Professional Documents
Culture Documents
DIRECCIN:
Martn Daro Arango Serna, Ph. D
ii
iii
iv
AGRADECIMIENTOS
vi
TABLA DE CONTENIDO
AGRADECIMIENTO ........................................................................................................ v
TABLA DE CONTENIDO ...............................................................................................vii
LISTA DE FIGURAS ......................................................................................................xiii
LISTA DE TABLAS......................................................................................................... xv
ABSTRACT.....................................................................................................................xvii
RESUMEN ...................................................................................................................... xix
1.
Introduccin ....................................................................................................... 1
1.1
1.2
1.3
2.
2.1
2.1.1
2.1.2
2.2
2.3
2.4
2.4.1
2.4.2
2.4.3
2.4.4
2.4.4.1
2.4.4.2
2.4.5
2.4.6
2.4.6.1
2.4.6.2
2.4.7
vii
3.
3.1
3.1.1
3.2
3.2.1
3.2.2
3.2.3
3.2.4
3.2.5
3.3
3.3.1
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
4.10
5.
6.
6.1
6.2
6.2.1
6.2.2
6.2.3
6.3
6.3.1
6.3.2
6.3.3
6.3.4
6.4
6.4.1
6.4.2
6.4.3
6.5
7.
7.1
7.2
7.3
7.4
7.5
ix
8.
8.1
8.2
8.3
8.4
9.
9.1
9.2
9.2.1
9.2.2
9.2.3
9.2.4
9.3
9.3.1
9.3.2
9.3.3
9.3.4
9.3.5
9.4
9.4.1
9.4.2
9.4.3
9.4.4
9.4.5
10.
10.1
10.2
Conclusiones................................................................................................ 159
Recomendaciones ...................................................................................... 162
xi
xii
LISTA DE FIGURAS
xiii
xiv
LISTA DE TABLAS
xv
Tabla 9.5. Algunos solvers que se pueden utilizar para resolver modelos en
GAMS .......................................................................................................................... 141
Tabla 9.6. Resultados obtenidos con el modelo DET ......................................... 141
Tabla 9.7. Resultados obtenidos con el modelo DCF ......................................... 142
Tabla 9.8. Resultados obtenidos con el modelo DDI .......................................... 144
Tabla 9.9. Resultados obtenidos con el modelo DTE ......................................... 146
Tabla 9.10. Ejemplo de clculo de tiempo de entrega para el modelo DTE .. 148
Tabla 9.11. Resultados obtenidos con el modelo DCFDITE .............................. 150
Tabla 9.12. Anlisis de resutlados basado en costo total para modelos
propuestos .................................................................................................................. 152
Tabla 9.13. Anlisis de resutlados basado en nivel de inventario para
modelos propuestos .................................................................................................. 153
Tabla 9.14. Anlisis de resutlados basado en nivel de servicio para modelos
propuestos .................................................................................................................. 154
Tabla 9.15. Anlisis de resutlados basado en complejidad computacional
para modelos propuestos (1)................................................................................... 156
Tabla 9.16. Anlisis de resutlados basado en complejidad computacional
para modelos propuestos (2)................................................................................... 157
Tabla 9.17. Anlisis de resutlados globales para modelos propuestos............ 158
xvi
ABSTRACT
In the production planning process there are very important systems such as
material requirements planning (MRP) systems, which translate finished product
requirements into net requirements of production or purchase for each of the
components these finished products. To achieve that an MRP can deliver as
results an allocation of components to manufacture or purchase in certain
periods of time and resources is needed to enter several parameters to the
system such as lead times, inventory availability, manufacturing capacity,
among others, which by their nature have associated uncertainty due to
inaccuracies, lack of knowledge and subjectivity in assigning values to this
parameters. A methodology for dealing with uncertainty in MRP systems is
fuzzy logic, which unlike the probability theory can take into account the
knowledge and perception of a decision maker, who based on expertise can
express how a parameter value may vary assigning a possibility into
mathematical models for MRP systems. This treatment of uncertainty has
allowed in this work the study and analysis of MRP systems models with
uncertainty expressed through fuzzy logic in parameters such as the availability
of manufacturing capacity, delivery times of materials and inventory availability.
Based on a real production problem the fuzzy models are tested and their
results contrasted to determine how the total cost of a production plan as well
as other major outputs such as computational complexity of the model and the
level of inventories vary.
xvii
xviii
RESUMEN
xix
xx
1. INTRODUCCION
1.2 OBJETIVOS
Orlicky (1975)
10
12
14
15
Una de las mayores fortalezas del MPS es su habilidad para determinar de forma
precisa la factibilidad de un programa basado en unas restricciones de capacidad
agregada, lo cual puede llevar a excelentes resultados (Heizer y Render, 2009).
El MPS se puede expresar como (Heizer y Render, 2009):
Ordenes de clientes en compaas make-to-order (fabricacin bajo pedido)
Mdulos en un compaas assemble-to-order or forecast (fabricacin de
ensambles)
Productos finales en compaas stock-to-forecast (fabricacin de productos
para inventario)
El MPS al ser un plan de produccin a nivel de artculos finales o productos por
periodo, se alimenta de diferentes fuentes de datos (Nahmias, 2007):
Pedidos en firme de los clientes
Pronsticos de demanda futura por artculo
Requerimientos de inventario de seguridad
Inventarios disponibles
Planes estacionales
Pedidos internos de otras partes de la organizacin
Capacidad instalada y disponible
Otra informacin relacionada
Con esta informacin el plan maestro de produccin (MPS) determina el
calendario de produccin de cada tipo de producto de forma que se cumplan los
plazos de entrega establecidos y que se respeten las restricciones de capacidad
existentes aprovechando de forma eficiente la capacidad productiva instalada
(Miranda et. al, 2005).
Igualmente, para garantizar una buena programacin maestra, la persona
encargada de realizar el MPS debe (Chase et. al, 2009):
Incluir todas las demandas de ventas de productos, reposicin de depsitos,
repuestos y requerimientos entre plantas.
Tener siempre en mente el plan total
Comprometerse con las promesas de pedidos de los clientes
Ser visible en los niveles de la gerencia
Mediar de forma objetiva en los conflictos relacionados con la fabricacin, el
mercadeo y la ingeniera
Identificar y comunicar los problemas
16
17
19
Los datos del MRP permiten construir un registro de requerimientos con fase de
tiempo para cualquier nmero de parte, permitiendo as la toma descentralizada
de decisiones sobre nmeros individuales de partes o componentes. Los datos
pueden utilizarse como entrada para los modelos de la planeacin detallada de la
capacidad. El desarrollo de planes de materiales y planes de capacidad es un
proceso iterativo donde la planeacin se lleva a cabo por niveles dentro de la
estructura de componentes del producto (Vollman et. al, 2005).
El sistema MRP se puede considerar como un sistema que asume que las
consideraciones de capacidad se han tenido en cuenta en el MPS, por lo cual se
supone que el MPS se construy desde un punto de vista realista y viable
respecto a la capacidad planeada. La planeacin de requerimientos de
capacidades es una funcin de determinar capacidades que van a necesitarse por
centro de trabajo por periodo en un plazo de corto y mediano alcance para
alcanzar las metas de produccin (Orlicky, 1975).
La salida de un sistema MRP indica que componentes y cuando van a tener que
producirse, y esto se convierte en requerimientos de capacidades.
Las salidas principales del sistema de planeacin e inventarios MRP son las
requisiciones de compras y las rdenes de fabricacin, las cuales responden por
una cantidad especfica de algn tem de inventario. Debido a esto, el MRP tiene
la habilidad de programar para los componentes adecuados las cantidades
adecuadas en el momento adecuado con la fecha de necesidad de cada orden
(Orlicky, 1975).
Los sistemas MRP utilizan un programa de computador para llevar a cabo todas
estas operaciones para lograr los siguientes propsitos principales (Chase et. al,
2009):
Controlar los niveles de inventario
o Ordenar el componente, parte o material correcto
o Ordenar la cantidad correcta
o Ordenar en el momento correcto
Asignar prioridades operativas para los artculos
o Ordenar con la fecha de vencimiento correcta
o Mantener vlidas las fechas de vencimiento
22
23
24
suministro, como en el caso de la empresa i2, que busca suplir la necesidad que
tienen las empresas de tener planes inteligentes que incluyan uno o ms socios de
la cadena de suministro (Hvolby y Steger-Jensen, 2010).
La distincin entre el ERP y el SCP es un tanto confusa ya que el ERP por lo
general abarca todo el rango de fabricacin, ventas y contabilidad, mientras que
SCP tiende a ser ms orientado hacia funciones logsticas especficas, tales como
los pronsticos, produccin, transporte, entrega y distribucin (Hvolby y StegerJensen, 2010).
2.4.5 Planeacin de los Recursos de Manufactura (MRP II - Manufacturing
Resource Planning). Es un mtodo para la efectiva planeacin de todos los
recursos de una compaa de manufactura.
Idealmente, se ocupa de la
planificacin operativa en trminos de unidades, la planificacin financiera en
dlares, y tiene una capacidad de simulacin para responder a preguntas tipo Si Qu. Se compone de una variedad de procesos, unidos entre s: la planificacin
empresarial, planificacin de la produccin (planificacin de ventas y operaciones),
la programacin maestra de la produccin, la planificacin de necesidades
materiales, la planificacin de necesidades de capacidad, y los sistemas de apoyo
para la ejecucin de la capacidad y los materiales. Las salidas que entregan estos
sistemas estn integradas con los informes financieros, tales como el plan de
negocios, informes de compromisos de compra, el presupuesto de gastos de
envo, y las proyecciones de inventario en dlares. El MRPII es una consecuencia
y extensin directa del MRP de ciclo cerrado (APICS 2008).
La planeacin de recursos de manufactura es una expansin del MRP que incluye
otras partes del sistema productivo, y busca incorporar las dems actividades de
la empresa en el proceso de planeacin de la produccin como las funciones
financieras, contables, y de mercadeo. El MPS lo considera no como una
informacin de entrada sino como parte del sistema y por lo tanto una variable de
decisin, lo que implica que todas las reas de la empresa deben trabajar juntas
para determinar un programa de produccin compatible con el plan de negocios y
el plan financiero de la empresa (Nahmias, 2007).
El intento inicial del MRPII fue planear y monitorear todos los recursos de una
empresa de manufactura (Manufactura, mercadeo, finanzas e ingeniera) a travs
de un sistema de ciclo cerrado que generaba cifras financieras. Luego, un
segundo intento fue el de simular el sistema de fabricacin (Chase et. al, 2009).
Una novedad importante que revolucion al MRPII fue la integracin de funciones
de toda la empresa. A travs de este enfoque global, el MRPII se ha convertido en
la apuesta de planeacin para la fabricacin, comercializacin, soporte tcnico y
27
se va a fabricar
se necesita para fabricarlo
tenemos disponible
necesitamos obtener
Los sistemas avanzados de MRP (llamados MRP II) incluyen (Chase et. al, 2009):
Arquitectura cliente/servidor
28
29
Data warehouse
En la Tabla 2.1 se presenta una tabla con los proveedores de paquetes de ERP:
Tabla 2.1. Proveedores de paquetes de ERP.
VENDEDORES DE PAQUETES DE SOFTWARE
SAP AG
Baan ERP
BEA (Canad)
Oracle
SSAGlobal
J.D Edwards One World
American software
PeopleSoft
People Soft/Oracle
QAD
CMS Software
Sage Tetra CS3
Adaptado de Heizer y Render (2009), Miranda et. al (2005).
En la actualidad muchas empresas de servicios comienzan a implantar mdulos
de los sistemas ERP en sus operaciones tales como los restaurantes, hospitales,
etc.
Se debe tener en cuenta que los sistemas ERP son sistemas costosos, llenos de
asuntos ocultos, y que requiere mucho tiempo para su instalacin por lo cual las
empresas deben determinar si la forma como hacen negocios encaja con el
mdulo estndar del ERP. Si determinan que la empresa no encaja con el
producto, la empresa puede cambiar la forma como hacen el negoci o y
acomodarse al software. Dicho cambio puede tener un efecto adverso en los
procesos del negocio, reduciendo una ventaja competitiva (Heizer y Render,
2009).
De forma alterna, el ERP se puede personalizar para satisfacer los requerimientos
de los procesos. Sin embargo, muchas empresas llegan a gastar ms de cinco
veces el programa estndar para poder personalizarlo. Cuando se realizan
actualizaciones del paquete estndar, en ocasiones se requiere volver a escribir
parte del cdigo personalizado para que esta parte encaje con la nueva versin
(Heizer y Render, 2009).
2.4.6.1
Desventajas del ERP. Como desventajas de los sistemas MRP se
encuentran que son muy costoso para comprarlo, y aun ms caro para
personalizarlos, la implementacin requiere de mayores cambios en la empresa y
en los procesos; es un sistema muy complejo, que incluso muchas compaas no
son capaces de ajustarse; incluye un proceso continuo para la implementacin, el
32
Chen y Ji (2007).
35
36
Ejemplos
Ensamblar para
almacenar
Beneficios
Previstos
Altos
37
Ensamblar para
pedido
Altos
Manufacturar
para pedido
Altos
Transformacin
Fabricar para
almacenar
Bajos
Fabricar para
pedido
Bajos
Medianos
38
Orlicky (1975).
Para el uso efectivo del sistema de inventario dependiente se requiere conocer los
siguientes elementos para el buen funcionamiento del sistema MRP (Orlicky,
1975), (Chase et. al, 2009), (Heizer y Render, 2009):
Programa Maestro de la Produccin (MPS) (Qu se debe hacer y para
cuando) donde se enuncie cuanta cantidad de productos terminados se
requiere producir y para cuando.
39
40
Los tems sobre algn nivel se denominan Padres, los tems debajo de algn nivel
especfico se llaman Componentes o Hijos, y por convencin, el nivel superior
inicial en la estructura del producto se denomina el nivel 0 (cero) (Heizer y Render,
2009).
41
conoce como el Lead Time. El Lead time para un tem de manufactura consiste de
mover, preparar y ensamblar o producir cada componente. Para un tem comprado
este consiste en el tiempo entre el reconocimiento de la necesidad para una orden
hasta que el tem se encuentre disponible en produccin (Heizer y Render, 2009).
Cuando a la lista de materia les BOM se le agregan los lead times para cada
componente, se puede obtener una estructura de producto despasada en el
tiempo. Esto se puede representar en una grfica donde el tiempo compone el eje
horizontal. El periodo final en el eje horizontal corresponde al periodo en el cual se
debe realizar la entrega del producto final, y a partir de all con cada lead time y
con el orden de la estructura del producto se comienza a determinar cundo se
debe comenzar a realizar la compra, ensamble, produccin de cada componente
del producto final (Heizer y Render, 2009).
43
3.3
FUNCIONAMIENTO, REGISTRO Y EJECUCIN DEL SISTEMA DE
PLANEACIN MRP
44
45
3.4
46
47
Tabla 3.2. Resumen de los mtodos de clculo de tamaos de lote para un MRP
Mtodo
Lote por
lote
L4L
Descripcin
Implica que la cantidad de produccin de cada
periodo es igual al requerimiento neto
trasladado para cada periodo. El nmero de
unidades programadas para la produccin de
cada periodo es el mismo que los
requerimientos netos para dicho periodo
(Nahmias, 2007).
Optimizacin
Busca
minimizar
solo el costo de
mantenimiento de
inventarios (Chase
et. al, 2009).
Debilidades
No tiene en cuenta los costos de
preparacin de pedidos ni las
limitaciones de capacidad, y solo
incurre en costos de preparacin
(Chase et. al, 2009).
Cantidad
econmic
a
del
pedido EOQ
(Economi
c Order
Quantity)
Busca minimiza el
costo
total
compuesto por el
costo de pedido y el
costo
de
mantenimiento de
inventarios.
Periodo
constant
e
Busca
reducir
costos
administrativos de
control
de
inventarios y de
pedidos de compra.
Busca mejorar el
desempeo
del
costo de inventario
al permitir variar los
tamaos de lote.
Minimiza costos de
mantenimiento y de
pedidos.
Cantidad
de orden
peridica
POQ
(Period
Order
Quantity)
Es un mtodo susceptible a
faltantes de inventarios cuando la
demanda vara.
Ignora mucha de la informacin
de los requerimientos, y puede
combinar periodos de demanda
ligera con periodos de alta
demanda dentro de un mismo
tiempo entre rdenes (Vollman et.
al, 2005).
Utilidad y Aplicacin
Se recomienda utilizar la regla lote por
lote cuando se pueden alcanzar a
hacer entregas de bajo costo (Heizer y
Render, 2009). Tiene buen desempeo
en la prctica real, principalmente en el
caso de una estructura de producto que
tiene muchos niveles (Vollman et. al,
2005).
Se debe evaluar si la capacidad de la
empresa es capaz de realizar los
pedidos y cantidades que arroja el
mtodo EOQ. Se prefiere usar cuando
la
demanda
independiente
es
relativamente constante, y no cuando la
demanda es conocida (Heizer y
Render, 2009).
48
Heurstic
a
de
SilverMeal
Heurstic
a
de
costo
unitario
mnimo
LUC
Balanceo
de
periodos
parciales
(PPB),
Costo
Total
Mnimo
LTC
Algoritmo
de
Wagner
Whitin
intervalo de periodos .
Selecciona el lote que da el mnimo costo total
(pedidos y almacenamiento) por periodo para
el intervalo cubierto por el reaprovisionamiento
(Miranda et. al, 2005). Determina el costo
promedio por periodo como funcin del
nmero de periodos que el pedido actual
cubrir, y detiene el clculo cuando esta
funcin incrementa (Nahmias, 2007).
Es una tcnica dinmica de determinacin de
tamaos de lotes que aade los costos de
pedidos y de mantenimiento del inventario a
cada tamao del lote de prueba y los divide
por el nmero de unidades de cada tamao,
escogiendo el tamao del lote que tenga el
costo unitario ms bajo (Chase et. al, 2009).
Es una tcnica dinmica de determinacin de
tamaos de lotes donde se compara el costo
de mantenimiento con el costo de preparacin
para diferentes tamaos de lotes y luego
selecciona el lote en el cual estos dos costos
son casi iguales. Se comparan los costos de
pedidos y de mantenimiento para diferentes
nmeros de semanas a partir de un
determinado periodo, comenzando desde el
primer periodo. (Chase et. al, 2009).
Busca minimizar el
costo
total
de
inventarios.
No
siempre
arroja
como resultado una
solucin ptima.
Realiza la seleccin
correcta de tamao
de lote en el
periodo donde los
costos de pedidos y
de mantenimiento
son
aproximadamente
iguales (Chase et.
al, 2009).
Busca minimizar el
costo
total
de
preparacin
y
almacenamiento en
un horizonte de
planeacin
utilizando
la
programacin
dinmica.
(Nahmias, 2007).
49
3.5
El trmino de nerviosismo fue asignado y utilizado por primera vez por Danie
Steele (1973) para referirse a los cambios significativos que ocurren en los planes
de MRP aun con cambios menores en los registros de MRP de ms alto nivel o en
el plan maestro de la produccin (Vollman et. al, 2005). Algunas de las causas de
nerviosismo son los cambios en el MPS como consecuencia de la actualizacin de
los pronsticos, las entregas tardas de materiales, fallas de equipos de
produccin, falta de personal clave, y otras variables impredecibles (Nahmias,
2007).
Sin importar la causa de los cambios, el modelo del MRP puede manipularse para
reflejar estos cambios, y de esta forma puede ser posible una programacin de los
requerimientos actualizada (Heizer y Render, 2009). Debido a los cambios que
ocurren con los datos del MRP, es comn recalcular el MRP alrededor de una vez
por semana.
50
generado en los planes de MRP son (Heizer y Render, 2009), (Vollman et. al,
2005):
Ventanas de tiempo
Pronstico para refacciones
Pegging - Asignacin
Uso selectivo de los procedimientos de clculo de tamao de lote
rdenes planeadas en firme en los registros del MRP y/o del MPS
Debe quedar claro que las mejoras a un sistema MRP deben hacerse despus de
que est instalado el sistema bsico de planeacin de produccin (Vollman et. al,
2005).
3.6
DESVENTAJAS Y OPORTUNIDADES DE MEJORA DEL SISTEMA MRP
CLSICO
Existen muchos problemas con los sistemas MRP bsicos, y se presentan muchas
fallas para instalarlos en las empresas. Desde el punto de vista gerencial esto se
debe en parte a factores organizacionales y de comportamiento como (Chase et.
al, 2009):
La falta de compromiso de la alta gerencia
No reconocer que el MRP es una herramienta de software que se debe utilizar
correctamente
Falta de integracin del MRP con el JIT.
Los sistemas MRP requieren un alto grado de exactitud y actualizacin
(inventarios, listas de materiales) para su operacin.
Desde el punto de vista tcnico, algunas desventajas que presenta el sistema
bsico MRP son las siguientes (Nahmias, 2007):
No toma en cuenta la incertidumbre de los pronsticos
Pasa por alto las restricciones de capacidad
Los tiempos de entrega se consideran fijos, independientes de los tamaos de
lote
No toma en cuenta prdidas por artculos defectuosos, tiempos de inactividad
de mquinas
51
3.6.1.1
Stocks de Seguridad. Una de las tareas constantes que se debe
buscar en sistemas de produccin es eliminar la variabilidad. Bajo un sistema
MRP, desde un punto de vista realista, se debe reconocer que las listas de
materiales, los registros de inventario, las compras y las cantidades de produccin
as como los lead times no son perfectos, lo cual hace que sea prudente hacer
algunas consideraciones de stocks de seguridad (Heizer y Render, 2009).
El inventario de seguridad es un buffer o exceso de inventario por encima de lo
que se necesita exactamente para satisfacer los requerimientos brutos. Se utiliza
el inventario de seguridad en sistemas MRP cuando el problema es la
52
3.6.1.2
Tiempos de Seguridad. El tiempo de espera de seguridad es un
procedimiento por medio del cual las rdenes de taller o de compra son liberadas
y se programan para llegar uno o ms periodos antes de lo que son necesarias
para satisfacer los requerimientos brutos. Para incorporar estos tiempos, las
rdenes son emitidas o planeadas con antelacin y se programan o planean para
ser recibidas para inventario antes del tiempo que la lgica de MRP podra indicar
que es necesario. (Vollman et. al, 2005).
3.6.1.3
Tolerancias por desperdicio. Se utilizan tolerancias por desperdicio
para calcular el tamao de lote para comenzar la produccin para alcanzar un
tamao de lote deseado para mandarlo al almacn. El procedimiento es usar
cualquier procedimiento de tamao de lote y despus ajustar el resultado para
tomar en cuntala tolerancia por desperdicio (Vollman et. al, 2005).
error a los artculos segn su mtodo de conteo (por peso, por unidad, entre
otras). Todo lo anterior busca que los registros de inventario reflejen con exactitud
el estado real del sistema (Nahmias, 2007).
3.7
Nahmias (2007), Heizer y Render (2009), y (Miranda et. al, 2005) exponen algunas
de las ventajas principales de implementar sistemas MRP:
Permiten generar holguras para los tamaos de lote en diversos niveles del
sistema para poder reducir preparaciones y costos relacionados (Nahmias,
2007).
Permiten planear los niveles de produccin a todos los niveles de la empresa
para varios periodos futuros (Nahmias, 2007).
Mejora el servicio al cliente reduciendo tiempos de entrega y facilitando el
cumplimiento de los plazos de entrega prometidos (Miranda et. al, 2005).
Reduce los niveles de inventario (Miranda et. al, 2005).
Mejora la eficiencia operativa (Miranda et. al, 2005).
Incrementa la flexibilidad en la planificacin para adaptarse a cambios de la
demanda (Miranda et. al, 2005).
Incremento en la utilizacin de instalaciones y de mano de obra (Heizer y
Render, 2009).
54
3.8
FACTORES CRITICOS PARA TENER EN CUENTA EN UN SISTEMA
MRP
55
La entrada del sistema MRP es el MPS, luego el MRP realiza una explosin de las
partes, componentes y dems recursos necesarios para ajustarse al programa
generado por el MPS. El mdulo CRP verifica el resultado del MRP para ver si
existe la capacidad suficiente, y de no existir capacidad suficiente se retroalimenta
al MRP indicando que el programa se debe cambiar. Si existe capacidad
suficiente, se expiden pedidos al sistema de produccin ejecutando los planes de
capacidad y de materiales. A partir de este punto comienza la etapa de monitoreo,
recopilacin de datos, terminacin del pedido y evaluacin de resultados.
Cualquier cambio en la produccin, capacidad o materiales se retroalimenta dentro
del sistema (Chase et. al, 2009).
Se hace necesario entonces considerar un sistema MRP de ciclo cerrado para
garantizar que el resultado obtenido sea un programa factible. La Figura 3.3
muestra las relaciones lgicas que se llevan a cabo en un MRP cerrado.
Figura 3.3. Sistema MRP de ciclo cerrado que muestra la retroalimentacin.
57
58
Tabla 4.1. Definicin de variables para el modelo MRP de Arango et al. (2009).
Variable Definicin
P
Nmero de componentes
T
Horizonte de planeacin
R(i,j))
Nmero de componentes i necesarios para realizar componentes j
K
Nmero de recursos
D(i,j)
Demanda externa del componente i en el periodo t
LT(i)
Tiempo de suministro del producto i
I(i,0)
Inventario inicial del componente i
U(i,k)
Fraccin del recurso k necesario para una unidad del producto i
F(k,t)
Mxima fraccin del recurso k que puede adicionarse en el producto t
59
M
S(i,k)
W(i,j)
H(i)
C(i)
O(k,t)
Min Z
A(i) I i ,t
t 1
i 1
H (i) I i ,t
C (i)
O ( k , t ) y k ,t
i ,t
k 1
Restricciones
60
t LT ( i )
xi ,t
I (i,0)
R(i, j ) xi ,t W (i, j )
i ,t
0 k 1, ... , K t 1, ... , T
1 j 1
U (i, k ) xi ,t S (i, k )
i ,t
1 yk ,t
1, ... , K
t 1, ... , T
i 1
t 1, ... , T
F (k , t )
t 1, ... , T
i ,t
xi ,t
i 1, ... , P
t 1, ... , T
i ,t
0,1
i 1, ... , P
t 1, ... , T
yk ,t
t 1, ... , T
I i ,t
i 1, ... , P
t 1, ... , T
I i ,t
i 1, ... , P
t 1, ... , T
I i ,t
yk ,t
I i ,t
I i ,t
1, ... , K
1, ... , K
61
Min Z
(T t ) xi ,t
i 1 t 1
62
Esta funcin busca solicitar el mayor nmero de unidades del componente i tan
tarde como sea posible, con lo cual se garantiza un nivel de inventario bajo
teniendo presente las siguientes restricciones. El factor (T t ) es el que castiga
las unidades que se solicitan para el periodo t, por lo tanto mientras ms pequeo
sea t mayor ser el factor (T t ) , lo cual realmente hace que se busque se
solicite las unidades del componente i tan tarde como sea posible, es decir, buscar
un t lo ms grande posible.
Restricciones
t LT ( i )
xi ,t
I (i,0)
D(i, )
1
R(i, j ) xi ,
j 1
i ,t
LS (i)
i,t
0,1
Restricciones de no negatividad.
63
materia prima en cada perodo, los niveles de stock, pedidos para la demanda, y
los niveles de uso de capacidad en un horizonte de planificacin dado (Mula et al.,
2007).
El modelo de programacin lineal Propuesto inicialmente en (Mula, 2006) es un
modelo para la optimizacin del problema de planificacin de la produccin en un
MRP en un ambiente de manufactura con capacidad limitada, multi-producto,
multi-nivel y multi-perodo (Mula et al., 2007).
Este modelo tiene pocas restricciones a fin de que sea genrico. Algunas de estas
restricciones se incluyen en el modelo propuesto por Escudero (1994): Procesos
alternativos de produccin de algunos productos, las variables de contratacin y
las descargas o asignacin de mano de obra para la planificacin de los recursos
y la produccin, los niveles de las horas extraordinarias, los niveles de stock, etc.
(Mula et al., 2008).
La solucin que satisface las restricciones y reduce al mnimo los objetivos
sealados anteriormente debe ser utilizada de forma dinmica, es decir, slo se
ejecutarn las decisiones que se relacionan con los primeros perodos del
horizonte de planificacin. Entonces, cuando la nueva informacin sobre la
demanda, la disponibilidad de recursos, lista de materiales, tiempos de entrega,
costos, etc llegue, el modelo debe ser actualizado y se debe volver a ejecutar
(Mula et al., 2008).
64
Pi,t
INVTi,t
Bi,t
Tunrt
Tovrt
Coeficientes
de costo
cpi,t
cii,t
cbi,t
ctunr,t
ctovr,t
Coeficientes
Tecnolgicos
ARi,r
CAPr,t
Definicin
Costo variable de produccin por unidad del producto i
Costo de inventario por unidad del producto i
Costo de aplazamiento de demanda por unidad del producto i
Costo de tiempo ocioso del recurso r en el periodo t por hora
Costo de tiempo extra del recurso r en el periodo t por hora
Definicin
Tiempo requerido del recurso r para una unidad de produccin
del producto i
Capacidad disponible del recurso r en el periodo t
Datos
di,t
Definicin
Tiempo requerido del recurso r para una unidad de produccin del
producto i
Cantidad requerida del producto i para producir una unidad del
ij
producto j
TSi
Tiempo de suministro del producto i
INVTi0
Inventario del producto i en el periodo 0
Bi0
Demanda aplazada del producto i en el periodo 0
SRit
Recepciones programadas del producto i en el periodo t
(Mula et al., 2007), (Mula et al., 2008).
Funcin Objetivo
I
Min Z
(ctunrtTunrt ctovirtTovrt )
r 1 t 1
65
INVTi ,t
Pi ,t
TSi
SRit
INVTi ,t
Bi ,t
ij
( Pjt SR jt ) Bit
dit
j 1
i 1, ... , I
t 1, ... , T
r 1, ... , R
t 1, ... , T
i 1
BiT
0 , i 1, ... , I
Esta restriccin exige que los pedidos retrasados sean atendidos todos. Es decir,
al acabarse el ltimo periodo no deben quedar pedidos retrasados o pendientes
por despachar.
Restricciones de No Negatividad
66
Definicin
Costo por mantener inventarios por unidad del tem i
Costo de preparacin del tem i (Setup)
Costo de capacidad extra por unidad del capacidad en el periodo t
en la planta k
Tiempo de suministro mnimo del tem t
Rendimiento del tem i (fraccin)
Nmero de unidades del tem i necesarias para la produccin de
una unidad del tem j
Demanda del tem i en el periodo t
Tasa de uso de capacidad del tem i en la planta k (Unidades de
capacidad por unidad)
Uso de la capacidad de la planta k por preparaciones del tem i
Capacidad de la planta k en el periodo t (unidades de capacidad)
Lmite superior de la produccin del tem i que puede comenzarse
en el periodo t
Variables Definicin
67
yit
it
Okt
Tiempo extra de capacidad en la planta k en el periodo t
Xit
Produccin del tem i que comienza en el periodo t
Shapiro (1989).
Funcin Objetivo
N
Min Z
(cokt Okt )
k 1 t 1
Esta funcin busca evitar inventarios, preparaciones, trabajos en horas extra para
obtener as un costo mnimo.
Restricciones
N
yi ,t
f i xi ,t
Li
yit
aij xij
rij
i 1, ... , N
t 1, ... , T
j 1
1, ... , K
t 1, ... , T
i 1
xit
qit
it
i 1, ... , N
t 1, ... , T
68
ik
S(i)
rij
Definicin
Costo unitario de produccin del tem i
Costo fijo de produccin
Costo unitario de inventario del tem i
Demanda a ser satisfecha del producto i en el periodo t
Capacidad disponible del recurso k durante el periodo t
Capacidad del recurso k consumida por producir una unidad del tem
i
Capacidad del recurso k consumida por preparar la produccin del
tem i
tems sucesores del tem i, tems que consumen alguna cantidad
cuando se produce el tem i
Cantidad del tem I requerida para producir una unidad del tem j
69
Pochet ( 2001).
Funcin Objetivo
n
Min Z
(`pit xit
t 1 i 1
Se busca minimizar los costos variables y fijos de produccin, al igual que los
costos de mantener inventarios.
Restricciones
si ,t
xi ,t
d i ,t
ri , j x j ,t
si ,t
i 1, ... , I
t 1, ... , n
j S (i )
i
periodo
, y la demanda a ser satisfecha es la suma de la demanda
independiente y la dependiente.
xi ,t
Myi ,t
i 1, ... , I
t 1, ... , n
i , k i ,t
i
i ,k
yi , t
Lk ,t
t 1, ... , n
k 1, ... , K
0 , xi ,t
0,1
i 1, ... , I
t 1, ... , n
No negatividad
4.6 MODELO GRAVES (1999)
70
Min Z
(cwt wt cht ht cf t ft )
t 1
71
ai pi ,t wt 0
t 1
wt
ht
ft
wt
qi , t
p i , t qi , t
i, j
p j ,t
d i ,t
i, t
j 1
i, t
72
ndice de recursos
Parmetros
Si
si
cij
hi
ami
Definicin
Conjunto de sucesores inmediatos del tem i
Costo de preparacin del tem i
Cantidad del tem i requerida para producir una unidad del tem j
Costo de mantenimiento del tem i
Capacidad (Tiempo) necesaria en el recurso m para una unidad del
tem i
Tiempo de preparacin para el tem i en el recurso m
Capacidad disponible (Tiempo) del recurso m en el periodo t
Tiempo de entrega de produccin para el tem i
Costo de tiempo extra del recurso m
Nmero muy grande
Demanda externa para el tem i en el periodo t
Inventario inicial del tem i
bmi
Lmt
LTi
COm
G
Eit
Ii0
Variables
de
Decisin
xit
Iit
Omt
yit
Definicin
Funcin Objetivo
P
Min Z
( si yit hi I it )
i 1 t 1
(comOmt )
t 1 m 1
73
I it 1 xit
cij x jt
LTi
Eit
I it
i, t
j 1
m, t
i 1
Estas restricciones aseguran que los recursos requeridos para producir la cantidad
necesaria del tem I en el periodo t ms el tiempo de preparacin no exceda la
capacidad disponible.
xit
Gyit
i, t
0, Omt
0, xit
0, yit
0,1
i, t
Se busca modelar un problema de planeacin de la produccin agregada multiproducto que busca minimizar el costo total de los costos de produccin
cuadrticos y de los costos de mantenimiento de inventario.
Dentro del modelo no se permiten restrasos o aplazamientos de la demanda.
Parmetros
74
i
t
Parmetros Definicin
dit
Demanda para cada tipo de producto en cada periodo
fWt
Capacidad de produccin de la mano de obra en cada periodo t
Wt
Nivel disponible de capacidad
pt
Costo de mantenimiento del tem i
K
Capacidad de bodega para los productos (Constante)
Ii0
Inventario inicial del producto tipo i
ci
Costo de mantenimiento por unidad del producto i en cada periodo
Xit
Nivel de produccin del producto i en el periodo t
Iit
Nivel de inventario del producto i al final del periodo t
Yt
Nivel de mano de obra asignado en el periodo t
Eit
Demanda externa para el tem i en el periodo t
fi (xit,yt)
Costos de produccin del producto i en el periodo t
Tang et al (2000).
Funcin Objetivo
El problema trata de determinar la el nivel de produccin, inventario y mano de
obra para el producto i en cada periodo t, con el fin de minimizar los costos totales
de produccin e inventarios, es decir, maximizar las utilidades.
La formulacin matemtica (MAPP) se presenta a continuacin:
n
Min F ( x, y, I )
( x, y ,I )
f i ( xit , yt ) ci I it
i 1 t 1
I it 1 xit d it I it
i, t
Ecuacin de balance de la produccin e inventarios
0 yt Wt
t
Ecuacin de balance de la produccin e inventarios
n
I it 1 K
i 1
75
4.9
COMPARACIN DE MODELOS MATEMTICOS DETERMINISTAS
PARA MRP
A continuacin se presenta en la Tabla 4.10, Tabla 4.11, Tabla 4.12, Tabla 4.13 y
Tabla 4.14 una comparacin entre los modelos anteriormente expuestos,
detallando las condiciones del problema, elementos de la funcin objetivo,
parmetros, restricciones y variables de decisin tenidos en cuenta para cada
modelo determinista de MRP para la planeacin de la produccin a mediano
plazo.
Con base en la informacin anterior, y teniendo en cuenta los elementos ms
comunes y representativos de los modelos anteriores, se propone un modelo
matemtico determinista para la solucin de un sistema MRP.
del
Multi-producto
Multi-nivel
Multi-periodo
Permite retrasos en la
demanda
Capacidad limitada
Considera
tamaos
de lote
Niveles de mano de
obra variables
Arango
et
al.
(2009)
Arango
et
al.
(2010)
Mula
et al.
(2007)
Shapiro
(1989)
Pochet
(2001)
Graves
(1999)
Aldemer
(2010)
Tang
et al.
(2000)
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
76
Funcin Objetivo
Costos
de
almacenamiento
o
inventario
Costos de tiempo o
capacidad extra de
los recursos
Costos de tiempo o
capacidad ociosa de
los recursos
Costos
de
aplazamiento
o
retraso de demanda
Costos
de
contratacin de M.O
Costos de despido de
M.O
Costos de Pedidos y
Preparaciones
Tiempo
de
lanzamiento
de
pedidos
Costos de produccin
variables
Costos de produccin
fijos
Arango
et
al.
(2009)
Arango
et
al.
(2010)
Mula
et al.
(2007)
Shapiro
(1989)
Pochet
(2001)
Graves
(1999)
Aldemer
(2010)
Tang
et al.
(2000)
Arango
et
al.
(2009)
Arango
et
al.
(2010)
Mula
et al.
(2007)
Shapiro
(1989)
Pochet
(2001)
Graves
(1999)
Aldemer
(2010)
Tang
et al.
(2000)
77
Costo
de
Produccin
por
unidad
del
producto i
Costo de tiempo
extra del recurso k
en el periodo t
Costo de tiempo
ocioso del recurso
k en el periodo t
Costo
fijo
de
Produccin
del
producto i
Costo por fraccin
de la capacidad
extra al recurso k
en el periodo t
Costo de despido
de mano de obra
en el periodo t
Costo
de
contratacin
de
mano de obra en
el periodo t
Costo total de
realizar un pedido
del producto i
Demanda
aplazada
del
producto i en el
periodo 0
Demanda externa
del componente i
en el periodo t
Desperdicio
del
producto i en el
cambio
al
producto j
Fraccin o tiempo
del
recurso
k
necesario
para
una unidad del
producto i
Fraccin o tiempo
del
recurso
k
usado
para
cambiar
o
preparar
al
artculo i
Horizonte
de
planeacin
Inventario inicial
del componente i
Lmite superior de
la produccin del
tem i que puede
comenzarse en el
periodo t
78
M xima fraccin o
tiempo del recurso
k
que
puede
adicionarse en el
producto t
Nmero
de
componentes
Nmero
de
componentes
i
necesarios
para
realizar
componentes j
Nmero
de
recursos
Recepciones
programadas del
producto i en el
periodo t
Tamao de lote
mnimo para el
componente i
Tiempo
de
suministro
del
producto i
Un nmero muy
grande
Arango
et
al.
(2009)
Arango
et
al.
(2010)
Mula
et al.
(2007)
Shapiro
(1989)
Pochet
(2001)
Graves
(1999)
Aldemer
(2010)
Tang
et al.
(2000)
79
de
Cantidad
de
pedido
(produccin o
compra)
del
producto i en
el periodo t
Fraccin
o
tiempo
extra
del recurso k
en el periodo t
Variable
binaria
de
produccin
para
el
producto i en
el periodo t
Nivel de mano
de obra en el
periodo t
Contratacin
de mano de
obra en el
periodo t
Despidos
de
mano de obra
en el periodo t
Inventario del
articulo
i
llevado en el
tiempo t, o al
final
del
periodo t
Tiempo ocioso
del recurso k
en el tiempo t
Cantidad del
producto
i
retrasado en el
tiempo t
Arango
et
al.
(2009)
Arango
et
al.
(2010)
Mula
et al.
(2007)
Shapiro
(1989)
Pochet
(2001)
Graves
(1999)
Aldemer
(2010)
Tang
et al.
(2000)
Basado en los modelos propuestos por Arango el al. (2009), Arango el al. (2010),
Mula et al. (2007), (2008), Shapiro (1989), Pochet (2001), Graves (1999), Aldemer
80
Definicin
81
I(i,0)
Ei
S(i,k)
U(i,k)
F(k,t)
H(i)
C(i)
CO(k,t)
Variable Definicin
xi,t
Cantidad de pedido a producir del producto i en el periodo t
Ok,t
Fraccin adicionada del recurso k en el perodo t
Indicador binario de produccin para el producto i en el periodo t
i,t
I(i,t)
t 1
i 1
Min Z
H (i) Ei I i ,t C (i)
CO(k , t ) Ok ,t
i ,t
k 1
Restricciones
Balance de Inventario
P
E i I i ,t
x i ,t
LT ( i )
E i I i ,t
R(i, j ) x j ,t
D(i, t )
i 1,..., P
t 1,..., T
j 1
U (i, k ) xi ,t S (i, k )
i ,t
1 Ok ,t k 1, ... , K
t 1, ... , T
i 1
83
necesita usar en un periodo t debe ser menor o igual que la capacidad total
disponible ms la capacidad extra del recurso k para el mismo periodo t.
Las horas extra no se limitan pero se castigan con los costos respectivos en la
funcin objetivo, para poder darle la mayor generalidad posible al modelo. Se
podra ingresar fcilmente una restriccin que indique que si esos lmites de horas
se exceden el plan no es factible. (Mula et al, 2007).
Capacidad Extra Mxima
Okt
Fkt
k 1, ... , K
t 1, ... , T
LS (i)
xi ,t i 1, ... , I
t 1, ... , n
Indicador de Produccin
i ,t
0,1
E(i)
i 1, ... , I
Estas restricciones permiten limitar que la exactitud de inventarios (Existencias
fsicas de materiales / Existencias tericas de materiales) sea un valor positivo. Al
considerar este parmetro se permite incluir al modelo la incertidumbre asociada a
84
0, I i ,t
0 Ok ,t
i, k , t
Modelo DET
T
t 1
i 1
Min Z
H (i) Ei I i ,t C (i)
CO(k , t ) Ok ,t
i ,t
k 1
Sujeto a :
P
Ei I i ,t 1 xi ,t
LT ( i )
D(i, t )
R(i, j ) x j ,t Ei I i ,t
j 1
U (i, k ) xi ,t
S (i, k )
i ,t
1 Ok ,t
i 1
Okt
i ,t
i ,t
0,1 xi ,t
LS (i)
0, I i ,t
Fkt
xi ,t
0 Ok ,t
i, k , t
Este modelo se resolver en el captulo 8 una vez se tengan los datos de entrada
de un problema real, para posteriormente comparar los resultados con los
arrojados en los modelos MRP difusos a proponer.
85
86
87
88
La Tabla 5.1 presenta una clasificacin sobre los modelos y autores que han
abordado la incertidumbre en temas de logstica y produccin.
Planeacin Agregada
Modelos analticos
Planeacin Jerrquica
de la Produccin
Modelos analticos
Modelos de simulacin
Modelos analticos
de
de
Modelos de simulacin
Planeacin
Capacidad
de
la
Modelos de simulacin
Modelos Conceptuales
Planeacin
Requerimiento
Materiales (MRP )
Autores
Modelos analticos
89
Planeacin de Recursos
de Manufactura (MRP II)
Modelos de simulacin
Modelos analticos
Modelos analticos
Gestin de Inventarios
Modelos analticos
Planeacin
de
la
Cadena de Suministro
Modelos de Inteligencia Artificial
Modelos Conceptuales
90
91
Los parmetros crticos (tales como las demandas del mercado y los niveles de
capacidad) son imprecisos o borrosos (fuzzy) por naturaleza debido a la
incompleta y / o falta de disponibilidad de los datos necesarios sobre un horizonte
de decisin a medio plazo. En tales situaciones, por ejemplo, un fabricante conoce
con cierta seguridad sus necesidades de capacidad, pero lo cita de manera
imprecisa, por ejemplo, 5000 100 minutos. (Torabi et al, 2010).
Respecto al manejo de la incertidumbre y la lgica difusa en sistemas de
planeacin de la produccin, Reynoso et al. (2002) presentan un primer enfoque
sobre un MRP II basado en la lgica difusa y la Teora de la Posibilidad para el
tratamiento de la incertidumbre y la imprecisin de la demanda. Este enfoque,
denominado F-MRP (Fuzzy-MRP), hace una diferencia entre demanda incierta e
imprecisa y considera a ambas. La demanda incierta se refiere a cuando la
ocurrencia de la demanda no es segura, mientras que la demanda imprecisa
ocurre cuando no se conoce la cantidad de la demanda con exactitud y el modelo
se formaliza a travs del lenguaje de modelado UML. Mula (Mula, 2004),
proporciona un nuevo modelo de programacin lineal para la Planificacin de la
Produccin a medio plazo en un entorno de fabricacin MRP con restricciones de
capacidad, multi-producto, multi-nivel y multi-perodo, considerando los
coeficientes de coste en la funcin objetivo, la demanda del mercado, la capacidad
requerida y la capacidad disponible pueden considerarse, dependiendo de cada
modelo, datos imprecisos y/o ambiguos.
Igualmente, para el manejo de la incertidumbre, Arango et al. (2008) han aplicado
la lgica difusa en las cadenas de suministro, luego Arango et al. (2009) proponen
modelos difusos aplicados a la planeacin de la produccin, y finalmente Arango
et al. (2010) aplican la programacin matemtica difusa para sistemas de
planeacin de requisitos de materiales (MRP).
Xie et al. (2003) investigan el impacto de congelar el MPS en sistemas de
mltiples tems de un solo nivel con una sola restriccin de recursos bajo
incertidumbre de la demanda. Observan que la seleccin de los parmetros que
se congelan en el MPS son influenciados por algunos factores como rigidez en la
capacidad y la estructura de costos. Igualmente, observan que el desempeo de
algunos parmetros congelados del MPS se pueden generalizar cuando hay
restricciones de capacidad, mientras que cuando no hay restricciones de
capacidad no se comportan de igual forma.
92
93
94
Muy a menudo, las clases de fenmenos del mundo real no tienen definida de
forma precisa un criterio de pertenencia, muchos fenmenos indefinidos juegan
un papel importante en el pensamiento humano, especialmente en el
reconocimiento de patrones, comunicacin de informacin y abstraccin (Zadeh,
1965).
La mayora de campos de aplicacin del conocimiento tienden a ser imprecisos,
inciertos y ambiguos debido a que se basan en el pensamiento humano, el cual
lleva consigo conceptos humanos y razonamientos basados en experiencias que
rara vez son certeros o deterministas. La lgica tradicional no permite expresar
conceptos ambiguos especialmente porque al clasificar la pertenencia de algn
elemento a un conjunto o grupo lo hace determinando si pertenece o no
pertenece. Esta situacin hace que no se puedan reflejar situaciones de la vida
real donde algunos elementos pueden pertenecer en cierto grado a un conjunto o
grupo y en cierto grado no pertenecer.
En la lgica difusa se presentan conceptos relativos de la realidad, definiendo
grados de pertenencia y siguiendo patrones de razonamiento similares a los del
pensamiento humano ya que con la lgica difusa las proposiciones se pueden
representar con grados de pertenencia, es decir, grados de certeza o falsedad
(Medina y Manco, 2007).
Uno de los casos ms comunes para ejemplificar la necesidad de la lgica difusa
es la clasificacin de altura de una persona. Se podra decir que una persona se
clasifica de baja de estatura cuando mide menos de 1.60 m, una persona se
clasifica de altura media cuando su estatura se encuentra entre 1.60 m y 1.80 m, y
una persona se clasifica de alta estatura cuando mide mas de 1.80m de alto. Con
esto podemos decir que sea el subconjunto A U, los valores pertenecientes al
rango de valores entre 0 y 1.60, sea el subconjunto B U, los valores
pertenecientes al rango de valores entre 1.60 y 1.80, sea el subconjunto C U,
los valores pertenecientes al rango de valores entre 1.80 y 2.20 m.
Una funcin caracterstica de A, en la forma clsica de teora de conjuntos, asigna
el nmero 1 o 0 a cada valor de U, de acuerdo a si dicho valor pertenece o no al
subconjunto A. En la Figura 6.1 se muestra los valores que toma cada elemento
95
Este razonamiento tradicional implica que una persona que mide 1.60 m y crece 1
cm deja de ser inmediatamente de baja estatura a pertenecer a una categora de
estatura media, mientras que una persona que mide 1.20 m y crece 20 cm sigue
siendo una persona de estatura baja. La lgica difusa busca dar un grado de
pertenencia a cada conjunto, y en este caso se podra determinar que una
persona que mide 1,50 m tiene un grado mximo de pertenencia a la categora de
baja estatura pero que adems con cierto grado pertenece a la categora de
estatura media, como en el caso de la Figura 6.2.
96
6.2
DEFINICIONES Y CONCEPTOS
x para un
representa el
~
en A . Es entonces que a medida que A x se acerca a
~
1, se hace mayor el grado de pertenencia de x en A (Zadeh, 1965).
grado de pertenencia de
98
~
difuso A , a pesar de la imprecisin de sus lmites, se puede representar con
precisin asocindole a cada punto x un nmero entre dos lmites inferior y
~
superior, por ejemplo 0 y 1, que representan su grado de pertenencia en A (Mula,
2004).
:X
0,1
~
es llamada funcin de pertenencia o de membreca de A y
~
como el grado de pertenencia de x dentro del conjunto dado A .
A
x es conocido
~
Definicin 2: El soporte de un conjunto borroso A en un conjunto de discurso X ,
es el conjunto que contiene todos los elementos de X que tienen un grado de
~
pertenencia diferente a cero en A , el cual se representa a travs de la siguiente
funcin de pertenencia:
~
Sop A
X:
( x)
De esta forma se puede definir que un nmero ntido, concreto, crisp o singleton
es un conjunto cuyo soporte est compuesto por solo un elemento.
X:
( x)
En el caso en que
0 , se
tiene que A
99
~
Definicin 4: El valor superior de un conjunto difuso A es definido como el mayor
grado de membreca de uno o ms elementos comprendidos dentro del conjunto
~
s( A) Sup A ( x)
x1 (1
) x2 ) min
( x1 ),
( x2 )
A,
satisface:
En donde
0,1
~
Definicin 7: Un nmero difuso A corresponde a un subconjunto normal y
~
convexo de un universo de discurso X. Por lo tanto, un nmero difuso A es un
X:
( x)
~
A es un conjunto cerrado (convexo) para cada
6.3
( x)
(0,1]
~
~
~
6.3.1 Igualdad. Dos conjuntos difusos A y B son iguales A
A
x para todo x en
~
B , si y solo si
X.
~
~
6.3.2 Complemento. El complemento de un conjunto difuso A se denota como A'
y se define como: A, x 1
A x
.
~
~
~
~
A es contenido en B , A es subconjunto de B , si y solo si A x
B x para todo
x en X (Zadeh, 1965).
100
~
~
6.3.3 Unin. La unin de dos conjuntos difusos A y B con su funcin de
pertenencia respectiva
~
C
C
~
A
x
x y
~
x es un conjunto difuso C , escrito como
~
B , cuya funcin de pertenencia es (Zadeh, 1965):
Max
x,
~
La unin conserva la propiedad asociativa, donde A
~
B
~
C
~
A
~
B
~
C
de pertenencia respectiva
~
C
C
~
A
x
x y
~
x es un conjunto difuso C , escrito como
~
B , cuya funcin de pertenencia es (Zadeh, 1965):
Min
x,
~ ~
La interseccin entre A y B es el conjunto difuso ms largo que esta contenido
~
~
tanto en A como en B .
6.4
~
6.4.1 Nmero triangular difuso. Si A es un nmero difuso, entonces se
considera que es triangular si su convexidad es lineal a tramos. Con la finalidad de
simplificar las operaciones con los nmeros difusos, generalmente se simplifica su
notacin, de manera lineal (Correa, 2004). Un nmero difuso triangular asimtrico
101
~
se denota con tres valores A a, b, c por medio de la siguiente funcin de
pertenencia (Arango et al., 2009):
0
( x)
x
b
a
a
c
c
x
b
a
x
b
A
x
x
( x; a, b, c)
max min
x
b
a c
,
a c
x
,0
b
c
c
difusos,
puede
realizarse
tomando
funciones
de
pertenencia
102
0
x
b
a
a
1
( x)
d
d
x
c
0
A
( x; a, b, c, d )
max min
x
b
a
d
,1,
a
d
x
,0
c
103
6.5
Las operaciones algebraicas con datos inciertos difieren de las que tienen lugar
con datos concretos ntidos o tambin llamados Crisp. A continuacin en la
Tabla 6.1 se muestran las operaciones de suma, resta, producto y cociente entre
~
~
dos conjuntos difusos A y B en el caso de tomar forma de intervalo, forma
triangular y forma trapezoidal.
Tabla 6.1. Operaciones aritmticas con nmeros difusos
Intervalo
FORMA
Triangular
Trapezoidal
~
A
a1 , a2
~
A
a1 , a2 , a3
~
A
a1 , a 2 , a3 , a 4
~
B
b1 , b2
~
B
b1 , b2 , b3
~
B
b1 , b2 , b3 , b4
SUMA
a1 b1 , a2 b2
a1 b1 , a 2 b2 , a3 b3
a1 b1 , a 2 b2 , a3 b3 , a 4 b4
RESTA
a1 b2 , a2 b1
a1 b3 , a2 b2 , a3 b1
a1 b4 , a 2 b3 , a3 b2 , a 4 b1
PRODUCTO
a1 b1 , a2 b2
a1 b1 , a 2 b2 , a3 b3
a1 b1 , a 2 b2 , a3 b3 , a 4 b4
COCIENTE
a1 b2 , a2 b1
a1 b3 , a 2 b2 , a3 b1
a1 b4 , a2 b3 , a3 b2 , a 4 b1
104
106
Modelo
Petrovic et al
(2008)
Arango et
(2008)
al
Tsujimura
Gen (1992)
Lee
et
(1991)
al
Mula
et
al
(2004). Mula
et al (2006a)
Chang y Liao
(2006)
Kahraman
al. (2006)
et
Hasuike e Ishii
(2008)
Klir (1995) aclara que la definicin de los problemas de programacin lineal difusa
no es nica ya que se pueden hacer enfoques desde la lgica difusa en muchos
aspectos tales, de forma tal que se dan valores difusos a las desigualdades, a las
metas, a los coeficientes de la funcin objetivo y a los coeficientes de la matriz de
restricciones.
Los problemas de programacin lineal difusa de trabajan a travs de modelos, los
cuales buscan convertir el problema original en un modelo de optimizacin
paramtrica (Lpez et al, 2008).
7.1
REPRESENTACIN DE UN PROBLEMA DE OPTIMIZACIN CON
PROGRAMACIN LINEAL
max z ( x)
ci xi
i 1
Sujeto a :
n
a ji xi
bj
1,..., m
i 1
xi
Este modelo puede solucionarse utilizando las tcnicas tradicionales para resolver
problemas de programacin lineal. Sin embargo, para resolver problemas de
programacin lineales difusos se requiere primero plantear el modelo, luego
decidir el comportamiento de los elementos difusos (forma o tipo de nmero
difuso) y luego convertir el modelo en un modelo de optimizacin paramtrica.
108
7.2
Un modelo de programacin lineal difusa con meta difusa es aquel cuyo conjunto
meta es difuso, es decir, que admite que el valor de la funcin objetivo sea
ligeramente inferior a la meta mnima cuando se trata de un problema de
maximizacin, y anlogamente para el de minimizacin. El modelo
correspondiente se expresa de la siguiente manera (Vergara et al, 2006):
n
m~a x z ( x)
ci xi
i 1
Sujeto a :
n
a ji xi
bj
1,..., m
i 1
xi
X tal que z ( x* )
encontrar un punto factible que satisfaga esta condicin, por lo cual se permite que
la funcin objetivo pueda alcanzar valores menores a d o . Para esto se fija un valor
po , que representa lo mximo que se puede desfasar del valor de aspiracin, que
define el grado mnimo de cumplimiento o pertenencia al nivel de aspiracin
(Lpez, 2008).
Dadas estas consideraciones, cuando z ( x)
do
po el grado de cumplimiento es 0,
po
z ( x) d o el
d o z ( x)
. Esto
po
109
1
z
( z ( x))
do
z ( x)
po
si z ( x) d o
si d o
po
z ( x) d o
si z ( x)
po
Lpez (2008).
Este problema es equivalente al siguiente problema de optimizacin paramtrica
(Lpez, 2008):
max
Sujeto a :
n
ci xi
do
po (1
i 1
xi
x X,
0,1
, x* ) .
110
7.3
MODELO CON RESTRICCIONES DE DESIGUALDAD DIFUSAS O
FLEXIBLES
Un modelo de programacin lineal difusa en el que slo los coeficientes del lado
derecho de las restricciones ( bi ) son nmeros difusos se escribe de la siguiente
forma (Klir, 1995):
max z x
ci xi
i 1
Sujeto a :
n
a ji xi
~
b j , j 1,..., m
i 1
xi
0, i
Nn
Cuando las restricciones del tipo son flexibles o difusas, se supone que existe un
valor mximo permitido con el que se puede desfasar o violar al valor de
aspiracin ( b j ), este valor se denota como d j .
Estas consideraciones implican que se pueden definir restricciones difusas a
travs de funciones de pertenencia
j
: Rn
(0,1]
aij xi
cuando
i 1
aij xi
bj d j
i 1
n
aij xi b j
el grado de cumplimiento se encuentra entre 0 y 1 y est dado por 1
i 1
dj
111
h j ( x)
aij xi
i 1
1
j
(h j ( x))
si h j ( x) b j
h j ( x) b j
si b j
dj
h j ( x) b j
si h j ( x) b j
dj
dj
aij xi
Cuando
i 1
tanto,
el
grado
de
satisfactibilidad
es
mximo
(h j ( x)) 1 .
Cuando
aij xi
i 1
nulo
(h j ( x))
0.
112
,
(h j ( x)) mayor que un
entendido como un nivel de satisfaccin mnimo fijado a priori, de acuerdo con la
naturaleza del problema, y, lo que es fundamental, en interaccin con el decisor.
Por lo tanto si
para 0
(h j ( x))
a ij xi
1
i 1
dj
bj
aij xi
b j (1
)d j
i 1
max z ( x)
ci xi
i 1
Sujeto a :
n
a ji xi
b j d j (1
1,..., m
i 1
xi
x X,
0,1
n
a ji xi
Para el caso en que las restricciones del problema sean del tipo
b j , el
i 1
max z ( x)
ci xi
i 1
Sujeto a :
n
a ji xi b j d j (1
1,..., m
i 1
xi
x X,
0,1
restricciones de tipo
y
, un modelo paramtrico equivalente puede
representarse como se muestra a continuacin (Mula et al, 2010):
n
max z ( x)
ci xi
i 1
Sujeto a :
n
a ji xi
(1
)b j1
bj2
1,..., k
i 1
n
a ji xi
(1
)b j 3
bj2
k 1,..., m
i 1
xi
x X,
0,1
7.4
MODELO CON COEFICIENTES TECNOLGICOS DIFUSOS EN LAS
RESTRICCIONES
max z x
ci xi
i 1
114
Sujetoa :
n
a~ij xi
b j , j 1,..., m
i 1
xi
0, i
Nn
La matriz de coeficientes Aij tiene valores definidos en los intervalos aij , aij
El conjunto difuso de las j restricciones
2009):
( x)
x aij
d ij
0
aij
d ij
aij
x aij
d ij .
x
d ij
x aij
Para determinar el conjunto de valores entre los cuales estara la funcin objetivo
se calculan los lmites inferior z y superior z :
n
max z
ci xi
i 1
Sujetoa :
n
(aij
d ij ) xi
b j , j 1,..., m
i 1
xi
0, i
Nn
max z
ci xi
i 1
Sujetoa :
n
(aij ) xi
b j , j 1,..., m
i 1
xi
0, i
Nn
115
z
De esta forma, la funcin objetivo toma valores entre
aij aij d ij .
varan los coeficientes tecnolgicos entre
y
z
y
a medida que
( x)
z
z
0
cx
z
cx
cx
cx
(z
z )
ci xi
i 1
n
(aij d ij
d ij ) xi b j
i 1
xi ,
7.5
MODELO CON FUNCIN OBJETIVO (METAS) Y RESTRICCIONES
(DESIGUALDADES) DIFUSAS O FLEXIBLES
116
m~a x z ( x)
ci xi
i 1
Sujeto a :
n
a ji xi
~
bj
1,..., m
i 1
xi
ci xi
do
b j d j (1
po (1
i 1
n
a ji xi
1,..., m
i 1
xi
x X,
0,1
118
8.1
MODELO DIFUSO PARA LA PLANEACIN DE REQUERIMIENTOS DE
MATERIALES CON INCERTIDUMBRE EN LA DISPONIBILIDAD DE LA
CAPACIDAD DE FABRICACIN MODELO DCF
Min Z
H (i) Ei I i ,t C (i)
t 1
i 1
CO(k , t ) Ok ,t
i ,t
k 1
Sujeto a :
P
Ei I i ,t 1 xi ,t
LT ( i )
D(i, t )
R(i, j ) x j ,t Ei I i ,t
j 1
~
U (i, k ) xi ,t S (i, k )
i ,t
1 Ok ,t
i 1
Okt Fkt
xi ,t
i ,t LS (i )
119
0,1 xi ,t
i ,t
0, I i ,t
0 Ok ,t
i, k , t
a~ij xi
b j , j 1,..., m
.
Para estos casos se supone que los coeficientes U (i, k ) tienen valores definidos
i 1
en los intervalos U (i, k ),U (i, k ) di ,k , donde d i ,k es el valor mximo permitido con
el que se puede desfasar la fraccin del recurso K necesario para fabricar una
unidad del producto i.
Para solucionar el problema de manera simtrica, se determina el conjunto de
valores entre los cuales estara la funcin objetivo, por lo que se calculan los
limites inferior z con U (i, k ) y superior z con U (i, k ) di ,k como se muestra a
continuacin:
T
Min Z
H (i) Ei I i ,t C (i)
t 1
CO(k , t ) Ok ,t
i ,t
i 1
k 1
Sujeto a :
P
U (i, k ) di ,k
xi ,t S (i, k )
i ,t
1 Ok ,t
i 1
Dems restricciones
Min Z
H (i) Ei I i ,t C (i)
t 1
CO(k , t ) Ok ,t
i ,t
i 1
k 1
Sujeto a :
P
U (i, k ) xi ,t S (i, k )
i ,t
1 Ok ,t
i 1
Dems restricciones
120
1
restricciones de necesidad de capacidad de produccin, por lo cual c uando
0 no
se estan satisfaciendo completamente las restricciones del modelo, cuando
se est satisfaciendo las restricciones del modelo, y cuando 0
1 se estn
satisfaciendo las restricciones en cierto grado ( ) . Por lo tanto el modelo MRP con
Min Z
H (i) Ei I i ,t C (i)
t 1
CO(k , t ) Ok ,t
i ,t
i 1
k 1
Sujeto a :
P
Ei I i ,t 1 xi ,t
LT ( i )
D(i, t )
R(i, j ) x j ,t Ei I i ,t
j 1
U (i, k ) di ,k
d i ,k
xi ,t S (i, k )
Okt
Fkt
i ,t
1 Ok ,t
i 1
i ,t
i ,t
LS (i)
0,1 xi ,t
xi ,t
0, I i ,t
0 Ok ,t
i, k , t
Esto quiere decir que la solucin del problema (z) depender del ( ) elegido, y de
esta forma se obtiene una solucin concreta crisp. Cuando
satisfaciendo completamente las restricciones del modelo, cuando
satisfaciendo las restricciones del modelo, y cuando 0
satisfaciendo las restricciones en cierto grado ( ) .
se estan
se est
se
estn
1
0 no
121
8.2
MODELO DIFUSO PARA LA PLANEACIN DE REQUERIMIENTOS DE
MATERIALES CON INCERTIDUMBRE EN LA DISPONIBILIDAD DE
INVENTARIOS MODELO DDI.
~
Ei
I i ,t 1 I i ,t
xi ,t
R(i, j ) x j ,t
LT ( i )
D(i, t )
j 1
I i ,t
INVDEFi ,t
Min Z
i 1
CO(k , t ) Ok ,t
i ,t
k 1
Sujeto a :
122
~
Ei I i ,t 1 xi ,t
~
R(i, j ) x j ,t Ei I i ,t
LT ( i )
D(i, t )
j 1
~
Ei
INVDEFi ,t
I i ,t
U (i, k ) xi ,t S (i, k )
i ,t
1 Ok ,t
i 1
Okt
i ,t
0,1 xi ,t
i ,t
Fkt
LS (i)
0, I i ,t
xi ,t
0 Ok ,t
i, k , t
Ei ai (1
I i ,t
I i ,t
x i ,t
LT ( i ) (1
)*DES ( i )
R(i, j ) x j ,t
D(i, t )
R(i, j ) x j ,t
D(i, t )
j 1
P
Ei ai (1
I i ,t
I i ,t
x i ,t
LT ( i ) (1
)*DES ( i )
j 1
ai (1
I i ,t
INVDEFi ,t
Ei
ai (1
I i ,t
INVDEFi ,t
123
t 1
i 1
Min Z
CO(k , t ) Ok ,t
i ,t
k 1
Sujeto a :
P
Ei ai (1
I i ,t
I i ,t
x i ,t
LT ( i ) (1
)*DES ( i )
R(i, j ) x j ,t
D(i, t )
R(i, j ) x j ,t
D(i, t )
j 1
P
Ei ai (1
I i ,t
I i ,t
x i ,t
LT ( i ) (1
)*DES ( i )
j 1
Ei
ai (1
I i ,t
INVDEFi ,t
Ei
ai (1
I i ,t
INVDEFi ,t
U (i, k ) xi ,t S (i, k )
i ,t
1 Ok ,t
i 1
Okt
i ,t
i ,t
0,1
xi ,t
Fkt
LS (i)
0, I i ,t
xi ,t
0 Ok ,t
i, k , t
8.3
MODELO DIFUSO PARA LA PLANEACIN DE REQUERIMIENTOS DE
MATERIALES CON INCERTIDUMBRE EN LOS TIEMPOS DE ENTREGA
MODELO DTE.
124
tiempo
de
suministro
mnimo
para
Min Z
H (i) Ei I i ,t C (i)
t 1
CO(k , t ) Ok ,t
i ,t
i 1
k 1
Sujeto a :
P
Ei I i ,t
xi ,t
~
LT ( i )
D(i, t )
R(i, j ) x j ,t
Ei I i ,t
j 1
U (i, k ) xi ,t S (i, k )
i ,t
1 Ok ,t
i 1
Okt
i ,t
i ,t
0,1 xi ,t
LS (i)
0, I i ,t
Fkt
xi ,t
0 Ok ,t
i, k , t
125
MODELO DTE
T
Min Z
H (i) Ei I i ,t C (i)
t 1
CO(k , t ) Ok ,t
i ,t
i 1
k 1
Sujeto a :
P
E i I i ,t
x i ,t
LT ( i ) (1
)*DES ( i )
D(i, t )
R(i, j ) x j ,t
E i I i ,t
j 1
U (i, k ) xi ,t S (i, k )
1 Ok ,t
i ,t
i 1
Okt
i ,t
i ,t
Fkt
LS (i)
0,1 xi ,t
xi ,t
0, I i ,t
0 Ok ,t
i, k , t
8.4
MODELO DIFUSO PARA LA PLANEACIN DE REQUERIMIENTOS DE
MATERIALES CON INCERTIDUMBRE EN LOS TIEMPOS DE ENTREGA, EN
LA DISPONIBILIDAD DE LA CAPACIDAD DE FABRICACIN Y EN LA
DISPONIBILIDAD DE INVENTARIOS MODELO DCFDITE.
t 1
i 1
Min Z
CO(k , t ) Ok ,t
i ,t
k 1
126
Sujeto a :
~
Ei I i ,t
xi ,t
~
Ei I i ,t
R(i, j ) x j ,t
~
LT ( i )
D(i, t )
j 1
~
Ei
INVDEFi ,t
P
~
U (i, k ) xi ,t S (i, k )
I i ,t
i ,t
1 Ok ,t
i 1
Okt Fkt
xi ,t
i ,t LS (i )
0,1 xi ,t
i ,t
0, I i ,t
0 Ok ,t
i, k , t
Para este modelo los coeficientes U (i, k ) tienen valores definidos en los intervalos
U (i, k ),U (i, k ) di ,k , donde d i ,k es el valor mximo permitido con el que se puede
desfasar la fraccin del recurso K necesario para fabricar una unidad del producto
i. La falta de incertidumbre en la exactitud de inventario del producto i se define
~
con un nmero difuso triangular simtrico Ei
Ei ai , Ei , Ei ai , y los tiempos de
entrega se expresan por medio de una funcin de pertenencia donde existe un
valor mximo permitido con el que se puede desfasar o violar al valor de
aspiracin LT (i) , el cual se denota como DES (i) .
Teniendo en cuenta estas consideraciones, puede plantearse el siguiente modelo
matemtico equivalente al modelo difuso para sistemas MRP teniendo en cuenta
incertidumbre en los tiempos de entrega, en la disponibilidad de la capacidad de
fabricacin y en la disponibilidad de inventarios (Modelo DCFDITE).
MODELO DCFDITE
T
t 1
i 1
Min Z
CO(k , t ) Ok ,t
i ,t
k 1
Sujeto a :
P
Ei
ai (1
I i ,t
I i ,t
x i ,t
LT ( i ) (1
R(i, j ) x j ,t
)* DES ( i )
D(i, t )
j 1
P
Ei ai (1
I i ,t
I i ,t
x i ,t
LT ( i ) (1
R(i, j ) x j ,t
)*DES ( i )
D(i, t )
j 1
127
Ei
ai (1
I i ,t
INVDEFi ,t
Ei
ai (1
I i ,t
INVDEFi ,t
U (i, k ) di ,k
d i ,k
xi ,t S (i, k )
Okt
Fkt
i ,t
1 Ok ,t
i 1
i ,t
i ,t
LS (i)
0,1 xi ,t
xi ,t
0, I i ,t
0 Ok ,t
i, k , t
128
129
El sector de la energa elctrica est compuesto por tres subsectores que son la
cadena de valor del sector elctrico, bienes conexos y servicios conexos
(McKinsey & Company, 2009).
Cadena de Valor. La cadena productiva del sector elctrico se compone de cuatro
eslabones (Vera, 2010):
Generacin. Produccin de energa a partir de fuentes primarias, conforman el
mercado mayorista de energa compitiendo por ofertas de corto plazo en la
Bolsa de Energa y por contratos con comercializadores y grandes clientes. Ej:
Plantas de Generacin. A 31 de diciembre de 2008 , Colombia alcanz los
8,994 MW, de los cuales el 82.39% est concentrado en cuatro empresas
generadoras (Proexport, 2009).
Transmisin. Transporte de energa a niveles de tensin superiores a 220 kV, y
tienen un ingreso regulado. Generalmente se presenta un monopolio natural.
Ej: Lneas de alto voltaje, Subestaciones.
Distribucin. Transporte de energa a niveles de tensin inferiores a 220 kV,
donde tambin se presenta un monopolio natural. Redes de media y baja
tensin.
Comercializacin. Compra de energa en el mercado mayorista y venta al detal
a usuarios y gestin del ciclo comercial de los clientes. Este es el ltimo
eslabn que entrega energa elctrica a los clientes y consumidores finales.
Servicios conexos. Conforman todos los servicios necesarios para garantizar el
funcionamiento del sector elctrico. Entre estos se puede nombrar servicios de
diseo, compras y contruccin, operacin y mantenimiento, administracin y
auditora de energa (McKinsey & Company, 2009).
Bienes conexos. Conforman todos los productos materiales necesarios para
garantizar el funcionamiento del sector elctrico. Entre estos se puede nombrar
bienes como turbinas, transformadores de distribucin, torres y estructuras,
cables, tableros de control, aisladores, cables, polos a tierra, transformadores de
potencia, entre otros. Los bienes conexos se pueden dividir en tres grupos de
productos, dependiendo de su valor agregado en productos de alto valor
agregado, bajo valor agregado y partes para nichos tal como lo muestra la Tabla
9.1.
130
Tabla 9.1. Grupos en los que se dividen los bienes conexos del sector energtico.
Grupo de Productos
Alto valor agregado
Partes
Ejemplos
Generadores y turbinas
Trans formadores de alto voltaje
Cables de Corriente Directa
Factor de Competencia
Valor agregado
Precio
Servicio / red de distribucin
Capit al
I+D+i (Innovacin)
Precio
Calidad
Red de distribucin
Elementos de Aislamiento
Precio
Calidad
Red de distribucin
Productores de alto valor
agregado cuentan con 2 3
proveedores
131
18%
Cables
Transformadores
18%
Sistemas de
Potencia
15%
Interruptores /
Sistemas de
Proteccin
12%
Otros
132
134
Tabla 9.2. Informacin de entrada de cada componente para los modelos MRP
SKU
SKU1
SKU2
SKU3
SKU4
SKU5
SKU6
SKU7
SKU8
SKU9
CxP
1
27
2
4
2
2
2
1.18
3
U.M
UN
LTS
UN
UN
UN
UN
UN
MTS
UN
TI
PT
MP
MP
MP
MP
MP
MP
MP
MP
Niv
0
1
1
1
1
1
1
1
1
CT
CT1
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
LT
4
14
1
1
1
1
1
1
5
LS
I.I
E
1
175 0.96
13000 9000 0.99
1
660 0.89
1
1320 0.86
1
660 0.97
1
660 0.92
1
660 0.98
1
300 0.97
1
990 0.85
H
120
146
3
3
3
3
3
5
5
C
5000
20000
5000
5000
5000
5000
5000
5000
15000
A
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
DES
2
6
1
1
1
1
1
1
2
135
SKU10
SKU11
SKU12
SKU13
SKU14
SKU15
SKU16
SKU17
SKU18
SKU19
SKU20
SKU21
SKU22
SKU23
SKU24
SKU25
SKU26
SKU27
SKU28
SKU29
SKU30
SKU31
SKU32
SKU33
SKU34
SKU35
SKU36
SKU37
SKU38
SKU39
SKU40
SKU41
SKU42
SKU43
SKU44
SKU45
SKU46
SKU47
SKU48
SKU49
1
2
1
1
1
2
3
2
2
2
2
2
1
0.001
0.002
1
0.4
0.072
1
2
6
2
1
0.025
0.004
2
2
2
0.1
2
0.25
2
1
0.297
3
2.61
3.4
0.53
0.22
0.033
UN
UN
UN
UN
UN
UN
UN
UN
PAR
UN
UN
UN
UN
KG
KG
UN
KG
KG
UN
UN
UN
UN
UN
KG
KG
UN
UN
UN
KG
UN
MTS
KG
UN
KG
UN
KG
KG
KG
KG
KG
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
PP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
PP
MP
MP
MP
MP
MP
MP
MP
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
CT2
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
CT4
N/A
N/A
N/A
N/A
N/A
N/A
N/A
1
1
1
1
1
1
1
1
5
1
1
5
1
1
1
3
1
1
1
1
1
1
5
1
1
1
1
1
1
1
1
1
1
13
1
5
5
12
10
13
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
50
1
1
1
1
1
1
1
1
1
1
1
1
1
1
330
660
330
100
800
660
990
650
400
380
580
830
350
50
20
380
180
150
400
400
3000
1000
480
50
20
1000
800
900
50
800
100
750
950
740
1400
1000
1600
550
150
20
0.91
0.91
0.96
0.87
0.97
0.98
0.93
0.92
0.97
0.91
0.92
0.95
0.88
0.98
0.92
0.85
0.98
0.90
0.94
0.97
0.87
0.86
0.90
0.85
0.88
0.89
0.98
0.91
0.86
0.98
0.93
0.94
0.95
0.86
0.94
0.91
0.87
0.96
0.91
0.97
7
7
10
20
15
20
5
5
20
3
3
146
8
9
15
120
146
146
15
15
15
3
50
30
30
7
3
10
10
20
5
146
120
146
15
146
146
18
18
146
5000
5000
5000
5000
5000
5000
5000
5000
15000
5000
5000
15000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
15000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
20000
5000
20000
20000
20000
20000
20000
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
1
1
1
1
1
1
1
1
2
1
1
2
1
1
1
2
1
1
1
1
1
1
2
1
1
1
1
1
1
1
1
1
1
6
0
2
2
5
4
6
136
SKU50
1
SKU51
2
SKU52 0.1
SKU53
29
SKU54
1
SKU55
1
SKU56
1
SKU57
1
SKU58
1
SKU59
2
SKU60
1
SKU61
1
SKU62
1
SKU63
2
SKU64 0.4
SKU65
1
SKU66 0.65
SKU67
2
SKU68
4
SKU69 0.5
SKU70 0.86
SKU71
2
SKU72
1
SKU73 12.75
JUEG
UN
KG
KG
UN
UN
UN
UN
UN
UN
UN
UN
UN
UN
KG
UN
KG
UN
UN
UN
KG
UN
PAR
KG
PP
MP
MP
MP
PP
MP
MP
MP
MP
MP
MP
MP
MP
MP
MP
PP
MP
MP
MP
MP
MP
MP
MP
MP
3
4
4
4
1
3
3
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
CT5
N/A
N/A
N/A
CT3
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
CT6
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
2
1
1
15
3
1
1
1
1
1
1
1
1
1
5
2
1
1
1
1
1
5
5
5
1
1
1
4000
1
30
30
30
30
30
30
30
30
30
1
1
1
50
1
1
400
1
1
1
300
495
150
4500
420
610
500
750
500
800
400
500
450
800
280
500
235
890
2500
200
300
850
770
5000
0.88
0.87
0.99
0.94
0.87
0.98
0.91
0.91
0.88
0.88
0.90
0.95
0.85
0.99
0.89
0.96
0.86
0.92
0.85
0.89
0.99
0.96
0.85
0.95
120
10
10
146
12
5
5
5
5
5
5
5
5
5
90
120
30
7
7
13
146
20
20
146
5000
5000
5000
20000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
15000
5000
5000
5000
5000
5000
5000
15000
15000
15000
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
1
1
1
6
2
1
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
2
2
2
137
Tabla 9.3. Informacin relacionada con los recursos para los modelos MRP
SKU
SKU 1
SKU 25
SKU 54
SKU 42
SKU 50
SKU 65
CT
CT1
CT2
CT3
CT4
CT5
CT6
U
0.013
0.013
0.008
0.012
0.017
0.011
ADI
0.0026
0.0026
0.0016
0.0024
0.0034
0.0022
S
0.026
0.026
0.016
0.024
0.034
0.022
2
1
0.3
0.3
0.3
0.3
0.3
0.3
3
7
0.3
0.3
0.3
0.3
0.3
0.3
4
12
0.3
0.3
0.3
0.3
0.3
0.3
5
15
0.3
0.3
0.3
0.3
0.3
0.3
6
10
0.3
0.3
0.3
0.3
0.3
0.3
7
11
0.3
0.3
0.3
0.3
0.3
0.3
DIA
8
2
0.3
0.3
0.3
0.3
0.3
0.3
9
1
0.3
0.3
0.3
0.3
0.3
0.3
10
14
0.3
0.3
0.3
0.3
0.3
0.3
11
25
0.4
0.4
0.4
0.4
0.4
0.4
12
9
0.4
0.4
0.4
0.4
0.4
0.4
13
32
0.4
0.4
0.4
0.4
0.4
0.4
14
27
0.4
0.4
0.4
0.4
0.4
0.4
15
3
0.4
0.4
0.4
0.4
0.4
0.4
22
22
0.5
0.5
0.5
0.5
0.5
0.5
DIA
23
5
0.5
0.5
0.5
0.5
0.5
0.5
24
15
0.5
0.5
0.5
0.5
0.5
0.5
25
60
0.5
0.5
0.5
0.5
0.5
0.5
26
15
0.5
0.5
0.5
0.5
0.5
0.5
27
31
0.5
0.5
0.5
0.5
0.5
0.5
28
30
0.5
0.5
0.5
0.5
0.5
0.5
29
17
0.5
0.5
0.5
0.5
0.5
0.5
30
26
0.5
0.5
0.5
0.5
0.5
0.5
DDA SKU1
CT1
CT2
CT3
F
CT4
CT5
CT6
16
27
0.4
0.4
0.4
0.4
0.4
0.4
17
18
0.4
0.4
0.4
0.4
0.4
0.4
18
2
0.4
0.4
0.4
0.4
0.4
0.4
19
21
0.4
0.4
0.4
0.4
0.4
0.4
20
18
0.5
0.5
0.5
0.5
0.5
0.5
21
19
0.5
0.5
0.5
0.5
0.5
0.5
138
139
9.3
OBTENCIN DE RESULTADOS
Para probar los datos de entrada presentados en la seccin 9.1 en los modelos
propuestos (DET, DCF, DDI, DTE y DCFDITE) es necesario utilizar un programa
de cmputo experto en programacin matemtica. En el mercado existen varias
opciones dentro de las cuales las mas tradicionales y utilizadas son GAMS
(General Algebraic Modeling System), AMPL (Modeling Language for
Mathematical Programming), ILOG (IBM ILOG CPLEX Optimizer), LINGO, LINDO,
AIMMS (Mathematical Programming Software for Optimization), entre otros.
Para probar los modelos propuestos se utiliza el programa GAMS, ya que es tanto
un lenguaje de modelizacin como tambien un programa para resolver problemas
de optimizacin. La ventaja que presenta GAMS, es que junto al mdulo de
modelizacin (base) incorpora diferentes solver (algoritmos de resolucin de
problemas) tanto de programacin no lineal, como lineal y entera. Otra de las
ventajas es tambin la capacidad de resolver diferentes versiones de un mismo
modelo, tanto como problema no lineal, lineal y entero, y el poder usar diferentes
solver. La Tabla 9.5 presenta algunos de los solvers que se pueden utilizar para
resolver modelos en GAMS.
140
Tabla 9.5. Algunos solvers que se pueden utilizar para resolver modelos en
GAMS.
Problemas
NLP (Nonlinear Programming)
LP (Linear Programming)
MIP (Mixed Integer Programming)
MINLP (Mixed integer nonlinear programming)
Solver
CONOP T, MINOS, etc
OSL, CPLE X, MINOS, BDMLP, XA, etc
OSL, ZOOM, CPLE X, XA; etc
DICOP T
73.297.679
236
7089
Nivel de Servicio
1,00
Ejecucion (Seg)
10,3
Iteraciones
Terminacin (Min)
Uso de recursos
939.352
16,85
1000,2
Inventario
Promedio
(Uds)
Suma de
Inventario
(Uds)
Nivel de
Servicio
Ejecucin
(Seg)
Iteraciones
Terminacin
(Min)
Uso de
recursos
73.678.148
234
7024
1,00
9,8
799.510
16,85
1000,1
0,1
73.625.202
234
7032
1,00
5,2
2.044.181
16,77
1000,2
0,2
73.571.649
235
7039
1,00
11,5
2.279.568
16,87
1000,2
0,3
73.515.748
235
7047
1,00
8,6
2.744.331
16,82
1000,1
0,4
73.483.632
235
7054
1,00
5,7
915.573
16,78
1000,8
0,5
73.455.320
235
7060
1,00
21,6
2.905.503
17,13
1001,8
0,6
73.425.338
236
7065
1,00
12,9
959.193
16,93
1002,2
0,7
73.394.205
236
7071
1,00
5,6
3.108.151
16,77
1000,1
0,8
73.363.322
236
7077
1,00
8,2
2.839.836
16,80
1000,1
0,9
73.331.645
236
7083
1,00
12,5
1.049.056
16,88
1000,2
73.296.870
236
7089
1,00
5,3
980.074
16,77
1000,7
Figura 9.3. Costos totales e inventario final obtenidos con el modelo DCF
Inv. Total
73.700.000
7100
73.650.000
7090
73.600.000
7080
73.550.000
7070
73.500.000
7060
73.450.000
7050
73.400.000
73.350.000
7040
73.300.000
7030
73.250.000
7020
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
(Grado de Satisfaccin)
142
Figura 9.4. Superficie de respuesta del modelo DCF para nivel de servicio e
inventario promedio
250
200
150
100
50
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
66.317.042
Inventario
Promedio
(Uds)
139
0,1
67.955.166
139
4018
0,97
8,3
11.420
0,38
15,0
0,2
69.598.029
138
4016
0,97
10,3
345.744
16,85
1001,0
0,3
71.238.632
138
4013
0,98
5,0
13.437
0,53
20,1
0,4
72.902.557
138
4010
0,98
7,5
12.043
0,43
19,0
0,5
74.561.349
138
4008
0,99
8,8
27.231
0,92
39,2
0,6
76.230.115
138
4005
0,99
9,5
764.696
16,83
1000,4
0,7
77.899.651
138
4002
1,00
11,5
327.222
16,00
1000,9
0,8
79.572.623
138
3999
1,00
10,6
1.264.426
16,85
1000,5
0,9
81.258.133
138
3996
1,00
11,5
438.581
16,87
1000,9
73.294.502
236
7089
1,00
16,2
2.347.216
16,95
1000,2
Costo
Total
Suma de
Inventario
(Uds)
4021
Nivel de
Servicio
Ejecucion
(Seg)
Iteraciones
Terminacin
(Min)
Uso de
recursos
0,96
4,8
15.526
0,53
18,5
Inv. Total
85.000.000
8000
7500
80.000.000
7000
6500
75.000.000
6000
5500
70.000.000
5000
4500
65.000.000
4000
3500
60.000.000
3000
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
(Grado de Satisfaccin)
144
Figura 9.6 Superficie de respuesta del modelo DDI para nivel de servicio e
inventario promedio
250
200
150
100
50
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
145
9.3.4 Modelo DTE. El modelo difuso de MRP con incertidumbre en los tiempos
de entrga propuesto se soluciona a travs de programacin entera mixta (MIP
Mixed Integer Programming) en GAMS. En este caso se obtienen diferentes
resultados de acuerdo con el elegido por el tomador de decisiones. Para fines
prcticos, se realizaron pruebas con tomando valores de
iguales a 0.1, 0.2, 0.3,
0.4, 0.5, 0.6, 0.7, 0.8, 0.9 y 1.0. De acuerdo con esto se obtuvo los resultados que
se muestran en la Tabla 9.9.
Tabla 9.9. Resultados obtenidos con el modelo DTE
Costo
Total
Inventario
Promedio
(Uds)
Suma de
Inventario
(Uds)
Nivel de
Servicio
Ejecucin
(Seg)
Iteraciones
Terminacin
(Min)
Uso de
recursos
77.032.971
200
6007
1,00
8,3
2.697.035
16,80
1000,1
0,1
77.034.110
200
6007
1,00
10,6
1.120.140
16,85
1000,3
0,2
77.030.613
200
6007
1,00
10,0
2.605.488
16,85
1000,1
0,3
77.030.463
200
6007
1,00
5,1
2.577.649
16,77
1000,2
0,4
77.031.478
200
6007
1,00
8,0
2.500.531
16,80
1000,1
0,5
75.412.366
216
6492
1,00
11,6
1.076.832
16,87
1000,3
0,6
75.412.020
216
6492
1,00
12,5
2.796.167
16,88
1000,2
0,7
75.412.326
216
6492
1,00
5,3
2.859.120
16,77
1000,1
0,8
75.412.337
216
6492
1,00
8,0
2.637.931
16,80
1000,1
0,9
75.412.247
216
6492
1,00
11,6
1.221.208
16,87
1000,2
73.296.810
236
7089
1,00
10,3
915.260
16,85
1000,1
146
Figura 9.7. Costos totales e inventario total obtenidos con el modelo DTE
Inv. Total
77.500.000
7200
77.000.000
7000
76.500.000
6800
76.000.000
75.500.000
6600
75.000.000
6400
74.500.000
6200
74.000.000
73.500.000
6000
73.000.000
5800
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
(Grado de Satisfaccin)
Figura 9.8. Superficie de respuesta del modelo DTE para nivel de servicio e
inventario promedio
250
200
150
100
50
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
147
Para este modelo especfico, se observa un salto en los costos totales cuando se
pasa de tener un valor
0.4 a un valor
0.5 . La explicacin es que para el
modelo matemtico difuso, los tiempos de entrega deben ser nmero enteros, por
lo cual a travs de GAMS se indica en el cdigo del modelo que los valores de
) * DES (i ) debe dar un
tiempo de entrega calculados como LT (i ) (1
entero. El nmero entero a tomar es el entero prximo mayor. Como ejemplo se
muestra en la Tabla 9.10 el clculo del tiempo de entrega para un producto cuyo
tiempo de entrega estipulado es de 5 das, y donde el valor mximo de desface
superior de dicho tiempo de entrega es de 2 das.
Tabla 9.10. Ejemplo de clculo de tiempo de entrega para el modelo DTE
LT
DES
7,0
LT
Modelo
7
0,1
6,8
0,2
6,6
0,3
6,4
0,4
6,2
0,5
6,0
0,6
5,8
0,7
5,6
0,8
5,4
0,9
5,2
5,0
LT + (1 -
)*DES
Inventario
Promedio
(Uds)
Suma de
Inventario
(Uds)
Nivel
de
Servicio
Ejecucion
(Seg)
Iteraciones
Terminacin
(Min)
Uso de
recursos
65.491.711
123
3579
0,97
5,3
19.790
0,72
38,0
0,1
67.100.179
123
3571
0,97
7,8
14.244
0,42
17,5
0,2
68.714.638
123
3562
0,98
5,0
19.976
0,55
27,9
0,3
70.341.062
123
3553
0,98
7,5
16.732
0,42
25,8
0,4
71.962.024
122
3544
0,99
5,3
14.399
0,55
19,8
0,5
74.073.108
128
3718
0,99
17,7
15.677
0,67
21,0
0,6
75.725.641
128
3711
1,00
4,9
17.545
0,75
22,0
0,7
77.383.063
128
3703
1,00
8,0
963.660
16,80
1000,3
0,8
79.040.151
127
3695
1,00
5,0
79.556
0,82
87,2
0,9
80.717.204
127
3688
1,00
5,1
194.533
3,48
22,3
73.294.750
236
7089
1,00
10,8
2.477.051
16,85
1000,2
149
Figura 9.9. Costos totales e inventario total obtenidos con el modelo DCFDITE
Inv. Total
85.000.000
8000
7500
7000
6500
6000
5500
5000
4500
4000
3500
3000
80.000.000
75.000.000
70.000.000
65.000.000
60.000.000
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
(Grado de Satisfaccin)
Figura 9.10. Superficie de respuesta del modelo DCFDITE para nivel de servicio e
inventario promedio
250
200
150
100
50
0
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
150
Tambien se puede observar como a medida que reduce el nivel de satisfaccin del
tomador de decisiones disminuye el nivel de servicio. Este dato es importante para
el tomador de decisiones, quien debe tener en cuenta para este modelo que
obtener menores costos totales implica una me nor satisfaccin de restricciones de
inventario y capacidad, y un menor nivel de servicio.
Igualmente, se puede observar que la forma de las grficas presentadas para el
modelo DCFDITE y del modelo DDI son muy similares, por lo cual se puede
comentar que el parmetro difuso de disponibilidad de inventario es aquel que
tiene ms influencia sobre el modelo que incluye incertidumbre en la disponibilidad
de capacidad, disponibilidad de inventario y tiempos de entrega.
9.4.1 Costo total. La calificacin de los modelos basados en costos totales del
plan de produccin se presenta en la Tabla 9.12.
Se puede observar que el modelo que involucra incertidumbre en capacidad de
fabricacin, disponibilidad de inventario y tiempos de entrega con un grado de
satisfaccin bajo (DCFDITE3) para el tomador de decisiones es aquel que
presenta menores costos totales para el plan de produccin. Comparado con el
modelo determinista, presenta un ahorro en costos totales igual a 2.956.617.
151
Modelo
Costo Total
DCFDITE3
70.341.062
DDI3
71.238.632
DET
73.297.679
DCF7
73.394.205
DCF3
73.515.748
DTE7
75.412.326
DTE3
77.030.463
DCFDITE7
77.383.063
DDI7
77.899.651
Figura 9.11. Anlisis de resutlados basado en costo total para modelos propuestos
Costo Total
80.000.000
78.000.000
76.000.000
74.000.000
72.000.000
70.000.000
68.000.000
66.000.000
DCFDITE3
DDI3
DET
DCF7
DCF3
DTE7
DTE3
DCFDITE7
DDI7
152
Modelo
Inventario Promedio
DCFDITE3
123
DCFDITE7
128
DDI7
138
DDI3
138
DTE3
200
DTE7
216
DCF3
235
DCF7
236
DET
236
Inventario Promedio
250
200
150
100
50
0
DCFDITE3 DCFDITE7
DDI7
DDI3
DTE3
DTE7
DCF3
DCF7
DET
153
Modelo
Nivel de Servicio
DCFDITE7
1,00
DET
1,00
DCF7
1,00
DCF3
1,00
DTE7
1,00
DTE3
1,00
DDI7
1,00
DCFDITE3
0,98
DDI3
0,98
Se puede observar que todos los modelos a excepcin del modelo DCFDITE3 y
DDI3 presentan un nivel de servicio igual a 1 100%, lo cual significa que se logra
satisfacer completamente la demanda del producto final a lo largo del horizonte de
planeacin. Para los modelos DCFDITE3 y DDI3 se obtiene un nivel de servicio
igual a 0.98 98%, lo cual es una cifra igualmente satisfactoria.
154
Nivel de Servicio
1,01
1,00
1,00
0,99
0,99
0,98
0,98
0,97
0,97
DCFDITE7
DET
DCF7
DCF3
DTE7
DTE3
DDI7
DCFDITE3
DDI3
Para esta medida entonces se puede observar que no existen diferencias muy
grandes entre los modelos comparados.
155
Modelo
DDI3
DCFDITE3
7,47
16.732
0,42
25,81
DTE3
5,14
2.577.649
16,77
1.000,17
DTE7
5,31
2.859.120
16,77
1.000,14
DCF7
5,60
3.108.151
16,77
1.000,10
DCFDITE7
7,97
963.660
16,80
1.000,34
DCF3
8,60
2.744.331
16,82
1.000,10
DDI7
11,45
327.222
16,00
1.000,94
DET
10,27
939.352
16,85
1.000,20
Modelo
1 DDI3
Calificacin
5
2 DCFDITE3
10
3 DTE3
17
3 DTE7
19
4 DCF7
20
5 DCFDITE7
23
5 DCF3
23
5 DDI7
23
6 DET
25
156
Complejidad Computacional
30
25
20
15
10
DDI3
DCFDITE3
DTE3
DTE7
DCF7
DCFDITE7
DCF3
DDI7
DET
157
Modelo
Calificacin
1 DCFDITE3
2 DDI3
3 DTE3
16
4 DTE7
17
5 DCFDITE7
17
6 DCF7
18
7 DCF3
19
8 DDI7
19
9 DET
22
Resultado Total
25
20
15
10
0
DCFDITE3
DDI3
DTE3
DTE7
DCFDITE7
DCF7
DCF3
DDI7
DET
158
10.1
CONCLUSIONES
que este tipo de programas permite el enlace con otros software mas comunes
para el manejo de la informacin como es el Excel. Esto permite que los modelos
planteados puedan aplicarse a casos reales tales como se realiz en esta tesis
con una empresa del sector elctrico colombiano.
Esta tesis presenta ocho captulos estructurales (captulo 2 al captulo 9) que de
forma estructurada permitieron alcanzar el propsito de probar modelos difusos de
sistemas MRP con incertidumbre en capacidad de fabricacin, disponibilidad de
inventarios y tiempos de entrega.
En el captulo 2 se realiz un estudio de los diferentes sistemas de planeacin de
produccin identificando el alcance y utilidad de cada uno, en especial el sistema
MRP haciendo nfasis en el papel fundamental de traducir requerimientos y
necesidades de productos terminados en necesidades y requerimientos de
componentes incluyendo cantidades y fechas.
En el captulo 3 se profundiz sobre la estructura de sistemas MRP, elementos
bsicos a tener en cuenta, lgica de funcionamiento, oportunidades de mejora y
desventajas actuales, factores crticos que pemitieron identificar los parmetros a
tratar con incertidumbre en los modelos propuestos.
En el capitulo 4 se estudiaron los modelos matemticos para sistemas MRP
propuestos por diversos autores estudiosos del tema, haciendo nfasis en los
parmetros, coeficientes, variables, funcin objetivo y restricciones que se tenan
en cuenta para finalmente realizar la propuesta del modelo del sistema MRP
determinista a trabajar, llamado modelo DET, para luego incorporarle parmetros
difusos y construir los modelos difusos propuestos.
En el captulo 5 se investig sobre el manejo de la incertidumbre que varios
autores han realizado sobre sistemas de planeacin de la produccin y sistemas
MRP, donde se encontr que ltimamente existe una gran tendencia al estudio de
la incertidumbre en estos sistemas por medio de la teora de conjuntos difusos.
En el captulo 6 se profundiz en el estudio de la teora de conjuntos difusos,
estudiando conceptos, definiciones, operaciones, funciones de pertenencia,
medidas difusas y concretas que permiten crean un fundamento para elaborar
posteriormente modelos de programacin matemtica difusa.
160
161
10.2
RECOMENDACIONES
162
BIBLIOGRAFIA
163
Bayrak, M. Y. Celebi, N.C, Taskin, H.X. (2007). A fuzzy approach method for
supplier selection. Production Planning & Control, Vol. 18, No. 1, 5463.
Bjork, K.M. Carlsson, C. (2007). The effect of flexible lead times on a paper
producer. Int. J. Production Economics 107, 139150.
Casasus, T. Mocholi, M. Sanchis, V. Sala, R. (1997). Optimizacin econmica con
GAMS. V Jornadas de Asepuma, Malaga, 10 y 11 de Octubre.
Changa, S.L. Wang, R.C Wanga, S.Y. (2006). Applying fuzzy linguistic quantifier
to select supply chain partners at different phases of product life cycle. Int. J.
Production Economics 100, 348359.
Chase, R. Jacobs, F. Aquilano, N. (2009). Administracin de la produccin y
operaciones, Ed. 12, Mac Graw Hill.
Chauhan, S. Dolgui, A. Proth, J.M. (2009). A continuous model for supply planning
of assembly systems with stochastic component procurement times. Int. J.
Production Economics 120, 411417.
Chen, K. Ji, P. A . (2007). A mixed integer programming model for advanced
planning and scheduling (APS), European Journal of Operational Research 181,
515522.
Chih-Ting Du, T. Wolfe, P.M. (2000). Building an active material requirements
planning system, International Journal of Production Research, vol. 38, no. 2, 241
252.
Choobineh, F. Mohebbi, E. (2004). Material planning for production kits under
uncertainty. Production Planning & Control, Vol. 15, No. 1, 6370.
Colvin, M. Maravelias, C.T. (2010). Modeling methods and a branch and cut
algorithm for pharmaceutical clinical trial planning using stochastic programming.
European Journal of Operational Research 203, 205215.
Correa, J. (2004). Aproximaciones metodolgicas para la toma de decisiones,
apoyadas en modelos difusos. Tesis presentada para optar al grado de Magster
en Ingeniera de Sistemas. Universidad Nacional de Colombia.
164
165
166
Lai, Y.J. Hwang, C.L. (1992). A new approach to some possibilistic linear
programming problems, Fuzzy Sets and Systems 49, 121133.
Li, T. Lin, P. Sun, G. Liu, H. (2009). Application of Fuzzy Programming with
Recourse in Material Requirement Planning Problem. International Conference on
Measuring Technology and Mechatronics Automation.
Lpez, H.A. Restrepo, M. (2008). Programacin lineal flexible con restricciones
difusas. Revista ingeniera e investigacin. Vol. 28 No.1, pp 162-168.
Louly, M.A. Dolgui, A. (2010). A note on analytic calculation of planned lead times
for assembly systems under POQ policy and service level constraint Int. J.
Production Economics, Accepted manuscript.
Louly, M.A. Dolgui, A. Hnaien, F. (2008). Supply planning for single-level assembly
system with stochastic component delivery times and service-level constraint. Int.
J. Production Economics 115, 236 247.
Louly, M.A.O, Dolgui, A. (2009). Calculating safety stocks for assembly systems
with random component procurement lead times: A branch and bound algorithm.
European Journal of Operational Research 199, 723731.
Mahata, G.C. Goswami, A. (2009). An EOQ Model with Fuzzy Lead Time, Fuzzy
Demand and Fuzzy Cost coefficients. International Journal of Engineering and
Applied Sciences 5:5.
McKinsey & Company. (2009). Desarrollando sectores de clase mundial en
Colombia - Informe Final Sector Energa Elctrica, Bienes y Servicios Conexos,
Ministerio de Comercio, Industria y Turismo, Repblica de Colombia.
Maiti, M.K, Maiti, M. (2007). Two-storage inventory model with lot-size dependent
fuzzy lead-time under possibility constraints via genetic algorithm. European
Journal of Operational Research 179, 352371.
Medina, S. Manco, O.W. (2007). Diseo de un sistema experto difuso: Evaluacin
de riesgo crediticio en firmas comisionistas de bolsa para el otorgamiento de
recursos financieros. Estudios gerenciales, Julio Septiembre, Vol. 23, nmero
104.
167
168
Pai, P.F. Chang, P.T. Wang, S.S. Lin, K.P. (2004). A fuzzy logic-based approach in
capacity-planning problems. International Journal of Advanced Manufacture
Technology, 23: 806811.
Paksoy, T. Pehlivan, N.Y. Ozceylan, E. (2010). Application of Fuzzy mathematical
programming approach to the aggregate production/distribution planning in a
supply chain network problem. Scientific Research and Essays Vol. 5(22), pp.
3384-3397.
Pedrycz, W. Camargo H. (2003). Fuzzy Timed Petri Nets. FSS 140: 301-330.
Persona, A. Batti ni, D. Manzini, R. Pares, A. (2007). Optimal safety stock levels of
subassemblies and manufacturing components. Int. J. Production Economics 110,
147159.
169
171
172
ANEXO 1
En el presente anexo se incluyen los datos de entrada en lenguaje GAMS, con los
cuales se alimentaron cada uno de los modelos propuestos. Igualmente se
presentan los cdigos en GAMS para cada uno de los modelos propuestos.
DATOS DE ENTRADA
SKU65
27
2
4
2
2
2
1.18
3
1
2
1
1
1
2
3
173
SKU17
SKU18
SKU19
SKU20
SKU21
SKU22
SKU23
SKU24
SKU25
SKU26
SKU27
SKU28
SKU29
SKU30
SKU31
SKU32
SKU33
SKU34
SKU35
SKU36
SKU37
SKU38
SKU39
SKU40
SKU41
SKU42
SKU43
SKU44
SKU45
SKU46
SKU47
SKU48
SKU49
SKU50
SKU51
SKU52
SKU53
SKU54
SKU55
2
2
2
2
2
1
0.001
0.002
1
0.4
0.072
1
2
6
2
1
0.025
0.004
2
2
2
0.1
2
0.25
2
1
0.297
3
2.61
3.4
0.53
0.22
0.033
1
2
0.1
29
1
1
174
SKU56
SKU57
SKU58
SKU59
SKU60
SKU61
SKU62
SKU63
SKU64
SKU65
SKU66
SKU67
SKU68
SKU69
SKU70
SKU71
SKU72
SKU73
;
1
1
1
2
1
1
1
2
0.40
1
0.65
2
4
0.5
0.86
2
1
12.75
175
TABLE SKUdata
LT
LS
I
E
A
SKU1
4
1
175
0.96
SKU2
14
13000 9000
0.99
SKU3
1
1
660
0.89
SKU4
1
1
1320
0.86
SKU5
1
1
660
0.97
SKU6
1
1
660
0.92
SKU7
1
1
660
0.98
SKU8
1
1
300
0.97
SKU9
5
1
990
0.85
SKU10
1
1
330
0.91
SKU11
1
1
660
0.91
SKU12
1
1
330
0.96
SKU13
1
1
100
0.87
SKU14
1
1
800
0.97
SKU15
1
1
660
0.98
SKU16
1
1
990
0.93
SKU17
1
1
650
0.92
SKU18
5
1
400
0.97
SKU19
1
1
380
0.91
SKU20
1
1
580
0.92
SKU21
5
1
830
0.95
SKU22
1
1
350
0.88
SKU23
1
1
50
0.98
SKU24
1
1
20
0.92
SKU25
3
1
380
0.85
SKU26
1
1
180
0.98
SKU27
1
1
150
0.90
SKU28
1
1
400
0.94
SKU29
1
1
400
0.97
SKU30
1
1
3000
0.87
SKU31
1
1
1000
0.86
SKU32
5
1
480
0.90
SKU33
1
1
50
0.85
SKU34
1
1
20
0.88
SKU35
1
50
1000
0.89
SKU36
1
1
800
0.98
SKU37
1
1
900
0.91
DES
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
2
6
1
1
1
1
1
1
2
1
1
1
1
1
1
1
1
2
1
1
2
1
1
1
2
1
1
1
1
1
1
2
1
1
1
1
1
176
SKU38
SKU39
SKU40
SKU41
SKU42
SKU43
SKU44
SKU45
SKU46
SKU47
SKU48
SKU49
SKU50
SKU51
SKU52
SKU53
SKU54
SKU55
SKU56
SKU57
SKU58
SKU59
SKU60
SKU61
SKU62
SKU63
SKU64
SKU65
SKU66
SKU67
SKU68
SKU69
SKU70
SKU71
SKU72
SKU73
;
1
1
1
1
1
13
1
5
5
12
10
13
2
1
1
15
3
1
1
1
1
1
1
1
1
1
5
2
1
1
1
1
1
5
5
5
1
50
0.86
1
800
0.98
1
100
0.93
1
750
0.94
1
950
0.95
1
740
0.86
1
1400
0.94
1
1000
0.91
1
1600
0.87
1
550
0.96
1
150
0.91
1
20
0.97
1
300
0.88
1
495
0.87
1
150
0.99
4000 4500
0.94
1
420
0.87
30
610
0.98
30
500
0.91
30
750
0.91
30
500
0.88
30
800
0.88
30
400
0.90
30
500
0.95
30
450
0.85
30
800
0.99
1
280
0.89
1
500
0.96
1
235
0.86
50
890
0.92
1
2500
0.85
1
200
0.89
400
300
0.99
1
850
0.96
1
770
0.85
1
5000
0.95
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
0.15
1
1
1
1
1
6
0
2
2
5
4
6
1
1
1
6
2
1
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
2
2
2
LT(PP) = SKUdata(PP,'LT');
177
LS(PP) = SKUdata(PP,'LS');
I(PP) = SKUdata(PP, 'I');
E(PP) = SKUdata(PP, 'E');
A(PP) = SKUdata(PP, 'A');
DES(PP) = SKUdata(PP,'DES');
TABLE S(PP,KK) Fraccin necesaria para cambiar o preparar al artculo i en el
recurso k
CT1 CT2 CT3 CT4 CT5 CT6
SKU1 0.026
SKU25
0.026
SKU54
0.016
SKU42
0.024
SKU50
0.034
SKU65
0.022
;
TABLE U(PP,KK) Fraccion del recurso k requerida para una unidad del producto i
CT1 CT2 CT3 CT4 CT5 CT6
SKU1
0.013
SKU25
0.013
SKU54
0.008
SKU42
0.012
SKU50
0.017
SKU65
0.011
;
TABLE ADI(PP,KK) Fraccion de desfase del recurso k requerida para una unidad
del producto i
CT1 CT2 CT3 CT4 CT5 CT6
SKU1
0.0026
SKU25
0.0026
SKU54
0.0016
SKU42
0.0024
SKU50
0.0034
SKU65
0.0022
;
TABLE F(KK,TT) Mxima fraccin del recurso k que puede adicionarse en el
periodo t
178
DIA1 DIA2 DIA3 DIA4 DIA5 DIA6 DIA7 DIA8 DIA9 DIA10 DIA11 DIA12 DIA13
DIA14 DIA15 DIA16 DIA17 DIA18 DIA19 DIA20 DIA21 DIA22 DIA23 DIA24 DIA25
DIA26 DIA27 DIA28 DIA29 DIA30
CT1
0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.4 0.4 0.4 0.4 0.4 0.4
0.4 0.4 0.4 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
CT2
0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.4 0.4 0.4 0.4 0.4 0.4
0.4 0.4 0.4 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
CT3
0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.4 0.4 0.4 0.4 0.4 0.4
0.4 0.4 0.4 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
CT4
0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.4 0.4 0.4 0.4 0.4 0.4
0.4 0.4 0.4 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
CT5
0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.4 0.4 0.4 0.4 0.4 0.4
0.4 0.4 0.4 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
CT6
0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.3 0.4 0.4 0.4 0.4 0.4 0.4
0.4 0.4 0.4 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
;
PARAMETER H(PP) Costo de almacenamiento por unidad por periodo del
producto i
/SKU1
120
SKU2
146
SKU3
3
SKU4
3
SKU5
3
SKU6
3
SKU7
3
SKU8
5
SKU9
5
SKU10
7
SKU11
7
SKU12
10
SKU13
20
SKU14
15
SKU15
20
SKU16
5
SKU17
5
SKU18
20
SKU19
3
179
SKU20
SKU21
SKU22
SKU23
SKU24
SKU25
SKU26
SKU27
SKU28
SKU29
SKU30
SKU31
SKU32
SKU33
SKU34
SKU35
SKU36
SKU37
SKU38
SKU39
SKU40
SKU41
SKU42
SKU43
SKU44
SKU45
SKU46
SKU47
SKU48
SKU49
SKU50
SKU51
SKU52
SKU53
SKU54
SKU55
SKU56
SKU57
SKU58
3
146
8
9
15
120
146
146
15
15
15
3
50
30
30
7
3
10
10
20
5
146
120
146
15
146
146
18
18
146
120
10
10
146
12
5
5
5
5
180
SKU59
SKU60
SKU61
SKU62
SKU63
SKU64
SKU65
SKU66
SKU67
SKU68
SKU69
SKU70
SKU71
SKU72
SKU73
;
5
5
5
5
5
90
120
30
7
7
13
146
20
20
146/
SKU22
SKU23
SKU24
SKU25
SKU26
SKU27
SKU28
SKU29
SKU30
SKU31
SKU32
SKU33
SKU34
SKU35
SKU36
SKU37
SKU38
SKU39
SKU40
SKU41
SKU42
SKU43
SKU44
SKU45
SKU46
SKU47
SKU48
SKU49
SKU50
SKU51
SKU52
SKU53
SKU54
SKU55
SKU56
SKU57
SKU58
SKU59
SKU60
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
15000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
20000
5000
20000
20000
20000
20000
20000
5000
5000
5000
20000
5000
5000
5000
5000
5000
5000
5000
182
SKU61
SKU62
SKU63
SKU64
SKU65
SKU66
SKU67
SKU68
SKU69
SKU70
SKU71
SKU72
SKU73
;
5000
5000
5000
15000
5000
5000
5000
5000
5000
5000
15000
15000
15000/
TABLE CO(KK,TT) Costo de tiempo extra por unidad de la capacidad del recurso k
en el periodo t
DIA1
DIA2
DIA3
DIA4
DIA5
DIA6
DIA7
DIA8
DIA9
DIA10
DIA11
DIA12
DIA13
DIA14
DIA15
DIA16
DIA17
DIA18
DIA19
DIA20
DIA21
DIA22
DIA23
DIA24
DIA25
DIA26
DIA27
DIA28
DIA29
DIA30
CT1
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
10000
CT2
35000
35000
35000
35000
30000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
CT3
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
183
CT4
35000
35000
35000
35000
CT5
35000
35000
35000
35000
CT6
6000
6000
6000
;
35000
35000
35000
35000
30000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
30000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
35000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
6000
loop(PP$(lev(PP) = runlev),
runlev = runlev + 1;
lev(PPp)$R(PPp,PP) = runlev;
TD(PPp)$R(PPp,PP) = sum(TT,D(PPp,TT)) + R(PPp,PP)*TD(PP);
);
PARAMETER M(PP) Un M grande para la ecuacin de produccin;
M(PP) = max(TD(PP),LS(PP));
SOLUCIN DE MODELOS
1. MODELO DET
185
186
option optcr=0.0;
option limrow=10;
solve MRP2L minimizing Z using MIP;
DISPLAY x.L
DISPLAY O.L
DISPLAY IP.L
DISPLAY INV.L
DISPLAY Z.L
*(Crea un archivo en el directorio donde siempre guarda las cosas por defecto)
execute_unload "1MRPDETERM.gdx" x.L O.L IP.L INV.L Z.L
execute 'gdxxrw.exe 1MRPDETERM.gdx var=x.L rng=X(PP,TT)!'
execute 'gdxxrw.exe 1MRPDETERM.gdx var=O.L rng=O(KK,TT)!'
execute 'gdxxrw.exe 1MRPDETERM.gdx var=IP.L rng=IP(PP,TT)!'
execute 'gdxxrw.exe 1MRPDETERM.gdx var=INV.L rng=INV(PP,TT)!'
execute 'gdxxrw.exe 1MRPDETERM.gdx var=Z.L rng=Z!'
2. MODELO DCF
FUNOBJ
Funcin Objetivo
BALINV(PP,TT)
Restruccin Balance de Inventario
CORR(PP,TT)
Balance Inventario para el MES 1
CAPACIDAD(TT,KK) Restriccin de Capacidad
CAPMAX(TT,KK)
Capacidad extra mxima
LOTSIZE(PP,TT) Tamao de Lote
PDCCN(PP,TT)
production indicator
INVDEF(PP,TT)
Inventario definitivo para la F.O ;
3. MODELO DDI
189
190
4. MODELO DTE
192
FUNOBJ.. Z
=E=SUM(TT,SUM(PP,H(PP)*IDEF(PP,TT)+C(PP)*IP(PP,TT))+SUM(KK,CO(KK,T
T)*O(KK,TT)));
* Balance de Inventario: Inventario (Periodo actual - 1) + Produccin (Periodo
actual - LT) >= Dda Externa (Periodo actual) + Dda Interna (Periodo actual) +
Inventario (Periodo actual)
BALINV(PP,TT)$(ORD(TT) GT 1).. E(PP)*INV(PP,TT-1)+x(PP,TT-LT(PP)) =E=
D(PP,TT)+sum(PPp, R(PP,PPp)*x(PPp,TT))+E(PP)*INV(PP,TT);
CORR(PP,TT)$(ORD(TT) = 1).. E(PP)*I(PP)+x(PP,TT-LT(PP)) =E=
D(PP,TT)+sum(PPp, R(PP,PPp)*x(PPp,TT))+E(PP)*INV(PP,TT);
* Capacidad: Fraccin utilizada por producto * Productos a realizar + Fraccin
utilizada por preparacin <= 1 + Fraccin Adicional Capacidad
CAPACIDAD(TT,KK).. sum(PP, U(PP,KK)*x(PP,TT)+S(PP,KK)*IP(PP,TT)) =L=
1+O(KK,TT);
* Capacidad Extra Mxima
CAPMAX(TT,KK).. O(KK,TT) =L= F(KK,TT);
* Lote mnimo de produccin
LOTSIZE(PP,TT).. IP(PP,TT)*LS(PP) =L= X(PP,TT);
* Ecuacin de produccin: Esta ecuacin busca que no se produzca mas de la
cuenta en determinado periodo, solo producir el mximo (la demanda total de ese
periodo de ese producto, tamao de lote de ese producto). Esta ecuacin sirve si
el fin es minimizar inventarios, en este problema se busca es reducir COSTOS.
PDCCN(PP,TT).. x(PP,TT) =L=IP(PP,TT)*M(PP);
INVDEF(PP,TT).. IDEF(PP,TT) =E= INV(PP,TT)*E(PP);
MODEL MRP2L / FUNOBJ, BALINV, CORR, LOTSIZE, CAPACIDAD, CAPMAX,
PDCCN, INVDEF /;
option optcr=0.0;
option limrow=10;
193
5. MODELO DCFDITE
*Recalcular el Lead Time con base en un alfa definido. La ecuacion debe
redondear al entero mayor
SCALAR ALFA Grado de satisfaccin del tomador de decisiones con las que se
cumplen las restricciones /0.7/;
LT(PP)=ceil(LT(PP)+(1-ALFA)*DES(PP));
*DESDE ACA SE COMIENZAN A DEFINIR LAS VARIABLES DEL MODELO
positive variable x(PP,TT) Cantidad de pedido a producir del producto i en el
periodo t
positive variable O(KK,TT) Fraccin adicionada del recurso k en el perodo t
binary variable IP(PP,TT) Indicador binario de produccin para el producto i en el
periodo t
positive variable INV(PP,TT) Inventario del producto i al final del periodo t
positive variable IDEF(PP,TT) Inventario definitivo del producto i al final del
periodo t
variable Z;
194
EQUATION
FUNOBJ
Funcin Objetivo
BALINV1(PP,TT) Restruccin Balance de Inventario <=
BALINV2(PP,TT) Restruccin Balance de Inventario >=
CORR1(PP,TT)
Balance Inventario para el MES 1 <=
CORR2(PP,TT)
Balance Inventario para el MES 1 >=
CAPACIDAD(TT,KK) Restriccin de Capacidad
CAPMAX(TT,KK)
Capacidad extra mxima
LOTSIZE(PP,TT) Tamao de Lote
PDCCN(PP,TT)
production indicator
INVDEF1(PP,TT) Inventario definitivo para la F.O <=
INVDEF2(PP,TT) Inventario definitivo para la F.O >= ;
CAPACIDAD(TT,KK)..
sum(PP,
(U(PP,KK)+ADI(PP,KK)ALFA*ADI(PP,KK))*x(PP,TT)+S(PP,KK)*IP(PP,TT)) =L= 1+O(KK,TT);
* Capacidad Extra Mxima
CAPMAX(TT,KK).. O(KK,TT) =L= F(KK,TT);
* Lote mnimo de produccin
LOTSIZE(PP,TT).. IP(PP,TT)*LS(PP) =L= X(PP,TT);
* Ecuacin de produccin: Esta ecuacion busca que no se produzca mas de la
cuenta en determinado periodo, solo producir el mximo (la demanda total de ese
periodo de ese producto, tamao de lote de ese producto). Esta ecuacin sirve si
el fin es minimizar inventarios, en este problema se busca es reducir COSTOS.
PDCCN(PP,TT).. x(PP,TT) =L=IP(PP,TT)*M(PP);
INVDEF1(PP,TT).. (E(PP)-A(PP)*(1-ALFA))*INV(PP,TT) =L= IDEF(PP,TT);
INVDEF2(PP,TT).. (E(PP)+A(PP)*(1 -ALFA))*INV(PP,TT) =G= IDEF(PP,TT);
MODEL MRP2L / FUNOBJ, BALINV1, BALINV2, CORR1, CORR2, LOTSIZE,
CAPACIDAD, CAPMAX, PDCCN, INVDEF1, INVDEF2 /;
option optcr=0.0;
option limrow=10;
solve MRP2L minimizing Z using MIP;
DISPLAY x.L
DISPLAY O.L
DISPLAY IP.L
DISPLAY INV.L
DISPLAY Z.L
execute
execute
execute
execute
execute
196