El documento compara los enfoques heurísticos y de programación matemática para la optimización de programas de producción. Discute tanto las ventajas como las desventajas de ambos paradigmas, señalando que las heurísticas son rápidas pero no garantizan la optimización, mientras que los métodos matemáticos encuentran soluciones óptimas pero requieren más tiempo para problemas grandes. Concluye que las heurísticas son una buena alternativa para algunos casos y que en el futuro se podrían diseñar enfoques híbridos.

1. Método heurístico
Este método se destaca por dos características importantes
 Presenta una solución genérica
 Destaca la flexibilidad (la cual es ofrecida por el mismo método)
Resumen
Destaca la flexibilidad que un simple método heurístico puede ofrecer y muestra
que el uso de la norma ISA-95 es posible expresar los requisitos más relevantes
del problema
También compara la calidad de la solución de un problema de programación de
menor escala a un riguroso enfoque de programación lineal (MILP) mixto
Problema
La planificación y programación de un proceso de producción o planta de
producción es una tarea compleja y requiere de gran experiencia a realizar con
éxito. Se debe comprender bien el problema para saber que se necesita hacer
para resolverlo y cuáles son las verdaderas consecuencias o impactos de las
decisiones a nivel de producción.
La técnica para realizar la tarea de programación requiere un operador
experimentado capacitado en el trabajo o una persona con buenas habilidades
analíticas - preferentemente ambos.
Por eso es importante tener un acceso a herramientas de apoyo que aseguren de
manera correcta y eficiente las reacciones a los cambios para poder optimizar
dentro de un entorno complejo y cambiante
Los problemas de optimización de programación tienden a ser complejos debido a
su alta naturaleza combinatoria, causada por grandes alternativas por ejemplo:
 La selección de la mejor secuencia de producción y opciones de asignación
de equipo
 Un modelo de programación, o en su mayor parte casi cualquier modelo
matemático, es siempre una simplificación de la realidad.
Para la optimización de programación lo principales retos del modelado son
 Seleccionar los aspectos necesarios considerando la producción real
 Las decisiones a optimizar y como transferir los resultados obtenidos para
crear el impacto deseado
Desde el punto de vista de programación, eventos que ocurren en la producción
son relevantes sólo si tienen un impacto sobre la viabilidad o rentabilidad de la
programación actual

2. Con el fin de poder utilizar eficientemente las técnicas de modelado y solución
existentes, de las mejores maneras es producirlas como parte de una
programación mayor y marco de referencia. Los principales retos cuando se
producen soluciones de programación son:
 Definir un paisaje de software que puede alojar el entorno algorítmico que
proporciona flexibilidad para alternar entre enfoques de solución y suficiente
capacidad computacional capacidad
 Encontrar una descripción de un problema genérico que sea capaz de
expresar un problema realista instancias y que se pueden configurar para
satisfacer también necesidades más especializadas
 Recopilar los datos necesarios y comunicar los resultados a la producción
de manera que cualquier desviación puede ser detectada eficientemente
 Proporcionar algoritmos que funcionen eficientemente para varios casos y
proporcionar - si no soluciones óptimas que pueden utilizarse en la práctica
 Creación de entornos de configuración que permiten a un usuario no
experto mantener y adaptar la solución
Conclusión
Proporcionar un ejemplo relativamente simple y claramente representado nos
permite destacan algunos de los aspectos principales del uso de enfoques
heurísticos, así como, para comparar la solución resultante con un riguroso
enfoque MILP.
1. Mostrar que las soluciones heurísticas son una buena alternativa a la optimización
rigurosa en algunos casos y que un reto especialmente interesante para el futuro es
diseñar una solución enfoques híbridos para instancias de programación más grandes
que combinan métodos de programación con heurísticas "no óptimas".
Una discusión detallada sobre las ventajas y desventajas de ambos paradigmas y
su correspondiente alcance

3. Heurísticas (ASAP, BPA, FPA) Programas matemáticos (MILP)
Pros  Rápida ejecución
 Flexible
 Capacidad de escalabilidad
 Directo para modelar varios
requisitos
 posible soluciones
interactivas
 Soluciones Optimas
 Fácil de equilibrar
diversos objetivos
 Motores de soluciones
estandarizados y
aprobados
 Modelado en lugar de
desarrollo de algoritmos
Contras  Solución puede estar lejos
de ser optima
 Difícil Equilibrio de objetivos
 Mas auto desarrollo
necesario
 Heurística constructiva
sensible al orden en lista de
tareas
 Tiempos de solución
larga para tamaños
realistas del problema
 Incluso una solución no
puede ser garantizada
para problemas grandes
 No es fácil determinar
que enfoque de modelado
funcionan para que caso
Desde el punto de vista del Ingeniero químico
Las Heurísticas en ingeniería, debe de considerarse como ayudas o apoyos para hacer
estimaciones rápidas y diseños preliminares, pero no justificaciones finales de un diseño o
proyecto. Generalmente, para resolver un problema del mundo real se hace un modelo del
problema.
En ese modelo, se extraen las características fundamentales del mismo y se eliminan todas
las que complementarias, o que no tienen tanta importancia en el desarrollo del problema
Se debe tener en cuenta que sólo se puede resolver un problema si se tiene un modelo del
mismo
La solución al problema real será tanto más adecuada cuanto más cercano sea el modelo al
problema real, pero, en todo caso, la solución a un problema lo es sólo en el sentido que es
una solución al modelo del problema.
En algunos casos, modelar el problema supone, de alguna forma, simplificarlo, incluso en
casos en el que el problema esté formulado computacionalmente de forma completa, hace
falta hacer aproximaciones para hacer su resolución más simple usando un método
determinado.
Pero siempre encontrar una solución aproximada a un modelo exacto será mejor que
encontrar una solución exacta a un modelo aproximado.