unsistemaestocsticodegestindelriesgoquecitaremos,porsuinters,enelapartado2.12,
Nuestravisin.
Recordemosahoraque[Hegazy;Petzold2003],citadosenelapartado2.7.3.1,Losalgoritmos
genticos,planteabanunentornodeseguimientodinmicodelproyectoparalaoptimizacindel
costeconactividadesmultimodo.
40Workinprogress
57/166
2.11.2 La reparacin del programa

Lareparacindeunprogramaesunproblemadereplanificacin,dondeanteincidenciascomo
nuevasactividadesparasecuenciarocambiosenladisponibilidaddelosrecursosporaverasu
otrascausas,seintentaproducirunnuevoprogramaqueseacomputableenpocotiempo,yloque
esmsimportante,contengapocoscambiosrespectodelprogramaoriginal.
[Briandetal.2002]definenunheursticoparaproponerprogramasflexiblesenunentornode
produccinbajopedidomultimodoycontiemposderetardomnimosymximosentretareas.Se
basanenelconceptodesecuenciadegrupos,dondeungrupoesunconjuntodetareasquepueden
sersecuenciadasencualquierordensinafectaralostiemposdefinalizacindelostrabajos.
[Elkhyari et al. 2002] desarrollan un entorno dinmico basado en explicaciones para aadir o
eliminarrestriccionesdelproblemadeplanificacinrestringidaporlosrecursos.Lapropagacinde
estasrestriccionesproduceunnuevoprogramasimilaralanterior.Losresultadoscomputacionales
nosonconcluyentes[Elkhyarietal.2003].
Los citados [Herroelen; Leus 2004] trabajan con programacin lineal para producir una
secuenciacin del proyecto que sea estable ante una perturbacin que se producir en alguna
actividad,yquealterarladuracindesta.Suobjetivoesminimizarlaesperanzadeladesviacin
ponderadadelostiemposdecomienzodelasactividades.
[Wang2005]comparadossolucionesmetaheursticas,medianteunalgoritmogenticoymediante
enfriamientoestocstico,paraelproblemadelareparacindeunprogramadeactividades.Los
eventosqueocasionanlaviolacinderelacionesdeprecedenciaodelaslimitacionesdecapacidad
de los recursos puedenser adelantos delafechadeentrega,nuevas relaciones deprecedencia
descubiertasaposteriori,cambiosenlacapacidaddelosrecursosenciertosintervalosdetiempoo
errores en la estimacin de la duracin de las actividades. Estos eventos disruptivos son
introducidoscomonuevasrestricciones dinmicas,ylosmetaheursticosrealizanunabsqueda
intentando minimizar determinada funcin de coste ligada al consumo de los recursos. Su
recomendacin es emplear principalmente el algoritmo gentico, y utilizar la bsqueda por
enfriamiento estocstico cuando se precise un solucin mejor. Hemos citado ya la tcnica de
reparacinheursticade[Jzefowskaetal.2003],paraloscasosenlosquecambialadisponibilidad
olademandadelosrecursos.
[Bidot 2005] propone una clasificacin de los mtodos de resolucin para secuenciacin de
actividadesencondicionesdeincertidumbrebasadaencmoycundosetomanlasdecisiones.El
modelotericorepresentalasrelacionesentrelageneracindelprogramaysuejecucinycontrol,
eintroduceconceptoscomolassolucionesparcialesylosprogramasflexibles.
58/166
2.11.3 El problema del tiempo medio

Cuando los proyectos incluyen entregas parciales que generan ingresos, econmicamente es
interesanteminimizarnoladuracintotaldelproyecto,sinoeltiempomediodefinalizacindelas
actividades.[Halletal.1996]muestraunalgoritmodeaproximacinentiempopolinomialparael
problemadeunaslamquinaconrelacionesdeprecedencia.
2.12 Nuestra visin: redes

actividades con alternativas
temporales
estocsticas
de
Nuestraaproximacin,enloqueataealamultialternativa,esmuysimilaralade[Liberatore;
PollackJohnson2003]y[PollackJohnson;Liberatore2005].Ellosextiendenlascapacidadesde
GERTparaincluirdistintasduracionesdelasactividadesrepetidasenunciclo,yloscasosde
dependenciaentrelasduracionesdedistintasactividades.Noobstante,prefierenunaaproximacin
de nivel global al problema, aproximacin que llaman de escenarios, estudiando las ramas
probabilistasylosciclos.Nosotrosnosatenemosalaaproximacinclsicaaniveldeactividad,
peroobtenemoslosmismosresultadosglobalesporagregacin.Lodemostraremosenelcaptulo3,
Modelodedatosseccin3.6,Exgesisdelosresultados.PollackJohnsonyLiberatoreutilizan
clculos detallados con software de ofimtica para resolver su modelo. Las duraciones de las
actividadesensumodelosondiscretas.
Hayaproximacionessimilaresalanuestraparaalproblemadelagestindelriesgoenelproyecto
41
que utilizan redes de Petri temporales . Por ejemplo, [Sawhney 1997] propona un completo
42
modelo mediante redes de Petri ttemporales donde las actividades se modelaban mediante
transiciones,ysetenaencuentaelresultadopositivoonegativodelaactividadmediantearcos
probabilsticos. Tambin contemplaba los ciclos en la red. Propona asignar distribuciones
estadsticas para el tiempo o el coste de actividades o grupos de actividades. Los grupos de
actividadessedescomponanenunjerarquaderedesdePetri.Utilizabafichasdistintasenunared
dePetricoloreadaparalaunidaddecontrolylosdistintostiposderecursos.Paralaasignacinde
43
recursoscreabalugaresdefusin .
[ZafraCabezaetal.2004a],[ZafraCabezaetal.2004b],[ZafraCabezaetal.2005]proponenun
41 LasredesdePetritemporalessedefinieronen[Chretienne1983].ConsistenenunareddePetrialaqueseaade
*
unafuncindeduracindelconjuntodetransicionesen .
42 Las redes de Petri ttemporales fueron introducidas por [Ramachandani 1974]. En ellas cada transicin lleva
asociadountiempodedisparo.
43 Loslugaresdefusin,propuestospor[MSC1993]y[Jensen1994]sonlugaresigualadosaotros,demodoque
contenganelmismonmeroytipodefichas.Enesteartculosirvenparacontrolarladisponibilidaddelosrecursos.
59/166
modelodelprogramadelproyectoconelobjetodegestionarelriesgo,comonosotros,aunquecon
mtodosdistintos.Ellosplanteanlasactividadesdemitigacindelriesgoasociadasaunoovarios
factoresderiesgo,loscualesasuvezinfluyenenunaovariasactividadesdelareddelproyecto.La
44
reddelproyectosemodelamedianteunareddePetriptemporal sinalternativasniciclos,yel
problemadeoptimizacinestocsticoesresueltomedianteprogramacinlinealmixtadeenteros.
Enelcampodelaingenieradelsoftware,contamosconunaaportacinsimilaralanuestrapor
parte de [Coronado; Jan 2002]. En su modelo, contemplan tanto las redes probabilsticas del
proyectocomolosciclospararehacereltrabajo.Loquenosotrosestudiamoscomoprobabilidadde
xito ellos lo abordandesdeel puntodevistadela probabilidadde fallo,quevaligada a un
esfuerzoyduracinsuplementarias.Aunquenodandetallesdelosprocedimientosderesolucin,s
queindicanqueutilizanlasimulacindeMonteCarloparalaestimacin.
44 Alcontrarioqueenlasttemporales,enlasredesdePetriptemporalessonloslugareslosquellevanasociadoun
tiempodedisparo.
60/166
3. Modelo de datos
3.1 La red estocstica del proyecto
Una red estocstica de actividades se describe mediante el par (N, A), donde N = {1,...,m}
representaelconjuntodenodosovrticesdelaredyA={(ai,bi): ai , bi N ,i=1,...,n}representa
elconjuntodearcosdirigidos.Sobreestaredseutilizandosrepresentaciones.Enlarepresentacin
deactividadenelarcoografoPERTlasactividadessecorrespondenconloselementosdeA,
siendo a i N elnodoinicialy bi N elnodofinaldelaactividadAi.Noobstante,pararepresentar
prelacioneslinealesydeconvergenciaodivergenciasimultneasesnecesariointroduciractividades
ficticias,porlocualhemosoptadoporutilizarlarepresentacindeactividadenelnodoografo
Roy.Sedefinentambinunnodoinicial r=a 1 N yunnodofinal s=b n N .
CadaactividadAitieneunaduracindefinidaporlavariablealeatorianonegativa i .Asimismo,
cada actividad Ai tiene asociado un estado de terminacin bivaluado en E = {xito, fracaso}
i .
definidoporlavariablealeatoriadiscreta
La estructuraprobabilistadelaredquedadescritaporladistribucinconjuntadelos vectores
aleatorios
={ , ... , } [f38]
1
n
T={1 ,... , n } [f39]
i es,asuvez,unvectoraleatorio
dondecadavariablealeatoria i ,
i ={ i1 , ... , iz } [f40]
i ={i1 , ... , iz } [f41]

i
ylavariablealeatoria ij defineladuracindelaactividadAiensujsimarepeticin,alaque
llamaremos Aij. Del mismo modo, la variable aleatoria discreta ij describe el estado de
terminacin de la actividad Ai en su jsima repeticin, suponiendo que esta repeticin se
materialice.
Sixeselcardinaldelconjuntodecaminos A
gh
, A lo
entredosnodoscualesquieraAgh,Alo,yA(j)el
61/166
conjuntodeactividadesenelcaminojsimo,j=1,...,x,laduracindelcaminojsimoviene
definidaporlavariableestocstica
j=
A ik A j
ik ik
[f42]
donde ik esunavariablealeatoriaendgenaybooleana,queindicasilarepeticinksimadela
actividadAiseproduce.Esimportanteremarcarqueelpropioproyectotambintieneasociadoun
estadodeterminacin enE.Normalmente,esteestadodeterminacin coincideconel
estadodeterminacindeunaactividadfinal,posiblementevaca,delproyecto,quedenotamosAn.
PeroesademsposibledefinirunconjuntoUdeactividadescuyaterminacinexitosaconduzcaa
unxitoenelproyecto.Cualquieradeestasactividadesfinalesquetermineexitosamentesuponeel
triunfo del proyecto. En este caso, la duracin total del proyecto, una de las tres variables
principalesquedefinenelproyectoenelmundoreal,sedefinecomolavariableestocstica
min
/=verdadero =
i A
, Aol
gk
/=falso =
lo =xitoA lo U
max
i A
lo=fracaso
{i }
{i }
[f43]
[f44]
, A lo
gk
Figura1:Estadodeterminacindelproyecto
Lasfrmulas[f43]y[f44]cobransentidodefiniendoelestadodeterminacindelproyectocomo:
p =xito= p
A i U A ij
62/166
ij = xito [f45]
Ambasvariables , sonestocsticas,enelsentidodequevienendefinidasporlasuma(oel
mximoymnimodexsumas)deunnmeroindeterminadodevariablesaleatorias.
3.2 Modelo de actividad

Definimosdosnivelesdeabstraccin.Enunprimernivel,mselevadooconceptual,laactividadAi
tiene una duracin definida por la variable aleatoria i . As mismo, cada actividad Ai tiene
asociada un estado de terminacin bivaluado en E = {xito, fracaso} definido por la variable
i .Enestenivel,laactividadexistecomoconcepto,porejemplo,Construirunaplanta
aleatoria
dehormignarmado,ypuedellevarasociadosunosrecursosqueseconsiderennecesarios.La
actividadseencuentraengarzadaenlaredderelacionesdeprecedenciaquedefinenlosarcosdela
red estocstica de actividades, red que en principio se puede caracterizar como grafo dirigido
cclico.
Enunsegundoniveldeabstraccin,consideramoslasrepeticionesdecadaactividadA ij,demodo
quedesplegamoselgrafoanteriorenunarepresentacinqueformaungrafodirigidoacclico.En
estenivellaactividadexistecomolamaterializacindeljsimointentodellevarlaactividadde
primernivelabuentrmino.Enestenivelnosconciernenloscomponentes ij y ij quedescriben
lasvariablesaleatoriasdeladuracinyterminacindelaactividaddesegundonivel.
Laactividaddenuestromodelosepuededividirconceptualmenteentreszonas:
1.Activacin:Eselpuntoenelquesedecidesilaactividadseponeenmarcha.
2.Desarrollo:Eslazona,deduracinvariable,dondelaactividadvaempleandosusrecursospara
laconsecucindesusfines,consecucinquenoestgarantizada.
3.Terminacin:Eselmomentodondesedecidesilaactividadhacumplidosusobjetivosyhasido
unxito,osi,porelcontrario,hayqueconsiderarlaunfracaso
63/166
Figura2:Zonasdeunaactividad
Paraexpresarelcomportamientodeunaactividaddeestascaractersticasenlaredestocsticade
actividadesdelproyecto,vamosaemplearelformalismodelasredesdePetritemporales.Enel
captulo2,Estadodelarte,hemosvistoalgunostrabajosenelreaconredesdePetri[Sawhney
1997], [Kusumotoetal.1997], [Chang;Christensen1999],[Jeetendraetal.2000],[Kaoet al.
2002], [ZafraCabeza et al. 2004a], [ZafraCabeza et al. 2004b], [ZafraCabeza et al. 2005].
NosotrosutilizaremosredesdePetrittemporales,untipoderedquehaencontradogranaceptacin
enlamodelizacindevariadossistemasdetiemporeal[Montanoetal.2000],[Staines2006]y
flujo de trabajo [van der Aalst 1998]. En nuestro modelo, incluiremos tanto transiciones
estocsticascomotransicionesdeterministas,loquenosinscribeenelformalismodelasredesde
45
Petriestocsticodeterministas .Debidoaquelastransicionestemporalesnosiguendistribuciones
exponencialesnigeomtricas,nopodemosseguirlosformalismosdelasredesdePetriestocsticas
generalizadas [Marsan et al. 1983], [Marsan et al. 1995], ni de las redes de Petri estocsticas
markovianas.PodemosconsideraraesteformalismounareddePetriestocsticamsgeneral.
ParadefinirlareddePetriempleamoslatupla(S,T,F,M0,W,K,H,B,B'),donde:
Seselconjuntofinitodelugares.
Teselconjuntofinitodetransiciones.
FeselconjuntodearcosqueconectanSyT,demodoque F S x T T x S ,esdecir,que
ningnarcoconecteentresdoslugaresodostransiciones.
M0 :S eselmarcadoinicial,segnelcualsecolocaunafichaenellugardeactivacinde
laactividadinicial.Tambin,secolocantantasfichascomounidadesderecursossedispongan
enloslugarescorrespondientesalosrecursos.
+
W :F eselconjuntodepesosdelosarcos,indicandoalternativamentecuntasfichasse
consumendeunlugar,sielarco f S x T ,oseproducenenunatransicin,sielarco f T x S
45 ParaelestudiodelasredesdePetriestocsticodeterministasvanseloscaptulos2y3de[Lindemann1998].
64/166
.
+
K : S eselconjuntoderestriccionesdecapacidaddeloslugares.
HF eselconjuntodearcosdeinhibicin,queimpideneldisparodeunatransicincuando
ensulugardeorigenhayfichas.
b
B= Dist , escalada Eselprimervectordeatributosdelasbtransicionestemporales,cuyo
primercomponenteindicaladistribucinaleatoriaycuyosegundocomponenteindicaquela
anteriordistribucinpuededependerlinealmentedelnmerodefichas.Noesnecesarioquelas
distribucionesseanexponenciales.
b
B'= Bernoulli ,escalada Es el segundo vector de atributos de las b transiciones
temporales,cuyoprimercomponenteindicalaleydeBernoullidelaprobabilidaddeconducira
los lugares de salida asociados al xito, y cuyo segundo componente indica que dicha ley
dependelinealmentedelnmerodefichas.
Siparaunatransicin t T llamamos I t S alconjuntodelugaresnormalesdeentrada,es

decir, lugares que preceden a la transicin de modo que exista un arco en F que los conecte
directamente.Llamamosa L t S loslugaresinhibidoresdeentrada,demodoqueexistaunarco
enHquelosconectedirectamente.Suponemosque L t I t = t .
Enlastransiciones,distinguimos T ' T unsubconjuntodetransicionesinmediatas,siendoelresto
T''temporales T ' = TT ' ' = T b .
Sea J t S elconjuntode lugaresde salidade unatransicin.Si t T '' ,distinguimos los
subconjuntos E t J t y F t J t correspondientesalosestadosdelaactividadenE=
{xito,fracaso}respectivamente.
E t F t = [f46]
E t F t = J t [f47]
Sea Mp={m1, m2, ,m L } unmarcadodelareddePetridonde L=S ymj eselnmerode
fichasenellugar sj S .Paraestemarcadodefinimos:
E Mp ={t T : m j1 sj I t mi =0 m i L t } [f48]
Estorepresentaelconjuntodetransicionesquesehallanhabilitadas.Sobreesteconjuntosedefine
unordendeprioridaddedisparo.Lastransicionesinmediatassedisparanprimero.Sealaprimera
transicin t E Mpt T ' ' unatransicintemporalhabilitada,definimoslaprobabilidad:
b' t ,M p=p jE t : m j '=m j W t , j/ M p [f49]

donde m j ' Mp1 yW(t,j)representaelpesodelarcoquellevadelatransicinallugardesalida.
65/166
NtesequelaprobabilidaddependedelmarcadoMp.Enparticular,dependedelmarcadodeun
nicolugarquerepresentaelnmeroderepeticionesdelaactividad.
En la figura 3 podemos ver una actividad tpica de yuncin, que tiene varias actividades
predecesoras:
Figura3:ModelosimpledeactividadenreddePetri
66/166
Lasrelacionesdeprecedenciaestnrepresentadasporlosarcosquesalendeloslugaresp1,p2,p3,
p4yp5.Laduracindelaactividad, i estmodeladaenlatransicintemporalmarcadaporel
trazogruesoN(8,2),conloqueexpresamosquelecorrespondenvariablesaleatoriasnormales.La
i estrepresentadaporlosarcosetiquetadosquellevanaloslugares
terminacindelaactividad,
p7yp8.SiguiendoelmodelodelasredesdePetriestocsticasmsgenerales[Haas;Schedler
1987],losarcosindicanlaprobabilidaddeseguirunoyotrocamino.Lastransicionesrepresentadas
porunalneasoninmediatas,lastransicionesrepresentadasporunrectngulosontemporales.
Acontinuacin,veremosotrosdetallesdelmodelo.
3.2.1 Activacin
Hemosdefinidoglobalmentelosarcosentreloslugaresp1,...,p5delafigura3 ylastransiciones
comorelacionesdeprecedencia.Siendomsprecisos,sonloseventosdeactivacinEvij losque
relacionanalaactividadconsuspredecesoras,demodoque A j P i dondePi eselconjuntode
actividades que preceden inmediatamente a Ai. Cada evento de activacin puede ser de signo
positivo, si el evento colabora en la activacin cuando la actividad predecesora tiene una
terminacinexitosa,odesignonegativo,sieleventocolaboracuandolaactividadpredecesora
falla.Noexistenotroseventosdeactivacin,aunqueahorapasaremosaconsiderarloseventosde
desactivacinligadosaltiempoyalnmeroderepeticionesdelaactividad.

i ,tenemosunavariablealeatoria
Enelniveldeactividad,apartedelasvariablesaleatorias i y
t i , z i que indica si la
booleana endgena definida por una funcin de activacin i =f i i ,
actividad comienza a ejecutarse. Los parmetros de la funcin son el vector
i ={ 1, , j , ,P : j
l , A l P i } ,determinadovectorde ti tiemposmximosderealizacin
i
deloseventosdeactivacinyuncontadorziquemarcaelnmeromximoderepeticionesquela
actividadadmite.
Elcontadorderepeticionesziseencuentrareflejadoenlafigura3medianteellugarp6,demodo
quesisesuperaelnmeroderepeticioneszi ,laactividadatraviesalatransicinnotemporalt1y
terminaenunestadodefracaso.Asuvez,desdeellugarp9seinhibelatransicinprincipalN(8,2).
Elvector ti indicalostiemposmximosderealizacindeloseventosdeactivacin.Enlafigura3
semuestraunaversinsimplificada,segnlacualtodoslostiemposmximossonidnticosat,yla
transicintemporal(t,t)llevaalestadodefracasop8unaveztranscurridoeltiempot.Igualmente,
latransicinprincipalquedadeshabilitada.
Grficamente,despiezandolafigura2veramos:
67/166
Figura4:Despiecedelaactivacin
Una caracterstica del evento son los tiempos de activacin. Independientemente del signo del
eventoEvij,
t j f j ij = false [f50]
dondellamamos ij elvalordelafuncindeactivacinenloquerespectaaleventoEv ij.yfj al
tiempo de finalizacin de la actividad predecesora Aj en el programa P. Para ello es preciso
determinarelprogramaPmedianteunalgoritmodesecuenciacin,comoveremosenelapartado
3.6,Exgesisderesultados.Esloqueenlafigura3 expresaelarcoquevadelatransicin
temporal(t,t)allugarp8.
Lafuncindeactivacindeterminaelcursoquetomarlaactividad,yaquesilaactividadnollega
aactivarse,nopuedellegarabuentrmino:
ij = false ij = false [f51]
Adems,laduracindelaactividadtambinseveafectada,demodoquelaactividadquenollegue
aactivarsenoconsumetiempo,niporlotantorecursos:
ij = false ij =0 [f52]
La funcin de activacintratadedescribir ciertas relaciones entre las actividades que,aunque
68/166
presentesenlaprcticarealdelagestinporproyectos,nohanencontradohastaahoraunamanera
sencilla de entrar en las aplicaciones informticas. Por ejemplo, es posible que una actividad
comiencesuejecucincuandoalgunadesuspredecesorasconcluyaexitosamente,sinnecesidadde
quelohaganlasdemspredecesoras.Paraello,hemosincluidolafuncinbooleanaORcomouna
delasposiblesfuncionesdeactivacin.
Porejemplo,ysiguiendoelformalismodelasredesdePetri,estaactividadcontieneunafuncinde
activacinOR:
Figura5:ModelodeactividadconactivacinORyretroalimentacinenreddePetri
69/166
Enelejemplodelafigura5hemosintroducidounlugarp4,querepresentalaactivacindeORuna
uotraclusula.Laprimeraclusula,conloslugaresp1yp2ylatransicininmediatat1,eselpunto
de yuncin de dos actividades precedentes. La segunda clusula indica un bucle de
46
retroalimentacin.Estrepresentadamedianteellugarp3ylatransicininmediatat2 ,eneste
caso,ymedianteellugarp8,querepresentaelfracasodelaactividadmodeladaylatransicin
inmediata t4. Es decir,laactividadsedisparacuandodos predecesoras hayanfinalizado en el
estadoadecuadoocuandolapropiaactividadtermineenestadodefracaso.
NuestrosistemaincluyelasfuncionesdeactivacinANDyOR.LafuncinANDimplica que
todosloseventosdeactivacintienenquesucederparaquelaactividadcomience.Entreambas
funcioneslgicasylossignospositivoynegativodeloseventosdeactivacinpodemosmodelar
funcioneslgicasdecomplejidadarbitraria.
3.2.1.1 Prescindibilidad
Cuandoenunsistema,enunmismoproyecto,semezclanambasfuncionesdeactivacin,surgela
cuestin de saber cules de las actividades son realmente necesarias para la completitud del
proyecto.
Desde el punto de vista estocstico, definimos la necesidad de una actividad para terminar el
proyecto como imprescindibilidad. Suponemos que, si la actividad no es necesaria para la
terminacinexitosadelproyecto,podemoseliminarlademanerasegurayahorrarelesfuerzodelos
recursosasociados.Estoesloque[Gillies;Liu1995]llamaronunmodeloAND/ORconomisin.
Todo esto se realiza en el contexto de la simulacin, de modo que si una actividad falla con
probabilidadp,yesteresultadonoesvlidoparalaactivacindeunaactividadposteriordefinida
porlafuncinlgicaOR,entonces,conunaprobabilidadp,losrecursosdelaactividadencuestin
nosernnecesarios.
Existendoscausasdeprescindibilidad.Laprimeraestenelresultadodelaactividad,esdecir,que
elresultadonoseavlidoparaundeterminadoeventodeactivacinposterior.Lasegundaestenel
tiempo,elcasoquesedacuandolaactividadobtieneelresultadoquelanzaeleventodeactivacin
posterior,peroloobtienedespusdequehayasucedidootroeventodeactivacindelquedepende
la funcin lgica OR. Est claro que esta segunda causa de prescindibilidad depende de la
planificacinconcretaquesesigaenelproyecto.
46 Obsrvesequelapresenciadelatransicint4impidequelaactividadsedispareunavezmsdelonecesario.Otra
maneradeevitarlacondicindecarreraentret2yt3consisteendefinirunordenprioridadparadisparoenel
conjuntodetransicionesinmediatas.Tambinesposibleeliminart3,fusionarp5yp7ypasarelpesodelarco(p5,
t3)alarcoinhibidor.
70/166
Cuandolacausadelaprescindibilidadresideenelresultadodelaactividad,laactividadsloes
prescindible,y,porlotanto,slopodremosahorrarsusrecursos,silanoactivacindelaactividad
conduce al resultado que no lanza el evento de activacin de la actividad posterior. Es decir,
actuamoscomosilaimprescidibilidaddelatareafueseunacondicinnecesariaparasuactivacin.
Laprescindibilidaddeunaactividadesunatributoquesepropagaporsuspredecesoras.Veamosun
ejemplo:
Figura6:Ejemplodeproyectoconactividadprescindible
Lospuntosdecolorrepresentanelfinalexitosoofallidodelaactividad.LaactividadEesuna
actividad OR, y puede ser activada por D o por C o por B. En este caso determinado, si la
planificacinquesehaseguidoesvorazyprogramalasactividadesparaempezarcuantoantes,la
actividadEesactivadaporlaterminacinexitosadeDeneltiempo2.LaactividadCterminaenel
tiempo3,yesprescindibleporcausadeltiempo.Suejecucinpuedeseromitida,ysusrecursos,
porlotanto,puedenahorrarse.
Ahora,qusucedeconlosrecursosdelaactividadB?Susrecursostampocosonnecesarios,ya
quenoesnecesarioproducirlascondicionesdeactivacindelaactividadC;asquelaactividadB
esindirectamenteprescindible.Tambinesdirectamenteprescindible,yaquesuresultadofallido
nodisparaningneventodeactivacinenD.
Laprescindibilidadquejuzgamostraslaparticularsimulacindelproyectoesundatoobtenidoa
posteriori.Enestesentido,eldatoqueofrecemosaldirectordeproyectoindicalafutilidaddel
esfuerzodedicadoadeterminadoplandetrabajoconcurrente.
71/166
Endeterminadoscasos,quepuedenserprevistosapartirdelasimulacin,estaprescindibilidad
puede ser determinada por el director de proyecto en tiempo real. Obsrvese en el proyecto
simulado en la figura 6 que en el tiempo 2 han finalizado las actividades A, B y D. En ese
momento, el director de proyecto tiene informacin suficiente para saber con certeza que la
actividad C es prescindible. El director de proyecto puede llegar a la conclusin de que una
actividad es prescindible en medio de su ejecucin. En ese caso, la decisin de suspender la
ejecucindelaactividadparececonsecuente.Porlotanto,esoportunoaveriguarenqumomento
seproduceestaperspicuidaddelaprescindibilidadparaafinarlaprevisinderecursosempleados
enlosplanesalternativos.
Paraestudiarelproyecto,obtenemosunasimulacindetodaslasvariablesquecontieneQrondas.
Una vez realizada la temporalizacin del proyecto, en una ronda cualquiera de simulacin q
[q]
definimosB icomoelconjuntodelasactividadesqueprecediendoalaactividadAicumplen
Bi ={A j A j P i sign j =sign Evij }
[q ]
[q ]
]
q ,i B[q
P i
i
[f53]
[q]
[q]
DefinimostambincomoD ilasactividadesqueprimeroterminandeentrelasdeB i.
Di ={A j A j Bi f j =min f k k : A k B i } [f54]
[q]
[q ]
[q]
[q]
[q]
Llamaremos t i altiempofj enqueterminanlasactividadesdeD i.Dos subconjuntosde los

conjuntos recin definidos nos sern tiles. Primero, declaramos las actividades activadoras
positivas.
[ q]
E i ={AJ A j Bi j =xito} [f55]

[q ]
[q ]
[q]
y, a continuacin,aplicamosestadeclaracinsobreD i,quecontienelasprimeras actividades

activadoras
[ q]
[ q]
F i =E i D i [f56]
[q]
unafuncin
Enloscasosenlosquelafuncindeactivacincontengarespectodelcomponente
i
lgica atmica, simple, podemos definir AOR para representar el conjunto de actividades del
proyectoquetienenunafuncindeactivacinOR,yAANDelconjuntodeactividadesdelproyecto
que tienen unafuncindeactivacinsimple ANDotienenuna nicapredecesora,oninguna.
Entonces,podemosdefinirrecursivamentelaimprescindibilidaddeunatareamediante
72/166
[ q]
Ai I Ai A AND E i I
[q ]
[q ]
]
Ai I [ q] Ai AOR F [q
I [q]
i
[f57]
partiendodelcasobsico
A n I
[ q]
[f58]
Porlotanto,laimprescindibilidaddeunaactividadAiseestimacomo
M
ii=
q=1
]
A[q
I [q ] 1
i
[ q]
[ q]
Ai I 0 [f59]
Q
Enloscasosenlosquelafuncindeactivacinseacompleja,comoenelejemplodelafigura
5166,procederemosdeanlogamaneraconloslugaresquecorrespondenalasfuncioneslgicas
simples,yaplicaremoslasfrmulas[f57]hastacolegirlaimprescindibilidaddelapropiaactividad.
3.2.2 Desarrollo
Figura7:Despiecedeldesarrollo
Enlafigura7 podemosobservarundespiecedelmodelodeunaactividad,destacandolafasede
desarrollo.Aunquelarepeticindeactividadesestcontempladaenelmodelo,nosepermitequela
mismaactividadseestejecutandodosvecessimultneamente.Esloque,enelformalismode
73/166
redesdePetri,seconocecomoreddePetritemporalnoreentrante[Carlier;Chretienne1988].
3.2.2.1 La duracin probabilstica
La duracin delaactividad,supuestoquerealmentellegueaactivarse,vienedefinidaporuna
funcin de distribucin de probabilidad, o por un simple nmero cuando se considera que la
estimacindeunslopuntoessuficiente.
Lasdistribucionesdeprobabilidadpuedentomarvariasformas,paramtricasonoparamtricas.
Paralaaplicacinconcretadeladuracindelaactividadutilizaremosdistribucionesparamtricas
47
continuas .Asaber:
48
1.Uniforme:Distribucinequiprobableentredospuntos .
2.Normal: Distribucinsimtricaconformadecampana N , 49.
50
3.Lognormal:Distribucincurvaconunacolafinalmsalargada .
Unadelasdificultadesdelusodelasdistribucionesparamtricasresideenlaestimacindelos
parmetros,quenosuelenserintuitivos.Paralaestimacinsubjetivadelosparmetrosdeuna
distribucinnormal,nosbasamosenqueelvalormsprobablecoincideconlamedia yen
queelintervalo [2 , 2 ] contieneel95%delosvalores.Porlotanto,siseestimael
51
valormximoconun95%deconfianza,comosesuelepedirparausarunaBetaPERT ,
=
maxmoda
2
[f60]
Ladistribucinnormalseextiendedeinfinitoa+infinito,aunquenosotroslatruncamosen0ya
que i .
Otromtododeevaluacineselmtododelosfractilos[Selvidge1980],segnelculd esel
fractil,yelfractild1sedefinecomoelpuntodonde
P d1 =1 [f61]
47
48
49
50
Paraelestudiodelasdistribucionesdeprobabilidadcontinuasvase[Johnsonetal.1970]
Lareferenciadeladistribucinuniformesepuedeencontraren[Johnsonetal.1995a]
Lareferenciadeladistribucinnormalsepuedeencontraren[Johnsonetal.1994a]
La distribucin lognormal describe una variable aleatoria cuyo logaritmo tiene una distribucin normal. La
referenciadeladistribucinlognormalsepuedeencontraren[Johnsonetal.1994b]
51 Ladistribucinbetaesunscurvadeformavariadaenelintervalo[0,1].Incluyealadistribucinuniformeentre
estos dos puntos. La PERT define un mtodo especfico para estimar sus parmetros. La referencia de la
distribucinbetasepuedeencontraren[Johnsonetal.1995b]
74/166
Especficamente,paralaestimacinsubjetivadelosparmetrosdeunauniforme,podemosseguira
[Chapman; Ward2000] ypedir los valores mnimos ymximos enlos percentiles 10 y 90%.
Posteriormente,calculamoslosmnimosymximosrealesextendiendoun10%esterango.
Enloscasosenlosquelaejecucindelaactividaddeberepetirsevariasveces,avecessucedeque
losparmetrosdedistribucindeprobabilidaddependennmeroderepeticindelaactividad.Enel
formalismodelasredesdePetrisedefinecomounadependenciaescalarrespectodelmarcadode
unlugar.
Figura8:Dependenciaparamtricadelnmeroderepeticiones
75/166
Veremoslaaplicacindeestemodeloenelapartado3.3.3Losciclosrepetitivos.
3.2.2.2 Los recursos complejos
El desarrollo de la actividad incorpora el concepto de recursos complejos, segn el cul las
necesidadesdelosrecursosdelaactividadnosonnicasdurantetodaladuracindelamisma,sino
queunosrecursospuedenentraratrabajarenundeterminadopuntodeldesarrollodelaactividad,o
dejardeserutilizadosantesdesufinalizacin.
Elcostedeunaactividadestligadoalosrecursoscomplejos.Entendemosqueelcosteseva
produciendoduranteeldesarrollodelaactividad,unavezquestahayasidoactivada.Elcoste
ij delaactividadrepetidaAijdependedelavariablealeatorialigadaasuduracin,enelsentido
deque
ij = cs ijk l ik ij=ij
R k Ri
Rk R
i
cijk l ik
[f62]
dondecsijk representaelconsumoprevistodelrecursoRk enlaactividadAi durantesujsima

repeticinylikrepresentalafraccinde ij queesperaocuparelrecursocomplejoRk.esuna
={R ,R ,} agrupacin de conveniencia que representa los recursos necesarios para
R
i
1,
k
llevaracabolaactividadAi.Estosrecursospertenecennecesariamentealosrecursosdelproyecto
,yasuvez,enunnivelsuperiordeagregacin,alosrecursosdelportafolio
RG .Estonos
R
permite precedir y gestionar conflictos por los recursos en el nivel tcticoestratgico de la
organizacin(vaselafigura12).
={R ,R ,},R R

R
RG [f63]
i
1,
k
k
76/166
3.2.3 Terminacin
Figura9:Despiecedelaterminacin
Laterminacindelaactividadreflejaelxitodesta.Laterminacinpuedeserexitosaofallida.
52
EsteresultadoseestableceenbaseaunaleyestadsticadeBernoulli .Elfinexitosoofallidodela
actividadesprobabilsticopornaturaleza,aunquesepreveenque,porconveniencia,enmuchos
casosseestablezcaunaprobabilibaddexitoiguala1.ElparmetrodelaleydeBernoullilodefine
elplanificadorenfuncindesupercepcindelriesgointrnsecodelaactividad.Estapercepcin
sersubjetivalamayorpartedelasveces,aunquelainformacinhistricasobreelresultadode
actividadessimilarespuedeayudarmuchoalacorrectaestimacindelparmetro.
LaleydeBernoullipuedeparametrizarse,enloscasosenlosqueseproduzcalarepeticindela
actividad,paraquedependadelnmeroderepeticiones,comosemuestraenlafigura8.Veremosla
aplicacindeestemodeloenelapartado3.3.3 Losciclosrepetitivos .
No deben incluirse en la ley estadstica cuitas sobre la terminacin correcta de actividades
precedentescuyoproductonecesitelaactividadencuestin,nidudassobreladisponibilidaddelos
recursosnecesariosparaeldesarrollodelamisma.Estosaspectosdelaincertidumbreestructural
sontratadosespecficamenteporlosalgoritmosdesimulacinyasignacinderecursos.
Tampocorecomendamos,deacuerdocon[Demeulemeester;Herroelen2002],evitarconflictosen
los recursos mediante relaciones de precedencia de comienzo a comienzo, relaciones que
aprovechenlabajadadelademandaderecursoshaciaelfinaldelaactividadparapermitircierto
grado de solapamiento. Las relaciones de precedencia deben marcar nicamente restricciones
tcnicas,ylosposiblesconflictosenlosrecursossedejanparaquelosresuelvaelalgoritmode
52 Distribucindeprobabilidaddiscretaquetomavalor1conprobabilidadpyvalor0conprobabilidadq=1p
77/166
53
asignacinderecursos.Comobienindican[Cloughetal.1972] :
[...]tales restricciones se introd uca n en la red como relaciones lgicas.
Este mtodo de cablear las restricciones, sin embargo, dificulta el
proceso de actu alizar y cambiar el progra m a , ya que la reorde n acin de
las priorida de s de los recursos en el proyecto debe ir siempre
acomp a a d a del recableado de tales relaciones restrictivas.
Otroasuntoesqueestealgoritmoaprovechedichainformacin,modeladabienmedianterecursos
complejos o bien mediante un nivel ms de detalle en la estructura de descomposicin del
problema,parapermitironolaconcurrenciadeactividades.
3.3 La red generalizada del proyecto

3.3.1 Las redes de alternativas mltiples
54
Estetipoderedesconocidoenlaliteraturacomoloscaminosalternativos ,elproblemadelPERT
conalternativasolareddeactividadesconrelacionesdeprecedenciaAND/OR.
A menudo se tiende a obviar o eliminar las alternativas durante un proyecto. El personal del
proyectosueleconsiderarunasolaalternativa,yunnicocursodeaccin.Engeneral,sesuele
elegirlaalternativamssegura,lamsconservadora[McCrayetal.2002].Lasrazonesdeeste
comportamiento estn en la dificultad de contemplar todas las opciones a la vez. Como
consecuencia, las aproximaciones ms creativas a los problemas son eliminadas, y muchas
oportunidadesdeinnovacinyposicionamientocompetitivoseesfuman.Porello,proponemosen
esteprototipounmodelodondelasalternativasdeejecucinsecontemplanalavez.
3.3.2 Los planes de mitigacin del riesgo
Unadelasutilidadesdelnuestromodelo,quecombinalaterminacinbiestabledelaactividadcon
laactivacinmediantedisparadoresAND/OR,estenelestudiodelosplanesdemitigacindel
riesgo.Ensuvariantemshabitual,stostomanlaformadeunplandecontingenciaquesedebe
activar ante determinadoeventodesfavorable.Ennuestromodelo,eleventodesfavorableesla
terminacinfallidadeunaactividad.
53 Lacitaserefiereala4edicin,de2000.
54Alternatepaths
78/166
Elplandecontingenciapuedesertancomplejocomosenecesite,eincluir,adems,suspropios
planes de contingencia. Puede consumir recursos de reserva, o utilizar los propios recursos
asignadosalproyecto.
Porejemplo,presentamosestecasodelaindustriadelsoftware:
Paralaintegracindetresaplicativosseproponenlassiguientesactividades:
Actividad
Descripcin
Probabilidad
dexito
Duracin
A1
Instalacindeplataformadepruebas
0.7
A2
Configuracindelentornodepruebas
A3
Programacinenbasededatos
0.9
A4
Programacinmediantelainterfaz1
1.5
A5
1.5
A6
Sincronizacincon3 sistema
1.5
A7
Cuadernodepruebas
A8
Pruebasdelmdulo
10
A9
Pruebasdeintegracin
10
Tabla1:Proyectosinplandecontingencia
La probabilidadde xitoindicalaconfianzadeldirectordeproyectoenqueelobjetivode la
actividadsealcanceenunplazorazonable.Esdecir,seconsideraquelaactividadfracasacuando
alguienevalaqueelproductodelaactividadesdefectuoso,yhayquetomarotraalternativao
recomenzarlaactividad,ocuandolaactividadsehaalargadohastatalpuntoqueelresponsable
decideabandonarlaactividad.Noseconsiderafracaso,perse,respectodeestaprobabilidad,quela
actividadsealarguemsalldesutiempodeterminacinoquelaevaluacindelproductoindique
la necesidad de continuar la actividad. Obviamente, la baja probabilidad de xito de A1, una
actividadinicial,cuestionademanerainaceptablelaviabilidaddelproyectoentero.Elproblema
radicaenlanecesidaddeconseguirunhardwareespecialdeunproveedorconunhistorialdefallos
yretrasos.
Sepreparaunplandecontingenciaparaelcasoenqueestehardwarenollegueonoseaconformea
la especificacin. En su caso, se trabajara con otro tipo de plataforma. Desgraciadamente, la
79/166
plataformadecontingenciaplanteaunaincompatibilidadconlabasededatosdeA3,yesnecesario
aadirmsactividadesparaasegurarlaentregafinal.
Estasseranlasactividadesquesedeberanrealizarenelcasodequefuesenecesarioejecutarel
plandecontingencia.
Actividad
Descripcin
Probabilidad
dexito
Duracin
0.7
A1
InstalacindeplataformadepruebasA
A2
ConfiguracindelentornodepruebasenA
A3
InstalacindeplataformadepruebasB
A4
ConfiguracindelentornodepruebasenB
A5
Programacinenbasededatos
0.9
A6
Programacinensistemadeficheros
10
A7
1.5
A8
1.5
A9
Sincronizacincon3 sistema
1.5
A10
Cuadernodepruebas
A11
Cuadernodemigracin
A12
Pruebasdelmdulo
10
A13
Pruebasdeintegracin
10
Tabla2:Proyectoconplandecontingencia
Laaproximacindisponibleenlossistemasdegestindeproyectosactualesconsisteenplantearun
escenarioparaelcasoenqueA1termineexitsamente,yotroescenarioparaelcasoenquefracase.
Ambosescenariosseprogramanporseparado,comoproyectosdistintos,yluegoserealizaalgn
tipodeintegracinadhoc.Esunaaproximacinperfectamenterealizablesilosescenariosson
pocos,peroescalamuymal.PodemosobservarquelaprobabilidaddexitoenlaactividadA3es
tambinpreocupante.Podranecesitarseotroplandecontingencia,loquenormalmentetendrun
efectomultiplicativosobreelnmerodeescenariosaconsiderar.
Ennuestromodelo,todoslosplanesdecontingenciayaccionesmitigadoraspuedenserintegrados
en la planificacin del proyecto. Por lo tanto, facilitamos que el profesional siga las
80/166
recomendacionesdeincluirlasactividadesdegestindelosriesgosenelmarcodelciclodevida
delproyecto[Chapman;Ward1997],[Jaafari2001].Losindicadoresdetransicindelosriesgos
tambinpuedenserincluidos[DeMarco;Lister2003]amododeactividadesdecontrolquese
activanenfuncindelosresultadosdeotrasactividadesdechequeo.Paraelcasoquenosocupa,
estosuponeconsiderarlasiguientereddealternativas:
Figura10:Reddelproyectoconplanesdecontingencia
Laslneasrojasdiscontinuasindicanelplandecontingencia.Elplandecontingenciaselanzaenel
casodefallodelaactividadA1(puntorojo).Lascuatroactividadesqueseejecutanenparaleloson
81/166
necesariasencualquiercaso,asquesuactivacinreflejaconunsmbolodepuertaORlosdos
eventos que puedenactivarlas.Elhechodequeel plande contingencia incluya otra actividad
correctoraposterior,A3,hacenecesariaunafuncindeactivacincompuestaenlaactividadA12.
Estemodelopermitenoslocomprendergrficamente,deunvistazo,eldesarrollodelplande
contingencia,sinocalcularconexactitudtiemposydatoscomolaesperanzaoelrangodeltiempo
de terminacin del proyecto o del tiempo de comienzo de alguna de sus actividades. Incluso
aspectosmsrecnditos,comolaprobabilidaddeconflictoporlosrecursosentrelaactividadde
contingenciaA11ylaactividadnormalA7puedensercalculadosparatomarlasmedidasoportunas
conantelacin.
3.3.3 Los ciclos repetitivos
Losestudiosclsicossobrelosgrafosdeactividadesenlagestindeproyectos,yaseagrafosde
actividadenlosnodos[Roy1962]ografosdeactividadenlosarcos[Malcolmetal.1959],exigen
queelgrafoseadirigidoacclico.Estosesueleexpresarcomoungrafodirigidoenelcualningn
caminoempiezayterminaenelmismonodo.
Paramodelarsituacionescomolasrespuestasadefectosdecalidadqueimplicanlarepeticinde
ciertassecuenciasdeactividades,nosotroshemosconsideradointeresanterelajarelrequisitoque
impidelaformacindeciclos.Permitimosindicarentrelasactividadesquedisparanlafuncinde
activacindeunadada,algunaqueseaasuvezsucesorasuyadeordenn.Esdecir,puededarseel
*
*
*
*
casodeque Ai , A j A j S i A j P i dondeS iyP iindicanrespectivamentelosconjuntosdelos
sucesoresypredecesoresdecualquierordendeAi.Estacaractersticapermitelaexistenciadeciclos
obuclesderepeticindentrodelgrafo.Porejemplo,enlafigura11:
82/166
Figura11:Proyectoconciclos
Laprelacin <A7,A5>estableceuncicloenelgrafo,queafectaalasactividades A7 yA5,pero

tambinalasactividadesA6yA8.Lautilidaddeestetipodeciclosestribaenquepermitenexpresar
demaneranaturalaquellassituacionesenlasquesetornaprecisorepetirpartedeltrabajorealizado.
Eningeniera,eldirectordeproyectopuedepreverunavueltaatrspararepetirdesdelafasede
diseo.Enconstruccin,avecesesprecisoacometerunaactividaddederriboyvolveraemprender
ellevantamientodeunmuro.Asociadoaestosciclos,apareceelconceptodecontroldecalidad,
que nosotros representamos mediante la variable aleatoria fijada a la terminacin exitosa o
fracasadadelaactividad.Esestecontrolelquedisparaenciertoscasoselcicloderepeticin.
Porconveniencia,definimosPicomoelconjuntodepredecesoresinmediatosdeAiexcluidoslos
arcosderetroalimentacin,yPi elconjuntodelospredecesoresinmediatosatravsdedichos
arcos. Pi=P 'i P' 'i Anlogamente, tenemos Si y Si. Si=S 'i S' 'i Definimos tambin ARD
comoelconjuntodeactividadesalasquellegaunarcoderetorno,yAROelconjuntodeactividades
delasquesaleunarcoderetorno.Enelejemplodela,ARD={A7}yARO={A5}.Esnecesarioque
A RD AOR paraqueelproyectosearealizable.
Enloscasosenlosquelosciclosestnpresentes,lafuncindeactivacindedeterminadaactividad
83/166
t i , z i ,debeevaluarseantesdequealgn j , eleventode
Ai, quesedefinecomo i =f i i ,
l : A l Pi alvectordevariablesaleatorias
l determinacinde
activacinquecorresponde j
laactividadAl,hayapodidoserdefinido.Aunquepuededefinirsezidistintoporcadaactividad,por
simplificarlaexplicacinasumiremosquetodaslasfuncionesdeactivacinutilizanlacotamxima
z=max [ zi ] .Lareferenciaaeventosdeactivacinincompletosnosobligaaimplementaruna
Ai
funcinvorazdeevaluacindefi,delmismotipoquelaevaluacindeactividadesOR.Porla
mismarazn,laactividaddeberecordarculfuelaconfiguracindeeventoqueprodujeronsus
anterioresactivaciones,paraevitarvolveradispararsesinquehayauncambioqueindiqueuna
vuelta atrsporelciclo.Asmismo,paravolveradispararactividadescomo A6,A7 uA8 del
ejemplo,actividadesquepertenezcanalciclosinestaractivadasporelarcodevueltaatrs,es
necesarioquelaactividadanteriorpropagueunasealqueindiqueelnuevociclo.
La solucin que proponemos consiste en contraponer la actividad terica Ai con la actividad
simuladaen elturnoq. Elementosmuestralesdelaactividadtericaenelturnoqforman el
conjunto
[ q]
[ q]
[q ]
Fi ={A i1 , ... , Aiz } z , z0 [f64]

3.3.3.1 Algoritmo de despliegue de las iteraciones en los ciclos
[q]
ElprocesodecreacindelconjuntoF isigueelalgoritmo:
1.DefinirlaordenacintopolgicaTdelconjuntodeactividadesA,excluyendolosarcosde
retroalimentacin.
2.TomarlaprimeraactividaddeT,Ai<A1.Iniciarelnmerodeciclok<1.
[ q]
3.Si Fi = , evaluar la funcin de activacin excluyendo los arcos de retroalimentacin.
[ q]
[q ]
Crearelementomuestralyaadirlo. Fi {A i1 }
4. Si k < z, evaluar la funcin de activacin teniendo en cuenta todas las relaciones de
precedencia.
5. Si k = z, evaluar la funcin de activacin teniendo en cuenta todas las relaciones de
precedencia,perodeshabilitarlosciclosderetorno.
[ q]
[q ]
[ q]
6.Evaluareldesarrolloyterminacindelaactividadsimulada. Fi Fi {Aik }
7.Si los ciclos de retorno estn habilitados, A jSi volver al paso 3 en el orden de T,
incrementandokencadaarcoderetroalimentacin.
8.Sino, A jS 'i volveralpaso3enelordendeT.
84/166
3.3.3.2 Clculo de tiempos ms tempranos
Debido a las iteraciones, el clculo de los tiempos tempranos debe ser modificado. Debemos
calcular varios tiempos de comienzo tempranos para cada actividad Ai, que denominaremos
sucesivamenteti,1,...,ti,z.Paraelloutilizamoselsiguientealgoritmo:
1.DefinirlaordenacintopolgicaTdelconjuntodeactividadesA,excluyendolosarcosde
retroalimentacin.
2.TomarlaprimeraactividaddeT,Ai<A1.Iniciarelnmerodeciclok<1,yt1,1=0.
, t i , k =max [ t j , k t ji , k ]
3.Si A A
i
AND
A j Pi
4.Si A i ARD ,
5.Sik=1, t i ,1= min [ t j ,1 t ji,1 ]
A j P 'i
[ t j ,k 1t ji , k 1 ]
6.Enotrocaso, t i , k =Amin
P ''
j
7.Si A i AOR A i A RD
, t i , k =min [ t j , k t ji , k ]
A j Pi
8. A jSi volveralpaso3enordendeT,incrementandokencadaarcoderetroalimentacin.
Silafuncinlgicadeactivacinescompleja,aplicaremoselalgoritmodeformaanlogasobrelos
lugaresquecorrespondenalasfuncioneslgicasmssimples.
3.3.3.3 Clculo de tiempos ms tardos
Para el clculo de los tiempos ms tardos, procedemos a la inversa del algoritmo 3.3.3.2,
recorriendolaordenacinTdesdelaactividaddefindeproyectohaciaatrs,yrecorriendolos
ciclos desde z hasta 1. Igualmente, partimos de la ordenacin topolgica T del conjunto de
actividadesA,excluyendolosarcosderetroalimentacin.Posiblemente,nosencontraremoscon
instanciasdeproyectosenlasque Fi : F i z .Estopuedeserdebidoaqueestasactividades
*
*
antecedanalciclo( A RDSi AROS i ),oporelcontrario,aquecorranenparaleloal.Eneste
ltimocaso,interpretamosloselementosdesdeelfinal,demodoquelasactividadesqueparael
clculodelostiempostempranosnosehanvistoafectadasporunbucle,sealineenconelltimo
ciclo.
1.TomarlaltimaactividaddeT,Ai<An.Iniciarelnmerodeciclok<z,yt*n,z=0.
2.Si A i ARO
*
*
3.Si A F , t i , k =min [ t j , k t ij ,k ]
ik
A j Si
[ t j ,k t ji , k ] .Esteclculonoserepite
4.Enotrocaso,sicorreenparalelo, t i ,1= min
A S
j
paraotrovalordek.Siantecedealciclo,ignorarycontinuar.
85/166
*
[ t j , k 1 t ji , k 1 ]
5.Si A i ARO , t i , k =min
A S'
j
6. A jPi volver al paso 2 en orden de T, menguando k en cada arco de

retroalimentacin.
3.4 Factores de riesgo comunes a ciertas actividades

Unaspectoquehayqueconsiderarenlosciclosesqueexistenfactoresderiesgoquesoncomunes
a las actividades que se repiten. Por ejemplo, los problemas de diseo pueden afectar a las
actividades de programacin. Si es necesario repetir una actividad de programacin, y los
problemasdediseonosehancorregido,estefactorderiesgoafectartambinalasrepeticionesde
la actividad. Si estos tipos de dependencias en los riesgos no se incluyen en el modelo, la
simulacindeMonteCarlosubestimarlaincertidumbreasociadaaladuracindelasactividades
incluidasenlosciclos.
Si ij , jk ,eslavariablealeatoriaqueindicaladuracindelaactividadAienelciclojyenel
supuestocasodequelaactividadrealmenteseactive,esprecisocalcularlavariable ij1 .La
interpretacin mssencillaessuponerque ij1=c jij ,dondec(j)esunafuncindiscreta
+
c: .Estopermitealplanificadorespecificarunaprimeravariablealeatoriaparaladuracin
delatarea,pongamosN(12,1,2),eindicarqueseemplearanenlassiguientesrepeticionesunos
tiemposqueseran0,75,y0,5delaejecucinanterior,respectivamente.Esdecir,sepuedentratar
todas las ij , j1 comovariablesendgenas ovariables perfectamente correlacionadas con
i1 .
Particularmente[Smith;Eppinger1997a]proponen c1= j , c j =1 j1 paraunmodelo
con i1 determinado,basndoseenquelamayorpartedelosefectosdelaprendizajeseaplican
en la primera iteracin, y en que no hay grandes avances despus de la primera. Tambin
argumentanqueesraroqueseproduzcanvarias( j2 )iteraciones.
Ms realista es considerar que las variables ij estnaltamente correlacionadas entre s. El
problemasurgeenlacaracterizacindelcoeficientedecorrelacin ij .Engeneral,esmuy
difcildescribirestecoeficiente,inclusoenaquellosentornosdetrabajodondeexistaunregistro
adecuado de pasados proyectos que pudieran contener ciclos homlogos de actividades. Si la
dependenciaentrevariableseslineal,sepuedeusarlacorrelacindelproductomomento.
i , j =E [X i i X j j ]/ i j [f65]
86/166
55
Siexistendatoshistricos,losdatosseobtienenmediantelacorrelacindePearson .
Algunosinvestigadoreshandefinidounjuegodecorrelacionessubjetivasaplicadasaloscostesen
lagestindeproyectoscomoaltas,moderadasobajas.Estascorrelacionessetrasladana{0,8,0,45,
0,15}[Touran1993]o{0,85,0,55,0,25}[Chau1995].Aunas,paracaracterizarladependencia
entre variables aleatorias en el caso de repeticin de actividades, habra que especificar las
2
correlacionesdetodaslasrepeticionesdelaactividadconcadauna,estoes,k coeficientesde
correlacin.
Elcoeficientedecorrelacin ij puedeserpositivoonegativo.Observandolaseriede ij en
+
su conjunto podemos afirmar que si Pi son los coeficientes positivos y Pi son los
k1
coeficientesnegativos,cuando | Pi |~| Pi | menorser Var ij .
j=0
Enloscasosenlosquelasvariables ij noseannormales,osudependencianosealineal,nos
planteamosemplearlacorrelacinfractil[Phoonetal.2004],o,partiendodedatoshistricos,el
coeficiente decorrelacinderangosnoparamtrico deSpearman.Noobstante,es difcil
especificarelgradodedependenciamediantelacorrelacinderangos.Igualmentenosenfrentamos
2
aunamatrizdecorrelacinconk elementos.Adems,lamatrizdecorrelacinderangosdebera
serdefinidapositiva,yestonosiempreseconsigue.
Otraopcinsencillayaceptable[Chapman;Ward2000]consistiraenasumirlaindependenciaen
unturno,asumirunacorrelacinperfectaenlasegundavueltaeinterpolarentreambosvalores
duranteelrestodeturnos,demodoquelosvaloresesperadosmuestrenensuconjuntounnivelde
dependencia conservador, pero apropiado.No hemos encontradojustificacin terica suficiente
para esta aproximacin,ylos propios autores recomiendanencarecidamente alguna forma ms
complejaenestalnea.
Porellotodo,enloscasosderepeticindeactividadesdondedetectamosunadependenciaentrelas
variablesaleatoriasligadasaladuracindelaactividadencadarepeticin,postulamoslaexistencia
deunfactorderiesgocomn i quetratamoscomounavariablelatente.Asumimos,porlo
tanto,queexisteunaindependenciacondicionalentrelasotrasvariables,esdecir,queconocidoel
valordelfactorderiesgo,secomportancomoindependientesentres.
Suponemostambinquelasdistribucionesconjuntas i , ij sondistribucionesbivariablescuyas
marginalessonuniformesen[0,1].Especficamente,usamosladistribucindelabandadiagonal.
55 ElcoeficientedecorrelacindePearson,descritoporprimeravezporFrancisGalton,seaplicaespecialmentebien
n
avariablesnormales.
r xy =
xix y iy dondes ys sonlasdesviacionesestndares.

i=1
n1 sx sy
87/166
Lasventajasdeestadistribucinsediscutenen[Dorp;Duffey1999]:
1.Elmtododemuestreobivariableesmuyeficiente
2.Elparmetrodeladistribucinpuedeserestimadofcilmente
ElparmetrodeladistribucindelaBandaDiagonalseobtieneapartirdelporcentaje de
explicacindelfactorderiesgocomn.Elporcentajedeexplicacinrespondealapreguntadequ
porcentajedenuestraincertidumbrerespectodeladuracindelaactividaddesaparececonociendo
elvalorexactodelfactorderiesgolatente.Sielporcentajees0%,significaqueelfactorderiesgo
noafectaadichaduracin.Elparmetro seestimaentoncescomo:
= /100 [f66]
Tambinpodrandefinirselasvariables ij comovariablesindependientesentres,perosias
fuera, sera ms lgico pensar que, en realidad, no estamos tratando con la repeticin de una
actividad,sinoconlaejecucindeotraactividadsimilar.Enestoscasos,preferimosmodelarlas
actividadesencuestincomoactividadesindependientes.Encualquiercaso,seguimosa[Chapman;
Ward2000]alafirmarquelaindependenciaporssolanoesunaopcinpordefectorazonable.
Lavarianzadevariablesestocsticas,comoladuracintotaldelproyecto,laduracintotaldela
actividadAientodassusrepeticionesoelconsumodealgnrecurso,seveincrementadacuandose
definenestascorrelacionesentrelasvariablesestadsticasdelasduracionesdelasactividadesenlos
sucesivosciclos.
3.5 Solucin de la red mediante la simulacin de Monte

Carlo
Comohemosintroducidoenelapartado1.3,Notacinyconceptos,elmtododeMonteCarloes
unmtododemuestreoaleatoriosimple.Estoquieredecirquesielnmerodeiteracionesnoeslo
suficientementealto,esposiblequemuestreenenexcesoalgunossegmentosdeladistribucinque
sequierereplicar,yquesemuestreenendefectootrossegmentos.Paraevitarlo,hemosutilizadoun
nmeroelevadodeiteracionesentodoslosexperimentos.
Nuestromodelodesimulacinesunmodeloestocsticoycontinuo.Engeneral,hemospreferido
modelar la duracin de las actividades mediante funciones de distribucin continuas, ya que
entendemos que responden mejor al comportamiento del mundo real. Ya hemos tratado en el
apartado3.2.2.1,Laduracinprobabilstica,lasdificultadesinherentesalaestimacindeestas
variables. Ahora nos centraremos en su tratamiento de cara a la solucin del problema por
simulacin.
88/166
ParautilizarelmtododeMonteCarloesprecisoquelasvariablesaleatoriastenganunaestructura
probabilsticaconocida.Estosignificaquetantoparalasvariablesexgenasligadasaladuracinde
={ , ... , } , como para las variables ligadas a su estado de terminacin
las tareas
1
n
T={1 ,... , n } , tenemos que buscar la manera de generar unas muestras con la distribucin
correcta.Paraello,contamosconunasfuncionesdetransformacingyhquenosdan =g
P
y
,... , 2n } . Estos
T=h P
a partir de 2n nmeros aleatorios bsicos e independientes P={
nmerosaleatoriosbsicossonlosprovistosporlaclaseJavajava.util.random:
1..nextFloat()Comaflotante,unnmeroaleatoriouniformementedistribuidoentre[0.0,1.0[
2..nextGaussian()CampanadeGauss,unnmeroaleatorionormalmentedistribuidosegnla
distribucinnormalestndarN(0,1)
Laclasejava.util.randomusaunaseriedenmerospseudoaleatoriosapartirdeunasemillade48
bits. A partir de la primera semilla, un generador lineal congruente va produciendo nmeros
pseudoaleatorios,segnlafrmulade[Knuth1969]volumen2seccin3apartado2.1.Estetipode
generadoressedistinguenporqueelnmeropseudoaleatorioageneraresfuncindetodoslos
nmerosprecedentes:
x j+1=f x j , x j1 , , x 1 [f67]
Enrealidad,elgeneradorutilizadoenjava.util.randomesdeltipo:
x j+1=a x j c mod m [f68]
Porlotanto,cadanmeropseudoaleatorioobtenidoesfuncindelosparmetrosmultiplicador,
incrementoymdulo,ydelnmeropseudoaleatorioanterior.Lasecuenciadenmerospseudo
aleatoriosesperidica.Enlaimplementacindejava.util.randomelperodomdependedelosbits
delamscara,estoes m=2 48 .LasimulacindeMonteCarloconmilesdeturnos(tpicamenteQ=
10.000),condecenasdeactividadesyunaspocasvariablesaleatoriasporactividadestclaramente
pordebajodeestelmite,conlocuallasecuenciapseudoaleatoriaesvlidaparaelusoquele
vamosadar.
Apartirdeellosobtenemosunamuestradeunavariable i determinadamediantelassiguientes
funcionesdetransformacin:
2
1.Normal:Si i tieneunadistribucinnormal N , , gi =i donde i
esunnmeroaleatoriodecampanadeGauss
2. Uniforme: Si i tiene una distribucin uniforme U(a,b), gi =i baa donde
89/166
i esunnmeroaleatoriodecomaflotante

2
3. Lognormal:Si i tieneunadistribucinlognormal L , , gi =e
donde
i esunnmeroaleatoriodecampanadeGauss
i
En la literatura y la prctica profesional se han utilizado otras funciones de distribucin para

caracterizarladuracinaleatoriadelaactividad.Sepuedeencontrarunadiscusinsobreelmtodo
paraelegirlafuncindedistribucinysuestimacinen[Williams1992b].Nuestroprocedimiento
esindependientedelafuncindedistribucinparticularqueseelijaparamodelarestasvariables,
asqueconnuevasfuncionesdetransformacinpodramosobtenermuestrasparadistribuciones
betaPERT[Malcolmetal.1959],betaPERTdedospuntos[GolenkoGinzburg1988],triangular
[Elmaghraby1977],[Johnson1997],gamma[Lootsma1966],[Lootsma1967]odeBerny[Berny
1989].
Apartirdeellosobtenemosunamuestradeunavariable
ideterminadamediantela
siguientefuncindetransformacin:
1.Bernoulli:Si
)
itieneunadistribucindeBernoulliB(
h j =
true j
false j
donde
esunnmeroaleatoriodecomaflotante
Sila variable i noesindependiente,sinoquedependedeunfactorderiesgocomn , el

mtododemuestreoesalgomscomplejo.
1.Muestreamosudesde utilizandounnmeroaleatoriodecomaflotante
2.ObtenemosloslmitesdelaBandaDiagonal a=u1 b=u 1 donde
eselparmetrodeladistribucinconjunta
3. Muestreamos 'i segnunadistribucinuniformeU(a,b) ' i =g' k , l = l baa
donde
lesunnmeroaleatoriodecomaflotante
4.AjustamoslaszonasterminalesdelaBandaDiagonalparaobtener
i= ' i ' i0
i =g k , l = = ' ' [0,1]

i
i
i
i =1' i ' i1
5.Muestreamoslavariable
iapartirde
transformacinapropiadaparasudistribucindeprobabilidad
mediantelafuncinde
Apartirdelasfuncionesdetransformacin,einstanciandolosnmerosaleatorios,obtenemoslas
=g
muestras D
R y T =h
R .EsteplandemuestreolorepetimosQveces,lasvecesqueel
usuarioconsiderenecesarias.Enelcaptulo5,Experimentacin,utilizaremosQ=10.000.Las
muestrasobtenidasencadapasodesimulacinsonindependienteseidnticamentedistribuidas.
90/166
3.6 Exgesis de los resultados

Enesteapartado,planteamosalgunasconsideracionessobrelasalidadelasimulacindelmodelo,
esdecir,sobrelosresultadosquepodemosextraerunavezsehantomadolasmuestrasmediantelos
mtodosexplicadosenelapartadoanterior.
Losdatosqueproporcionaelmodelopuedendividirse,grossomodo,endatosobtenidosenlafase
56
57
de secuenciacin ,ydatos obtenidos enlafase deplanificacinrestringidaporlos recursos ,
siguiendolaterminologade[Meredith;Mantel1995].
Entrelosdatosobtenidosenlafasedesecuenciacin,seencuentranlostiemposdecomienzosijy
finalfijdecadaactividadencadarondadesimulacin.Estostiemposcumplenlasrestriccionesde
prelacin;porlotanto,seencuentranentrelostiempostempranosytardosdelaactividadencada
ronda.
es ij s ijlsij [f69]
ef ij f ijlf ij [f70]
Enlafasedesecuenciacin,laestrategiaseguidaporcadadirectordeproyectoocadacompaa
decidedndesecolocanexactamentelasactividades,dentrodeesteintervalo. Generalmente,se
58
prefiereutilizarunaestrategiaremolona ycolocarlasactividadeslomstardeposible,demodo
quesearriesguemenosesfuerzocontraeleventodeinterrupcinyabandonodelproyecto.Aveces,
existe tambin una razn financiera, al retrasar el gasto lo ms posible. Otros, sin embargo,
59
prefierenunaestrategiamsvoraz ,ycomienzanlasactividadesloantesposible,amedidaquesus
actividades predecesoras vayanacabando. Conesta estrategia,se disminuyelaprobabilidad de
incurrirenretrasosdebidoaloscaminosdeejecucinacrticos.[Tavaresetal.1998]definieron
paraesteproblemaelfactordeholgura ,demaneraqueeltiempoefectivodecomienzode
cadaactividadseexpreseentrminosde multiplicadaporlaholguradeAi, i .
si =es i i [f71]
Lautilizacindelfactordeholgurapermiterealizarunanlisisdeescenarioscomopartedeun
sistemadeayudaaladecisin.Convienerecalcar,noobstante,queenelmodelode[Tavaresetal.
56timephasingtheproject
57schedulingsubjecttofinitecapacities
58backwardloading
59 frontloading
91/166
1998]elprimerusodelfactordeholguraserealizaantesdelasimulacin,porloque
si [ q] =
es[qi ] es[qi ]s i
[f72]
s i es [qi ]s i
es i =max A P {s j d j } [f73]
[q]
[q ]
Comoltimaopcindeconfiguracin,consideramosqueeldirectordeproyectonotieneninguna
estrategia, o en realidad, tiene una estrategia que no podemos modelar. En este caso de
incertidumbre, utilizamos un nmero aleatorio auxiliar i que nos colocar los tiempos de
comienzoyfinaldentrodesusintervalosdemaneraequiprobable.
Especialrelevanciaadquierenlosdatoscorrespondientesalasactividadesfinalesdelproyecto.Sea
F={A x , , A y} elconjuntodeactividadescuyofinexitosoconducealxitodelproyecto.La
duracintotaldelproyecto
seestimacomo
Q
/=xito =
min { f nz }
[q]
q=0 A n F ,zz n
/= fracaso=
[f74]
Q
max { f iz }
[q]
q=0 Ai F , zz i
[f75]
[q]
dondef nzrepresentaeltiempodefinalizacindeAnz,unadelasactividadesltimasdelproyecto,
duranteelciclodesimulacinq.
Estossonlosdatosdelafasedetemporalizacin,yslosontilessisepuedeconsiderarquelos
recursos son ilimitados o realmente son suficientes para ejecutar las actividades del proyecto
concurrentemente.
LacriticidadcijdedeterminadaactividadAijsedefineapartirdelaholgurahij.Lacriticidadesla
probabilidaddequelaactividadAiestenelcaminocrtico,yseestimacomo
Q
cij =
b[qij ] [f76]
q=0
dondebijsedefinecomo
92/166
h ij =0 bij =1 [f77]
h ij 0 bij =0 [f78]
Lacriticidaddedeterminadaactividadnosindicalaimportanciarelativadelaactividadfrentea
otrasactividadesdelprograma.Ladistribucindelacriticidadentrelasactividades,sinembargo,
nosmuestralarigidezdelprograma.Sihayunporcentajealtodeactividadesconlacriticidadpor
encimadeunumbral,estosignificaquevaaserdifcilreducireltiempototaldelproyecto,yaque
losahorrosdetiempoenuncaminocrticoproducencomoresultadoqueotrocaminollegueaser
crtico.
Demanerasimilar,extraemoslacriticidad cij / ij=true dedeterminadaactividadAi,dadoqueAi
realmenteocurra.Dadoquelacriticidadesunamedidadelaatencinquedebededicarleelequipo
delproyectoaunaactividad,estaltimamedidaresultamsindicadaparalagestindelproyecto.
Larobustezdeunprogramaeslacualidaddecomportasebiendurantelafaseoperacional.Apesar
de lo detallado que se sea durante la planificacin, la ejecucin de un proyecto est sujeta a
innumerablesperturbaciones.Yahemosestudiadolavariabilidaddeladuracindelasactividades
enelapartado3.2.2.1Laduracinprobabilstica,yenelapartado3.3Laredgeneralizadadel
proyecto,lavariabilidadrespectodelapropiareddelproyecto,incluyendotantolaordenacinde
lasactividadescomosuinstanciacin.Adems,esposiblequesedescubra,durantelaejecucin,la
necesidaddeintroducirnuevasactividades,oquedeterminadosrecursosnoestndisponiblesono
loestnenlacantidadpresupuesta.Puedesucederquelaprevisindelademandadelosrecursos
en la actividad fuera errnea, o vare durante el transcurso de sta. En general, todas las
perturbaciones llevanalanecesidaddereplanificarelproyecto.Estareplanificacinpuede ser
completaoparcial.Enesteltimocaso,hablamosdetcnicasdereparacindeprogramascomo,
por ejemplo, el citado [Jzefowska et al. 2003]. Los motivos para reparar un programa son
diversos:enproyectosmuygrandes,planificadoscondetalle,sealegancostescomputacionales.
Adems,desdelagestindelosrecursoshumanos,sehabladeladesmotivacinqueproducela
sensacindedescontrolcuandoelprogramaanteriorhasidoyacomunicadoalequipodelproyecto.
Tambin hay costes materiales en las contrardenes, y actividades de renegociacin de las
condiciones con los proveedores. Nosotros no planteamos ningn algoritmo de reparacin del
proyecto;nuestrarecomendacinesreplanificarcontinuamenteelproyectosegnestdisponible
nuevainformacin.
Delacomparacinentreenprogramainicialyelprogramarealmenteejecutadoseextraendiversas
medidas de la robustez [Sanlaville 2002]. Nuestro prototipo no dispone de funcionalidad de
seguimientodelproyecto,asqueestetipodemedidasnosonpartedelainvestigacin.Otros,
como[AlFawzan;Haouari2005]definenlarobustezapriori,enbasealaprogramacininicial,
comolasumadeholguraslibres.
93/166
Msalejadodenuestroalgoritmodeplanificacinsehallaeltrabajode[Artiguesetal.1999],con
elquesebuscacaracterizarunconjuntodeprogramascompatiblesconlasrestriccionesprincipales,
dentrodeloscualesunasecuenciadeactividadesespermutablelibremente.
3.6.1 La planificacin restringida por los recursos
Laplanificacinrestringidaporlosrecursosesslounodelosproblemasalosquetienequehacer
frentelasgestindeproyectos.Enrealidad,esunapartepequeadelproblemadelosrecursosenla
gestinporproyectos,comosepuedeverenlafigura12:
Figura12:Nivelesenlagestinderecursos
UnavezquesehaobtenidounamuestramediantelasimulacindeMonteCarlo,aplicamosel
algoritmo de ramificacin y poda de [Demeulemeester; Herroelen 1992] para conseguir una
planificacinptima.ElprocedimientoDH,comoaelloslesgustallamarlo,sirveparatrabajarcon
recursosrenovables,queestndisponiblesencantidadconstanteduranteelproyecto.Adems,la
demandade unrecursoenunaactividaddebetambinserconstanteduranteladuracin de la
actividad.
Antes de aplicar el procedimiento DH, realizamos un par de transformaciones del grafo del
94/166
proyecto. La primera transformacin es habitual en este tipo de procedimientos, y consiste en
aadirunaactividadinicialyotrafinalparacerrarelgrafo.Lasegunda,sinembargo,esuncambio
derepresentacinquerealizamosparadesplegarlosciclosdelareddeactividades.Pararepresentar
las actividadesutilizamos dosrepresentacionesdistintas,ambas deactividadenelnodo.En la
representacindelaltonivelR,laactividadAiabarcatodaslasposiblesrepeticionesdelaactividad,
yelgrafodirigidopuedecontenerciclos.LarepresentacindealtonivelRsedespliegaenla
representacindebajonivelS,dondecadaactividad Ai essustituidaporlasactividades{Ai1,...
Aiy}, y <= zi. Estas actividades encarnan las sucesivas repeticiones de la actividad Ai, y se
encuentranacotadasporelcontadorzi,mximonmeroderepeticionesquelaactividadAiadmite.
LarepresentacinSformaungrafodirigidoacclico.
Acontinuacin,mostramoslaestructurageneraldelalgoritmo:
Figura13:Diagramadeflujodelalgoritmodeasignacinderecursos
95/166
3.6.1.1 Paso 1: Inicializacin

SeaT=9999ellmitesuperiordeladuracindelproyecto.Seap=0elniveldeprofundidadenel
rbolderamificacinypoda.Seam=0elpuntodedecisin.ParatodaactividadA isecalculala
longitud del restante camino crtico RCPLi. Se inicializan los tiempos de finalizacin de las
actividadesfi=T.Seprogramalafalsaactividadinicialenf1=0.EllmiteinferiorLB(0)=RCPL1.
SeinicializaelprogramaparcialPS={A1},elconjuntodelasactividadesenejecucinS={A1}y
elconjuntodecorte. C={Ai pred Ai ={A1 }} Inicializamoslostiemposdecomienzotempranos
delasactividadesenC,sx=0.
3.6.1.2 Paso 2
Elsiguientepuntodedecisines m=min{ f i Ai S } .Actualizamoselconjuntodeactividadesen
ejecucin S=S{A j A j S f j =m} .Silaltimaactividadprogramadaeslafalsaactividadfinal
n, hemos terminado un programa. La duracin del programa es T = fn. Si T = LB(0), hemos

encontradolasolucinptima,sino,hayqueiralpaso7.
AhorasecompruebasielconjuntodecorteCesdominadoporotroconjuntodecorteguardado
previamente.Enesecaso,sevaalpaso7,sino,seguardaelconjuntodecorteC,elconjuntodelas
actividadesenejecucinSjuntoconsustiemposdefinalizacinfj,yelpuntodedecisinm.
Finalmente, construimos el conjunto de las actividades elegibles E={Ai Ai Csi =m} . Si
E= ,repetimoselpaso2.Sielconjuntodeactividadesenejecucin S ,saltamosalpaso4,
sino,seguimosalpaso3.
3.6.1.3 Paso 3
Para cada actividad elegible Ai E contamos cuntas actividades no programadas (no
necesariamenteactividadeselegibles)sepuedenponerenejecucinsimultneamenteconAi sin
violar ningunarestriccindeprecedenciaorecursos.Sinohayotra,seponeenejecucin Ai:
PS=PS{Ai } , S={Ai } , fi = m + di y se actualiza el conjunto de corte
C=C {Ai }{A j A j suc Ai pred A j PS} .Tambinseactualizanlostiemposdecomienzo
tempranodelasactividadesenelconjuntodecortesx=fi.
Silaactividadelegible Ai E puedeserpuestaenejecucinsimultneamenteconunasolaotra
96/166
actividad A j E d id j selanzanambas: PS=PS{Ai , A j } , S={Ai , A j } ,fi=m+di,fj=m+
dj,
se
actualiza
el
conjunto
de
corte
C=C {Ai , A j }{A k A k suc Ai suc A j pred A k PS} .Tambinseactualizanlostiempos
decomienzotempranodelasactividadesenelconjuntodecortesx=fi.
Sialgunaactividadhasidoprogramadaenestepaso,volvemosalpaso2,sino,continuamosconel
paso4.
3.6.1.4 Paso 4
Ponemos temporalmente todas las actividades elegibles en ejecucin: PS=PS E , S=SE ,
f i =md i i , Ai E .
Actualizamos
el
conjunto
de
corte
C=C E{A j Ai E : A j suc Ai pred A j PS } . Tambin actualizamos los tiempos de
comienzotempranodelasactividadesenelconjuntodecorte s x =max { f a a , xH } .
Para cada tipoderecursokse compruebasi r ik b k .Sienalgntipode recursokexiste

i S
conflictoderecursos,sesiguealpaso5.Enotrocaso,sevuelvealpaso2.
3.6.1.5 Paso 5
Actualizamoselniveldeprofundidadp=p+1.Calculamosparacadatipoderecursokcuntas
unidadessedebenliberarparasolucionarelconflictoderecursos ck = r ik b k .Elconjuntoque
i S
se debe retrasar lo definimos como
D p={D qS r ik ck knot Dv Dq : Dv D p}
i D q
Paracadasubconjunto Dq D p buscamoslaactividaddefinmstempranoqueestenejecucin
ynovayaaserretrasada j SD q .Acontinuacin,definimoselconjuntodeparesordenados
Gq ={ j ,i } i Dq ycalculamosellmitedelasecuenciacrticaLq.
*
EntretodoslossubconjuntosseeligeeldellmiteLq menor,Dq .SeactualizaD(p)=D(p)Dq y

*
sefijaLB(p)=max{LB(p1),Lq }.Si LB pT ,sesaltaalpaso7,enotrocaso,sealmacenanlos
datosnecesariosparaunaposiblevueltaatrs.
3.6.1.6 Paso 6
Creamosunaramanueva.DefinimosDScomoelconjuntodetodaslasactividadesquecomenzaron
97/166
*
antes de m pero deben ser retrasadas DS={Ai Dq f i md i } . Introducimos relaciones de

*
precedencia adicionales H=H G q . Retrasamos las actividades programadas PS=PSD q ,

*
S=SD q ,
*
q
Ai D q f i =9999 .
Actualizamos
el
conjunto
de
corte
*
q
C=C D {A r A x D A x P r } .
Ajustamos los tiempos de comienzo de las actividades que deben ser retrasadas
*
*
Ai D q si = f j i , jG q
Si DS ,utilizamoslaregladeldominiosobreeldesplazamientoaizquierda.staconsisteen
considerar que,silas relacionesdeprecedenciaestablecidasennivelessuperioresdelrbol de
bsquedallevanaqueAiseaelegibleeneltiempom,yademsladecisinactualhasidolanzarA i
enm,yademstrasretrasarDSsepodradesplazarAi alaizquierdasincausarunconflictode
recursos,estaprogramacinseencuentradominada.Enestecaso,sesigueconelpaso7,enotro
caso,sevuelvealpaso2.
3.6.1.7 Paso 7: Vuelta atrs

Sihemosllegadoalnivelp=0,paramos.Sino,borramoslasrelacionesdeprecedenciaquehemos
*
introducidoenestenivel H=H G q .Si D p = entoncesvolvemosconp=p1alpaso7.
*
*
Elegimoselconjunto Dq D p conmenorL q.ActualizamoselconjuntoaretrasarD(p)=D(p)
*
D q.CalculamosellmiteinferiorLB(p)=max{LB(p1),Lq }.Si LB pT volvemosconp=p

1alpaso7.
Serecuperanlostiemposdefinalizacindelasactividades,elprogramaparcial,elconjuntode
actividadesenejecucin,lasactividadesdelconjuntodecorteysustiemposdeiniciotemprano,
mselpuntodedecisinm,ysevuelvealpaso6.
98/166
4. Prototipo de software
4.1 Introduccin
Elmodelodedatosdelproyectodescritoenelcaptuloanteriorhasidoplasmadoenunprototipode
software para justificar su viabilidad. El software cumple las funciones de planificacin de
proyectos,actuandodemanerainteractivaconelingenierodeplanificacin.
EsteprototipohasidoimplementadoenJava1.4,yensudesarrollosehanutilizadolosentornos
interactivosJBuilderdeBorland,versiones3,6,y7,yNetbeansdeSunMicrosystems,versiones4
y5.
Elprototipo,llamadoRIES,esunaaplicacinjavaconinterfazgrficaquereciberdenes del
usuario, toma como entrada algunos ficheros con la descripcin de la red estocstica de los
proyectosaplanificar,yproduceunasalidagrficaytambinenvariosficheros,correspondientesa
las opciones de planificacin que haya elegido el usuario. Adems, su comportamiento es
modificableenciertosaspectosmedianteunficherodeconfiguracin.
4.2 Descripcin del prototipo

ParadescribirelprototipoRIESutilizaremoslanotacinUMLenelcasodeusobsicoylos
diagramasdeclases.EnelanexoA,enformatoCDROM,utilizaremoslanotacindejavadocpara
describirlainterfazdelprogramadordeaplicacionesdelprototipo.EnelanexoB,enelmismo
CDROM,estdisponibleelcdigofuentedelprototipoyelcdigointermedio.
EncuantoalasreglasdeestiloenUML,hemospreferidocolocarlasclasesexternas,las que
interactanconlospapelesarriba,demodoquelasasociacionesestereotipadascomo<<usa>>se
puedanleer<arriba>usa<abajo>.
4.2.1 Casos de uso
Loscasosdeusosonunatcnicahabitualeneldesarrollodesoftwarequeseutilizaparacapturary
documentar los requerimientos funcionales de los sistemas. Cada caso plantea uno o varios
escenariosenloscualeselsistemainteractaconlosusuariosdescritoscomoactores.Ennuestro
99/166
caso,pretendemosmostrarculseraelusoesperadodelprototipo.
4.2.1.1 Analizar el plazo

Casodeuso:Analizarelriesgoyplazo
Actores:Planificador,RIES
Tipo:Primario
Descripcin:Elplanificadorrevisaladefinicindelasactividadesparacomprobarquetantola
asignacinderecursoscomoladefinicinprobabilsticadeladuracinseencuentrandefinidaspara
todaslasactividades.Revisatambinloslmitesdelosrecursosdisponiblesparaelolosproyectos.
Acontinuacin,solicitaunasimulacindenpasos.
Curso normal de los eventos

Acciondelosactores
Respuestadelsistema
1.Estecasodeusocomienzacuando
elJefedeproyectosolicitaunplan
yadefinido
2.Presentaelestadoactualdelplan
3.Elplanificadorrevisalafuncindeduracin
4.Elplanificadorrevisalasrestriccionesdelos
recursos
5.Alterminarderevisarduraciones,
elplanificadorsolicitauna
simulacindenpasos
6.Realizalasimulacin
7.Alllegaralcriteriodeconvergencia,
presentalosresultadosdelasimulacin
Acontinuacinsemuestraunacapturadepantalladelprototipotraslasimulacindelexperimento
11conlaopcindeasignarrecursoshabilitada.Lapestaamuestraladistribucindelafechade
terminacindelproyecto,teniendoencuentalasrestriccionesdelosrecursos.
100/166
Captura1:Plazorestringidoporlosrecursosenproyecto11
101/166
4.2.2 Diagramas de clases

Acontinuacindetallamoseldiagramadeclasesdelpaquetees.unirioja.ries.
102/166
Figura14:Diagramadeclasesderies.unirioja.es,1
103/166
104/166
El paquete es.unirioja.ries contiene 24 clases, de las cuales hemos representado en el
diagramadedospginasanteriorlas17mssignificativas.Elpaqueteimplementalassiguientes
interfacesdejava.lang
Figura16:Diagramadeclasesdelpaqueteries.unirioja.es,3
Elprototipoincluyetambinelpaquetees.unirioja.ries.entrada,responsabledeadquirirlos
datosdelosproyectosapartirdeficherosXML.Elpaquetecontiene22clases,peronohemos
considerado interesante incluirlas aqu, ya que tienen poca relacin con la investigacin. Los
detallessobreelformatodelosficherosXMLseencuentranenestaseccin,enelapartado4.3,
Formatosdelosficheros.
Elltimopaquetedeldesarrolloeses.unirioja.ries.grafo.Contieneslodosclases,yesel
responsabledeplasmarlosresultadosdemaneragrfica,mediantediagramasdebarras.
A parte del software de produccin propia, utilizamos dos clases del paquete com.byrden.util
desarrolladoporDavidByrdenparasuusogratuito(http://byrden.com/java/).
4.2.3 Interfaz grfica

Lainterfaz grficadelprototipopresentaalusuariounreadetextoinformativo,bajoellaun
contenedordefichasparalasalidagrficadelprograma,yenlaparteinferiorunabotonera.A
continuacinpodemosverelaspectoinicialquepresentaelprototipo:
105/166
Captura2:PantallainicialdeRIES
106/166
Pulsando el botninferior,el prototipo permite introducirla red estocstica del portafolio por
mediodeunaaplicacinXML.Vaseelformatoenelapartado4.3,Formatosdelosficheros.A
continuacin,lainterfazgrficamuestraalusuarioelolosproyectosledosenelreadetexto,bajo
ella el contenedor de fichas, an vaco, y bajo este unos campos de entrada para controlar el
comportamientodelplanificador:
Pasos: indica el nmero Q de rondas de la simulacin. Normalmente trabajamos con
Q=10.000.
Factordeholgura:factorpropuestopor[Tavaresetal.1998]paratemporalizarlasactividades
entresustiempostempranosytardos.
Asignandorecursos:siestecontrolestchequeado,sellamaralalgoritmodeplanificacin
restringidaporlosrecursos.
Acontinuacin,unbotnofrecelaaccindelanzarlasimulacindelosproyectos:
107/166
Captura3:Aspectodelprototipotrascargarunportafolio
Traslasimulacin,elcontenedordefichassellenadeunnmerovariabledestas,dependiendodel
nmero de proyectos enelportafolioy de si se haelegidouna simulacin con asignacin de
recursosono.Lasfichasprincipalesson:
Riesgo:Indicalaprobabilidaddeterminarcadaproyectoconxito:
108/166
Captura4:FichaRiesgoenRIES
Coste:Muestragrficamentelasdistribucionesdeprobabilidadparaloscostesasociadosalos
recursosdeunproyecto:
109/166
Captura5:FichaCosteenRIES
Plazo:Muestralasdistribucindeprobabilidaddelavariable
distinguiendolasterminacionesenxitoyenfracaso:
110/166
deladuracindelproyecto,
Captura6:FichaPlazoenRIES
111/166
4.3 Formatos de los ficheros

4.3.1 Fichero de entrada para el portafolio
CadaportafoliosedefineenunficheroXML,enarasdelaportabilidad.LaaplicacinXMLque
utilizamos es de creacin propia, ya que la propuesta que ms adeptos tena en la gestin de
proyectos,PMXML,resultabainsuficienteparalosobjetivosdeestainvestigacin.Posteriormente,
PacificEdgeSoftwarehadejadodesoportarPMXML,ysehanpropuestoMr.Project0.6DTDy
MicrosoftProjectXML[MSProjectXML2003],peroademsdetenerunacontinuidaddiscutible,
tampococubrennuestrasnecesidades.
AcontinuacininclumoselformatodelficherodeentradaenDTD.Enesteficherosedefinenlas
redesestocsticasdelosproyectosincluidoenelportafolio.
Lasprimeras6asercioneshansidoheredadasdePMXML:
<!ELEMENT
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
From
From
From
From
From
From
(#PCDATA)>
locationID CDATA #IMPLIED>
locationType CDATA #IMPLIED>
process CDATA #IMPLIED>
path CDATA #IMPLIED>
handle CDATA #IMPLIED>
Acontinuacinsedefinelaactividad:
<!ELEMENT Task (#PCDATA | TaskLabor | TaskActivation | SharedRisk)*>
Laactividadpuedeincluirunarelacindeprecedenciasimpleconeventodeactivacinpositivo:
<!ATTLIST Task ActivatedAfterSuccessful CDATA #IMPLIED>
onegativo:
<!ATTLIST Task ActivatedAfterFailing CDATA #IMPLIED>
Trasdosatributosnormalizadossedefinelavariablealeatoriadeladuracindelaactividad:
<!ATTLIST Task TaskID CDATA #IMPLIED>
112/166
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
Task
Task
Task
Task
Name CDATA #IMPLIED>

DurationDistribution CDATA #IMPLIED>
Duration CDATA #IMPLIED>
DistributionParameter CDATA #IMPLIED>
Medianteestaasercinseaadeunlmitealnmeroderepeticionesdelaactividad:
<!ATTLIST Task MaxOccurs CDATA #IMPLIED>
Aqudefinimoslainfluenciadelasrepeticionessobreladuracin:
<!ATTLIST Task RepeatingDurationFactor CDATA #IMPLIED>
Yseguimosconlaactividaddefiniendolaprobabilidaddexito:
<!ATTLIST Task SuccessLaw CDATA #IMPLIED>
<!ATTLIST Task SuccessProbability CDATA #IMPLIED>
EsteatributodeterminalasactividadesdelconjuntoF,aquellascuyaterminacinexitosaconllevael
xitodelproyecto:
<!ATTLIST Task DeterminingSuccessfulProject CDATA #IMPLIED>
EstepardeasercioneshansidoheredadasdePMXML:
<!ELEMENT Owner (#PCDATA)>
<!ATTLIST Owner ResourceID CDATA #IMPLIED>
Acontinuacindefinimosrelacionesdeprecedencia:
<!ELEMENT ActivatingTask (#PCDATA)>
<!ATTLIST ActivatingTask TaskID CDATA #IMPLIED>
conelsignodeleventodeactivacin:
<!ATTLIST ActivatingTask ActivatingEvent CDATA #IMPLIED>
yunatributoqueavisadelosciclosenlareddelproyecto:
<!ATTLIST ActivatingTask CyclingPrelation CDATA #IMPLIED>
EstasseisasercioneshasidoheredadasdePMXML:
<!ELEMENT
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
To
To
To
To
To
(#PCDATA)>
locationID CDATA #IMPLIED>
locationType CDATA #IMPLIED>
process CDATA #IMPLIED>
path CDATA #IMPLIED>
113/166
<!ATTLIST To handle CDATA #IMPLIED>
AqudefinimoselconjuntoRGderecursosgenricosdelportafolio:
<!ELEMENT ResourcePool (#PCDATA | Resource)*>
Enesteelementocomienzaadefinirseelportafolio:
<!ELEMENT Body (#PCDATA | MultiProject)*>
Ladefinicindelproyecto:
<!ELEMENT
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
Project
Project
Project
Project
Project
Project
Project
Project
Project
(#PCDATA | Owners | Resources | RiskFactors | Tasks)*>

ProjectID CDATA #IMPLIED>
Start NMTOKEN #IMPLIED>
Finish CDATA #IMPLIED>
CreatedDate CDATA #IMPLIED>
CalendarName CDATA #IMPLIED>
SuccessProbability CDATA #IMPLIED>
Title CDATA #IMPLIED>
yunrecursodelproyectoodelportafolio:
<!ELEMENT
<!ATTLIST
<!ATTLIST
<!ATTLIST
Resource
Resource
Resource
Resource
(#PCDATA)>
ParentResourceID CDATA #IMPLIED>
ResourceID CDATA #IMPLIED>
cuyadisponibilidadmximapuedeestaracotada:
<!ATTLIST Resource MaxAvail CDATA #IMPLIED>
Losfactoresderiesgo:
<!ELEMENT
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
RiskFactor
RiskFactor
RiskFactor
RiskFactor
RiskFactor
(#PCDATA)>
ParentRisk CDATA #IMPLIED>
RiskID CDATA #IMPLIED>
MaxAvail CDATA #IMPLIED>
Elconjuntodeactividadesdelproyecto:
<!ELEMENT Tasks (#PCDATA | Task)*>
Ladefinicindelportafolio:
<!ELEMENT
MultiProject
(#PCDATA
|
Project
MultiProjectRiskFactors)*>
<!ATTLIST MultiProject MultiProjectID CDATA #IMPLIED>
114/166
ResourcePool
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ATTLIST
MultiProject
MultiProject
MultiProject
MultiProject
MultiProject
MultiProject

Start CDATA #IMPLIED>
Finish CDATA #IMPLIED>
CreatedDate CDATA #IMPLIED>
CalendarName CDATA #IMPLIED>
Title CDATA #IMPLIED>
Enestasasercionessedefinenlosrecursosquenecesitalaactividad:
<!ELEMENT
<!ATTLIST
<!ATTLIST
<!ATTLIST
TaskLabor
TaskLabor
TaskLabor
TaskLabor
(#PCDATA)>
TaskLaborID CDATA #IMPLIED>
ResourceID CDATA #IMPLIED>
ScheduledWork CDATA #IMPLIED>
NuevamenteasercionesdePMXML:
<!ELEMENT
<!ELEMENT
<!ATTLIST
<!ATTLIST
<!ATTLIST
<!ELEMENT
Owners (#PCDATA | Owner)*>

BizTalk (#PCDATA | Route | Body)*>
BizTalk xmlns CDATA #IMPLIED>
BizTalk xmlns:xsi CDATA #IMPLIED>
BizTalk xsi:schemaLocation CDATA #IMPLIED>
Route (#PCDATA | From | To)*>
Esteelementoenglobaloseventosdeactivacindeunaactividad,ydefinesufuncindeactivacin:
<!ELEMENT TaskActivation (#PCDATA | ActivatingTask)*>
<!ATTLIST TaskActivation ActivationCondition CDATA #IMPLIED>
<!ATTLIST TaskActivation ActivationTime CDATA #IMPLIED>
ConjuntoRderecursosdelproyecto:
<!ELEMENT Resources (#PCDATA | Resource)*>
Yporltimo,losfactoresderiesgo:
<!ELEMENT
<!ELEMENT
<!ELEMENT
<!ATTLIST
RiskFactors (#PCDATA | RiskFactor)*>

MultiProjectRiskFactors (#PCDATA | RiskFactor)*>
SharedRiskFactor (#PCDATA)>
SharedRiskFactor PctExplained CDATA #IMPLIED>
4.3.1.1 Ejemplo de fichero de entrada

<?xml version="1.0" standalone="yes"?>
<!DOCTYPE BizTalk SYSTEM project.dtd>
<BizTalk>
<Route>
<From locationID="111111111" locationType="" process="" path="" handle="45" />
<To
locationID="222222222" locationType="" process="" path="" handle="45" />
115/166
</Route>
<Body>
<MultiProject
MultiProjectID="000"
Name="Multiproject Portfolio 000"
Start="1999-11-19T08:00:00:00"
Finish="1999-11-19T08:00:00:00"
CreatedDate="1999-11-19T08:00:00:00"
CalendarName="Standard"
Title="MultiProject000">
<Project
ProjectID="000"
Name="000"
Start="1999-11-19T08:00:00:00"
Finish="1999-11-19T08:00:00:00"
CreatedDate="1999-11-19T08:00:00:00"
CalendarName="Standard"
Title="Project000">
<Owners><Owner ResourceID="0" /></Owners>
<Resources>

<Resource
ParentResourceID="001"
ResourceID="000"
Name="Ingeniero"
MaxAvail="20"/>

<Resource
ParentResourceID="002"
ResourceID="001"
Name="Contrata"
MaxAvail="4"/>
</Resources>
<Tasks>

<Task
TaskID="0"
Name="A: Problem Analysis"
DurationDistribution="Normal"
Duration="3"
DistributionParameter="0.5f"
SuccessLaw="Bernoulli"
SuccessProbability="0.9f">
<TaskLabor
TaskLaborID="0"
ResourceID="000"
ScheduledWork="1"></TaskLabor>
</Task>

<Task
TaskID="1"
Name="B: Process Design"
ActivatedAfterSuccessful="0"
Duration="18"
116/166
<TaskLabor
TaskLaborID="0"
ResourceID="000"
</Task>

<Task
TaskID="2"
Name="C: External buy of process"
ActivatedAfterFailing="1"
DurationDistribution="Uniform"
Duration="3.5f"
SuccessProbability="1">

<TaskLabor
TaskLaborID="0"
ResourceID="001"
</Task>
<Task
TaskID="3"
Name="D: Basic engineering"
Duration="20"

<TaskActivation
ActivationCondition="Or"
ActivationTime="After">
<ActivatingTask
TaskID="1"
ActivatingEvent="Success"/>
<ActivatingTask
TaskID="2"
ActivatingEvent="Sucess"/>
</TaskActivation>
<TaskLabor
TaskLaborID="0"
ResourceID="000"
</Task>
<Task
TaskID="4"
Name="E: Detail engineering"
ActivatedAfterSuccessful="3"
DurationDistribution="Uniform"
Duration="9"
DistributionParameter="1"
SuccessProbability="1"
DeterminingSuccessfulProject="Yes">
117/166

<TaskLabor
TaskLaborID="0"
ResourceID="001"
</Task>
</Tasks>
</Project>
<ResourcePool>
<Resource
ResourceID="001"
Name="Ingeniero"
MaxAvail="100"
/>
<Resource
ResourceID="002"
Name="Contrata"
MaxAvail="100"
/>
<Resource
ResourceID="003"
Name="Tecnico"
MaxAvail="100"
/>
</ResourcePool>
</MultiProject>
</Body>
</BizTalk>
4.3.2 Fichero de configuracin

Tras esta aplicacin XML, describimos el fichero XML de configuracin del prototipo RIES,
medianteelcualsemanipulanalgunosaspectosdelasimulacin.ElficherosellamaRIES.xml.
PrefacioXML:
<?xml version="1.0" standalone="yes"?>
<!DOCTYPE Revision>
Etiquetaraz:
<Configuration Name="RIES">
SolicitaquesevalidelaaplicacinXMLdelportafoliocontrasuDTD
<XMLValidation/>
118/166
Indicaenquficheroestnlosdatosdeentrada:
<MultiProject FileName="project20.xml"/>
Indicaelniveldelocuacidaddelainformacinqueseenvaalasalidaestndaryalreadetexto.
<Verbose Level="0"/>
</Configuration>
4.4 Rendimiento
DuranteeldiseoeimplementacindelprototipoRIESnofuerontomadosencuentacriteriosde
rendimientooescalabilidad.Elpropsitodelprototipoesdemostrarqueelmodelodescritoenel
captulo3,Modelodedatos,puedeserimplementado.Noobstante,describimosenlafigura17
lostiemposdecomputacindelassimulacionesenunamquinaPCconprocesadorAMDAthlon
de64bitsa2.01GHzycon1GBdeRAM.ElsistemaoperativoesWindowsXPProfesionalSP2.
Figura17:TiemposdesimulacinparaQ=10.000
Tiempo de simulacin
110
105
100
Minutos
95
90
85
80
75
70
65
60
55
50
45
40
2,5
7,5
10
12,5
15
17,5
Actividades
119/166
20
22,5
25
27,5
En el captulo 6, Conclusiones y lneas de futuro, describiremos alguna va para mejorar el

rendimientodelprototipo.
120/166
5. Experimentacin
5.1 Experimento nmero 11
Esteesunproblemapropuestoen[Elmaghraby1977],pgina275,quehemoselegidoporquelo
hanresueltootrosinvestigadores[Avramidis;Wilson1993b].Acontinuacin,seexpresaelgrafo
delproyectosegnlarepresentacinoriginal,actividadesenlosarcos.
Figura18:Proyectodelexperimento11formatoAeA
Elproyectocontienedostareasiniciales,A1yA2,ydostareasfinales,A11yA13.Esteeselgrafo
resultante en la representacin de las actividades mediante redes de Petri estocsticas ms
generales:
121/166
Figura19:Proyecto11enreddePetri
122/166
A continuacin, se detallan las distribuciones de probabilidad que utilizamos para la
experimentacin.Primero,partimosdelasduracionesmediasdadasporeloriginal,yasignamos
unadesviacinestndardelacuartapartedeaqulla.
Actividad
Duracinmedia
Desviacinestndar
Distribucin
A1
5,5
1,375 N(5,5,1,891)
A2
13
3,25 N(13,10,563)
A3
1,75 N(7,3,063)
A4
5,2
1,3 N(5,2,1,69)
A5
16,5
4,125 N(16,5,17,016)
A6
14,7
3,675 N(14,7,13,506)
A7
A8
10,3
A9
20
A10
A11
3,2
0,8 N(3,2,0,64)
A12
3,2
0,8 N(3,2,0,64)
A13
16,5
4,125 N(16,5,17,016)
1,5 N(6,2,25)
2,575 N(10,3,6,631)
5 N(20,25)
1 N(4,1)
Tabla3:Actividadesdelproyectodelexperimento11
Losresultadosobtenidosconunasimulacinde10.000pasossepuedenresumirasencuantoala
duracintotaldelproyecto
:
=43,34
Var =19,87
max =61,47
min
=27,86
Acontinuacin,seincluyeeldiagramadebarrasdelafrecuenciamuestraldelavariable
123/166
Figura 20: Distribucin simulada de la duracin del proyecto 11
Duracin del proyecto

1000
900
800
700
600
500
400
300
200
100
0
22 2223 333 3333 334 4444 4444 455 555 5555 5666
56 7890 123 4567 890 1234 5678 901 234 5678 9012
[Avramidis;Wilson1993b]utilizanunestimadorintegradodeesperanzacondicionalymuestreode
hipercubolatinoparaaproximarsealvalor conunnmerobajodeiteraciones.Nuestropuntode
vistaesdistinto;nonosinteresaslo sinoquepretendemosofrecerladistribucincompletapara
unamejorapreciacindelaincertidumbresobreladuracindelproyecto.
Otroestudiointeresante,segndefienden[Wendling;Lorance1999],eseldelosposiblescaminos
crticos.Especialmentenosfijaremosen eldominiorelativodeunosposiblescaminoscrticos
sobreotros.Enestecaso,vemosqueelcaminocrticodominanteesA0A1A4A8A12A13A14,pero
bastantecercasesitaelcaminoA0A1A4A7A9A11A14.
124/166
Caminocrtico
Probabilidad
A0A1A4A8A12A13A14
0,48
A0A1A4A7A9A11A14
0,43
A0A1A4A7A10A13A14
0,05
A0A2A6A11A14
0,03
A0A1A3A6A11A14
0,01
Tabla4:Dominiorelativodeloscamnoscrticosdelproyecto11
Apartedeloscincoreflejadosenlatablasuperior,tambinaparecenalgunosotroscaminoscrticos,
perosusprobabilidadessondespreciables.
Este es un problemapropuestoen[Bell;Han1991],pgina320,queasuvezesunaversin
simplificadadeunproblemapublicadopor[Stinsonetal.1978],pgina258.Esteproblemaes
interesanteporincluirrestriccionessimultneasenvariosrecursos.Acontinuacin,seexpresael
grafodelproyectosegnlarepresentacindereddePetri.Loslugaresdefusincorrespondientesa
losrecursosdelproyectoslosemuestran,poraligerarelgrfico,paralaactividadA4:
125/166
126/166
En la tabla siguiente, se detallan las distribuciones de probabilidad que utilizamos para la
experimentacin.Primero,partimosdelasduracionesmediasdadasporeloriginal,yasignamos
una desviacinestndardelacuartapartedeaqulla.Laltimascuatrocolumnasdetallan los
requerimientosdecadaactividadsobreloscuatrorecursosdelosquedisponeelproyecto. La
dificultad de este experimento reside en que los cuatro recursos se encuentran limitados a 10
unidades.
Actividad
Duracinmedia
Desviacinestndar
Distribucin
R0 R1 R2 R3
A1
A2
1 N(4,1)
A3
1,5 N(6,2,25)
A4
1,5 N(6,2,25)
A5
0,5 N(2,0,25)
A6
0,5 N(2,0,25)
A7
0,75 N(3,0,563)
A8
1,25 N(5,1,563)
A9
1,75 N(7,3,063)
A10
1,5 N(6,2,25)
A11
2 N(8,4)
A12
0,5 N(2,0,25)
A13
0,25 N(1,0,063)
A14
1,75 N(7,3,063)
A15
0,5 N(2,0,25)
A16
Tabla5:Actividadesdelproyectodelexperimento12
Losresultadosobtenidosconunasimulacinde10.000pasossepuedencompendiarasencuantoa
laduracintotaldelproyecto:
=22,31
Var =5,87
127/166
max =33,25
min
=13,65
Acontinuacin,seincluyeeldiagramadebarrasdelafrecuenciamuestraldelavariableduracin
delproyectosintenerencuentalasrestriccionesenlosrecursos:
Figura
22:
Distribucin
simulada
de
la
duracin
del
proyecto
12
Distribucin de la duracin
1600
1400
1200
1000
800
600
400
200
0
13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
No obstante, teniendo en cuenta las limitaciones de los recursos y aplicando el algoritmo de

ramificacinypodaparabuscarlasolucinptimaencadapasodelasimulacin,laduracindel
proyectosepuededescribirmediante:
'=38,47
Var ' =26,58
max ' =69,59
128/166
min
' =22,56
[Bell;Han1991]propusieronunheursticoparaesteproblemadeplanificacinmultirecurso,con
duracionesdiscretasdelasactividades.Suheursticoencontrabasolucinptima '=31 enun
tiempodecomputacincentenaresdevecesmenorqueelprocedimientoexacto,aunquehayque
tener en cuenta que entonces no se haba publicado el procedimiento DH de [Herroelen;
Demeulemeester1992]queusamosaqu.Encualquiercaso,nuestrointersnoestenreducirlos
tiemposdecomputacin,sinoenofrecerunavisincompletadelriesgoinherentealproyecto.En
losdatospresentadospornuestroalgoritmopodemosobservarelefectodelavariabilidadenlas
duraciones de las actividades sobre el cumplimiento de los programas ptimos. Este efecto,
presente cuando aparecen varios caminos cuasi crticos, es bien conocido en la comunidad de
direccindeproyectos,peroraravezesmedidoypresentadoconexactitud.Msan,podemos
presentarlogrficamente,medianteundiagramadebarrasdelafrecuenciamuestral.
Obsrvese tambin que la probabilidad de cumplir el plazo del proyecto, si se utilizara la
estimacindelamedia ,estanpequeaquenisedistingueenunasimulacindeMonteCarlode
10.000pasos.
129/166
Figura 23: Distribucin simulada y restringida de la duracin del proyecto 12
Duracin restringida
750
700
650
600
550
500
450
400
350
300
250
200
150
100
50
0
222 222 223 333 3333 334 444 444 444 555 555 555 566 666 666 667
234 567 890 123 4567 890 123 456 789 012 345 678 901 234 567 890
130/166

Esteesunproblemaquecontienedosciclosdediferentelongitud,propuestopor[PollackJohnson;
Liberatore 2005], pgina 18. Por facilitar la programacin del paquete de entrada
es.unirioja.ries.entrada, hemos utilizado durante la carga de datos la representacin en grafo
dirigidoacclicoqueseobtieneconelalgoritmo3.3.3.1 Algoritmodedesplieguedelasiteraciones
enlosciclos .AqupresentamoselgrafodelproyectomedianteredesdePetri:
131/166
En la tabla siguiente, se detallan las distribuciones de probabilidad que utilizamos para la
experimentacin, detalladas para cada instancia de cada actividad. Primero, partimos de las
duracionesmediasdadasporeloriginal,yasignamosunadesviacinestndardelacuartapartede
aqulla. La ltima columna muestra las probabilidades de xito de cada repeticin de cada
actividad.
Actividad
Duracinmedia
Desviacinestndar
Distribucin
Probabilidadde
xito
A01
A11
1,5 N(6,2,25)
A21
0,75 N(3,0,563)
A22
0,25 N(1,0,063)
A31
1 N(4,1)
A32
0,5 N(2,0,25)
A41
1,25 N(5,1,563)
0,6
A42
1,75 N(7,3,063)
0,9
A43
2,25 N(9,5,063)
A51
10
2,5 N(10,6,25)
A61
11
2,75 N(11,7,563)
A71
A81
13
A91
2 N(8,4)
3,25 N(13,10,563)
0
0,8
1
1
1
1
Tabla6:Instanciasdeactividadesdelproyecto13
Losresultadosobtenidosconunasimulacinde10.000pasossepuedenresumirasencuantoala
duracintotaldelproyecto :
=39,29
Var =10,8
max =55,9
min
=29,84
132/166
Acontinuacin,seincluyeeldiagramadebarrasdelafrecuenciamuestraldelavariable :
Figura
25:
Distribucin
simulada
de
la
duracin
del
proyecto
13
Duracin proyecto 13
0,14
0,13
0,12
0,11
0,1
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
2 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5
9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6
Enesteproyecto,destacanelciclocortoquecomienzaenelarco(p16,t3)yelciclolargoque
comienzaenelarco(p18,t1).Lascriticidadesdelciclocortoenlaprimeraysegundarepeticin
son0,25y0,04respectivamente,mientrasquelacriticidaddelciclolargoenlaprimerarepeticin
es0,15.Lascriticidadescondicionalesquedefinamosenelapartado1.3.1.5Criticidadson0,54,
1y0,75,loqueindicamsclaramentelaimportanciaquetienenestoscicloseneldesarrollodel
proyecto.
133/166
Respectodelmodelodeescenariospropuestopor[PollackJohnson;Liberatore2005],ladiferencia
empiezaadespuntarenlaesperanzadeladuracindelproyecto,quesegnsuclculodeescenarios
es:
E []=38,59
Ladiferenciaseexplicaporlapresenciadeunamayorincertidumbreennuestromodelo,porque
contemplamos simultneamente los ciclos y la duracin probabilstica de las actividades. En
[PollackJohnson;Liberatore2005]sepresentatambinunejemplodeduracinprobabilsticacon
distribucindiscreta.Ambosaspectossepuedenintegrar,aunquemanejarlossimultneamentees
trabajosoypocoescalable.Ensumodelo,adiferenciadelnuestro,nosecontemplandistribuciones
continuasparaladuracindelasactividades.
Por expresar grficamente la diferencia, esto sera lo que hubieran presentado Bruce Pollack
JohnsonyMatthewLiberatorecomodistribucindeprobabilidaddeladuracindelproyecto,tras
suanlisisde6escenariossobrelosciclosdelproyecto.Compreseconnuestroresultadoenla
figura25:
134/166
Figura26:Distribucindeladuracindelproyecto13segnelanlisisde[PollackJohnson;Liberatore2005]
Duracin proyecto 13
0,5
0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
37
38
39
40
41
42
43
135/166
44
45
46
47
48
6. Conclusiones y lneas de futuro

6.1 Conclusiones
Laprincipalcontribucindeestatesiseselplanteamientodeunmodelodelriesgoenelproyecto
quepermitecapturar1)laincertidumbresobreladuracindelasactividadesindividuales,2)la
incertidumbrequeseplanteaentrelasdiversasalternativasdeejecucindelproyecto,incluidoslos
planesdecontingenciaylosciclosderepeticin,y3)laincertidumbresobreelpropioresultadodel
proyectocomoconjuntoydecadaunadesusactividades.
Elmodeloqueproponemosesunmodeloenredestocstico,expresadomediantelasredesdePetri
estocsticasmsgenerales.Laactividadsedescomponeentreszonas:
Activacin:Eselpuntoenelquesedecidesilaactividadseponeenmarcha.Estadecisindepende
delosresultadosdelasactividadesprecedentes,deltiempoydelnmeroderepeticin.
Desarrollo:Eslazona,deduracinvariable,dondelaactividadvaempleandosusrecursosparala
consecucindesusfines.
Terminacin:Eselmomentodondesedecidesilaactividadhacumplidosusobjetivosyhasidoun
xito,osi,porelcontrario,hayqueconsiderarlaunfracaso.
Lasactividadesincluidasenlareddelproyectocontemplandosestadosdeterminacinposibles,el
estadodexitoyelestadodefracaso.staesunaprimerayfundamentalmodelizacindelriesgo
enelproyecto,aunquenoseaunaspectoquesesuelaconsiderarenlaliteratura.Paraelestadode
terminacindefinimosunavariablealeatoriabooleanaregidaporunaleydeBernoulli.Enloscasos
derepeticindeactividades,ademspermitimosmodelarescalarmenteestaprobabilidaddexito
respectodelnmerodeinstanciadeactividad.
Elriesgodefracasoenelproyectosedefinemedianteelconjuntodevariablesaleatoriasligadasal
estadodeciertasactividadesconsideradasfinales.Esteriesgoesindependientedeconsideraciones
temporales,cuyaincertidumbretratamosaparte.Serefierealaprobabilidaddeobtenerelproducto
correcto.
Antelaposibilidaddenoobtenerelproductocorrectoenunaactividad,seabrenvasalternativas
de ejecucin. Las vas alternativas de ejecucin contemplan tanto los planes de contingencia,
entendidoscomosecuenciasdeactividadesosubproyectosconducentesaconseguirunaalternativa
satisfactoria,comolosciclosderepeticin,dondesonlasmismasactividadeslasqueseejecutan
unaovariasvecesmsparaconseguirobtenerelmismoproductocorrectamente.
136/166
Apartedelasmencionadasvasalternativas,laincertidumbresobrelatemporalidaddelproyectoy
susactividadessecaracterizaenelmodelomediantevariasaportaciones.Porunlado,sepermite
definirbuclesderepeticinsobrecadenasdeactividades,loqueexpresaelcasorealqueseda
cuandolosresultadosnosonaceptablesentrminosdecalidad,ocuandolasespecificacionesdel
productocambian.Porotrolado,permitimosexpresarladuracindelaactividadmedianteuna
variablealeatoriadedistribucinparamtrica.Finalmente,lacorrelacinentrelasduracionesdelas
actividades afectadas por un mismo factor de riesgo se puede expresar mediante una variable
latente.
LabsquedadesolucionesptimasenelmodelosebasaenunasimulacindeMonteCarlo,apartir
delaculseimplementanalgoritmosdesecuenciacinyasignacinderecursoscuyosresultados
agregadosmuestranunainformacincompletasobrelasexpectativasdecomportamientodelared
delproyecto.
La segunda contribucindeesta tesis consisteenlademostracindela viabilidaddelmodelo
anteriormenteexpuestomediantelaimplementacindeunprototipodesoftwaredeplanificacinde
proyectos. El prototipo toma como entrada un proyecto definido segn el modelo de riesgo
propuesto,yejecutadiversosalgoritmosdeplanificacinparaofreceralprofesionaldeladireccin
de proyectos la informacin que necesita sobre criticidad, probabilidad de xito, consumo de
recursos, coste, duracin, etc... En lugar de la estimacin de un solo punto, el profesional se
encuentraconunadescripcincompletadelavariabilidadasociadaalproyecto,descripcinquele
permiteunamejorcomprensindelriesgopresenteencadaaspecto.
Elprototipocuentaconalgunasfuncionalidadesaadidasqueaportanfacilidaddeusoyunamejor
visindelosproyectosyrecursosgestionados.Elprototipopermitedefinirunmultiproyectocomo
unportafoliodeproyectosquesegestionandeformasimultnea.Estosproyectospuedencompartir
ciertosrecursosmedianteunarelacinjerrquicaentrelosrecursosgenricosdelportafolioylos
recursosdecadaproyecto.
Losrecursosasignadosaunaactividad,asuvez,puedenserdedistintotipo,definindoseparacada
tipounpuntodeentradaydesalida,orelacionesdeprecedenciaentrelosrecursos,demodoquesu
consumonoseaconstanteduranteeldesarrollodelaactividad.
Elmodeloderiesgoyelprototiposehanprobadoenunconjuntodeproyectosdepequeotamao
extradosdelaliteraturaydelaprcticaprofesional.Losexperimentoshandemostradoquela
informacinobtenibleparalagestindelriesgoenelproyectoesmsextensayprecisaquelaque
seobtieneconlastcnicasusualesdelaindustria.
Conestatesisesperamosabrirlavaalaadopcinporpartedelacomunidadprofesionaldela
direccindeproyectosdetcnicasavanzadasdegestindelriesgoenelproyecto.Pensamosquela
disponibilidad de un software similar al prototipo, de software de planificacin avanzado que
contempleeltipodetcnicasyelmodelodegestinderiesgoquehemosdesarrollado,contribuir
137/166
aunamejorgestindelosproyectosengeneral.Especialmentecreemoscontribuiraunamayor
penetracindeladisciplinadeingenieradeproyectosenloscamposenlosquelapresenciade
riesgoaltohasupuestounobstculohastaahora,comolainvestigacinydesarrolloolaingeniera
delsoftware.
6.2 Lneas de futuro

Losresultadosdeestainvestigacinabrenungrannmerodelneasdeinvestigacinparamejorar
elmodeloolosalgoritmosdescritos,paraaplicarelmodeloenotrosproblemasdeplanificacinde
proyectosyparafacilitarlaaplicacindelastcnicasdesarrolladasenlaprcticaprofesional.
Conrespectodelamejoradelmodeloderiesgopresentado,ladependenciadefactoresderiesgo
ofreceunabanicoampliodeposibilidades.Otrascaracterizaciones,quiznobasadasenlavariable
latente, son posibles. Es interesante estudiar su aplicacin a la probabilidad de xito de las
actividades, o, fuera de la repeticin de actividades, a actividades ligadas por caractersticas
comunes,alosrecursosysobretodoalosproyectosdeunmismoportafolio.Paraestaaplicacinse
puedenestudiarlasleccionesobtenidasenlagestindeportafoliosdeinversin.
Enlamejoradelmodelo,sepuedenexplorarotrotipoderedesdePetricomoexpresingrficay
dinmica.HemosvistoqueotrosinvestigadoreshanoptadoporotrasredesdePetri.Delestudiode
las redes de Petri pueden surgir nuevos formalismos ms completos que se adapten mejor al
problema que tratamos de describir. Los estudios de alcanzabilidad cronolgica del grafo son
prometedoresenlasredesdePetriestocsticas.
Enlamejoradealgoritmos,unaspectoparadesarrollareslaasignacinderecursosconrecursos
complejos.Ladefinicindetiemposdecomienzoyfindelusodelosrecursosenlaactividad
requiereunamodificacindelprocedimientoexactodeasignacinderecursos,quequizpuedadar
pieaalgunaoptimizacinporreduccindelespaciodebsqueda.
En la lnea de la optimizacin, otro aspecto para investigar es la mejora del rendimiento del
prototipo.Enelapartado1.3.2.1Tcnicasdereduccindelavarianzahemospresentadovarias
tcnicasquepermitenmejorarelrendimientodelasimulacindeMonteCarlo,alpreciodeocultar
partedelavariabilidad,yportanto,delriesgodelproyecto.Aunquesuaplicacindirectaenla
simulacinnoesrecomendableparalosobjetivosdeestatesis,labsquedadeuncompromisoentre
fidelidadyrendimientopuedeserinteresanteparaunaaplicacinprofesional.
Por otro lado, pero en cierta manera relacionado con el rendimiento, est la cuestin de la
anticipacin.Elalgoritmodesecuenciacindeactividadesyelalgoritmodeasignacinderecursos
trabajansuponiendoquelaincertidumbresobreelresultadoyladuracindecadaactividadhasido
resuelta,ytomandecisionesenconsecuencia.Haydoscautelasqueguardar:1)noanticiparse,
138/166
evitarsuponerquesetomarndecisionesnoimplementables,decisionesbasadaseninformacin
queelequipodelproyectonotendrenelmomentodetomarlasy2)nosimplificarenexceso,no
ignorarlainformacindequesedisponepeseasucaracterincierto.Nosotroshemosoptadopor
planificarunasolavez,ysinmodelarlaactitudhaciaelriesgodedirectordeproyecto.Suponemos
queelproyectosereplanificaperidicamentedesdeelmomentoactualenadelante.Unalneade
investigacin abiertaestendefinirlospuntos delapartado2.11.1Lospuntosdecontrol y
anticiparsealasdecisionesquesepuedantomarenelfuturo.Aqupuedenaplicarselastcnicasde
reduccindelavarianza.
En la prctica profesional, es necesario estudiar la interpretacin del riesgo en un entorno
empresarial.Cmosepercibelaincertidumbre,quinfluenciaspuedenalterarestapercepcino
quprocesossonrecomendablesencadafasedelproyectoparagestionarelriesgosoncuestiones
abiertasqueafectanalaaplicacindeltipodetcnicaspresentadasenlatesis.Losaspectosvisuales
enlapresentacindelasprevisionessobreelriesgooaspectospsicolgicostambindeberanser
tenidosencuenta.
Unalneaextraordinariamenteinteresantesearticulaentornoalanlisisdesensibilidad.Esuna
aspectocuyaimportanciaseharesaltadoreiteradamentedesdeelmundoprofesional,peroquerara
vezsehaabordadoenlacomunidadacadmica.Preguntascomoculessonloslmitesdecambio
deunparmetro(duracindeunaactividad,probabilidaddexito,etc)demodoqueunasolucin
sigasiendolaptima,odadouncambioenunparmetro,culseraelobjetivoptimoalcanzabley
lanuevasolucinptima.Algunasdeestaspreguntassonabordablesdesdeelreadeinvestigacin
que hemos visto en el apartado 2.11.2 La reparacin del programa: En qu condiciones
permaneceptimounprogramadelproyecto?Cmoseevalalarobustezdeunasolucinptima
ono?Larespuestaaotrasparecemslejana:Enqucondicionespermaneceptimoslosvalores
delafuncinobjetivo?Quanlisisdesensibilidadsepuederealizarapartirdeunasolucin
parcialmenteespecificada?
139/166
7. Referencias
Abeyasinghe et al. 2001. An efficient method for scheduling construction projects with
resourceconstraints/M.Chelakal.Abeyasinghe;DavidJ.Greenwood;D.EricJohansen.
InternationalJournalofProjectManagement19,no.1(2001):2945
Adeli;Park1998. Methodandapparatusforefficientdesignautomationandoptimization,
and structure produced thereby / Hojjat Adeli; Hyo Seon Park. United States Patent,
5,815,394,1998
AdelsonVelsky;Levner2002.ProjectSchedulinginANDORGraphs:Ageneralizationof
Dijkstra's algorithm / George M. AdelsonVelsky; Eugene Levner. Mathematics of
OperationsResearch27,no.3(2002):504517
Ahoetal.1974.TheDesignandAnalysisofComputerAlgorithms/AlfredV.Aho;JohnE.
Hopcroft;JeffreyD.Ullman.AddisonWesley,Reading,Massachusetts,1974
Ahuja;Walsh1983. SuccessfullMethodsinCostEngineering /HiraN.Ahuja;MichaelA.
Walsh.Wiley,NewYork,NewYork,1983.Traduccinalcastellanoen[Ahuja;Walsh
1989]
Ahuja; Walsh 1989. Ingeniera de costos y admistracin de proyectos / Hira N. Ahuja;
MichaelA.Walsh.Alfaomega,MxicoD.F.,Mxico,1989
Alcaraz 2001. Algoritmos Genticos para Programacin de Proyectos con Recursos
Limitados/JavierAlcaraz.UniversidadPolitcnicadeValencia,TesisDoctoral,2001
Alcaraz; Maroto 2001. A Robust Genetic Algorithm for Resource Allocation in Project
Scheduling/J.Alcaraz;C.Maroto.AnnalsofOperationsResearch102(2001):83109
AlFawzan; Haouari 2005. A biobjective model for robust resourceconstrained project
scheduling/M.A.AlFawzan;MohamedHaouari. InternationalJournalofProduction
Economics96,no.2(2005):175187
Alquieretal.2002.AnalysisofExternalandInternalRisksinProjectEarlyPhase/Anne
MarieAlquier;EnricoCagno;FrancoCaron;V.Leopoulos;MiguelA.Ridao.in The
FrontiersofProjectManagementResearch/DennisP.Slevin;DavidI.Cleland;JeffreyK.
Pinto(ed.),ProjectManagementInstitute,NewtonSquare,Pennsylvania,2002.349363
(captulo21)
Andersonetal.2005.AnIntroductiontoManagementScience:QuantitativeApproachesto
Decision Making / David R. Anderson; Dennis J. Sweeney; Thomas A. Williams.
Thomson,Mason,Ohio,2005.11edicin
Antill;Woodhead1970. CriticalPathMethodsinConstructionPractice /JamesM.Antill;
RonaldW.Woodhead.Wiley,NewYork,NewYork,1970.2edicin.4edicinen1990.
Traduccinalcastellanoen[Antill;Woodhead1995]
Antill;Woodhead1995.Mtododelarutacrticaysuaplicacinalaconstruccin/James
M.Antill;RonaldW.Woodhead.Limusa,MxicoD.F.,Mxico,1995
ANSI2001.ANSI/PMI990012000.AmericanNationalStandardsInstitute,2000.Aprobado
enmarzode2001.
140/166
Arranz1993. Planificacinycontroldeproyectos /AntonioArranzRamonet.Megabyte,
MxicoD.F.,Mxico,1993
Artiguesetaal.1999.Characterizationofasetofschedulesinaresourceconstrainedmulti
projectschedulingproblemwithmultiplemodes/ChristianArtigues;FranoiseRoubellat;
JeanCharlesBillaut.InternationalJournalofIndustrialEngineering6,no.2(1999):112
122
Artigues; Roubellat 2000. A polynomial activity insertion algorithm in a multiresource
schedulewithcumulativeconstraintsandmultiplemodes/ChristianArtigues;Franoise
Roubellat.EuropeanJournalofOperationalResearch127,no.2(2000):297316
Avramidis; Wilson 1993a. A splitting scheme for control variates / Athanassios N.
Avramidis;JamesR.Wilson.OperationsResearchLetters14(1993):187198
Avramidis; Wilson 1993b. Integrated variance reduction strategies / Athanassios N.
Avramidis;JamesR.Wilson.inProceedingsofthe1993WinterSimulationConference/
G.W.Evans;M.Mollaghasemi;E.C.Russell;W.E.Biles(eds.),IEEE,Piscataway,
1993.445454
Avramidis;Wilson1996.Integratedvariancereductionstrategiesforsimulation/Athanassios
N.Avramidis;JamesR.Wilson.OperationsResearch44,no.2(1996):327346
Baar et al. 1999. Tabu search algorithms and lower bounds for the resourceconstrained
projectschedulingproblem/ToniusBaar;PeterBrucker;SigridKnust.inMetaheuristics/
S.Voss;S.Martello;I.H.Osman;C.Roucairol(eds.),Kluwer,1999.118
Baca1990. Evaluacindeproyectos:Anlisisyadministracindelriesgo /GabrielBaca
Urbina.McGrawHill,MxicoD.F.,Mxico,1990.4edicinen2001
Bakeretal.1998.Techniquesfortheanalysisofriskinmajorprojects/S.Baker;D.Ponniah;
S.Smith.JournaloftheOperationalResearchSociety49,no.6(1998):567572
Balcombe;Smith1999.RefiningtheUseofMonteCarloTechniquesforRiskAnalysisin
ProjectPlanning/K.G.Balcombe;L.E.D.Smith.TheJournalofDevelopmentStudies
36,no.2(1999):113135
Ballestn2001.Nuevosmtodosderesolucindelproblemadesecuenciacindeproyectos
conrecursoslimitados/FranciscoBallestn.DepartamentodeEstadsticaeInvestigacin
Operativa,UniversidaddeValencia,Spain,Ph.D.Thesis,2001
Bandellonietal.1994.Optimalresourcelevellingusingnonserialdynamicprogramming/
M.Bandelloni;M.Tucci;R.Rinaldi.EuropeanJournalofOperationalResearch78,no.
2(1994):162177
Bartusch et al. 1988. Scheduling project networks with resource constraints and time
windows/M.Bartusch;RolfH.Mhring;FranzJ.Radermacher. AnnalsofOperations
Research16,no.14(1988):201240
Battersby1964.Networkanalysisforplanningandscheduling/AlbertBattersby.MacMillan,
London,UnitedKingdom,1964.3edicinen1970
Bell; Han 1991. A New Heuristic Solution Method in ResourceConstrained Project
Scheduling/ColinE.Bell;JaeminHan.NavalResearchLogistics38,no.3(1991):315
331
141/166
Benjaminetal.1990.KnowledgeBasedPrototypeforImprovingSchedulingProductivity/
C.O.Benjamin;D.L.Babcock;N.B.Yunus;J.Kincaid.JournalofComputinginCivil
Engineering4,no.2(1990):124134
Berny 1989.A NewDistributionFunctionforRiskAnalysis/ J.Berny. Journalof the
OperationalResearchSociety40,no.12(1989):11211127
Beyetal.1981.TheNetPresentValueCriterion:ItsImpactonProjectScheduling/RogerB.
Bey;RobertH.Doersch;JamesH.Patterson. ProjectManagementQuaterly 12,no.2
(1981):3545
Bidot2005.AGeneralFrameworkIntegratingTechniquesforSchedulingunderUncertainty/
JulienBidot.EcoleNationaled'IngnieursdeTarbesInstitutNationalPolytechniquede
Toulouse,France,Ph.D.Thesis,SerialNumber2297,2005
Baewiczetal.1983.Schedulingsubjecttoresourceconstraints/J.Baewicz;J.K.Lenstra;
A.H.G.RinooyKan.DiscreteAppliedMathematics5(1983):1124
Baewicz et al. 1985. Scheduling in Computer and Manufacturing Systems / Jacek
Baewicz;KlausH.Ecker;ErwinPesch;GnterSchmidt;JanWglarz.Springer,Berlin,
Deutschland,1985.2edicinen2002.
Baewiczetal.1986.SchedulingunderResourceConstraints:DeterministicModels/Jacek
Baewicz; Wojciech Cellary; Roman Sowiski; Jan Wglarz. Baltzer, Basel,
Switzerland,1986
Bowers2000.Interpretingfloatinresourceconstrainedprojects/J.A.Bowers.International
JournalofProjectManagement18(2000):386392
Brandt1999.ComputerGeneratedRandomNumbers:TheMonteCarloMethod/Siegmund
Brandt. in Data Analysis: Statistical and Computational Methods for Scientists and
Engineers/SiegmundBrandt,Springer,Berlin,Deutschland,1999.4986(captulo4)
Brassard;Bratley1987.Algorithmique:Conceptionetanalyse/GillesBrassard;PaulBratley.
Masson,Paris,1987.Traduccinalcastellanoen[Brassard;Bratley1990].
Brassard;Bratley1990.Algortmica/GillesBrassard;PaulBratley.Masson,Barcelona,1990
Briandetal.2002.Schedulingwithtimelagsandpreferences/CyrilBriand;Emmanuelle
Despontin;FrancisRoubellat.inEighthInternationalWorkshoponProjectManagement
andScheduling,Valncia,2002.
Brucker1998.SchedulingAlgorithms/PeterBrucker.Springer,Berlin,Deutschland,1998.4
edicinen2004.
Brucker et al. 1999. Resourceconstrained project scheduling: Notation, classification,
models,andmethods/PeterBrucker;AndreasDrexl;RolfH.Mhring;KlausNeumann;
ErwinPesch.EuropeanJournalofOperationalResearch112,no.1(1999):341
Brucker;Knust2000.Alinearprogrammingandconstraintpropagationbasedlowerbound
fortheRCPSP/PeterBrucker;SigridKnust.EuropeanJournalofOperationalResearch
127(2000):355362
Buckley1989.FuzzyPERT/J.J.Buckley.inApplicationsoftheFuzzySetMethodologiesin
IndustrialEngineering/G.Evans;W.Karwowski;M.Wilheim(eds.),Elsevier,1989.
103114
142/166
Bushuyev;Sochnev1999.Entropymeasurementasaprojectcontroltool/S.D.Bushuyev;S.
V.Sochnev.InternationalJournalofProjectManagement17,no.6(1999):343350
Burke1992. ProjectManagement:PlanningandControl /RoryBurke.Wiley,Chichester,
UK,1992.2edicinen1994.
Carlier;Chretienne1988.TimedPetrinetschedules/J.Carlier;P.Chretienne.inAdvances
inPetriNets/G.Rozenberg(ed.),Springer,Berlin,Deutschland,1988.6284
Chadbourne2000.PutRiskManagementTrainingWheelsonYourProjectSupportOffice/
Bruce C. Chadbourne. in Proceedings of the Project Management Institute Annual
Seminars&Symposium2000
Chang;Christensen1999.ANetPracticeforSoftwareProjectManagement/CarlK.Chang;
MarkChristensen.IEEESoftware16,no.6(1999):8089
Chapman2006.Keypointsofcontentioninframingassumptionsforriskanduncertainty
management/ChrisChapman. InternationalJournalofProjectManagement 24,no.4
(2006):303313
Chapmanetal.2000.Incorporatinguncertaintyincompetitivebidding/C.B.Chapman;S.C.
Ward;J.A.Bennell.InternationalJournalofProjectManagement18,no.5(2000):337
347
Chapman;Ward1997.ProjectRiskManagement:Processes,TechniquesandInsights/Chris
B.Chapman;StephenC.Ward.JohnWiley&Sons,Chichester,UK,1997.2edicin
2003
Chapman; Ward 2000. Estimation and evaluation of uncertainty: a minimalist first pass
approach/ChrisChapman;StephenWard.InternationalJournalofProjectManagement
18(2000):369383
Chau1995.MonteCarlosimulationofconstructioncostsusingsubjetivedata/K.W.Chau.
ConstructionManagementandEconomics13,no.5(1995):369383
Chretienne1983.LesrseauxdePetritemporiss/PhilippeChretienne.UniversitParisVI,
Paris,France,Thsed'tat,1983
Cloughetal.1972.ConstructionProjectManagement/RichardH.Clough;GlennA.Sears;
S.KeokiSears.Wiley,NewYork,NewYork,1972.4edicinen2000
Coronado;Jan2002.ASoftwareProjectManagementMethod:A3/SergioCoronado;Jos
AlbertoJan.inFrontiersofProjectManagementResearchandApplication/DennisP.
Slevin; David I. Cleland; Jeffrey K. Pinto (ed.), Project Management Institute,
Pennsylvania,2002.171179
Cook 1971. The complexity of theoremproving procedures / Stephen A. Cook. in
Proceedingsofthe3rdannualACMsymposiumonTheoryofcomputing,ACMPress,
NewYork,NewYork,1971.151158
Couillard1995.TheRoleofProjectRiskinDeterminingProjectManagementApproach/
JeanCouillard.ProjectManagementJournal26,no.4(1995):315
Damay 2005. Techniques de rsolution bases sur la Programmation Linaire pour
l'OrdonnancementdeProjet/JeanDamay.UniversitBlaisePascalClermontII,Thse
deDoctorat,2005
143/166
Davis1985.Jobshopschedulingwithgeneticalgorithms/L.Davis.inProceedingsofthe1st
International Conference on Genetic Algorithms / J. Grefenstette (ed.), Lawrence
Erlbaum,Hillsdale,NewJersey,USA,1985.136140
Davis; Patterson 1975. A Comparison of Heuristic and Optimum Solutions in Resource
constrainedProjectScheduling/EdwardW.Davis;JamesH.Patterson. Management
Science21,no.8(1975):944955
Dawood1998.Estimatingprojectandactivityduration:ariskmanagementapproachusing
networkanalysis/NashwanDawood.ConstructionManagementandEconomics16,no.1
(1998):4148
Dawson; Dawson 1998. Practical proposals for managing uncertainty and risk in project
planning / Ray J. Dawson; Christian W. Dawson. International Journal of Project
Management16,no.5(1998):299310
Debels; Vanhoucke 2005. A bipopulation based genetic algorithm for the resource
constrainedprojectschedulingproblem/DieterDebels;MarioVanhoucke.VlerickLeuve
GentManagementSchool,GhentUniversityandKatholiekeUniversiteitLeuven,Working
PaperSeries2005/8,2005
deFalco;Macchiaroli1998.Timingofcontrolactivitiesinprojectplanning/Massimode
Falco; Roberto Macchiaroli. International Journal of Project Management 16, no. 1
(1998):5158
de Klerk 2001. The Value of Project Risk Management / Antoine M. de Klerk. in
ManagementofEngineeringandTechnology:PICMET'01,vol.2,2001.570576
DeMarco;Lister2003. WaltzingwithBears:ManagingRiskonSoftwareProjects / Tom
DeMarco;TimothyLister.DorsetHouse,NewYork,NewYork,2003
Demassey2003.MthodesHybridesdeProgrammationparContraintesetdeProgrammation
linaire pour le problme d'Ordonnancement de Projet Contraintes de Ressources /
SophieDemassey.Universitd'Avignon,ThsedeDoctorat,2003
Demeulemeester;Herroelen1992.Abranchandboundprocedureforthemultipleresource
constrained project scheduling problem / Erik Demeulemeester; Willy Herroelen.
ManagementScience38,no.12(1992):18031818
Demeulemeester;Herroelen1996.Anefficientoptimalsolutionprocedureforthepreemptive
resourceconstrainedprojectschedulingproblem/ErikDemeulemeester;WillyHerroelen.
EuropeanJournalofOperationalResearch90,no.2(1996):334348
Demeulemeester; Herroelen 1997. New Benchmark Results for the ResourceConstrained
Project Scheduling Problem / Erik Demeulemeester; Willy Herroelen. Management
Science43,no.11(1997):14851492
Demeulemeester; Herroelen 2002. Project Scheduling: A Research Handbook / Erik
Demeulemeester;WillyHerroelen.Kluwer,Boston,Massachusetts,2002
Demeulemeester et al. 2000. The discrete time/resource tradeoff problem in project
networks:Abranchandboundapproach/ErikDemeulemeester,BertDeReyck,Willy
Herroelen.IIETransactions32,no.11(2000):10591069
DePuy;Whitehouse2000.ApplyingtheCOMSOALcomputerheuristictotheconstrained
144/166
resource allocation problem / Gail W. DePuy; Gary E. Whitehouse. Computers &
IndustrialEngineering38,no.3(2000):413422
DePuy;Whitehouse2001.Asimpleandeffectiveheurisicfortheresourceconstrainedproject
schedulingproblem/ GailW.DePuy;GaryE.Whitehouse. International Journal of
ProductionResearch39,no.14(2001):32753287
DeReyck;Herroelen1999.Themultimoderesourceconstrainedprojectschedulingproblem
with generalized precedence relations / Bert De Reyck; Willy Herroelen. European
JournalofOperationalResearch119,no.2(1999):538556
Devaux 1999. Total Control Project: A manager's guide to integrated project planning,
measuring,andtracking/StephenA.Devaux.Wiley,NewYork,1999
Dillonetal.2005.OptimalUseofBudgetReservestoMinimizeTechnicalandManagement
FailureRisksDuringComplexProjectDevelopment/R.L.Dillon;M.E.PatCornell;S.
D.Guikema.IEEETransactionsonEngineeringManagement52,no.3(2005):382395
Dinic1990.ThefastestalgorithmforthePERTproblemswithANDandORnodes/E.
Dinic. in Proceedings of the Workshop on Combinatorial Optimization, University of
WaterlooPress,Waterloo,Ontario,Canada,1990.185187
Dorigo;DiCaro1999.TheAntColonyOptimizationMetaHeuristic/MarcoDorigo;Gianni
DiCaro.inNewIdeasinOptimization/DavidCorne;MarcoDorigo;FredGlover(eds.),
McGrawHill,London,1999.1132
Dorndorf et al. 1999. A branchandbound algorithm for the resourceconstrained project
scheduling problem / Ulrich Dorndorf; Erwin Pesch; Ton PhanHuy. Institute fr
GesellschaftsundWirtschaftswissenschaften,UniversittBonn,Germany,1999
Dorndorf et al. 2000. A branchandbound algorithm for the resourceconstrained project
scheduling problem / Ulrich Dorndorf; Erwin Pesch; Ton PhanHuy. Mathematical
MethodsofOperationsResearch52,no.3(2000):413439
Dorp;Duffey1999.StatisticaldependenceinriskanalysisforprojectnetworksusingMonte
Carlo methods / J. R. vanDorp; M.R.Duffey. International Journalof Production
Economics58,no.1(1999):1729
Drexletal.2000.ProGen/ /AndreasDrexl;RdigerNissen;JamesH.Patterson;Frank
Salewski.EuropeanJournalofOperationalResearch125,no.1(2000):5972
Dubois et al. 2003. Fuzzy scheduling: Modelling flexible constraints vs. coping with
incompleteknowledge/DidierDubois;HlneFargier;PhilippeFortemps. European
Eckhart1987.StanUlam,JohnvonNeumann,andtheMonteCarlomethod/RogerEckhart.
LosAlamosScienceSpecialIssue,no.15(1987):131137
Eglese 1990. Simulated Annealing: A tool for Operational Research / R. W. Eglese.
Eisner1962.AGeneralizedNetworkApproachtothePlanningandSchedulingofaResearch
Project/HowardEisner.OperationsResearch10,no.1(1962):115125
Elkhyarietal.2002.Explanationbasedrepairtechniquesforsolvingdynamicscheduling
problems/AbdallahElkhyari;ChristelleGuret;NarendraJussien.inWorkingNotesof
145/166
theAIPS'02WorkshoponOnlinePlanningandScheduling,Toulouse,France,2002
Elkhyari et al. 2003. Solving dynamic RCPSP using explanationsbased constraint
programming/AbdallahElkhyari;ChristelleGuret;NarendraJussien.inMAPSP'03:
Sixth workshop on Models and Algorithms for Planning and Scheduling Problems,
Aussois,France,2003.119120
Elkjaer; Felding 1999. Applied Project Risk Management: Introducing the Project Risk
ManagementLoopofControl/MartinElkjaer;FinnFelding.ProjectManagement5,no.
1(1999):1625
Elkjaer 2000. Stochastic Budget Simulation / Martin Elkjaer. International Journal of
ProjectManagement18,no.2(2000):139147
Elmaghraby1977.ActivityNetworks:Projectplanningandcontrolbynetworkmodels/Salah
EldinElmaghraby.WisleyInterscience,NewYork,1977
Elmaghraby1990.Projectbiddingunderdeterministicandprobabilisticactivitydurations/
SalahEldinElmaghraby.EuropeanJournalofOperationalResearch49(1990):1434
Elmaghraby2000.Oncriticalityandsensitivityinactivitynetworks/SalahE.Elmaghraby.
Elmaghraby 2005. On the fallacy of averages in project risk management / Salah E.
Elmaghraby.EuropeanJournalofOperationalResearch165,no.2(2005):307313
Elmaghraby; Kamburowski 1992. The Analysis of Activity Networks under Generalized
PrecedenceRelations(GPR)/SalahE.Elmaghraby;JerzyKamburowski. Management
Science38,no.9(1992):12451263
Engwall;Jerbrant2003.Theresourceallocationsyndrome:Theprimechallengeofmulti
projectmanagement?/MatsEngwall;AnnaJerbrant. InternationalJournalofProject
Esquiroletal.1995.ConstraintProgramming/P.Esquirol;P.Lopez;H.Fargier;T.Schiex.
BelgianJournalofOperationalResearch35,no.2(1995):536
Evansetal.1993.TheDenverairport:Managingamegaproject/GingerS.Evans;RichardF.
Haury;GuyM.Stricklin.CivilEngineering63,no.5(1993)
Fan;Yu2004.BBNbasedsoftwareprojectriskmanagement/ChinFengFan;YuanChang
Yu.JournalofSystemsandSoftware73,no.2(2004):193203
Fenbert; Fleener 2002. Implementing TOC Multiproject Management in a Research
Organization/JeffreyA.Fenbert;NancyK.Fleener.inFrontiersofProjectManagement
ResearchandApplication/DennisP.Slevin;DavidI.Cleland;JeffreyK.Pinto(ed.),
ProjectManagementInstitute,Pennsylvania,2002.225229
Feo; Resende 1989. A probabilistic heuristic for a computationally difficult set covering
problem/T.A.Feo;M.G.C.Resende.OperationsResearchLetters8(1989):6771
Fisher et al. 1995. Benchmarking in Construction Industry / Deborah Fisher; Susan
Miertschin;DavidR.PollockJr.JournalofManagementinEngineering11,no.1(1995):
5057
Fishman1996. MonteCarloConcepts,Algorithms,andApplications /GeorgeS.Fishman.
Springer,NewYork,1996
146/166
Ford;Sterman2003a.Overcomingthe90%syndrome:IterationManagementinConcurrent
DevelopmentProjects/DavidN.Ford;JohnD.Sterman.ConcurrentEngineering11,no.
3(2003):177186
Fox1986.ImplementationandRelativeEfficiencyofQuasirandomSequenceGenerators/
BennettL.Fox.ACMTransactionsonMathematicalSoftware12,no.4(1986):362376
Fulkerson1961.ANetworkFlowComputationforProjectCostCurves/D.R.Fulkerson.
ManagementScience7(1961):167178
Fulkerson 1962. Expected Critical Path Lengths in PERT Networks / D. R. Fulkerson.
OperationsResearch10(1962):808817
Gantt1910.Work,WagesandProfit/HenryLaurenceGantt. TheEngineeringMagazine
(1910)
Garey; Johnson 1979. Computers and Intractability: A Guide to the Theory of NP
Completeness/M.R.Garey;P.S.Johnson.Freeman,SanFrancisco,California,1979
Ghomi;Ashjari2002.Asimulationmodelformultiprojectresourceallocation/S.M.T.
FatemiGhomi;B.Ashjari.InternationalJournalofProjectManagement20,no.2(2002):
127130
Gillies; Liu 1995. Scheduling tasks with AND/OR precedence constraints / Donald W.
Gillies;JaneW.S.Liu.SIAMJournalonComputing24,no.4(1995):797810
Glover 1989.TabuSearch:PartI/FredGlover. ORSAJournalonComputing 1,no. 3
(1989):190206
Glover1990.TabuSearch:PartII/FredGlover. ORSAJournalonComputing 2,no.1
(1990):432
Glover;Laguna1997. TabuSearch /FredW.Glover;ManuelLaguna.Kluwer,Norwell,
Massachusetts,1997.NuevaedicinenSpringer,Berlin,Deutschland,2004
Goldratt 1997. Critical Chain / Eliyahu M. Goldratt. The North River Press Publishing
Corporation,GreatBarrington,1997.Traduccinalcastellanoen[Goldratt2001]
Goldratt2001. CadenaCrtica:Unanovelaempresarial sobrelaGestindeProyectos /
EliyahuM.Goldratt.DazdeSantos,Madrid,2001
GolenkoGinzburg1988.OnthedistributionofactivitytimeinPERT/DimitriGolenko
Ginzburg.JournaloftheOperationalResearchSociety39,no.8(1988):767771
GolenkoGinzburg; Blokh 1997. A generalized activity network model / D. Golenko
Ginzburg;D.Blokh.JournaloftheOperationalResearchSociety48,no.4(1997):391
400
GolenkoGinzburgetal.2000.Resourcesupportabilitymodelforstochasticnetworkprojects
under a chance constraint / Dimitri GolenkoGinzburg; Aharon Gonik; Shimon
Sitniakovski.CommunicationsinDependabilityandQualityManagement3,no.1(2000):
89102
GolenkoGinzburgetal.2001a.AlgorithmsofOptimalSupplyofResourcestoaGroupof
Projects: (Stochastic Networks) / Dimitri I. GolenkoGinzburg; Sergey M. Lyubkin;
VladimirS.Rezer;ShimonL.Sitnyakovskii. AvtomatikaiTelemekhanika,no.8(2001):
157167.Originalenruso,traducidoen[GolenkoGinzburgetal.2001b]
147/166
GolenkoGinzburgetal.2001b.AlgorithmsofOptimalSupplyofResourcestoaGroupof
Projects: (Stochastic Networks) / Dimitri I. GolenkoGinzburg; Sergey M. Lyubkin;
VladimirS.Rezer;ShimonL.Sitnyakovskii. AutomationandRemoteControl62,no.8
(2001):13661375
GolenkoGinzburg;Gonik1997.Stochasticnetworkprojectschedulingwithnonconsumable
limitedresources/DimitriGolenkoGinzburg;AharonGonik. InternationalJournalof
ProductionEconomics48,no.1(1997):2937
GolenkoGinzburg;Gonik1998a.Aheuristicfornetworkprojectschedulingwithrandom
activity durations depending on the resource allocation / Dimitri GolenkoGinzburg;
AharonGonik.InternationalJournalofProductionEconomics55(1998):149162
GolenkoGinzburg; Gonik 1998b. High performance heuristic algorithm for controlling
stochasticnetworkprojects/DimitriGolenkoGinzburg; AharonGonik. International
JournalofProductionEconomics54,no.3(1998):235245
Gordon;Tulip1997.Resourcescheduling/J.Gordon;A.Tulip. InternationalJournalof
ProjectManagement15,no.6(1997):359370
Graham et al. 1979. Optimisations and approximation in deterministic sequencing and
scheduling:Asurvey/R.L.Graham;E.L.Lawler;J.K.Lenstra;A.H.G.RinnooyKan.
AnnalsofDiscreteMathematics5(1979):287326
Grinold 1972. The payment scheduling problem / Richard C. Grinold. Naval Research
LogisticsQuarterly19(1972):123136
Gurney 1997.AnIntroductiontoNeuralNetworks/KevinGurney.UCLPress,London,
England,UnitedKingdom,1997
Gutjahretal.2000.Astochasticbranchandboundapproachtoactivitycrashinginproject
management/W.J.Gutjahr;C.Strauss;E.Wagner. INFORMSJournalonComputing
12,no.2(2000):125135
Halletal.1996.SchedulingToMinimizeAverageCompletionTime:OfflineandOnline
Algorithms / Leslie A.Hall; DavidB.Shmoys; JoelWein. in Proceedings of the 7th
annualACMSIAMSymposiumonDiscreteAlgorithms,1996.142151
Hammersley; Handscomb 1964. Monte Carlo Methods / J. M. Hammersley; D. C.
Handscomb.Methuen,London,UnitedKingdom,1964.3edicinen1967
Hans2001.ResourceLoadingbyBranchandPriceTechniques/ErwinHans.Universiteit
Twente,Nederlanden,Ph.D.Thesis,2001
Harris 1978. Precedence and arrow networking techniques for construction / Robert B.
Harris.Wiley,NewYork,1978
Hartley;Wortham1966.Astatisticaltheoryforpertcriticalpathanalysis/H.O.Hartley;A.
W.Worthman.ManagementScience12,no.10(1966):b469b487
Hartmann 1998. A Competitive Genetic Algorithm for ResourceConstrained Project
Scheduling/SnkeHartmann.NavalResearchLogistics45,no.7(1998):733750
Hartmann 2002. A selfadapting genetic algorithm for project scheduling under resource
constraints/SnkeHartmann.NavalResearchLogistics49,no.5(2002):433448
Hartmann; Kolisch 2000. Experimental evaluation of stateoftheart heuristics for the
148/166
resourceconstrained project scheduling problem / Snke Hartmann; Rainer Kolisch.
Haas;Schedler1987.StochasticPetriNetRepresentationofDiscreteEventSimulations/
PeterJ.Haas;GeraldS.Shedler.inInternationalWorkshoponPetriNetsandPerformance
Models,PNPM'87,1987.Publicadoen[Haas;Schedler1989]
Haas;Schedler1989.StochasticPetriNetRepresentationofDiscreteEventSimulations/
PeterJ.Haas;GeraldS.Shedler. IEEETransactionsonSoftwareEngineering15,no.4
(1989):381393
Hapke et al. 1994. Fuzzy project scheduling system for software development / Maciej
Hapke;AndrzejJaszkiewicz;RomanSowiski.FuzzySetsandSystems67,no.1(1994):
101117
Haykin 1994. Neural Networks: A Comprehensive Foundation / Simon Haykin. Prentice
PlenumPress,NewYork,NewYork,1994.2edicinen1999
Hebb1949.TheOrganizationofBehaviour/DonaldO.Hebb.Wiley,NewYork,NewYork,
1949
Heckerman;Wellman1995.Bayesiannetworks/DavidHeckerman;MichaelP.Wellman.
CommunicationsoftheACM38,no.3(1995):2330
Hegazy1999a.Optimizationofresourceallocationandlevelingusinggeneticalgorithms/
TarekHegazy.JournalofConstructionEngineeringandManagement125,no.3(1999):
167175
Hegazy 1999b. Optimization of construction timecost tradeoff analysis using genetic
algorithms/TarekHegazy.CanadianJournalofCivilEngineering26,no.6(1999):685
697
Hegazy2002.ComputerBasedConstructionProjectManagement/TarekHegazy.Prentice
Hall,UpperSaddleRiver,NewJersey,USA,2002
Hegazyetal.2004.Distributedschedulingmodelforinfrastructurenetworks/TarekHegazy;
Ahmed Elhakeem; Emad Elbeltagi. Journal of Construction Engineering and
Management130,no.2(2004):160167
Hegazy; Kassab 2003. Resource optimization using combined simulation and genetic
algorithms/TarekHegazy;MoustafaKassab. JournalofConstructionEngineeringand
Management129,no.6(2003):698705
Hegazy;Petzold2003.Geneticoptimizationfordynamicprojectcontrol/TarekHegazy;
KevinPetzold.JournalofConstructionEngineeringandManagement129,no.4(2003):
395404
Heilmann 2003. A branchandbound procedure for the multimode resourceconstrained
projectschedulingproblemwithminimumandmaximumtimelags/RolandHeilmann.
Herroelenetal.1997.Projectnetworkmodelswithdiscountedcashflows:aguidedtour
through recent developments / Willy Herroelen; Patrick Van Dommelen; Erik
Demeulemeester.EuropeanJournalofOperationalResearch100,no.1(1997):97121
Herroelenetal.1999.AClassificationSchemeforProjectScheduling/WillyHerroelen;Erik
149/166
Demeulemeester; Bert De Reyck. in Project Scheduling / J. Wglarz (ed.), Kluwer
Academic,Boston,Massachusetts,1999.126
Herroelen;Leus2001.Onthemeritsandpitfallsofcriticalchainscheduling/W.Herroelen;
R.Leus.JournalofOperationsManagement19,no.5(2001):559577
Herroelen; Leus 2004. The construction of stable project baseline schedules / Willy
Herroelen;RoelLeus.EuropeanJournalofOperationalResearch156,no.3(2004):550
565
Herroelen; Leus 2005a. Identification and illumination of popular misconceptions about
project scheduling and time buffering in a resourceconstrained environment / Willy
Herroelen;RoelLeus.JournaloftheOperationalResearchSociety56,no.1(2005):102
109
Herroelen;Leus2005b.Projectschedulingunderuncertainty:surveyandresearchpotentials/
Willy Herroelen; Roel Leus. European Journal of Operational Research 165, no. 2
(2005):289306
Hillson 2000. Project Risks: identifying causes, risks and effects / David Hillson. PM
Network14,no.9(2000):4851
Hindietal.2005.Anevolutionaryalgorithmforresourceconstrainedprojectscheduling/
KhalilS.Hindi;HongboYang;KrzysztofFleszar. IEEETransactionsonEvolutionary
Computation6,no.5(2002):512518
Hiyassat 2000. Modification of minimum moment approach in resource leveling /
MohammedA.SalemHiyassat. JournalofConstructionEngineeringandManagement
126,no.4(2000):278284
Hiyassat2001.Applyingmodifiedminimummomentmethodtomultipleresourceleveling/
MohammedA.SalemHiyassat. JournalofConstructionEngineeringandManagement
127,no.3(2001):192198
Holland1975. AdaptationinNaturalandArtificialSystems:AnIntroductoryAnalysiswith
ApplicationstoBiology,ControlandArtificialIntelligence/JohnH.Holland.University
ofMichiganPress,AnnArbor,Michigan,1975
Hopcroft; Motwani; Ullman 2006. Introduction to Automata Theory, Languages, and
Computation /JohnE.Hopcroft;RajeevMotwani;JeffreyD.Ullman.AddisonWesley,
Reading,Massachusetts,2006
Hopcroft;Ullman1979. IntroductiontoAutomataTheory,Languages,andComputation /
JohnE.Hopcroft;JeffreyD.Ullman.AddisonWesley,Reading,Massachusetts,1979.3
edicinconRajeevMotwanien[Hopcroft;Motwani;Ullman2006]
Hopfield1982.Neuralnetworksandphysicalsystemswithemergentcollectivecomputational
abilities/J.J.Hopfield.inProceedingsoftheNationalAcademyofSciences,vol.79,
1982.25542558
Horowitz;Sahni1978.FundamentalsofComputerAlgorithms/EllisHorowitz;SartajSahni.
ComputerScience,PotomacRockville,Maryland,1978
Houghtonetal.2001.LANL'sdevelopmentofschedulecontingencybasedonprobabilistic
riskresults/F.KayHoughton;JohnP.Kindingerm;DavidGemeinhart;GeorgeWhite.in
150/166
ProceedingsofthePMIAnnualSymposium,(Nashville,Tennessee),2001.5
Hughes1986.WhyProjectsFall:TheEffectsofIgnoringtheObvious/MichaelWilliam
Hughes.IIESolutions18,no.4(1986):1418
Hughes;Wilcox1996.AnInnovativeDistributedProjectControlApproach:Acasestudyof
the Cassini Management Information System (CMIS) / Michael W. Hughes; Reed E.
Wilcox.EngineeringManagementJournal8,no.1(1996):914
IEEE2004.IEEEGuideAdoptionofPMIStandardAGuidetotheProjectManagement
BodyofKnowledge.IEEE,Std14902003,2003.Aprobadoel24demayode2004.
Jaafari 2001.Managementofrisk,uncertaintiesandopportunitiesonprojects:time for a
fundamentalshift/AliJaafari. InternationalJournalofProjectManagement 19,no.2
(2001):89101
Jakowski; Sobotka 2004. Scheduling construction projects with resources accessibility
limited and changeable in time / Piotr Jakowski; Anna Sobotka. Journal of Civil
EngineeringandManagement10,no.4(2004):267276
Jeetendraetal.2000.PetriNetsforProjectManagementandResourceLevelling/V.A.
Jeetendra; O. V. Krishnaiah Chetty; J. Prashanth Reddy. International Journal of
AdvancedManufacturingTechnology16,no.7(2000):516520
Jensenetal.2006.Projectrelationships:Amodelforanalyzinginteractionaluncertainty/
ChristianJensen;StaffanJohansson;MikaelLfstrm. InternationalJournalofProject
Johnsonetal.1970.Continuousunivariatedistributions/NormanL.Johnson;SamuelKotz;
N.Balakrishnan.Wiley,NewYork,NewYork,1970.2edicinen1994(vol.1)y1995
(vol.2)
Johnson et al. 1994a. Normal Distributions / Norman L. Johnson; Samuel Kotz; N.
Balakrishnan.inContinuousunivariatedistributions/NormanL.Johnson;SamuelKotz;
N.Balakrishnan,Wiley,1994.80206(captulo13)
Johnson et al. 1994b. Lognormal Distributions / Norman L. Johnson; Samuel Kotz; N.
Balakrishnan.inContinuousunivariatedistributions/NormanL.Johnson;SamuelKotz;
N.Balakrishnan,Wiley,1994.207297(captulo14)
Johnson etal.1995a.Uniform (Rectangular)Distributions/ NormanL.Johnson;Samuel
Kotz; N. Balakrishnan. in Continuous univariate distributions / Norman L. Johnson;
SamuelKotz;N.Balakrishnan,Wiley,1995.276321(captulo26)
Johnsonetal.1995b.BetaDistributions/NormanL.Johnson;SamuelKotz;N.Balakrishnan.
in Continuous univariate distributions / Norman L. Johnson; Samuel Kotz; N.
Balakrishnan,Wiley,1995.210275(captulo25)
Johnson1997.Thetriangulardistributionasaproxyforthebetadistributioninriksanalysis/
DavidJohnson.JournaloftheRoyalStatisticalSociety46,no.3(1997):387398
Jrgensen 1999. Project Scheduling as a Stochastic Dynamic Decision Problem / Trond
Jrgensen. Norges teknisknaturvitenskapelige universitet (Norvegian University of
ScienceandTechnology),Trondheim,Noreg,Doktoravhandling,1999
Jzefowska et al. 2000. Solving discretecontinuous project scheduling problems via its
151/166
discretization/JoannaJzefowska;JanWrglarz;MarekMika;RafaRycki;Grzegorz
Waligra.MathematicalMethodsofOperationsResearch52(2000):489499
Jzefowskaetal.2001.SimulatedAnnealingforMultiModeResourceConstrainedProject
Scheduling/JoannaJzefowska;MarekMika;RafaRycki;GrzegorzWaligra;Jan
Wglarz.AnnalsofOperationsResearch102(2001):137155
Jzefowska et al. 2003. Uncertainty in discretecontinuous project scheduling / Joanna
Jzefowska;RafaRycki;JanWrglarz.inProjectDrivenManufacturing/Z.Banaszak;
JoannaJzefowska(eds.),WNTWarszawa,Warszawa,Polska,2003.2333
Jzefowska; Wrglarz 2006. Perspectives in Modern Project Scheduling / Joanna
Jzefowska;JanWrglarz(eds.).Springer,Berlin,Deutschland,2006
2
Kao et al.2002. I QFD: ablackboardbasedmultiagent system for supporting concurrent
engineeringprojects/HsingPeiKao;EricSu;BrianWang. InternationalJournalof
ProductionResearch40,no.5(2002):12351262
Karp1972.Reducibilityamongcombinatorialproblems/RichardM.Karp.inComplexityof
ComputerComputations/R.E.Miller;J.W.Thatcher(eds.),Plenum,NewYork,New
York,1972.85103
Kartam;Tongthong1998.Anartificialneuralnetworkforresourcelevelingproblems/Nabil
Kartam;TanitTongthong. ArtificialIntelligenceforEngineeringDesign,Analysisand
Manufacturing12,no.3(1998):273287
Kelley 1961. Criticalpath planning and scheduling: Mathematical Basis / J. E. Kelley.
OperationsResearch9(1961):296320
Kelley1963.TheCriticalPathMethod:Resources,PlanningandScheduling/J.E.Kelley.in
IndustrialScheduling/J.F.Muth;G.L.Thompson(eds.),PrenticeHall,1963
Kelley;Walker1959.Criticalpathplanningandscheduling/JamesE.KelleyJr.;MorganR.
Walker.inProceedingsoftheEasternJointComputerConference,Boston,Massachusetts,
1959.160173
Kennedy;Eberhart1995.Particleswarmoptimization/JamesKennedy;RussellEberhart.in
ProceedingsoftheIEEEConferenceonneuralnetworks,vol.4,Piscataway,NewJersey,
1995.19421948
Kerzner 1998. Project Management: A Systems Approach to Planning, Scheduling and
Controlling /HaroldKerzner.VanNostrandReinhold,NewYork,NewYork,1998. 8
edicinWiley,Hoboken,NewJersey,2003.
Kim;delaGarza2003.PhantomFloat/KyunghwanKim;JessM.DelaGarza.Journalof
ConstructionEngineeringandManagement129,no.5(2003):507517
Kim; de la Garza 2005. Evaluation of the resourceconstrained critical path method
algorithms / Kyunghwan Kim; Jess M. De la Garza. Journal of Construction
EngineeringandManagement131,no.5(2005):522532
Kimetal.2003.Hybridgeneticalgorithmwithfuzzylogicforresourceconstrainedproject
scheduling/KwanWooKim;MitsuoGen;GenjiYamazaki. AppliedSoftComputing2,
no.3(2003):174188
Kirkpatricketal.1983.OptimizationbySimulatedAnnealing/S.Kirkpatrick;C.D.Gelatt;
152/166
M.P.Vecchi.Science220,no.4598(1983):671680
Kis 2005. A branchandcut algorithm for scheduling projects with variableintensity
activities/TamsKis.MathematicalProgramming103,no.3(2005):515539
Klein1999.SchedulingofResourceconstrainedProjects/RobertKlein.Kluwer,Dordrecht,
Nederlanden,1999.Reimpresinen2000.
Klein; Scholl 2000. PROGRESS: Optimally solving the generalized resourceconstrained
project scheduling problem / Robert Klein; Armin Scholl. Mathematical Methods of
Kloppenborg; Opfer 2000. Forty years of project management research / Timothy J.
Kloppenborg; Warren A. Opfer. in Proceedings of PMI Research Conference 2000,
ProjectManagementInstitute,Pennsylvania,2000.4159
Knuth 1969. TheArt of Computer Programming:Volume2: Seminumerical Algorithms /
DonaldKnuth.AddisonWesley,Reading,Massachusetts,1969.3edicinen1997.
Kochetov; Stolyar 2003. Evolutionary local search with variable neighbourhood for the
resource constrained project scheduling problem / Y. A. Kochetov; A. A. Stolyar. in
Proceedings of the 3rd International Workshop of Computer Science and Information
Technologies,2003.9699
Kohonen 1982. Selforganizing formation of topologically correct feature maps / Teuvo
Kohonen.BiologicalCybernetics43,no.1(1982):5969
Kolisch 1995. Project Scheduling Under Resource Constraints: Efficient Heuristics for
SeveralProblemClasses/RainerKolisch.PhisicaVerlag,Heidelberg,1995
Kolisch1996.Serialandparallelresourceconstrainedprojectschedulingmethodsrevisited:
Theoryandcomputation/RainerKolisch.EuropeanJournalofOperationalResearch90,
no.2(1996):320333
Kolischetal.1999.Benchmarkinstancesforprojectschedulingproblems/RainerKolisch;C.
Schwindt;ArnoSprecher.inHandbookofRecentAdvancesinProjectScheduling/Jan
Wglarz(ed.),Kluwer,Amsterdam,Nederlanden,1999.197212
Kolisch; Sprecher 1996. PSPLIB: A project scheduling library / Rainer Kolisch; Arno
Sprecher. European Journal of Operational Research 96, no. 1 (1996): 205216.
http://129.187.106.231/psplib/main.html
Koskela;Howell2002.TheUnderlyingTheoryofProjectManagementisObsolete/Lauri
Koskela;GregHowell.inFrontiersofProjectManagementResearchandApplication/
DennisP.Slevin;DavidI.Cleland;JeffreyK.Pinto(ed.),ProjectManagementInstitute,
Pennsylvania,2002.293301
Kovcs; Vncza 2004. Completable partial solutions in constraint programming and
constraintbasedscheduling/AndrsKovcs;JzsefVncza.inPrinciplesandPracticeof
ConstraintProgramming/M.Wallace(ed.),Springer,Berlin,2004.332346
Kumar;Ganesh1998.UseofPetriNetsforResourceAllocationinProjects/AshokKumar
V.K.;L.S.Ganesh. IEEETransactionsonEngineeringManagement45,no.1(1998):
4956
Kusumotoetal.1997.ANewProjectSimulatorBasedonGeneralizedStochasticPetrinet/
153/166
Shinji Kusumoto; Osamu Mizuno; Tohru Kikuno; Yuji Hirayama; Yasunari Takagi;
Keishi Sakamoto. in Proceedings of the 19th International Conference on Software
Engineering,ACMPress,NewYork,NewYork,1997.293302
Laslo2003.Activitytimecosttradeoffsundertimeandcostchanceconstraints/ZoharLaslo.
Computers&IndustrialEngineering44,no.3(2003):365384
Lasloetal.2005.AlternativeStochasticNetworkProjectswithRenewableResources/Zohar
Laslo; Dimitri GolenkoGinzburg; Aharon Gonik. Computer Modelling and New
Technologies9,no.1(2005):4046
Lawley1992.ImportanceoftheplanningandspecificationphasesofaCIMproject/Ralph
Lawley.inProceedingsofthe32ndSymposiumonInstrumentationinthePulpandPaper
Industry,1992.9399
Leach 2000. Critical Chain Project Management / Laurence P. Leach. Artech House,
Norwood,Massachusetts,USA,2000
Leachmanetal.1990.Resourceconstrainedschedulingofprojectswithvariableintensity
activities/RobertC.Leachman;AbdurrezakDinerler;SooyoungKim.IIETransactions
22,no.1(1990):3140
Leuetal.1999.Afuzzyoptimalmodelforconstructionresourcelevelingscheduling/Sou
SenLeu;AnTingChen;ChungHueiYang. CanadianJournalofCivilEngineering 26
(1999):673684
Leuetal.2001.AGABasedFuzzyOptimalModelforConstructionTimeCostTradeOff/
SouSen Leu; AnTing Chen; ChungHuei Yang. International Journal of Project
Leu; Hung 2002. A genetic algorithmbased optimal resourceconstrained scheduling
simulation model / SouSen Leu; TzungHeng Hung. Construction Management and
Economics20(2002):131141
Levner etal.2002.Makespanminimizationinprojectswiththresholdactivities/Eugene
Levner;ShaoChinSung;MilanVlach.AsiaPacificJournalofOperationalResearch19
(2002):195204
Liberatore2002.AFuzzyApproachtoCriticalPathAnalysis/MatthewJ.Liberatore.in
FrontiersofProjectManagementResearchandApplication/DennisP.Slevin;DavidI.
Cleland;JeffreyK.Pinto(ed.),ProjectManagementInstitute,Pennsylvania,2002.353
360
Liberatore;PollackJohnson2003.AMacroApproachtoModelingProjectswithUncertain
NetworkStructures/MatthewJ.Liberatore;BrucePollackJohnson.inProceedingsofthe
PortlandInternationalConferenceonManagementofEngineeringandTechnology,2003.
246254
Lindemann 1998. Performance modeling with deterministic and stochastic Petri nets /
ChristophLindemann.Wiley,Chichester,England,UnitedKingdom,1998
Lootsma1966.NetworkPlanningwithStochasticActivityDurations:AnEvaluationofPERT
/F.A.Lootsma.StatisticaNeerlandica20(1966):4369
Lootsma1967.AGammaDistributionasaModelofanActivityDuration/F.A.Lootsma.in
154/166
MthodesCheminCritique:CongrsInternational1967,Wien,sterreich.Publicado
dosaosdespusen[Lootsma1969]
Lootsma1969.AGammaDistributionasaModelofanActivityDuration/F.A.Lootsma.in
MthodesCheminCritique:ActesduCongrsInternational1967,Dunod,Paris,France,
1969.219225
Lorance; Wendling 1999a. Basic Techniques for Analyzing and Presenting of Cost Risk
Analysis / Randal B. Lorance; Robert V. Wendling. in 1999 AACE International
Transactions,AACE,Morgantown,WestVirginia,USA,1999.risk.01.1risk.01.7
Lorance;Wendling1999b.TechniquesforDevelopingCostRiskAnalysisModels/Randal
B.Lorance;RobertV.Wendling.AACETransactions(1999)
Lpez 1993. Tcnicas de programacin y control de proyectos / Carlos Lpez Romero.
Pirmide,Madrid,1993
Lu;Li2003.ResourceActivityCriticalPathMethodforConstructionPlanning/MingLu;
HengLi.JournalofConstructionEngineeringandManagement129,no.4(2003):412
420
Lubyetal.1995.ComponentbasedWorkBreakdownStructure(CBWBS)/RobertE.Luby;
DouglasPeel;WilliamSwahl.ProjectManagementJournal26,no.4(1995):3843
Luhetal.1999.Schedulingofdesignprojectswithuncertainnumberofiterations/PeterB.
Luh; Feng Liu; Brian Moser. European Journal of Operational Research 113, no. 3
(1999):575592
MacCrimmon;Ryavec1964.AnAnalyticalStudyofthePERTAssumptions/K.R.Mac
Crimmon;C.A.Ryavec.OperationsResearch12(1964):1637
Mallak;Kurstedt1997.Planningforcrisesinprojectmanagement/LarryA.Mallak;Harold
A.KurstedtJr.ProjectManagementJournal28,no.2(1997):1420
Malcolmetal.1959.ApplicationofaTechniqueforResearchandDevelopmentProgram
Evaluation/D.G.Malcolm;J.H.Roseboom;C.E.Clark;W.Fazar.OperationsResearch
7(1959):646669
Mahler;Mazina1982.EarnedValueReportingEarnsItsKeep/F.Mahler;M.Mazina.Cost
Engineering24(1982):1317
Marotoetal.1999.Theevolutionofsoftwarequalityinprojectscheduling/Concepcin
Maroto;PilarTormos;AntonioLova.inProjectScheduling/JanWglarz(ed.),Kluwer
Academic,Amsterdam,Nederlanden,1999.239259(captulo11)
Marsanetal.1983.Aclassofgeneralisedstochasticpetrinetsfortheperformanceevaluation
of multiprocessor systems / Marco Ajmone Marsan; G. Balbo; G. Conte. in Joint
International Conference on Measurement and Modeling of Computer Systems, ACM
Press,NewYork,NewYork,1983.198199
Marsan et al. 1995. Modelling with Generalized Stochastic Petri Nets / Marco Ajmone
Marsan;G.Balbo;G.Conte;S.Donatelli;G.Franceschini.Wiley,Chichester,England,
UnitedKingdom,1995
McCrayetal.2002.ProjectManagementUnderUncertainty:TheImpactofHeuristicsand
Biases/GordonE.McCray;RussellL.Purvis;ColleenG.McCray.ProjectManagement
155/166
Journal33,no.1(2002):4957
McCulloch;Pitts1943.Alogicalcalculusoftheideasimmanentinnervousactivity/W.
McCulloch;W.Pitts.BulletinofMathematicalBiophysics7(1943):115133
McGowan1964.MONTECARLOTechniquesAppliedtoPERTNetworks/L.L.McGowan.
TexasA&MUniversity,M.Sc.ThesisinStatistics,1964
Meredith;Mantel1995.ProjectManagement:AManagerialApproach/J.R.Meredith;S.J.
Mantel.JohnWiley&Sons,NewYork,1995
Merkleetal.2000.AntColonyOptimizationforResourceConstrainedProjectScheduling/
DanielMerkle;MartinMiddendorf;HartmutSchmeck.inProceedingsoftheGeneticand
EvolutionaryComputationConference,(LasVegas,Nevada)2000
Merkle et al. 2001. Ant Colony Optimization Techniques for the ResourceConstrained
Project Scheduling Problem / Daniel Merkle; Martin Middendorf; Hartmut Schmeck.
Institut fr Angewandte Informatik und Formale Beschreibungsverfahren, Universitt
Karlsruhe,Deutschland,Bericht409,2001
Merkleetal.2002.Antcolonyoptimizationforresourceconstrainedprojectscheduling/
Daniel Merkle; Martin Middendorf; Hartmut Schmeck. IEEE Transactions on
EvolutionaryComputation6,no.4(2002):333346
Metropolis;Ulam1949.TheMonteCarlomethod/NicholasMetropolis;StanislawUlam.
JournaloftheAmericanStatisticalAssociation44,no.247(1949):335341
Mitchell1996. Anintroductiontogeneticalgorithms /MelanieMitchell.MIT,Cambridge,
Massachusetts,1996.2reimpresinen1998
MS Project XML 2003. http://msdn.microsoft.com/library/default.asp?url=/library/en
us/pjsdk/html/pjxml_structure_HV01051032.asp
Moderetal.1983. ProjectManagementwithCPM,PERTandPrecedenceDiagramming /
JosephJ.Moder;CecilR.Philips;EdwardW.Davis.VanNostrandReinhold,NewYork,
1983
Moeller1972.VERT:ATooltoAssessRisk/GeraldL.Moeller.in23rdConferenceofthe
AmericanInstituteofIndustrialEngineering(ahoraInstituteofIndustrialEngineering),
Anaheim,CA,1972.211221
Moeller;Digman1978.VERT:Atechniquetoassessrisks/GeraldL.Moeller;LesterA.
Digman. in 10th Annual Conference of the American Institute for Decision Sciences,
1978.292
Moeller; Digman 1981. Operations planning with VERT / Gerald L. Moeller; Lester A.
Digman.OperationsResearch29,no.4(1981):676697
Montanoetal.2000.UsingtheTimePetriNetFormalismoforSpecificatioin,Validation,and
CodeGenerationinRobotControlApplications/LuisMontano;FranciscoJosGarca;
JosLuisVillarroel.InternationalJournalofRoboticsResearch20,no.1(2000):5976
Mhring et al. 2000. Forcing relations for AND/OR precedence constraints / Rolf H.
Mhring;MartinSkutella;FrederikStork.inProceedingsoftheEleventhAnnualACM
SIAM Symposium on Discrete Algorithms, ACM; SIAM, New York, New York;
Philadelphia,Pennsylvania,2000.235236
156/166
Mhringetal.2003.SolvingProjectSchedulingProblemsbyMinimumCutComputations/
RolfH.Mhring;AndreasS.Schulz;FrederikStork;MarcUetz. ManagementScience
49,no.3(2003):330350
Mhringetal.2004.SchedulingwithAND/ORprecedenceconstraints/RolfH.Mhring;
MartinSkutella;FrederikStork.SIAMJournalonComputing33,no.2(2004):393415
Mhring;Stork2000.Linearpreselectivepoliciesforstochasticprojectscheduling/RolfH.
Mhring; Frederik Stork. Mathematical Methods of Operations Research 52, no. 3
(2000):501515
Mulholland;Christian1999.RiskAssessmentinConstructionSchedules/B.Mulholland;J.
Christian.JournalofConstructionEngineeringandManagement125,no.1(1999):815
Ndas1979.ProbabilisticPERT/ArthurNdas.IBMJournalofResearchandDevelopment
23(1979):339347
Nelson1987.APerspectiveonVarianceReductioninDynamicSimulationExperiments/
BarryL.Nelson. CommunicationsinStatisticsSimulationandComputation 16,no.2
(1987):385426
Neumann1999.Schedulingofprojectswithstochasticevolutionstructure/KlausNeumann.
inProjectScheduling/JanWglarz(ed.),Kluwer,Boston,Massachusetts,1999.309332
Neumann et al. 2000. Active and stable project scheduling / K. Neumann; H. Nbel; C.
Schwindt.MathematicalMethodsofOperationsResearch52,no.3(2000):441465
Neumann et al. 2002. Project Scheduling with Time Windows and Scarce Resources:
TemporalandResourceConstrainedProjectSchedulingwithRegularandNonregular
Objective Functions / Klaus Neumann; Christoph Schwindt; Jrgen Zimmermann.
Springer,Berlin,Deutschland,2002.2edicinen2003
Neumann; Zimmermann 2000a. Procedures for resource leveling and net present value
problemsinprojectschedulingwithgeneraltemporalandresourceconstraints/Klaus
Neumann;JrgenZimmermann.EuropeanJournalofOperationalResearch127(2000):
425443
Neumann; Zimmermann 2000b. BranchandBound and Truncated BranchandBound
ProceduresforResourceConstrainedProjectSchedulingwithDiscountedCashFlowsand
General Temporal Constraints / Klaus Neumann; Jrgen Zimmermann. Universitt
Karlsruhe, Institur Fr Wirtschaftstheorie Und Operations Research, Deustchland,
TechnicalReportWIOR581,2000
Newbold1998.ProjectManagementintheFastLane:ApplyingtheTheoryofConstraints/
RobertC.Newbold.St.Lucie(piedeimprentadeCRC),NewYork,NewYork(oBoca
Raton,Florida),1998.2edicinArtechHouse,Norwood,Massachusetts,USA,2004
Noelle et al. 2002. Requirements for softwaresupport in concurrent engineering teams /
TanjaNoelle;DirkKabel;HolgerLuczak.Behaviour&InformationTechnology21,no.5
(2002):345350
Norrisetal.1992. ProjectRiskAnalysisandManagement:MiniPRAM /CatrionaNorris;
JohnPerry;PeterSimon.APM(AssociationforProjectManagement),HighWycombe,
England,UnitedKingdom,1992
157/166
Nbel; Schwindt 1997. A Classification of Shifts, Schedules, and Objective Funtions in
Project Scheduling / Hartwig Nbel; Christoph Schwindt. Universitt Karlsruhe,
Deustchland,TechnicalReportWIOR509,1997
Ordieres 1999. Programacin de proyectos / Joaqun Ordieres. Universidad de la Rioja,
Logroo,1999
zdamar 1999. A genetic algorithm approach to a general category project scheduling
problem/Linetzdamar.IEEETransactionsonSystems,Man,andCybernetics29,no.1
(1999):4459
zdamar;Alanya2001.UncertaintyModellinginSoftwareDevelopmentProjects(WithCase
Study)/Linetzdamar;EbruAlanya. AnnalsofOperationsResearch102(2001):157
178
Pan et al. 2001. Resourceconstrained Project Scheduling with Fuzziness / Hongqi Pan;
Robert J. Willis; ChungHsing Yeh. in Advances in Fuzzy Systems and Evolutionary
Computation/Mastorakis(ed.),WSESPress,Danvers,2001.173179
Pan;Yeh2003.AMetaheuristicApproachtoFuzzyScheduling/HongqiPan;ChungHsing
Yeh.inKnowledgeBasedIntelligentInformationandEngineeringSystems:KES2003
Conference,UniversityofOxford,2003.2773:10811087
Pareto1896.Coursd'conomiepolitique/VilfredoPareto.Rouge,Lausanne,Suisse,1896.
vol.1
Pareto1897.Coursd'conomiepolitique/VilfredoPareto.Rouge,Lausanne,Suisse,1897.
vol.2
Paul;Gutierrez2005.Simpleprobabilitymodelsforprojectcontracting/AnandPaul;Genaro
Gutierrez.EuropeanJournalofOperationalResearch165,no.2(2005):329338
Pender 2001. Managing incomplete knowledge: Why risk management is not sufficient /
StevenPender.InternationalJournalofProjectManagement19,no.2(2001):7987
Peterson1977.PetriNets/JamesL.Peterson.ACMComputingSurveys9,no.3(1977):223
252
Petri 1962.Kommunikationmit Automaten/CarlAdamPetri.InstitutfurInstrumentelle
Mathematik,Bonn,Deustchland,Ph.D.Thesis,1962.Traduccinalinglsen[Petri1966]
Petri1966.CommunicationwithAutomata/CarlAdamPetri.GriffissAirForceBase,Rome,
NewYork,RADCTR65377,1966
Phoonetal.2004.SimulationofnonGaussianprocessesusingfractilecorrelation/Kok
KwangPhoon;SerTongQuek;HongweiHuang. ProbabilisticEngineeringMechanics
19,no.4(2004):287292
PMBOK1996.AGuidetotheProjectManagementBodyofKnowledge/WilliamR.Duncan
(ed.). Project Management Institute, Newtown Square, Pennsylvania, USA, 1996. 3
edicinen2004.
PollackJohnson; Liberatore 1998. Project Management Software Usage Patterns and
Suggested Research Directions for Future Developments / Bruce PollackJohnson;
MatthewJ.Liberatore.ProjectManagementJournal28,no.2(1998):1928
PollackJohnson; Liberatore 2005. Project Planning Under Uncertainty Using Scenario
158/166
Analysis/BrucePollackJohnson;MatthewJ.Liberatore. ProjectManagementJournal
36,no.1(2005):1526
Pontrandolfo2000.Projectdurationinstochasticnetworks bythePERTpathtechnique/
PierpaoloPontrandolfo. InternationalJournalofProjectManagement 18,no.3(2000):
215222
Prade1979.UsingFuzzySetTheoryinaSchedulingProblem:ACaseStudy/HenriPrade.
FuzzySetsandSystems2,no.2(1979):153165
Pritchard2000.Advancedrisk:Howbigisyourcrystalball?/CarlLeonardPritchard.in
ProceedingsoftheProjectManagementInstituteAnnualSeminars&Symposium2000,
2000
Pritsker1966.GERT:GraphicalEvaluationandReviewRechnique/A.A.B.Pritsker.Rand
Corporation,SantaMonica,California&NationalAeronauticsandSpaceAdministration,
RM4973NASA,1966
Pritsker; Happ 1966. GERT: Graphical Evaluation and Review Technique Part I.
Fundamentals/A.AlanB.Pritsker;W.WilliamHapp.JournalofIndustrialEngineering
17,no.5(1966):267274
Pritsker; Whitehouse 1966. GERT: Graphical Evaluation and Review Technique Part II.
Probabilistic and Industrial Engineering Applications / A. Alan B. Pritsker; Gary E.
Whitehouse.JournalofIndustrialEngineering17,no.6(1966):293301
Prosser 1993. Hybrid algorithms for the constraint satisfaction problem / P. Prosser.
ComputationalIntelligence9,no.3(1993):268299
Ramachandani1974.AnalysisofasynchronousconcurrencesystemsbytimedPetriNets/C.
Ramachandani.MassachusettsInstituteofTechnology,Cambridge,Massachusetts,Ph.D.
Dissertation,1974
Ramachandra2006.OptimalDynamicResourceAllocationinActivityNetworks/GirishA.
Ramachandra.NorthCarolinaStateUniversity,NorthCarolina,Ph.D.Dissertation,2006
RAMP 1998. Risk Analysis and Management for Projects: RAMP / Institution of Civil
Engineers.ThomasTelford,London,England,UnitedKingdom,1998.2edicinen2005
Rasdorf;Abydayyeh1991.Costandschedulecontrolintegration:Issuesandneeds/William
J.Rasdorf;OsamaY.Abydayyeh.JournalofConstructionEngineeringandManagement
117,no.3(1991):486502
Raz;Barnes;Dvir2003.ACriticalLookatCriticalChainProjectManagement/TzviRaz;
RobertBarnes;DovDvir.ProjectManagementJournal34,no.4(2003):2432
Raz;Barnes;Dvir2004.ACriticalLookatCriticalChainProjectManagement/TzviRaz;
RobertBarnes;DovDvir.IEEEEngineeringManagementReview32,no.2(2004):3544
Raz;Marshall1996.Effectofresourceconstraintsonfloatcalculationsinprojectnetworks/
TaviRaz;BobMarshall.InternationalJournalofProjectManagement14,no.4(1996):
241248
Raz; Michael 2001. Use and benefits of tools for project risk management / T. Raz; E.
Michael.InternationalJournalofProjectManagement19,no.1(2001):917
Rosenblatt 1958. The Perceptron: A Probabilistic Model for Information Storage and
159/166
OrganizationintheBrain/FrankRosenblatt.PsychologicalReview65(1958):386408
Roy 1962. Graphes et ordonnancements / Bernard Roy. Revue Franaise de Recherche
Oprationnelle25(1962):323326
Roy1964.Lesproblmesd'ordonnancement/BernardRoy.Dunod,Paris,France,1964
Rubinstein1981. Simulation andtheMonte CarloMethod / ReuvenY.Rubinstein. John
Wiley&Sons,NewYork,1981
Russell1970.CashFlowsinNetworks/A.H.Russell.ManagementScience16(1970):357
373
Sahni; Horowitz 1978. Combinatorial Problems: Reducibility and Approximation / Sartaj
Sahni;EllisHorowitz.OperationsResearch26,no.5(1978):718759
Sanlaville2002.FlexibilitetRobustesseenOrdonnancement/EricSanlaville. Bulletinde
laSocitFranaisedeRechercheOprationelleetd'AidelaDcision8(2002):1012
Savin et al. 1996. Construction resource leveling using neural networks / Daniela Savin;
SabahAlkass;PaulFazio.CanadianJournalofCivilEngineering23,no.4(1996):917
925
Savinetal.1998.Calculatingweightmatrixofneuralnetworkforresourceleveling/Daniela
Savin;SabahAlkass;PaulFazio. JournalofComputinginCivilEngineering 12,no.4
(1998):241248
Sawhney 1997. Petri net based simulation of construction schedules / Anil Sawhney. in
Proceedingsofthe1997WinterSimulationConference/S.Andradttir;K.J.Healy;D.H.
Withers;B.L.Nelson,TheSocietyforComputerSimulationInternational,SanDiego,
California,1997.11111118
Shafer 1976. Mathematical Theory of Evidence / Glenn A. Schafer. Princeton University
Press,Princeton,NewJersey,1976
Schuyler2000.ProjectRiskManagementbytheNumbers/JohnSchuyler.PMNetwork14,
no.9(2000)
Schwindt 1998. A BranchandBound Algorithm for the ResourceConstrained Project
Duration Problem Subject to Temporal Constraints / Christoph Schwindt. Universitt
Karlsruhe,Deustchland,TechnicalReportWIOR544,1998
Schwindt;Zimmermann2001.Asteeptestascentapproachtomaximizingthenetpresent
valueofprojects/ChristophSchwindt;JrgenZimmermann. MathematicalMethodsof
Sefair;Medaglia2005.Towardsamodelforselectionandschedulingofriskyproject/Jorge
A. Sefair; Andrs L. Medaglia. in 2005 IEEE Systems and Information Engineering
DesignSymposium,2005.158164
Selvidge1980.Assessingtheextremesofprobabilitydistributionsbythefractilemethod/J.
E.Selvidge.DecisionSciences11,no.3(1980):493502
Senouci;Adeli2001.ResourceschedulingusingneuraldynamicsmodelofAdeliandPark/
AhmedB.Senouci;HojjatAdeli.JournalofConstructionEngineeringandManagement
127,no.1(2001):2834
Senouci; Eldin 2004. Use of genetic algorithms in resource scheduling of construction
160/166
projects/AhmedB.Senouci;Neil.N.Eldin. JournalofConstructionEngineeringand
Management130,no.6(2004):869877
Shannon1948.Amathematicaltheoryofcommunication/ClaudeE.Shannon.BellSystem
TechnicalJournal27,no.3(1948):379423y623656
Shenetal.2005.APetriNetBasedModelingApproachtoConcurrentSoftwareEngineering
Tasks / JauJi Shen; S. Wesley Changchien; TaoYuan Lin. Journal of Information
ScienceandEngineering21,no.4(2005):767795
Shih2005.Estimatingcompletiontimedistributioninstochasticactivitynetworks/N.H.
Shih.JournaloftheOperationalResearchSociety56,no.5(2005):744749
Simonetal.1997.ProjectRiskAnalysisandManagementGuide:PRAMGuide/P.Simon;
D. Hillson; K. Newland (eds.). APM Publishing, High Wycombe, England, United
Kingdom,1997.2edicinen2004
Sowiski; Hapke 2000. Scheduling Under Fuzziness / Roman Sowiski; Maciej Hapke
(eds.).Springer,Berlin,Deutschland,1999
Slyeptsov; Tyshchuk 2003. Fuzzy temporal characteristics of operations for project
managementonthenetworkmodelsbasis/AnatoliyI.Slyeptsov;TetyanaA.Tyshchuk.
Smith;Eppinger1997a.APredictiveModelofSequentialIterationinEngineeringDesign/
RobertP.Smith;StevenD.Eppinger.ManagementScience43,no.8(1997):11041120
Sobol'1994.APrimerfortheMonteCarloMethod/IlyaMeerovichSobol'.CRCPress,Boca
Raton,Florida,1994
Son; Skibniewski 1999. Multiheuristic Approach for Resource Leveling Problem in
Construction Engineering: Hybrid Approach / Jaeho Son; Miroslaw J. Skibniewski.
JournalofConstructionEngineeringandManagement125,no.1(1999):2331
Song et al. 2002. Applying neural network to move operations in exchange heuristic in
solvingresourceconstrainedscheduling/InkapR.Song;TaeyongYang;JaihyunKim.
InternationalJournalofIndustrialEngineering9,no.2(2002):141150
Sprecher; Drexl 1998. Multimode resourceconstrained project scheduling by a simple,
generalandpowerfulsequencingalgorithm/ArnoSprecher;AndreasDrexl. European
Sprecheretal.1995.Semiactive,activeandnondelayschedulesfortheresourceconstrained
projectschedulingproblem/ArnoSprecher;RainerKolisch;AndreasDrexl. European
Sprecheretal.1997.Anexactalgorithmforprojectschedulingwithmultiplemodes/Arno
Sprecher;SnkeHartmann;AndreasDrexl.ORSpectrum19,no.3(1997):195203
Staines2006.UsingaTimedPetriNet(TPN)toModelaBankATM/TonySpiteriStaines.
in Proceedings of the 13th Annual IEEE International Symposium and Workshop on
EngineeringofComputerBasedSystems,2006.151158
Starr1990.Theroleofprojectmanagementinafastresponseorganization/MartinK.Starr.
JournalofEngineeringandTechnologyManagement7,no.2(1990):89110
Steward1981.TheDesignStructureSystem:AMethodforManagingtheDesignofComplex
161/166
Systems / Donald V. Steward. IEEE Transactions on Engineering Management 28
(1981):7174
Stinsonetal.1978.MultipleResourceConstrainedSchedulingusingBranchandBound/
JoelP.Stinson;EdwardW.Davis;BasheerKhumawala. AIIETransactions 10,no.3
(1978):252259
Stockmeyer;Chandra1979.Intrinsicallydifficultproblems/LarryJ.Stockmeyer;AshokK.
Chandra. Scientific American 240, no. 5 (1979): 124133. Vuelto a publicar en
[Stockmeyer;Chandra1988]
Stockmeyer;Chandra1988.IntrinsicallyDifficultProblems/LarryJ.Stockmeyer;AshokK.
Chandra.inTrendsinComputing,ScientificAmerican,NewYork,NewYork,1988.88
97
Stork 2000. Branchandbound algorithms for stochastic resourceconstrained project
scheduling/FrederikStork.TechnischeUniversittBerlin,Germany,702/2000,2000
Stork2001.StochasticResourceConstrainedProjectScheduling/FrederikStork.Technische
UniversittBerlin,FakulttIIMathematikundNaturwissenschaften,Germany,Ph.D.
Thesis,2001
Syan; Menon 1994. Concurrent Engineering / Chanan S. Syan; Unny Menon. Springer,
Berlin,Deutschland,1994
Talbot 1982. Resourceconstrained project scheduling with timeresource tradeoffs: The
nonpreemptivecase/F.B.Talbot.ManagementScience28(1982):11971210
Tavakoli;Riachi1990.CPMUseinENRTop400Contractors/A.Tavakoli;R.Riachi.
JournalofManagementinEngineering6,no.3(1990):282295
Tavares1998. Advancedmodelsforprojectmanagement /L.ValadaresTavares.Springer,
Springer,1998
Tavares2002.Areviewofthecontributionofoperationalresearchtoprojectmanagement/
L.ValadaresTavares.EuropeanJournalofOperationalResearch136,no.1(2002):118
Tavaresetal.1998.OntheOptimalManagementofProjectRisk/L.ValadaresTavares;J.A.
AntunesFerreira;J.SilvaCoelho.EuropeanJournalofOperationalResearch107,no.2
(1998):451469
Taylor1911.PrinciplesofScientificManagement/FrederickWinslowTaylor.Norton,New
York,1967(republ.)
Teresoetal.2003.Experimentalresultsofanadaptativeresourceallocationstechniqueto
stochasticmultimodalprojects/AnabelaPereiraTereso;M.MadalenaT.Arajo;SalahE.
Elmaghraby.inProceedingsoftheInternationalConferenceonIndustrialEngineeringand
ProductionManagement,2003.
Teresoetal.2004.Adaptativeresourceallocationinmultimodalactivitynetworks/Anabela
P. Tereso; M. Madalena T. Arajo; Salah E. Elmaghraby. International Journal of
ProductionEconomics92,no.1(2004):110
Thomasen;Butterfield1993.CombiningRiskManagementandResourceOptimization in
ProjectManagementSoftware/O.B.Thomasen;L.Butterfield.CostEngineering35,no.
8(1993):1924
162/166
Tormos; Lova 1998. Gestin de proyectos informticos: Riesgo e incertidumbre / Pilar
Tormos;AntonioLova.UniversidadPolitcnicadeValencia,ServiciodePublicaciones,
SPUPV98.484,1998
Tormos;Lova2001.ACompetitiveHeuristicSolutionTechniqueforResourceConstrained
ProjectScheduling/PilarTormos;AntonioLova. AnnalsofOperationsResearch 102
(2001):6581
Touran 1993. Probabilistic Cost Estimating with Subjetive Correlations / Ali Touran.
JournalofConstructionEngineeringandManagement119,no.1(1993):5871
Tsai; Gemmill 1998. Using tabu search to schedule activities of stochastic resource
constrained projects / YingWei Tsai; Douglas D. Gemmill. European Journal of
OperationalResearch111,no.1(1998):129141
Turing1936.Oncomputablenumbers,withanapplicationtotheEntscheidungs/AlanM.
Turing.ProceedingsoftheLondonMathematicalSociety42,no.2(1936):230265
Turner 1993. The Handbook of Projectbased Management: Improving the Process for
AchievingStrategicObjectives /J.RodneyTurner.McGrawHill,Maidenhead,England,
UnitedKingdom,1993.2edicinen1998
Turnquist; Nozick 2003. Allocating time and resources in project management under
uncertainty/MarkA.Turnquist;LindaK.Nozick.inProceedingsofthe36thHawaii
InternationalConferenceonSystemsSciences,2003
Turnquist;Nozick2004.ANonlinearOptimizationModelofTimeandResourceAllocation
Decisions in Projects with Uncertainty / Mark A. Turnquist; Linda K. Nozick.
EngineeringManagementJournal16,no.1(2004):4049
Ulusoy; zdamar 1989. Heuristic Performance and Network/Resource Characteristics in
ResourceconstrainedProjectScheduling/GndzUlusoy;Linetzdamar. Journalof
theOperationalResearchSociety40,no.12(1989):11451152
Vallsetal.1998.Projectschedulingwithstochasticactivityinterruptions/VicenteValls;
ManuelLaguna;PilarLino;AngelesPrez;M.SacramentoQuintanilla.inHandbookof
Recent Advances in Project Scheduling / Jan Wglarz (ed.), Kluwer, Amsterdam,
Nederlanden,1998.333353
Vallsetal.2002.Ahybridgeneticalgorithmfortheresourceconstrainedprojectscheduling
problemwiththepeakcrossoveroperator/VicenteValls;FranciscoBallestn;Sacramento
Quintanilla.inEighthInternationalWorkshoponProjectManagementandScheduling,
Valncia,2002.368371
Vallsetal.2005.JustificationandRCPSP:Atechniquethatpays/VicenteValls;Francisco
Ballestn;SacramentoQuintanilla.EuropeanJournalofOperationalResearch165,no.2
(2005):375359
Van de Vonder et al. 2006. The tradeoff between stability and makespan in resource
constrained project scheduling / Stijn Van de Vonder; Erik Demeulemeester; Willy
Herroelen;RoelLeus. InternationalJournalofProductionResearch 44,no.2(2006):
215236
vanderAalst1998.TheApplicationofPetriNetstoWorkflowManagement/WilM.P.van
163/166
derAalst.TheJournalofCircuits,SystemsandComputers8,no.1(1998):2166
Vanhoucke2006.Anefficienthybridsearchalgorithmforvariousoptimizationproblems/
Mario Vanhoucke. Universiteit Gent, Faculteit Economie en Bedrijfskunde, Belgi
Belgique,WorkingPaper2006/365,2006
Vanhoucke et al. 2001. Maximizing the net present value of a project with linear time
dependent cashflows / Mario Vanhoucke; Erik Demeulemeester; Willy Herroelen.
InternationalJournalofProductionResearch39,no.14(2001):31593181
Viana;deSousa2000.Usingmetaheuristicsinmultiobjectiveresourceconstrainedproject
scheduling / Ana Viana; Jorge Pinho de Sousa. European Journal of Operational
Research120,no.2(2000):359374
von Neumann; Morgenstern 1944. Theory of Games and Economic Behavior / John von
Neumann;OskarMorgenstern.PrincetonUniversityPress,Princeton,NewJersey,1944.
2edicinen1947
Voropajev et al. 1999a. A Model for Supplying with Constrained Resources in Project
ManagementunderRandomDisturbances/V.I.Voropajev;S.M.Ljubkin;D.Golenko
Ginzburg;A.Gonik.ProjectManagement5,no.1(1999):6873
Voropajev et al. 1999b. Decisionmaking models for generalized alternative stochastic
networks/V.I.Voropajev;S.M.Ljubkin;D.GolenkoGinzburg.AutomaticandRemote
Control60,no.10(1999):14841490
Voropajevetal.2000.Structuralclassificationofnetworkmodels/V.I.Voropajev;S.M.
Ljubkin; B. P. Titarenko; D. GolenkoGinzburg. International Journal of Project
Wall 1997. Distribution and correlations in Monte Carlo simulation / David M. Wall.
ConstructionManagementandEconomics15,no.3(1997):241258
Wang1999.Afuzzysetapproachtoactivityschedulingforproductdevelopment/J.R.
Wang.JournaloftheOperationalResearchSociety50,no.12(1999):12171228
Wang 2002. A fuzzy project scheduling approach to minimize schedule risk for product
development/JuiteWang.FuzzySetsandSystems127,no.2(2002):99116
Wang2004.Afuzzyrobustschedulingapproachforproductdevelopmentprojects/Juite
Wang.EuropeanJournalofOperationalResearch152,no.1(2004):180194
Wang2005.Constraintbasedschedulerepairforproductdevelopmentprojectswithtime
limitedconstraints/JuiteWang.InternationalJournalofProductionEconomics95,no.3
(2005):399414
Wang;Lu2002.Geneticalgorithmoptimizedresourceactivitycriticalpathmethod/PengYi
Wang;MingLu.inProceedingsof2002InternationalConferenceonMachineLearning
andCybernetics,2002.19781982
Wendling; Lorance 1999. Basic Techniques for Analyzing and Presenting Schedule Risk
Analysis/RobertV.Wendling;RandalB.Lorance. AACEInternationalTransactions
(1999):risk.08.1risk.08.8
Wendling; Lorance 2000. Integration of Schedule and Cost Risk Models / Robert V.
Wendling;RandalB.Lorance.CostEngineering42,no.4(2000):3843
164/166
Wickwire et al. 2001. Construction scheduling: Preparation, liability, and claims, 2001
cumulativesupplement /J.M.Wickwire;T.J.Driscoll;S.B.Hurlbut.AspenLaw&
Business,NewYork,2001
Wiest1964.SomePropertiesofSchedulesforLargeProjectswithLimitedResources/J.D.
Wiest.OperationsResearch12(1964):395418
Williams1937.TheTheoryofInvestmentValue/JohnBurrWilliams.HarvardUniversity,
Ph.D.Thesis,1937.PublicadaporHarvardUniversityPress,1938,yreimpresaFraser,
FlintHill,Virginia,1997
Williams 1992a. Criticality in stochastic networks / Terry M. Williams. Journal of the
OperationalResearchSociety43(1992):353357
Williams1992b.PracticalUseofDistributionsinNetworkAnalysis/TerryM.Williams.
JournaloftheOperationalResearchSociety43,no.3(1992):265270
Williams1993.Riskmanagementinfrastructures/TerryM.Williams.InternationalJournal
ofProjectManagement11,no.1(1993):510
Williams 1997. Empowerment vs risk management? / Terry M. Williams. International
JournalofProjectManagement15,no.4(1997):219222
Williams1999a.Theneedfornewparadigmsforcomplexprojects/TerryM.Williams.
InternationalJournalofProjectManagement17,no.5(1999):269273
Williams1999b.Seekingoptimumprojectdurationextensions/TerryM.Williams.Journal
oftheOperationalResearchSociety50,no.5(1999):460467
Williams 2000. Systematic project risk management / Terry M. Williams. International
JournalofRiskAssessmentandManagement1,no.1(2000):149159
Williams 2003. The contribution of mathematical modelling to the practice of project
management / Terry Williams. IMA Journal of Management Mathematics 14, no. 1
(2003):330
Wilson 1984. Variance reduction techniques for digital simulation / James R. Wilson.
AmericanJournalofMathematicalandManagementSciences4,no.34(1984):277312
Whitehouse;Pritsker1969.GERT:PartIIIFurtherStatisticalResults;Counters,Renewal
TimesandCorrelations/GaryE.Whitehouse;A.A.B.Pritsker.AIIETransactions1,no.
1(1969):4550
Wolsey1998.IntegerProgramming/LaurenceWolsey.Wiley,NewYork,NewYork,1998
Woodworth; Shanahan 1988. Identifying the critical sequence in a resourceconstrained
project/B.M.Woodworth;S.Shanahan.InternationalJournalofProjectManagement6
(1988):8996
Yates1992.ComputerizedInquiryFeedbackKnowledgeEngineeringSystem/J.K.Yates.
AACETransactions2(1992):R1.1R.1.7
Yassine; Braha 2003. Complex Concurrent Engineering and the Design Structure Matrix
Method/AliYassine;DanBraha.ConcurrentEngineering11,no.3(2003):165176
Yassineetal.1999.ADecisionAnalyticFrameworkforEvaluatingConcurrentEngineering/
Ali A. Yassine; Kenneth R. Chelst; Donald R. Falkenburg. IEEE Transactions on
EngineeringManagement46,no.2(1999):144157
165/166
Yietal.2002.NetworkCreationandDevelopmentforRepetitiveUnitProjects/KyooJinYi;
HyunSooLee;YoonKiChoi. JournalofConstructionEngineeringandManagement
128,no.3(2002):257264
Yunusetal.1990.DevelopmentofaKnowledgeBasedSchedulePlanningSystem/N.B.
Yunus;D.L.Babcock;C.O.Benjamin.ProjectManagementJournal(1990)
Zadeh1965.Fuzzysets/LotfiA.Zadeh.InformationControl8(1965):338353
ZafraCabeza et al. 2004a. An algorithm for optimal scheduling and risk assessment of
projects / Ascensin ZafraCabeza; Miguel A. Ridao; Eduardo F. Camacho. Control
EngineeringPractice12,no.10(2004):13291338
ZafraCabezaetal.2004b. Chanceconstrainedprojectschedulingunderrisk/Ascensin
ZafraCabeza; Miguel A. Ridao; Eduardo F. Camacho. in 2004 IEEE International
ConferenceonSystems,ManandCybernetics,vol.2,2004.17891794
ZafraCabezaetal.2005.Astochasticpredictivecontrolapproachtoprojectriskmanagement
/AscensinZafraCabeza;MiguelA.Ridao;EduardoF.Camacho.inProceedingsof16th
IFACWorldCongress,Elsevier,Amsterdam,Nederlanden,2005
Zhangetal.2006.Particleswarmoptimizationforresourceconstrainedprojectscheduling/
HongZhang;HengLi;C.M.Tam.InternationalJournalofProjectManagement24,no.
1(2006):8392
Zhengetal.2002.Applyinggeneticalgorithmtechniquesfortimecostoptimization/Daisy
X. M. Zheng; S. Thomas Ng; Mohan M. Kumaraswamy. in Proceedings of the 18th
AnnualConferenceofARCOM/D.Greenwood(ed.),2002.801810
Zhengetal.2003.GABasedMultiobjectiveTechniqueforMultiResourceLeveling/Daisy
X. M. Zheng; S. Thomas Ng; Mohan M. Kumaraswamy. in Construction Research
Congress,WindsofChange,2003.237244
Zhuang; Yassine 2004. Task scheduling of parallel development projects using genetic
algorithms / Miao Zhuang; Ali A. Yassine. in Proceedings of the ASME Design
Engineering Technical Conference and Computers and Information in Engineering
Conference2004,ASME,NewYork,2004.215223
166/166

AGIRRE, Iñaki, Planificación Estocástica de Proyectos

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

AGIRRE, Iñaki, Planificación Estocástica de Proyectos

Uploaded by

Copyright:

Available Formats

TESIS DOCTORAL

Iaki Agirre Prez

Iaki Agirre Prez

Iaki Agirre Prez

Edita: Universidad de La Rioja

Sistema de planificacin estocstico de proyectos

Implicaciones en la gestin de riesgos

1.2 Disposicin de la memoria

1.3 Notacin y conceptos

representaelconjuntodearcosdirigidos,siendo a i N elnodoinicialy b i N elnodofinal.Enla

LaactividadAi seextiendedurantedi periodosdetiempo.EnelPERT [Malcolmetal.1959]

planificacin, esinteresantedefinirelconjuntodeactividades queseestarnejecutandoen un

c jhk h h=1,... ,r t =1,... ,T

1.3.1.1 Clculo de tiempos ms tempranos

1.3.1.2 Clculo de tiempos ms tardos

1.3.1.2 Clculo de holguras

1.3.2 El mtodo de Monte Carlo

donde representalafuncindedensidaddeprobabilidaddeU.Yaque sedistribuye

La esperanza condicional (conditional expectation)es otra tcnica de reduccin de la varianza

1.3.4 La asignacin de recursos

r ijk j , t =1, 2, , f n R j R [f33]

E={A iPS Pi PS } [f37]

DondeDg eselconjuntodeactividadeselegibles,Fg elconjuntodetiemposdefinalizacin, y

Dondetg representaeltiempodesecuenciacin,Cg elconjuntodelasactividadesprogramadasy

2. Estado del arte

2.2 El anlisis de coste

2.3 El anlisis del riesgo temporal

2.4 La gestin del portafolio

2.5 La caracterizacin del riesgo en el proyecto

2.6 El mtodo de la cadena crtica

Sobre el problema de la planificacin con recursos limitados, hay un elevado nmero de

de generacin en serie basado en la propagacin de restricciones con una prueba de

Latcnica delashormigas [Dorigo;DiCaro1999]hasidoaplicadaconxitopor[Bautista;

2.8 Otros problemas de asignacin de recursos

2.9 Los conjuntos difusos

2.10 Las redes neuronales

2.11 Otros problemas de planificacin

2.11.2 La reparacin del programa

2.11.3 El problema del tiempo medio

2.12 Nuestra visin: redes

3.1 La red estocstica del proyecto

i ={i1 , ... , iz } [f41]

3.2 Modelo de actividad

Siparaunatransicin t T llamamos I t S alconjuntodelugaresnormalesdeentrada,es

b' t ,M p=p jE t : m j '=m j W t , j/ M p [f49]

Llamaremos t i altiempofj enqueterminanlasactividadesdeD i.Dos subconjuntosde los

E i ={AJ A j Bi j =xito} [f55]

y, a continuacin,aplicamosestadeclaracinsobreD i,quecontienelasprimeras actividades

dondecsijk representaelconsumoprevistodelrecursoRk enlaactividadAi durantesujsima

3.3 La red generalizada del proyecto

Laprelacin <A7,A5>estableceuncicloenelgrafo,queafectaalasactividades A7 yA5,pero

Fi ={A i1 , ... , Aiz } z , z0 [f64]

6. A jPi volver al paso 2 en orden de T, menguando k en cada arco de

3.4 Factores de riesgo comunes a ciertas actividades

coeficientesnegativos,cuando | Pi |~| Pi | menorser Var ij .

xix y iy dondes ys sonlasdesviacionesestndares.

3.5 Solucin de la red mediante la simulacin de Monte

a partir de 2n nmeros aleatorios bsicos e independientes P={

En la literatura y la prctica profesional se han utilizado otras funciones de distribucin para

Sila variable i noesindependiente,sinoquedependedeunfactorderiesgocomn , el

i =g k , l = = ' ' [0,1]

3.6 Exgesis de los resultados

3.6.1.1 Paso 1: Inicializacin

ejecucin S=S{A j A j S f j =m} .Silaltimaactividadprogramadaeslafalsaactividadfinal