2. cia Universidad Catolica de Valparaso
Facultad de Ingeniera
Escuela de Ingeniera Industrial
Desarrollo e implementacion de extensiones practicas
en un sistema de plani
3. cacion de la produccion
orientado a la industria de las bebidas no alcoholicas
por
German Rodrguez Saavedra
Memoria para optar al ttulo de Ingeniero Civil Industrial
Prof. Gua: Ricardo Gatica Escobar
Julio, 2014
4. A mi familia por su apoyo incondicional.
A mi pareja y amigos por su compa~na y entusiasmo.
A mis tutores por su paciencia y buena disposicion.
10. 5
Lista de abreviaturas o siglas
CAPPS = Capacitated Production Planning and Scheduling
CLSP = Capacitated Lot Sizing Problem
DSS = Decision Support System
FONDEF = Fondo de Fomento al Desarrollo Cient
11. co y Tecnologico
GRASP = Greedy Randomized Adaptative Search Procedures
MFCLSP = Multi{Family Capacitated Lot Sizing Problem
MPCLSP = Multi{Plant Capacitated Lot Sizing Problem
PUCV = Ponti
13. 6
Glosario
Bebidas no alcoholicas: Considera las bebidas gaseosas, jugos, nectares, bebidas energeti-cas.
Tambien considera aguas minerales, puri
14. cadas y saborizadas.
Das Piso: Es una forma de expresar el inventario de seguridad y corresponde a la cantidad
de das de demanda que se espera puedan ser cubiertos por dicho inventario.
Grupo Productivo: Conjunto de lneas de produccion que comparten mano de obra.
15. 7
Lista de Figuras
Figura 2.1 { CAPPS como un sistema de apoyo a la toma de decisiones . . . . . . . . . . . . 20
Figura 2.2 { Modulos de CAPPS y sus relaciones. Fuente: (Presentacion CAPPS
empresas, 2012) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Figura 2.3 { Diagrama de clases del modelo de datos utilizado por CAPPS, parte 1. . 29
Figura 2.4 { Diagrama de clases del modelo de datos utilizado por CAPPS, parte 2. . 32
Figura 2.5 { Demanda pendiente para un producto con demanda estatica y deter-min
stica igual a a unidades y produccion constante b, con a b. . . . . . . 34
Figura 2.6 { Considerar multiples plantas productivas en multiples instancias de op-timizaci
on. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Figura 2.7 { Considerar multiples plantas productivas de integradas en una sola ins-tancia
de optimizacion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Figura 3.1 { Demanda pendiente y perdida para un producto con demanda estatica
y determinstica igual a a unidades y produccion constante b, con b a. 41
Figura 3.2 { Considerar multiples plantas productivas de integradas en una sola ins-tancia
de optimizacion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Figura 3.3 { Diagrama de clases del modelo de datos modi
16. cado, parte 1. . . . . . . . . . . 55
Figura 3.4 { Diagrama de clases del modelo de datos modi
17. cado, parte 2. . . . . . . . . . . 60
Figura 4.1 { Resumen de niveles de inventario, plani
19. cit de inventario, los quiebres de stock y el
inventario promedio en funcion del numero de viajes permitidos entre
cada ruta habilitada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Figura 4.3 { Variacion porcentual de los setups de familia y de producto en funcion
del numero de viajes permitidos en cada ruta habilitada . . . . . . . . . . . . . . 70
20. 8
Lista de Tablas
Tabla 2.3 { Resumen de modulos de CAPPS y sus caractersticas . . . . . . . . . . . . . . . . 22
Tabla 3.1 { Ejemplo sobre la forma de operar del parametro Mi . . . . . . . . . . . . . . . . . . 41
Tabla 4.1 { Datos de demanda e inventarios calculados para una instancia que con-sidera
100% de demanda basada en pronosticos . . . . . . . . . . . . . . . . . . . . . 62
Tabla 4.2 { Datos de demanda e inventarios calculados para una instancia que consi-dera
50% de demanda basada en pronosticos y 50% de demanda basada
en pedidos determinsticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Tabla 4.3 { Datos de demanda e inventarios calculados para una instancia que con-sidera
100% de demanda basada en pedidos determinsticos . . . . . . . . . . . 63
Tabla 4.4 { Resumen de las soluciones obtenidas en funcion del tiempo empleado
para una instancia que considera 3 plantas productivas permitiendo un
maximo de 3 viajes entre cada par de plantas . . . . . . . . . . . . . . . . . . . . . . . 65
Tabla 4.5 { Resumen de la solucion obtenida al optimizar 3 plantas de manera in-dependiente
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Tabla 4.6 { Comparacion de resultados entre la resolucion del problema consideran-do
tres plantas de manera independiente y considerando tres plantas de
manera simultanea. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Tabla 4.7 { Con
21. guracion de setups utilizada por defecto . . . . . . . . . . . . . . . . . . . . . . . 68
Tabla 4.8 { Demanda total en pallets por planta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Tabla 4.9 { Resumen de resultados para un sistema con multiples plantas produc-tivas
en funcion del numero de viajes permitidos entre plantas . . . . . . . . . 69
Tabla 4.10 { Con
22. guracion de setup con ponderadores diferenciados segun planta
productiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Tabla 4.11 { Produccion y setups por lnea productiva para una instancia con 3 viajes
por periodo por ruta habilitada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Tabla 4.12 { Transporte de productos por lnea productiva por destino para una ins-tancia
con 3 viajes por periodo por ruta habilitada . . . . . . . . . . . . . . . . . . . 72
Tabla 4.13 { Produccion y setups por lnea productiva para una instancia con 20
viajes por periodo por ruta habilitada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Tabla 4.14 { Transporte de productos por lnea productiva por destino para una ins-tancia
con 20 viajes por periodo por ruta habilitada . . . . . . . . . . . . . . . . . . 74
Tabla 4.15 { Produccion y setups por lnea productiva para una instancia con trans-porte
ilimitado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Tabla 4.16 { Transporte de productos por lnea productiva por destino para una ins-tancia
con 20 viajes por periodo por ruta habilitada . . . . . . . . . . . . . . . . . . 76
Tabla 4.17 { Cuadro comparativo de resultados para instancias 1, 2 y 3, Parte 1. . . . . 76
Tabla 4.18 { Cuadro comparativo de resultados instancias 1, 2 y 3, Parte 2 . . . . . . . . . 77
24. cacion de la produccion orientado a los sistemas de
produccion por lotes, el cual ha sido desarrollado por la Ponti
25. cia Universidad Catolica de
Valparaso. CAPPS desde sus inicios ha sido concebido para enfrentar las situaciones mas
comunes presentes principalmente en la industria de las bebidas, sin embargo se encuentra
en constante desarrollo permitiendo la inclusion de nuevas funcionalidades que permitan
ajustarse a nuevas situaciones. El paradigma de desarrollo de los modelos y algoritmos del
sistema es el Problema de Tama~no de Lote Capacitado con Multiples Familias (MFCLSP).
CAPPS considera ademas una serie de situaciones no abordadas por el MFCLSP estandar.
Algunas de las situaciones que destacan son el manejo de demanda pendiente y demanda
perdida (consideradas de forma excluyente entre s), la existencia de inventarios de se-guridad
e inventarios maximos y restricciones de disponibilidad de materias primas. Al
igual que en el MFCLSP estandar, el objetivo del problema es determinar las cantidades
a producir e inventariar para cada producto en un horizonte de plani
26. cacion.
El trabajo realizado consistio en el desarrollo de una propuesta de funcionalidades
adicionales para el sistema, de modo que este soporte una mayor variedad de sistemas pro-ductivos.
Espec
27. camente se proponen y desarrollan tres extensiones para el sistema. Una
primera extension busca permitir que coexistan simultaneamente en una misma instancia
de problema demanda pendiente y demanda perdida, para lo cual se incorpora un nuevo
parametro que
28. ja la cantidad de periodos que la demanda puede ser dejada pendiente
antes de convertirse en demanda perdida. En la segunda extension, se hizo una distincion
explcita entre la demanda que se encuentra basada en pronosticos y la demanda prove-niente
de pedidos determinsticos y conocidos, lo anterior para evitar que se sobrestimen
los inventarios de seguridad. En la tercera extension se desarrollaron modelos y algorit-mos
para resolver el problema de plani
29. cacion de la produccion con multiples plantas
productivas, considerando a las mismas de manera integrada.
Finalmente, se realizaron una serie de pruebas que permitieron observar como es-tas
nuevas extensiones afectan el funcionamiento del sistema. Se logro mayor
exibilidad
permitiendo al sistema soportar multiples plantas productivas y obteniendo mejores solu-ciones
al considerar la interaccion entre las mismas. Como era de esperarse, los modelos
y algoritmos utilizados se volvieron mas complejos desde el punto de vista computacional
traduciendose en mayores tiempos de solucion, lo que constituye un desafo de investigacion
futura.
Palabras claves: CLSP, MFCLSP, MPCLSP, Plani
31. 10
1 Introduccion
En Chile la industria de las bebidas no alcoholicas se encuentra en constante creci-miento,
durante el a~no 2002 sus ventas ascendieron a 1.561 millones de litros mientras que
el a~no 2012 se vendieron 2.689 millones de litros, experimentando de esta manera un creci-miento
del 72,26% en los ultimos 10 a~nos. Actualmente esta industria representa el 0,6%
del PIB, sin considerar la demanda derivada asociada a la distribucion, comercializacion
y publicidad.
Dentro de esta industria, a nivel nacional, destacan dos competidores por region,
los cuales cuentan con franquicias de los grandes competidores a nivel mundial: PepsiCo
y The Coca Cola Co. La competencia se basa en constantes campa~nas de marketing, y la
creacion de nuevos productos y formatos para llegar a un mayor numero de consumidores.
Se busca crear un producto para cada tipo de consumidor o necesidad detectada.
Actualmente existen mas de 500 combinaciones de marcas y formatos disponibles,
entre los que se encuentran formatos que van desde la clasica botella de un litro, hasta
formatos mas recientes como las bebidas mini, bebidas de 1,5 litros, 2 litros y 3 litros.
Adicionalmente se han introducido nuevos productos que responden a las necesidades mas
recientes detectadas en la sociedad, tales como bebidas bajas en caloras o energeticas,
ademas de productos pensados para los mas peque~nos con vitaminas y minerales.
La inclusion de nuevos productos y formatos ha permitido un importante crecimien-to
de la industria en los ultimos a~nos. Dicho crecimiento ha provocado que los sistemas
productivos pertenecientes a la industria sean mas complejos. Por ejemplo, la administra-ci
on de las distintas cadenas de suministro se ha hecho mas difcil producto del aumento
en el numero de eslabones. Tambien ha aumentado la di
32. cultad en la administracion de
Recursos Humanos y Financieros producto de un mayor numero de recursos productivos.
De la misma forma, el problema de plani
33. cacion de la produccion tambien se ha visto
afectado, principalmente debido al notable aumento en el numero de productos y a la
constante busqueda de la e
34. ciencia por parte de las empresas productoras.
Para hacer frente a la creciente complejidad de dicho problema, la Escuela de Inge-nier
a Industrial de la Ponti
35. cia Universidad Catolica de Valparaso ha desarrollado una
solucion de software de tipo DSS, denominada CAPPS, la cual se basa en modelos de
optimizacion y tiene como objetivo apoyar al plani
36. cador de la produccion en su trabajo,
generando planes y programas de produccion e
37. cientes y apropiados para las distintas
realidades de los sistemas productivos.
CAPPS desde sus inicios ha sido concebido para enfrentar las situaciones mas
comunes presentes principalmente en la industria de las bebidas, sin embargo se encuentra
en constante desarrollo permitiendo la inclusion de nuevas funcionalidades que permitan
ajustarse a nuevas situaciones.
El objetivo de esta memoria es el desarrollo de tres nuevas funcionalidades para el
38. 11
sistema. Las nuevas situaciones que se han abordado permiten al sistema:
Operar con demanda pendiente y demanda perdida de manera simultanea.
Discriminar entre demanda basada en pronosticos y demanda determinstica aso-ciada
a pedidos puntuales realizados por los clientes.
Trabajar con multiples plantas de manera integrada en un unico problema de
optimizacion.
Resulta importante se~nalar que dichas extensiones fueron implementadas solo en
una version de prueba del sistema y en ningun caso en la version comercial del mismo.
Esta memoria se ha organizado de la siguiente manera: en el captulo 2 se describe
brevemente el problema de plani
39. cacion de la produccion, el enfoque de solucion basado
en el paradigma del CLSP y una revision del estado del arte respecto a dicho paradigma;
a su vez se describe CAPPS, los modelos que utiliza y los aspectos perfectibles del sistema
en los que se ha trabajado a lo largo de esta memoria. En el captulo 3 se presentan
alternativas de solucion para las problematicas del sistema vistas en el captulo previo.
En el captulo 4 se realizan pruebas computacionales para evaluar el comportamiento
del sistema con las nuevas extensiones implementadas. Finalmente, en el captulo 5, se
presentan las conclusiones y aspectos en los que se puede profundizar en el futuro.
41. nicion del Problema
A lo largo de esta memoria se enfrenta, desde el punto de vista practico y teorico,
la implementacion de tres extensiones en un software de apoyo a la toma de decisiones en
el ambito de la plani
42. cacion de la produccion. Dichas extensiones buscan que el software
sobre el cual se trabajo sea capaz de adaptarse a una mayor variedad de sistemas produc-tivos.
Para explicar todas las aristas del problema este captulo se ha dividido en cuatro
secciones: En la seccion 2.1 se presenta una descripcion del problema de plani
43. cacion de
la produccion centrando la atencion en la utilizacion del paradigma de modelamiento del
CLSP, dado que el sistema en el cual se ha trabajado basa sus modelos en dicho paradigma.
Luego, en la seccion 2.2, se presenta CAPPS, el software de apoyo a la toma de decisiones
sobre el cual se trabajaron las extensiones desarrolladas en la memoria. Posteriormente, en
la seccion 2.3, se detallan los aspectos del software que se busca mejorar a lo largo de este
trabajo. Finalmente, en la seccion 2.4, se revisa el estado del arte asociado al problema de
plani
44. cacion de la produccion.
2.1 Descripcion general
El problema de la plani
45. cacion de la produccion se ha abordado en la literatura
en multiples ocasiones, y se ha descrito de distintas maneras. Por ejemplo, en el a~no 1979
Magee y Boodman describen al problema de plani
46. cacion de la produccion como sigue:
El problema del planeamiento de la produccion surge de la necesidad de diri-gir
estrictamente las operaciones internas de produccion ante las demandas y
limitaciones externas. El objetivo de un adecuado planeamiento y programa-ci
on de la produccion o control de inventarios consiste en reducir al mnimo
las fricciones entre las relaciones internas y externas. (Magee and Boodman,
1979).
Una de
49. cacion de la produccion de la siguiente manera:
Es la plani
50. cacion de la adquisicion de recursos y materias primas, as como
la plani
51. cacion de las actividades productivas requeridas para transformar las
materias primas en productos terminados, satisfaciendo las demandas de los
clientes de la manera mas e
52. ciente o economica posible. (Pochet and Wolsey,
2005).
En general, la plani
54. nir las directrices que permiten alcanzar
un objetivo determinado. En el caso de la produccion lo que se busca es satisfacer la
demanda de la manera mas e
57. cacion de la produccion se entendera como
una actividad que busca satisfacer los requerimientos de demanda, determinando las canti-dades
a producir e inventariar de cada producto en cada uno de los periodos del horizonte
de plani
59. ciente y se minimicen los costos.
La problematica de la plani
60. cacion y programacion de la produccion se presenta
en los distintos niveles de la organizacion: a nivel estrategico, tactico y operativo, en cada
uno de ellos con distintos objetivos: en el nivel estrategico (largo plazo) se encuentra el
problema de dise~no de capacidad y de localizacion de instalaciones, a nivel tactico (mediano
plazo) se debe resolver el problema de plani
61. cacion de la produccion e inventarios, y a
nivel operacional (corto plazo) se mani
62. esta en la programacion de la produccion e en la
organizacion de los turnos de trabajo. Actualmente existe una gran variedad de enfoques
que buscan resolver la problematica de la plani
63. cacion de la produccion. En particular, el
sistema sobre el cual se trabajo utiliza como paradigma de modelamiento el Problema de
Tama~no de Lote Capacitado (CLSP por sus siglas en ingles), por lo tanto en este tipo de
sistemas se centrara la atencion.
La complejidad de los modelos de tama~no de lote dependen en gran medida de las
funciones que se tengan en cuenta y en base a esto se pueden clasi
64. car de la siguiente
manera (Dallery, Gicquel y Minoux, 2008):
De acuerdo al numero de recursos: Los productos pueden ser fabricados
en una maquina (single-resource models) o en varias maquinas (multi-resource
models).
De acuerdo al numero de niveles: De un nivel (single-level ) o multiples
niveles (multi-level ). En el primer caso los productos
65. nales son obtenidos en una
etapa de produccion, mientras que en el segundo caso existen multiples etapas
de produccion que involucran la fabricacion de uno o mas productos intermedios,
los cuales pueden servir como input para la produccion de otros temes.
Discretizacion del horizonte de plani
66. cacion: En los problemas del tipo
big bucket es posible fabricar mas de un tem por recurso productivo por
perodo de tiempo. En los problemas del tipo small bucket cada periodo es
tan corto que solo un tipo de tem puede ser fabricado por recurso productivo
en cada periodo de tiempo.
Karimi (2003), presenta algunas caractersticas adicionales que tambien aumentan
la complejidad del problema a resolver:
Tipo de demanda: Dentro de esta categora pueden encontrarse diferencias de
acuerdo a diversos criterios, los cuales se enumeran a continuacion:
1. De acuerdo a su comportamiento en el tiempo: Si la demanda es constante
en el tiempo se habla de demanda estatica, por el contrario, si vara en el
67. 14
tiempo se trata de demanda dinamica.
2. Si la demanda es conocida de antemano: En caso de que la demanda se co-nozca
a priori se habla de demanda determinstica; por otra parte, si existen
probabilidades asociadas a la cantidad demandada se trata de demanda pro-babil
stica.
Estructura de setups: En una estructura de setup simple los tiempos y costos
de setup no dependen de la secuencia. En una estructura de setup compleja los
tiempos y costos de setup dependen de la secuencia en que son realizados.
Quiebres de inventario: Los quiebres de stock pueden o no ser permitidos. Si
los quiebres son permitidos se presentan dos casos adicionales:
1. Demanda pendiente (backlogging): La demanda no satisfecha del periodo
actual puede cubrirse en periodos futuros.
2. Demanda perdida (lost sales): En este caso se permite no satisfacer la de-manda.
El CLSP estandar consiste en dise~nar un plan de produccion para un sistema de
N tems, en un horizonte de T perodos de tiempo, con un unico recurso productivo de
capacidad limitada. Se puede considerar un problema de un nivel y un recurso del tipo big
bucket. Se puede caracterizar como sigue:
Considera un horizonte de plani
68. cacion de T perodos.
Se considera un conjunto de N productos que deben ser fabricados.
Considera un unico recurso productivo con capacidad limitada y que es capaz de
fabricar solo un producto a la vez.
La preparacion del recurso considera costos de setup, los cuales son independien-tes
de la secuencia.
Se consideran costos asociados a la produccion.
Existe un costo de mantencion de inventario el cual es cancelado el funcion del
numero de unidades inventariadas al
69. nal de cada periodo.
Cada producto tiene asociada una demanda en cada perodo, la cual es dinamica
y determinstica.
La demanda debe ser satisfecha en su totalidad, es decir se debe alcanzar un
nivel de servicio del 100 %.
El objetivo es determinar las cantidades a producir e inventariar en cada uno de
lo perodos para cada uno de los productos, minimizando la suma de los costos de setup
e inventario. Es importante se~nalar que los costos unitarios de produccion pueden no
70. 15
considerarse ya que se asumen constantes en el tiempo y solo se debe satisfacer la demanda,
ni mas ni menos.
El problema decisional mas importante del CLSP es el trade-o existente entre
los costos asociados al nivel de inventario y la cantidad de setups en los que se incurre.
Para minimizar los costos de setup se debe producir en lotes grandes a expensas de altos
costos de inventario. Por el contrario, los niveles de inventario pueden mantenerse bajos
realizando muchos lotes peque~nos lo que implica altos costos de setup.
La formulacion matematica del CLSP estandar es la siguiente:
Parametros:
T: Numero de periodos en el horizonte de plani
71. cacion.
N: Numero de productos.
IIi: Inventario inicial del producto i.
Rt: Capacidad disponible en el perodo t.
Dit: Demanda del producto i en el periodo t.
cit: Costo de setup en el que se incurre si el producto i es fabricado en el periodo t.
hit: Costo por tener una unidad de inventario del producto i al
73. ciente de absorcion de capacidad del producto i.
Maxit: Lmite superior para la produccion del producto i durante el perodo t
(Maxit =
PT
k=t Dik).
Variables:
xit: Cantidad a producir del producto i durante el periodo t.
sit: Cantidad disponible en inventario del producto i al
74. nal del periodo t.
yit: Variable binaria que toma el valor 1 cuando se produce el producto i durante
el periodo t. Toma el valor 0 en caso contrario.
75. 16
Modelo matematico:
Minimizar
XN
i=1
XT
t=1
cityit + hitsit (2.1)
s.a.:
xi1 + IIi si1 = Di1 8i = 1; :::;N (2.2)
xit + si;t1 sit = Dit 8i = 1; :::;N 8t = 2; :::;N (2.3)
XN
i=1
aixit Rt 8t = 1; :::; T (2.4)
xit Maxityit 8i = 1; :::;N 8t = 1; :::; T (2.5)
yit 2 f0; 1g 8i = 1; :::;N 8t = 1; :::; T (2.6)
xit 0 8i = 1; :::;N 8t = 1; :::; T (2.7)
sit 0 8i = 1; :::;N 8t = 1; :::; T (2.8)
Donde la funcion objetivo (2.1) minimiza la suma de los costos se setup e inventario.
Las restricciones (2.2) y (2.3) son las denominadas restricciones de balance y se encargan
de asegurar que la demanda de cada periodo sea satisfecha. La restriccion (2.4) limita
la capacidad disponible en cada periodo t. La restriccion (2.5) se asegura de que solo se
produczca en caso de que se haya realizado el setup correspondiente. Las restricciones
(2.6), (2.7) y (2.8) representan las restricciones de dominio de las variables del problema.
Una variante comunmente utilizada del CLSP estandar que resulta interesante revi-sar
para efectos de esta tesis es el Problema de Tama~no de Lote Capacitado con Multiples
Familias (MFCLSP). En esta variante se considera que los productos se encuentran agru-pados
en familias, donde cada producto pertenece a una unica familia. En el MFCLSP
existen costos de setup asociados tanto al cambio de familia como al cambio de produc-to.
El objetivo sigue siendo el mismo del CLSP estandar, es decir, de
76. nir un plan de
produccion donde se detallen las cantidades a producir e inventariar de cada producto
minimizando los costos de inventario y setup.
A continuacion se presenta el modelo matematico del MFCLSP:
78. cacion.
N: Numero de productos.
F: Numero de familias.
IIi: Inventario inicial del producto i.
Rt: Capacidad disponible en el perodo t.
Dit: Demanda del producto i en el periodo t.
cit: Costo de setup en el que se incurre si el producto i es fabricado en el periodo t.
Cjt: Costo de setup en el que se incurre si algun producto perteneciente a la familia
j se fabrica en el periodo t.
hit: Costo por tener una unidad del producto i al
80. ciente de absorcion de capacidad del producto i.
Maxit: Lmite superior para la produccion del producto i durante el perodo t
(Maxit =
PT
k=t Dik).
PFj : Conjunto de productos de la familia j..
Variables:
xit: Cantidad a producir del producto i durante el periodo t.
sit: Cantidad disponible en inventario del producto i al
81. nal del periodo t.
yit: Variable binaria que toma el valor 1 cuando se produce el producto i durante
el periodo t. Toma el valor 0 en caso contrario.
zjt: Variable binaria que toma el valor 1 cuando se produce algun producto perte-neciente
a CPk en el periodo t. Toma el valor 0 en caso contrario.
82. 18
Modelo matematico:
Minimizar
XN
i=1
XT
t=1
cityit + hitsit +
XT
t=1
XF
j=1
Cjtzjt (2.9)
s.a.:
xi1 + IIi si1 = Di1 8i = 1; :::;N (2.10)
xit + si;t1 sit = Dit 8i = 1; :::;N 8t = 2; :::;N (2.11)
XN
i=1
aixit Rt 8t = 1; :::; T (2.12)
xit Maxityit 8i = 1; :::;N 8t = 1; :::; T (2.13)
yit zjt 8j = 1; :::; F 8t = 1; :::; T 8i 2 PFj (2.14)
yit 2 f0; 1g 8i = 1; :::;N 8t = 1; :::; T (2.15)
zjt 2 f0; 1g 8j = 1; :::; F 8t = 1; :::; T (2.16)
xit 0 8i = 1; :::;N 8t = 1; :::; T (2.17)
sit 0 8i = 1; :::;N 8t = 1; :::; T (2.18)
Al comparar el MFCLSP con el CLSP estandar es posible observar que a la funcion
objetivo(2.9) se le han a~nadido los costos de setup de familia. Ademas se ha a~nadido
una nueva restriccion (2.14) que vincula los setup de familia con los setup de producto,
forzando a que se realice un setup de familia en cada periodo que se realice un setup de
alguno de los productos que la constituyen.
Para obtener mayor informacion sobre el problema de tama~no de lote y sus varian-tes,
se recomienda revisar el trabajo de Karimi et. al. (2003).
2.2 CAPPS, un sistema de apoyo a la toma de decisiones
El a~no 2004 la Ponti
83. cia Universidad Catolica de Valparaso se adjudico el proyecto
FONDEF numero D04I1428, denominado Arquitectura con
84. gurable para la optimizacion
de la logstica de produccion en la industria de procesos por lotes. El objetivo de dicho
proyecto fue desarrollar un framework de software basado en modelos de optimizacion
para facilitar la implementacion de sistemas de apoyo a la toma de decisiones en el ambito
86. cacion y programacion de la produccion.
La Escuela de Ingeniera Industrial de la PUCV utilizo el framework desarrollado
como base para la creacion de CAPPS, una solucion de software orientada a sistemas de
produccion de procesos por lotes.
A lo largo de esta seccion se presentara CAPPS colocando enfasis en las carac-ter
sticas del software que resulten relevantes para el desarrollo de esta tesis.
2.2.1 Caractersticas principales
CAPPS es un software del tipo DSS o Decision Support System orientado al ambito
de la Programacion y Plani
87. cacion de la Produccion. El objetivo del software es generar
planes y programas de produccion e
89. car la produccion.
El usuario del sistema debe entregar una serie de entradas relacionadas con el pro-blema.
El sistema, utilizando algoritmos de optimizacion basados en programacion lineal,
utiliza dichas entradas para generar un plan de produccion consistente en un conjunto de
salidas.
Las principales entradas que recibe CAPPS son:
Pronosticos de demanda.
Conjunto de productos.
Conjunto de materias primas.
Conjunto de familias de producto.
Lneas de produccion.
Periodos.
Das habiles de produccion por periodo.
Tiempos de setup de producto.
Tiempos de setup de formato.
Inventarios iniciales, tanto de productos como de materias primas.
Preferencias del usuario.
Las entradas ingresadas son analizadas por el sistema. Dependiendo del horizonte
en el cual se este realizando la optimizacion el sistema entrega distintas salidas:
90. 20
Largo plazo: En este caso el sistema entrega un presupuesto de produccion
detallado a nivel mensual.
Mediano plazo: En el mediano plazo el sistema entrega un plan de produccion
detallado a nivel semanal.
Corto plazo: El sistema entrega un programa de produccion detallado a nivel
diario.
La Figura 2.1 presenta de manera gra
91. ca lo expuesto anteriormente.
Figura 2.1 { CAPPS como un sistema de apoyo a la toma de decisiones
CAPPS trabaja en tres horizontes de tiempo con 3 modulos diferentes, los cuales
buscan integrar, a traves de un proceso jerarquico, las decisiones que deben tomarse en
el largo, mediano y corto plazo. Esquematicamente, dichos modulos y sus relaciones se
pueden observar en la Figura 2.2.
92. 21
Figura 2.2 { Modulos de CAPPS y sus relaciones. Fuente: (Presentacion CAPPS
empresas, 2012)
A continuacion se describen los tres modulos de CAPPS:
Modulo de Largo Plazo: Al utilizar este modulo se considera generalmente
un horizonte de un a~no. Como entrada principal se utilizan los pronosticos de
demanda mensuales. El objetivo de este modulo es balancear las contrataciones,
el inventario y la utilizacion de activos. Las salidas de este modulo son un pre-supuesto
de produccion, un presupuesto de requerimientos de mano de obra y
un presupuesto de requerimientos materias primas. El detalle de las salidas es a
nivel mensual.
Modulo de Mediano Plazo: Utiliza como input el presupuesto de produccion
obtenido en el modulo anterior. El objetivo de este modulo es lograr un equi-librio
entre la satisfaccion de demanda, el nivel de inventario y los tiempos de
setup. La salidas del modulo de mediano plazo es un plan de produccion y los
requerimientos de materias primas estimados para cada periodo. En este caso el
detalle de las salidas es a nivel semanal.
Modulo de Corto Plazo: Este modulo recibe como entrada el plan de pro-ducci
on entregado por el modulo de mediano plazo. Su objetivo de es minimizar
los quiebres de stock cumpliendo al mismo tiempo el plan de produccion entre-gado
por el modulo de mediano plazo. La salida de este modulo es un detallado
programa de produccion a nivel diario.
La informacion anterior, se presenta resumida en la Tabla 2.3.
93. 22
Tabla 2.3 { Resumen de modulos de CAPPS y sus caractersticas
hhhhhhhhhhh Modulo
Caractersticas hhhhhhh
CAPPS LP CAPPS MP CAPPS CP
Detalle de las salidas Nivel mensual Nivel semanal Nivel diario
Objetivos
Balancear
contrataciones,
inventario y
utilizacion de
activos.
Lograr
equilibrio entre
satisfaccion de
demanda y nivel
de inventario.
Minimizar
tiempos de
setup.
Minimizar
quiebres de
stock. Cumplir
plan de
produccion.
Entradas
Pronosticos de
demanda,
parametros que
caracterizan al
sistema.
Presupuesto
anual de
capacidad.
Plan de
produccion de
mediano plazo.
Salidas
Presupuesto de
produccion de
largo plazo.
Presupuesto de
mano de obra.
Requerimientos
de materia
prima.
Plan de
produccion.
Requerimientos
de materia
prima
Programa
detallado de
produccion
2.2.2 Formulacion Matematica
CAPPS, como todo DSS, debe procesar las entradas entregadas por el usuario para
generar las salidas. Internamente, el sistema opera con un modelo basado en el MFCLSP,
que incluye varias caractersticas adicionales. A continuacion se presentan listadas las
principales diferencias del modelo utilizado por CAPPS con respecto al MFCLSP estandar:
Permite la existencia de demanda pendiente o demanda perdida.
Considera inventarios de seguridad e inventarios maximos para cada producto.
Opera con un inventario objetivo para el
95. cacion.
Considera un inventario maximo de bodega en unidades de volumen.
Posee restricciones de capacidad tanto para la mano de obra como para las lneas
productivas.
96. 23
Introduce el concepto de Grupo Productivo, el cual corresponde a un conjunto
de lneas productivas que comparten mano de obra.
Permite la utilizacion de tama~nos de lote mnimos y maximos de produccion para
cada producto.
Considera la utilizacion de materias primas para la fabricacion de cada producto.
Permite restringir el maximo de setups, tanto de familia como de producto, por
lnea productiva y por periodo.
Permite de
97. nir un nivel de importancia para cada producto y familia.
A continuacion se presenta una abstraccion del modelo utilizado por el sistema en
el modulo de mediano plazo:
Parametros:
F: Numero de familias.
P: Numero de productos.
T: Numero de periodos.
G: Numero de grupos productivos.
L: Numero de lneas de produccion.
K: Numero de materias primas.
PFj : Conjunto de productos que pertenecen a la familia j.
PLl: Conjunto de productos que procesa la lnea l.
FLl: Conjunto de familias que procesa la lnea l.
LGg: Conjunto de lneas que pertenecen al grupo productivo g.
PMk: Conjunto de productos que utilizan la materia prima k.
FFi: Familia del producto i.
Dit: Demanda del producto i durante el periodo t.
IIi: Inventario inicial del producto i.
IIMk: Inventario inicial de la materia prima k.
IMAXit: Inventario maximo del producto i en el periodo t.
IMINit: Inventario mnimo del producto i en el periodo t.
98. 24
IFINj : Inventario objetivo de la familia j al
99. nal del horizonte de tiempo.
IT: Capacidad maxima de almacenamiento de la planta [pallets].
ILlt: Capacidad maxima de almacenamiento asignada a la lnea l en el periodo t.
CAPlt: Capacidad disponible de la lnea l en el periodo t.
NLMAXlt: Numero maximo de cuadrillas asignables a la lnea l en el periodo t.
NMAXgt: Numero global de cuadrillas asignables al grupo productivo g en el pe-riodo
t.
NMFl: Numero maximo permitido de setup de familia por periodo en la lnea l.
NMPl: Numero maximo permitido de setup de producto por periodo en la lnea l.
LMINi: Lote mnimo del producto i.
AMPkt: Cantidad de materia prima k que llega y esta disponible en el periodo t.
Aik: Cantidad de materia prima k que consume el producto i.
HCt: Horas disponibles por cuadrilla en el periodo t.
Ri: Rendimiento de la linea al fabricar el producto i.
FUlt: Factor de utilizacion maximo para la lnea l en el periodo t.
IFj : Factor de ponderacion de la familia j.
IPi: Factor de ponderacion del producto i.
PDP: Ponderador de la demanda pendiente.
PSF: Ponderador para el setup de familia.
PSP: Ponderador para el setup de producto.
PDI: Ponderador para el de
100. cit de inventario.
PIF: Ponderador del inventario objetivo para el ultimo periodo del horizonte.
RETk: Parametro que toma el valor 1 si la materia prima k es retornable. En otro
caso toma el valor 0.
101. 25
Variables:
xit: Cantidad de producto i fabricado durante el periodo t.
sit: Inventario de producto i disponible al
102. nal del periodo t.
yit: Variable binaria que toma el valor 1 en caso de que se realice un setup del
producto i en el periodo t, en caso contrario toma el valor 0.
zjt: Variable binaria que toma el valor 1 en caso de que se realice un setup de la
familia j en el periodo t, en caso contrario toma el valor 0.
nlt: Numero de cuadrillas asignadas a la lnea l en el periodo t.
dpit: Demanda pendiente o perdida del producto i en el periodo t.
diit: De
106. 26
Modelo matematico:
Minimizar
XP
i=1
XT
t=1
(IPi(PDI diit + PDP dpit + sit) + PSP yit) +
XF
j=1
(IFj PIF
dfij + PSF
XT
t=1
zjt)
(2.19)
s.a.:
xi1 + IIi si1 = Di1 dpi1 8i = 1; :::; P (2.20)
xit + si;t1 sit = Dit dpit + dpi;t1
* 8i = 1; :::; P 8t = 2; :::; T (2.21)
xit + si;t1 sit = Dit dpit
** 8i = 1; :::; P 8t = 2; :::; T (2.22)
sit IMINit diit 8i = 1; :::; P 8t = 1; :::; T (2.23)
sit IMAXit 8i = 1; :::; P 8t = 1; :::; T (2.24)
X
i2PFj
siT IFINj dfij 8j = 1; :::; F (2.25)
XP
i=1
sit IT 8t = 1; :::; T (2.26)
X
i2PLl
xit
Ri
FUlt CAPlt 8t = 1; :::; T 8l = 1; :::;L (2.27)
X
i2PLl
xit
Ri
FUlt HCt nlt 8t = 1; :::; T 8l = 1; :::;L (2.28)
X
l2LGg
nlt NMAXgt 8t = 1; :::; T 8g = 1; :::;G (2.29)
xit (IMAXit + Dit) yit 8t = 1; :::; T 8g = 1; :::;G (2.30)
xit LMINi yit 8i = 1; :::; P 8t = 1; :::; T (2.31)
*La restriccion (2.21) se utiliza solo cuando se permite demanda pendiente.
**La restriccion (2.22) se utiliza solo cuando no se permite demanda pendiente.
107. 27
yit zFFi;t 8i = 1; :::; P 8t = 1; :::; T (2.32)
X
j2FLl
zjt NMFl 8l = 1; :::;L 8t = 1; :::; T (2.33)
X
i2PLl
yit NMPl 8l = 1; :::;L 8t = 1; :::; T (2.34)
zjt 2 f0; 1g 8j = 1; :::; F 8t = 1; :::; T (2.35)
yit 2 f0; 1g 8i = 1; :::; P 8t = 1; :::; T (2.36)
sit 0 8i = 1; :::; P 8t = 1; :::; T (2.37)
xit 0 8i = 1; :::; P 8t = 1; :::; T (2.38)
dpit 0 8i = 1; :::; P 8t = 1; :::; T (2.39)
diit 0 8i = 1; :::; P 8t = 1; :::; T (2.40)
0 nlt NLMAXlt 8l = 1; :::;L 8t = 1; :::; T (2.41)
smkt 0 8k = 1; :::;K 8t = 1; :::; T (2.42)
dfij 0 8j = 1; :::; F (2.43)
La funcion objetivo (2.19) minimiza los quiebres de stock, los de
108. cits de inventario,
los niveles de inventario y los costos de setup, tanto de familia como de productos. En este
punto destaca, con respecto al MFCLSP, la inclusion de ponderadores en vez de costos.
Los ponderadores son parametros de
110. cador de la produccion, en base a
su experiencia y conocimiento del sistema productivo, que permiten balancear los costos
asociados a los quiebres de stock, de
111. cits de inventario, niveles de inventario y costos de
setup.
Respecto a las restricciones, las expresiones (2.20) y (2.21) o (2.22) corresponden a
las restricciones de balance. Como es posible observar, al compararlas con las expresiones
(2.10) y (2.11), en este caso se utiliza la variable dpit, la cual permite relajar el supuesto
de cumplir con un nivel de servicio del 100 %. La ecuacion (2.21) aborda el caso de que
la demanda no satisfecha el periodo actual, puede ser satisfecha en periodos posteriores
(backlogging); si ese no es el caso, es decir la demanda no satisfecha en el periodo actual
se pierde (lost sales), se utiliza la restriccion (2.22), donde ya no esta presente el termino
dpi;t1. La expresion (2.23) corresponde al lmite inferior para el inventario de cada pro-ducto
en cada periodo, mientras que la expresion (2.24) corresponde al lmite superior; en
112. 28
este punto destaca la inclusion de la variable diit la cual permite que el modelo siga siendo
factible aun cuando el lmite inferior no sea alcanzado. La expresion (2.25) corresponde
al inventario objetivo para cada una de las familias al
114. ca-ci
on. La ecuacion (2.26) busca que no se sobrepase la capacidad de almacenamiento de
la planta. La expresion (2.27) busca que no se sobrepase la capacidad disponible de cada
lnea productiva mientras que la restriccion (2.28) busca que no sea superada la capacidad
disponible de mano de obra; en este punto es posible notar que el coe
115. ciente de absorcion
de capacidad se expresa en terminos del rendimiento y adicionalmente se utiliza un factor
de utilizacion, el cual depende de la linea y el periodo. La expresion (2.29) corresponde al
lmite de cuadrillas permitidas por periodo y por grupo productivo. La restriccion (2.30)
es analoga a la restriccion (2.5) del CLSP estandar y hace posible la produccion solo si se
ha hecho el setup de producto correspondiente; en tanto, la restriccion (2.31) se asegura
de que la produccion de cada producto sea al menos tan grande como el lote mnimo
permitido. La restriccion (2.32) vincula los setup de familia con los setup de producto,
asegurandose de que si se fabrica un producto se haya realizado previamente el setup de
familia correspondiente. Las restricciones (??) y (??) corresponden a las ecuaciones de
balance para las materias primas, la cuales se aseguran que para la fabricacion de un
producto se disponga de materia prima. En el caso de las materias primas retornables
se asume el supuesto de que el retorno de materia prima es igual al consumo materias
prima del periodo inmediatamente anterior. Las restricciones (2.33) y (2.34) restringen el
maximo de setups, tanto de familia como de producto, que pueden realizarse por lnea
productiva y por periodo. Finalmente, Las restricciones que van desde la (2.35) a la (2.43)
representan el dominio de las variables de decision del problema.
2.2.3 Modelo de datos del sistema
A lo largo de esta seccion se presentara, colocando solo las clases mas relevantes
y sus atributos principales, el modelo de datos utilizado por CAPPS para representar el
problema de optimizacion descrito en la seccion 2.2.2.
Para mejorar la visualizacion y comprension del modelo, este ha sido representado
a traves de dos diagramas de clases, los cuales se encuentran relacionados entre s: la
Figura 2.3, considera los elementos basicos del modelo y sus relaciones (principalmente
relacionados con los parametros del problema), en tanto la segunda (Figura 2.4) presenta
los elementos de la solucion, en este caso del plan de produccion (relacionados con las
variables del problema).
116. 29
Figura 2.3 { Diagrama de clases del modelo de datos utilizado por CAPPS, parte 1.
En la Figura 2.3 es posible ver los elementos basicos del modelo. A continuacion se
describira cada una de las clases presentes en el diagrama:
MainEntity: Los objetos de esta clase tienen toda la informacion relativa a una
instancia del problema de optimizacion. Incluye tanto los datos de los parametros
como los datos de la solucion (hace referencia al objeto Plan).
PeriodoProducto: Los objetos del tipo PeriodoProducto almacenan la infor-maci
on importante asociada a un periodo y a un producto en particular. Entre
sus principales atributos se encuentra la cantidad demandada y los inventarios
maximos y mnimos permitidos para el producto en dicho periodo.
PeriodoMatPrim: Los objetos de esta clase contienen la informacion asociada
a un periodo y a una materia prima. En particular, guardan la informacion sobre
las llegadas programas de materia prima para el periodo.
117. 30
PeriodoGrupo: Los objetos de este tipo guardan la informacion relacionada
a un grupo productivo y a un periodo determinado. Entre la informacion mas
relevante destacan los das laborales del grupo productivo en el periodo.
PeriodoLinea: Los objetos de esta clase almacenan la informacion asociada a
una lnea productiva y a un periodo. Entre sus principales atributos destacan la
capacidad de la lnea en el periodo as como su factor de utilizacion.
InventarioProducto: Los objetos de la clase InventarioProducto, estan asocia-dos
a un producto en particular y almacenan la informacion acerca de la cantidad
que tiene en inventario dicho producto al comienzo del horizonte de plani
118. cacion.
InventarioFormato: Los objetos de esta clase almacenan informacion de los
inventarios iniciales de una familia en particular. Adicionalmente guardan la
informacion del inventario de la familia al
120. cacion
(esta informacion la obtienen desde la solucion).
InventarioMatPrim: Los objetos de este tipo estan asociados a una materia
prima y almacenan informacion acerca de la cantidad que tiene en inventario
dicha materia prima.
Producto: Las instancias de esta clase guardan toda la informacion relativa a un
producto en particular. Algunos de sus atributos mas relevantes son la e
121. ciencia
de la lnea cuando lo fabrica, su importancia y el lote mnimo de produccion per-mitido.
Como se puede observar, cada objeto del tipo Producto esta compuesto
por objetos del tipo RequerimientoMatPrim.
Formato: Los objetos de este tipo tienen informacion relativa a una familia. Sus
atributos mas relevantes son su importancia y su inventario
122. nal deseado. Como
es posible observar en el diagrama esta compuesto de productos.
MateriaPrima: Las instancias de esta clase guardan informacion relacionada a
una materia prima. En particular el atributo retornable indica si se trata de una
materia prima retornable o no.
RequerimientoMatPrim: Los objetos de esta clase almacenan informacion
del consumo que tiene un producto en particular de una determinada materia
prima. As un producto tiene multiples requerimientos de materia prima y un
requerimiento de materia prima esta asociado a un producto.
Periodo: Una instancia de esta clase guarda la informacion relativa a un periodo.
Entre sus principales atributos destaca su fecha de inicio, fecha de termino y la
cantidad de das habiles con los que cuenta.
Grupo: Cada instancia de esta clase guarda informacion de un Grupo Produc-tivo.
Sus atributos estan asociados fundamentalmente con su identi
124. 31
Linea: Los objetos de esta clase almacenan informacion de una lnea de pro-ducci
on. Entre sus atributos destaca la informacion relacionada a los numeros
deseados y maximos permitidos de setups.
Preferencias: Una instancia de esta clase guarda informacion relativa a los
parametros del problema que no se encuentran asociados a ningun otro objeto
en particular. En la
125. gura es posible distinguir que los ponderadores de setup,
demanda e inventario se encuentran entre los parametros. Ademas incluye la
capacidad de almacenamiento de la planta.
Las clases Formato, Producto, Grupo, Linea y MateriaPrima, cuentan con atributos
adicionales a los mostrados en la Figura 2.3, los que son utilizados para su identi
126. cacion
(nombre, codigo, etcetera).
Con respecto a los elementos de la solucion, estos pueden ser vistos en la Figura
2.4. Cabe se~nalar que las relaciones con respecto a la primera parte del modelo de datos se
encuentran implcitas (representadas con metodos). A continuacion se describen las clases
presentadas en el diagrama:
Plan: Una instancia de Plan tiene referenciados a todos los objetos asociados a
la solucion. Adicionalmente tiene una referencia al MainEntity.
De
127. citInventario: Un objeto de este tipo tiene referenciada a una Familia en
particular. Almacena el valor de la variable dfij , asociada al de
128. cit de inventario
en el ultimo periodo del horizonte para la familia j.
MPPeriodo: Un objeto de esta clase tiene referencia a un periodo, incluye todos
los elementos de la solucion asociados a dicho periodo.
MPMatPrima: Un objeto de este tipo hace referencia a un periodo y a una
materia prima. Almacena informacion sobre el consumo de materia prima y los
inventarios del periodo.
MPGrupo: Hace referencia a un periodo y a un grupo productivo. Incluye un
metodo para calcular la utilizacion de las cuadrillas en el grupo productivo.
MPLinea: Una instancia de esta clase hace referencia a un periodo y a una
lnea productiva determinada. Entre los principales metodos con los que dispone
estan los que permiten calcular el numero de setup de producto y familia en la
lnea respectiva.
MPProduccion: Cada objeto de esta clase almacena informacion sobre la pro-ducci
on, el inventario, el de
129. cit inventario y la demanda pendiente de un producto
en un periodo.
130. 32
Figura 2.4 { Diagrama de clases del modelo de datos utilizado por CAPPS, parte 2.
2.3 Problematicas abordadas
Tal como se menciono previamente, lo que se busca en esta memoria es convertir a
CAPPS en un software mas
exible, capaz de abordar un mayor numero de situaciones y
soportar a su vez una mayor variedad de sistemas productivos. Con respecto a lo anterior,
en esta seccion se presentaran, algunas de las situaciones que el sistema, tal como se
describio en la seccion 2.2, no es capaz de abordar, y en las que se trabajo a lo largo de la
tesis.
2.3.1 Demanda pendiente y demanda perdida de manera simultanea
Como se ha visto hasta el momento, el sistema es capaz de trabajar con demanda
pendiente (backlogging) o bien con demanda perdida (lost sales), sin embargo no es capaz
de tratar ambos tipos de demanda de manera simultanea. Para entender el problema de
utilizar este enfoque, a continuacion se describe como se comporta el sistema de acuerdo
al tipo de demanda que se utilice:
131. 33
Demanda perdida: Este tipo de demanda se da cuando la demanda no satis-fecha
en el periodo actual se convierte en ventas perdidas. Para modelar esta
situacion se utiliza la restriccion (2.22). Como es posible observar al comparar
esta restriccion con la del CLSP estandar (2.3), se ha a~nadido un nuevo termino
(dpit), el cual permite relajar el supuesto de satisfaccion del 100% de la de-manda.
En caso de que la produccion mas el inventario del periodo anterior no
sean lo su
132. cientemente grandes para satisfacer la demanda del periodo actual,
la variable dpit tomara un valor positivo el cual correspondera a la demanda
perdida del periodo.
Demanda pendiente: Este tipo de demanda se da cuando la demanda no satis-fecha
del periodo actual puede satisfacerse en periodos posteriores, en terminos
practicos el cliente estara dispuesto a esperar en caso de que no haya stock del
producto. Para modelar esta situacion se usa la restriccion (2.21). Si se compara
esta restriccion con la utilizada en el caso previo (2.22), se adiciona un nuevo
termino correspondiente a la demanda pendiente del periodo anterior (+dpi;t1).
As, si en el periodo anterior quedo demanda pendiente, entonces esta se le suma
a la demanda del periodo actual. El problema que se puede dar en esta situacion
es la acumulacion de demanda pendiente de manera inde
133. nida.
A continuacion, a modo de ejemplo, se presentara el comportamiento de la demanda
pendiente y la demanda perdida de un producto con una demanda estatica y determinstica
igual a a unidades por periodo y una produccion de b unidades por periodo considerando
un inventario inicial de 0 unidades. Se consideraran dos situaciones:
Produccion es mayor o igual que la demanda (b a): Este caso no
es de mayor interes para el analisis, dado que la produccion es su
134. ciente para
satisfacer la demanda, por lo tanto la demanda pendiente (o perdida), tendra un
valor igual a cero. Por otra parte el nivel de inventario aumentara a una tasa de
b a unidades por periodo.
Produccion es menor que la demanda (a b): En esta situacion la demanda
no podra ser satisfecha en cada periodo. En caso de que se trate de demanda
perdida, en cada periodo se perderan a b unidades, por otra parte si se trata
de demanda pendiente, esta se acumulara a una tasa igual a (a b) unidades
por periodo. En la Figura 2.5 es posible ver el comportamiento de la demanda
pendiente donde al cabo de t periodos ha alcanzado un valor igual a t(a b).
Dado lo anterior, en el caso de que se trabaje con demanda perdida, el modelo se
ajusta a la realidad, considerando que en cada periodo en que la demanda no puede ser
satisfecha, la misma se pierde.
Por otra parte, cuando se trabaja con demanda pendiente, en funcion de los parame-tros
del problema, podra darse una situacion que se asemeje a la expuesta en la Figura
2.5, donde la demanda pendiente crece sin control. Esta ultima situacion no se ajusta
135. 34
totalmente a la realidad, dado que en general un cliente no estara dispuesto a esperar de
manera inde
136. nida por el producto, y eventualmente parte de la demanda pendiente podra
perderse. Para hacer frente a esta situacion, resulta relevante ajustar sistema de modo de
que sea capaz de operar de manera simultanea con demanda pendiente y demanda perdi-da,
y de esta forma ajustarse en mayor medida a la realidad en problemas en los cuales se
permite demanda pendiente.
Figura 2.5 { Demanda pendiente para un producto con demanda estatica y
determinstica igual a a unidades y produccion constante b, con a b.
2.3.2 Pronosticos de demanda y pedidos determinsticos de ma-
nera diferenciada
Un elemento fundamental de una buena plani
137. cacion consiste en estimar, con la
mayor exactitud posible, la demanda de cada producto.
El pronostico es una estimacion de la demanda que experimentara un producto
durante un determinado periodo futuro y es una de las entradas para el modelo de plani-
138. cacion de la produccion.
Para elaborar un pronostico, generalmente se emplean tecnicas estadsticas basadas
en los datos historicos de la organizacion (por ejemplo series de tiempo), sin embargo, como
toda estimacion, los pronosticos tienen un grado de incertidumbre y en ocasiones podran
alejarse de la realidad. Algunas de las razones que hacen que un pronostico no sea exacto
se presentan a continuacion:
Los datos historicos con los que cuenta la organizacion corresponden a la venta
y no a la demanda. En caso de que se hayan producido quiebres de stock, los
139. 35
datos de venta son distintos a la demanda, lo que puede provocar que se estime
una demanda menor a la real.
La informacion puede estar sesgada debido a la existencia de promociones en pe-riodos
anteriores. Esto puede provocar que se sobrestime la cantidad demandada.
Si se lleva un registro detallado de las promociones en el historico de ventas, se
pueden limpiar los datos y corregirlos de modo de obtener un pronostico acerta-do.
Al elaborar los pronosticos basados en informacion historica, de manera implcita
se asume el supuesto de que lo que sucedio en el pasado debera tender a repetirse
en el futuro. Esto no siempre sucede en la realidad.
Para hacer frente a la incertidumbre con la que cuentan los pronosticos, la organi-zaci
on
141. ne un inventario de seguridad, el que
permite combatir la aleatoriead de la demanda.
Los pedidos determinsticos, por otra parte, corresponden a demanda sin incerti-dumbre
y se materializan a traves de un documento u orden de compra que los respalda.
Cuando los sistemas productivos satisfacen este tipo de demanda, se les caracteriza como
sistemas contra pedido, en estos sistemas la organizacion fabrica el producto solicitado
espec
142. camente para el cliente y no es necesario que guarde existencias del mismo en
inventario.
Los factores que motivan a tratar de manera diferenciada los pedidos de la demanda
basada en pronosticos son los siguientes:
Tienen una naturaleza distinta. Por una parte los pedidos no tienen aleatoriedad
asociada mientras que los pronosticos s la poseen.
Existen distintos tipos de sistemas productivos. Por una parte hay sistemas push
o contra inventario, en los cuales la organizacion produce basada en pronosticos
de demanda. Por otra parte existen los sistemas pull o contra pedido, en los que
se fabrica luego de recibir el pedido. En la practica, gran parte de los sistemas
son mixtos, es decir, un porcentaje de la demanda que reciben corresponde a
pedidos puntuales mientras que el resto es incierta, por tanto se estima a traves
de pronosticos.
El calculo del inventario de seguridad utiliza la demanda y el nivel de servicio
como parametros. Dado que por de
143. nicion el inventario de seguridad se utiliza
para hacer frente a la aleatoriedad de la demanda, si la demanda no es aleatoria,
como es en el caso de los pedidos, no es necesario utilizarlo. Por otra parte, si la
demanda esta basada en pronosticos, se hace necesario utilizarlo.
Actualmente CAPPS no hace distincion entre pedidos y pronosticos. Cuando se
presentan simultaneamente ambos tipos de demanda, el plani
145. 36
dos determinsticos con la demanda proveniente de los pronosticos (demanda aleatoria).
Dicha suma es considerada la demanda del periodo.
El problema que se genera al abordar el problema de esta manera no es directamente
con el modelo de optimizacion, sino mas bien con el calculo del inventario de seguridad por
parte del sistema . Para calcular el stock de seguridad, CAPPS recibe como parametro la
cantidad de das piso mnimo para cada uno de los productos. Adicionalmente, el sistema
calcula la demanda diaria promedio en base a la informacion de demanda de cada producto.
Finalmente, el inventario de seguridad corresponde al resultado de la multiplicacion entre
los das piso mnimos y la demanda diaria promedio. En la expresion (2.44) es posible ver
la formula empleada por el sistema.
IMINit = DPi DDPit 8t = 1; :::; T (2.44)
Donde:
IMINit: Inventario de Seguridad calculado para el producto i en el periodo t.
DPi: Das piso mnimo para el producto i (parametro entregado por el usuario).
DDPit: Demanda diaria promedio del producto i en el periodo t.
Se puede observar en esta expresion que el inventario de seguridad, si bien es
146. jo en
cantidad de das piso, no lo es en unidades de producto y depende de la demanda diaria
promedio del producto en el periodo respectivo.
Como se ha se~nalado anteriormente, el parametro Dit considera de manera indistin-ta,
tanto la demanda asociada a los pedidos como la demanda basada en los pronosticos.
Por tanto, el calculo del stock de seguridad, en caso de que existan pedidos determinsticos,
resultara sobredimensionado.
2.3.3 Multiples plantas de produccion
Actualmente el proceso de optimizacion realizado por CAPPS esta dise~nado para
una planta productiva. Cuando existen sistemas con multiples plantas productivas una
posible aproximacion, utilizando CAPPS como apoyo, es considerar cada planta por sepa-rado,
dado que el sistema no aborda el problema de multiples plantas.
Esquematicamente la aplicacion de este enfoque puede observarse en la Figura 2.6,
donde se consideran N plantas, cada planta es optimizada por separado, lo que genera un
plan de produccion independiente para cada una de ellas.
147. 37
Figura 2.6 { Considerar multiples plantas productivas en multiples instancias de
optimizacion.
El problema de considerar las plantas de esta manera radica en que se ignora la
interaccion existente entre las plantas, la cual puede re
ejarse en el transporte de materia
prima o productos terminados entre plantas o bien en una coordinacion asociada a las
distintas e
148. ciencias que podran tener las lneas productivas en cada planta. Desde un
punto de vista sistemico, el plan generado por CAPPS no aprovechara la opcion de generar
sinergia debido a la existencia de multiples plantas productivas dentro de una misma
organizacion.
Una situacion deseable puede verse en la Figura 2.7. Donde se ingresan a una unica
instancia de optimizacion los parametros de todas las plantas y un conjunto extra de
parametros relacionados con su interaccion. CAPPS considera de manera simultanea todo
el conjunto de parametros y a partir de ellos genera un plan de produccion integrado.
149. 38
Figura 2.7 { Considerar multiples plantas productivas de integradas en una sola
instancia de optimizacion.
2.4 Notas Bibliogra
150. cas
El problema de tama~no de lote ha sido motivo de estudio desde los inicios de la
industrializacion. El primer trabajo relacionado es el que presenta Harris (1913), conocido
como el modelo EOQ, donde se debe determinar el lote economico de compra de modo
de minimizar la suma de los costos de setup e inventario para un unico producto en un
entorno con demanda constante y sin el uso de restricciones de capacidad. Posteriormente,
en el trabajo de Wagner y Within (1958), se presenta un algoritmo que permite alcanzar
la optimalidad en una situacion con demanda dinamica y sin restricciones de capacidad.
A partir de este punto se han estudiado multiples extensiones y variantes del problema de
tama~no de lote; las principales extensiones pueden ser revisadas en el trabajo de Karimi
et al. (2003).
A lo largo de esta seccion se revisara la literatura asociada a tres extensiones (des-critas
en la seccion 2.3). Cabe se~nalar que no ha sido posible encontrar literatura asociada
que revise de manera simultanea las extensiones estudiadas o en las que se utilice de base
un sistema con las caractersticas de CAPPS, por tanto la revision se limita a autores que
151. 39
incorporen de alguna manera extensiones similares en sus trabajos.
Con respecto a la extension que permite que la demanda pendiente y la demanda
perdida coexistan en el mismo sistema, en la literatura es posible encontrar el trabajo
de Wee (1999) donde se presenta un modelo de inventario en el cual solo un porcentaje
de la demanda puede ser dejada pendiente (partial backlogging). Abad (2001), propone
un modelo en el que se permite demanda pendiente y perdida; en este caso la demanda
pendiente maxima permitida es una funcion del tiempo que debe esperar el cliente. Chang
y Lin (2010), presentan un modelo de inventario en el cual coexisten demanda pendiente
y perdida para un unico producto, en el cual la demanda es funcion de la in
acion.
Por otra parte, para el problema de considerar multiples plantas productivas si-mult
aneamente en un unico problema, en la literatura es posible encontrar una extension
del CLSP que ha sido estudiada por diversos autores y que considera multiples plantas pro-ductivas
y costos de transporte; dicho problema es conocido como MPCLSP (Multi Plant
Capacitated Lot Sizing Problem). Entre los autores que han propuesto aproximaciones pa-ra
solucionar este problema se pueden considerar a Sambasivan y Yahya (2005), quienes
proponen una heurstica basada en relajacion lagrangeana para el problema, considerando
transferencias de productos entre plantas; posteriormente Sambasivan (2008) presenta un
caso practico resuelto con la misma heurstica. Akbalik y Penz (2007), presentan la resolu-ci
on de una variante del problema, en el cual la demanda no es concentrada por las plantas
sino que por un centro de distribucion; este problema es resuelto utilizando programacion
dinamica. Deleplanque, Sidhoum y Quilliot (2013), presentan una formulacion alternativa
para el problema basada en
ujo en redes y lo resuelven utilizando relajacion Lagrangeana.
Finalmente, con respecto al calculo de los inventarios de seguridad en sistemas que
poseen tanto demanda basada en pronosticos como demanda determinstica provenien-te
de pedidos realizados con anticipacion por los clientes, no ha sido posible encontrar
bibliografa asociada.
152. 40
3 Formulacion del Modelo
A lo largo de este captulo se abordan las problematicas descritas en la seccion 2.3,
dando solucion a cada una de las situaciones vistas. En la seccion 3.1 se proponen modi-
153. caciones al modelo base visto en la seccion 2.2.2 que buscan permitir la coexistencia de
demanda pendiente y perdida. En la seccion 3.2 se presentan las modi
154. caciones realizadas
al sistema para que exista una distincion entre pronosticos de demanda y demanda real.
En la seccion 3.3 se presenta la formulacion matematica del modelo que considera multi-ples
plantas productivas de manera simultanea. Finalmente en la seccion 3.4 se presenta
el nuevo modelo de datos del sistema, el cual soporta las extensiones implementadas.
Es importante se~nalar que el trabajo realizado se ha aplicado de manera incre-mental,
es decir que el modelo
156. caciones realizadas en las secciones previas (3.1 y 3.2).
3.1 Demanda Pendiente y demanda perdida de manera simultanea
El objetivo de esta extension es permitir que coexistan demanda pendiente y de-manda
perdida. Para lograr esto, la demanda pendiente en algun momento debe convertirse
en demanda perdida. Una aproximacion razonable es que el usuario del sistema ingrese
informacion sobre el tiempo que el cliente esta dispuesto a esperar un pedido.
Para ejempli
157. car esta situacion se presenta la Figura 3.1, donde con color azul
se representa la demanda pendiente y con color gris se representa la demanda perdida
acumulada para un producto con una demanda estatica y determinstica de a unidades y
una produccion constante de b unidades. Como se puede observar, la demanda pendiente se
acumula hasta que se alcanza el periodo M, el cual corresponde a la cantidad de periodos
que esta dispuesto a esperar el cliente por el producto. Pasado el periodoM, la demanda no
satisfecha y que posee mayor antiguedad se convierte en demanda perdida, esto consigue
el efecto buscado, es decir en el mismo sistema se presentan de manera simultanea ambos
tipos de demanda. Lo presentado en este ejemplo se puede contrastar con la Figura 2.5,
donde la demanda pendiente crece sin lmite alguno.
Para mayor claridad sobre la forma en que opera el parametro Mi, en la Tabla 3.1
se presenta un ejemplo numerico. En dicha tabla, se presenta la demanda y produccion
mensual considerando un horizonte de 6 periodos. Luego se presentan la demanda pen-diente
maxima admitida por periodo (correspondiente al maximo valor que puede tomar
la variable dpit) y la demanda perdida (correspondiente a la variable dperit), lo anterior
considerando dos valores del parametro Mi.
158. 41
Tabla 3.1 { Ejemplo sobre la forma de operar del parametro Mi
Periodo 1 2 3 4 5 6
Demanda 100 200 300 400 500 600
Produccion mensual 0 0 0 0 0 0
Mi = 1
Demanda pendiente maxima 100 200 300 400 500 600
Demanda perdida 0 100 200 300 400 500
Mi = 2
Demanda pendiente maxima 100 300 500 700 900 1100
Demanda perdida 0 100 200 300 400
Figura 3.1 { Demanda pendiente y perdida para un producto con demanda estatica y
determinstica igual a a unidades y produccion constante b, con b a.
Si Mi toma un valor de 1, la demanda pendiente del periodo t se convierte en
demanda perdida en caso de no haber sido satisfecha aun en el periodo t + 1, as por
ejemplo, en la Tabla 3.1, la demanda pendiente maxima del periodo 2 es 200, por lo tanto,
dado que la produccion es 0, la demanda que haba quedado pendiente en el periodo
1 y no fue satisfecha al termino del periodo 2, pasa a convertirse en demanda perdida.
Analogamente, en el caso en que Mi toma el valor de 2, la demanda que queda pendiente
en el periodo t, pasa a convertirse en demanda perdida si no es satisfecha a mas tardar
al termino del periodo t + 2. Generalizando, la demanda pendiente del periodo t puede
mantenerse en dicho estado a lo mas hasta el
159. nal del periodo t +Mi, y en caso de no ser
satisfecha en ese momento pasa a convertirse en demanda perdida.
161. caciones que se introdujeron al modelo pre-sentado
en la seccion 2.2.2, de modo de lograr que existan simultaneamente demanda
pendiente y perdida en una unica instancia de problema:
Nuevos parametros :
PDPer: Factor de ponderacion para la demanda perdida.
Mi: Numero de periodos que puede ser dejada pendiente la demanda antes de
convertirse en demanda perdida para el producto i.
Nuevas variables:
dperit: Demanda perdida del producto i en el periodo t.
Funcion objetivo modi
162. cada:
Minimizar
XP
i=1
XT
t=1
(IPi(PDI diit + PDP dpit + PDPer dperit + sit) + PSP yit) +
XF
j=1
(IFj PIF dfij + PSF
XT
t=1
zjt)
(3.1)
Nuevas restricciones:
xi1 + IIi si1 = Di1 dpi1 dperi1 8i = 1; :::; P (3.2)
xit+si;t1sit = Ditdpit+dpi;t1dperit 8i = 1; :::; P 8t = 2; :::; T (3.3)
dpit
Xt
c=tMin(Mi;t)+1
Dic 8i = 1; :::; P 8t = 1; :::; T (3.4)
Como es posible observar se ha introducido un nuevo ponderador para la demanda
perdida, PDPer, el cual resulta relevante para hacer una distincion entre la importancia
que tiene cada tipo de demanda. Resulta natural pensar que perder demanda es menos
deseable que dejar demanda pendiente por tanto su valor debera ser superior al parametro
PDP, correspondiente al ponderador de la demanda pendiente.
Adicionalmente se a~nade un parametro para indicar el numero de periodos que
puede ser dejada pendiente la demanda de cada producto (Mi), el cual corresponde al
numero de periodos que el cliente esta dispuesto a esperar por el producto i. El valor
163. jado para dicho parametro puede estar basado en la experiencia del plani
165. 43
puede obtenerse luego de un analisis de los tiempos que los clientes estan dispuestos a
esperar.
Con respecto a la funcion objetivo (3.1), es posible notar, al compararla con la
expresion (2.19), que se ha a~nadido un nuevo termino. Dicho termino se utiliza para
penalizar la demanda perdida.
Se introducen nuevas restricciones de balance, donde la restriccion (3.2) reemplaza
a la restriccion (2.20) y la restriccion (3.3) reemplaza a las restricciones (2.21) y (2.22).
Como es posible notar, en estas nuevas restricciones se utilizan variables distintas para la
demanda pendiente y demanda perdida. Se a~nade ademas una nueva restriccion (3.4), la
cual limita la cantidad de demanda que puede ser dejada pendiente.
Con respecto a la nueva formulacion cabe se~nalar:
Se asume que la demanda mas antigua se satisface primero. Esto se ve re
ejado
en la restriccion (3.4). Este supuesto resulta razonable ya que, salvo en casos de
excepcion, se preferira satisfacer la demanda que esta mas cercana a perderse.
Un caso en el que este supuesto no se cumplira es, por ejemplo, cuando existen
clientes preferidos a los cuales no se hace esperar.
Ya no es necesario tener una restriccion de balance cuando se trabaja exclusiva-mente
con demanda pendiente y una distinta cuando se trabaja solo con demanda
perdida. La nueva restriccion de balance (3.3) resulta mas general. En caso de
que el parametro Mi tome valor 0, las variables dpit se haran 0 y con esto se
lograra lo mismo que con la restriccion (2.22). Si se desea lograr lo mismo que
con la restriccion (2.21), es decir trabajar con demanda pendiente que se acumu-le
de manera inde
166. nida, el valor de Mi debe ser igual a la cantidad de periodos
considerados en el horizonte de plani
167. cacion (T). Si Mi toma cualquier valor
mayor que 0 y menor que T, se considerara la existencia de demanda pendiente
y perdida simultaneamente.
3.2 Pronosticos de demanda y pedidos determinsticos de mane-
ra diferenciada
Lo que se busca con la implementacion de esta extension es hacer una distincion
explcita entre la demanda asociada a pedidos (o determinstica) y la demanda estima-da
proveniente de los pronosticos de demanda realizados por la organizacion. Se busca
solucionar el problema descrito en la seccion 2.3.2.
Para lograr esto se considero que el parametro Dit, correspondiente a la demanda
del producto i en el periodo t, tiene dos componentes: un primer componente asociado a
los pronosticos de demanda y un segundo componente asociado a los pedidos o demanda
168. 44
determinstica. Lo anterior se puede expresar de la siguiente manera:
Dit = Pedit + Pronit (3.5)
Donde:
Dit: Demanda total del producto i en el periodo t.
Pedit: Demanda asociada a pedidos del producto i durante el periodo t.
Pronit: Pronostico de demanda del producto i para el periodo t.
Como es posible observar, esta modi
169. cacion no implica cambios directos en la for-mulaci
on del modelo matematico, ya que en este se sigue utilizando el parametro Dit.
Por otra parte, tratar de manera diferenciada los pedidos de los pronosticos, afecta
la manera en que se calculan los inventarios de seguridad e inventarios maximos. Los
pedidos no deben ser considerados para el calculo del stock de seguridad, dado que son
considerados determinsticos (sin aleatoriedad), pero s deben ser considerados para el
calculo del stock maximo. A continuacion se presenta la nueva manera de calcular los
inventarios maximos y mnimos:
Calculo Inventario de Seguridad:
IMINit = DPi DDPPit 8t = 1; :::; T (3.6)
Donde:
IMINit: Inventario de seguridad del producto i en el periodo t.
DPi: Das piso mnimos de inventario para el producto i.
DDPPit: Demanda diaria pronosticada promedio para el producto i en el periodo
t.
Esta expresion se diferencia de la expresion (2.44), dado que en este caso se consi-dera
solo la demanda asociada a los pronosticos.
Calculo de Inventario Maximo:
Previo a implementar la extension descrita en esta seccion, el inventario maximo
se calculaba de la siguiente manera:
IMAXit = DPMi DDPit 8t = 1; :::; T (3.7)
Donde:
170. 45
IMAXit: Inventario maximo permitido del producto i en el periodo t.
DPMi: Das piso maximo de inventario para el producto i.
DDPit: Demanda diaria promedio para el producto i en el periodo t.
Dado que ahora se diferencia de manera explcita la demanda basada en pronosticos
de los pedidos dicha expresion ha sido reemplazada por la siguiente:
IMAXit = DPMi (DDPPit + PedDPit) 8t = 1; :::; T (3.8)
Donde se consideran los siguientes parametros adicionales:
DDPPit: Demanda diaria pronosticada promedio para el producto i en el periodo
t (considera solo pronosticos).
PedDPi: Pedidos promedio del producto i durante el periodo t (considera solo
pedidos).
Es posible observar que se ha hecho la diferencia explcita entre pedidos y demanda
basada en pronosticos. El sistema calcula, basado en la informacion de demanda y los das
piso maximo, los pedidos promedio y la demanda basada en pronosticos promedio. Para
calcular el inventario maximo se considera el producto entre la demanda diaria promedio
asociada a los pronosticos de demanda y los das piso maximo y se adiciona el producto
entre los pedidos promedio y los das piso maximo.
3.3 Multiples plantas productivas tratadas simultaneamente
Lo que se busca con esta extension es permitir que el sistema sea capaz de gene-rar
un unico plan de produccion considerando multiples plantas productivas y teniendo en
cuenta la interaccion existente entre ellas. Esquematicamente se busca lograr lo presentado
en la Figura 3.2, donde se ingresan los parametros de N plantas y los parametros rela-cionados
con su posible interaccion y el sistema genera un plan integrado de produccion
considerando simultaneamente todas las plantas.
Para lograr esto, se debio modi
171. car la formulacion del modelo matematico y el
modelo de datos del sistema. A lo largo de esta seccion se presentara el nuevo modelo,
considerando los supuestos as como su formulacion.
172. 46
Figura 3.2 { Considerar multiples plantas productivas de integradas en una sola
instancia de optimizacion.
3.3.1 Descripcion general y supuestos para el modelo de multi-
ples plantas
El modelo presentado se encuentra orientado principalmente a organizaciones que
disponen de multiples plantas productivas y cuyos tiempos de setup de familia son gran-des.
En dicho tipo de sistemas productivos se presenta un problema decisional adicional,
correspondiente al trade-o existente entre la cantidad de productos a transportar y el
numero de setups a realizar. A mayor cantidad de productos transportados menor debiesen
ser la cantidad de setups realizados.
Se consideran los siguientes aspectos adicionales con respecto al problema presen-tado
en la seccion 2.2.2:
Se consideran B plantas de produccion.
Se considera demanda pendiente y demanda perdida simultaneamente.
Cada planta productiva es un centro de demanda, por tanto existe una demanda
173. 47
asignada a cada planta, a cada producto y a cada perodo (Ditb).
En caso de que se presenten pedidos determinsticos, estos son asignados a una
planta en particular.
Cada planta dispone de una capacidad de almacenamiento.
Se considera un stock de seguridad y stock maximo para cada producto en cada
planta.
Los ponderadores de setup, tanto de familia como de producto dependen de la
lnea productiva.
Existen rutas que unen las plantas, las cuales consideran una planta de origen y
una planta de destino.
Existen
ujos de materia prima y de productos terminados entre plantas, consi-derados
en unidades de volumen.
Para transportar dichos
ujos se utiliza un medio de transporte con capacidad
limitada.
Se considera un maximo de viajes entre cada par de plantas por periodo.
Tanto los productos como las materias primas poseen un volumen determinado.
Cada producto puede ser fabricado en mas de una planta.
En cada planta cada producto solo puede ser fabricado por una lnea productiva.
Se asume que los tiempos de setup de familia pueden ser grandes y que pueden
afectar directamente a la capacidad de la lnea de produccion, situacion que se
materializa con la inclusion de tiempos de setup para las familias de producto
3.3.2 Formulacion matematica
En esta seccion se presenta la formulacion del modelo, considerando parametros,
variables de decision y el modelo propiamente tal:
Parametros:
F: Numero de familias.
P: Numero de productos.
T: Numero de perodos del horizonte.
G: Numero total de grupos productivos.
174. 48
L: Numero total de lneas de produccion.
K: Numero de materias primas.
PFj : Conjunto de productos de la familia j.
PLl: Conjunto de productos de la lnea l.
FLl: Conjunto de familias de la lnea l.
LGg: Conjunto de lneas del grupo g.
PMk: Conjunto de productos que usan la materia prima k.
FFi: Familia del producto i.
B: Numero de plantas.
GRb: Conjunto de grupos de la planta b.
LPb: Conjunto de lneas de la planta b.
PTl: Planta a la que pertenece la lnea l.
Ditb: Demanda del producto i en el periodo t en la planta b.
Mi : Cantidad de perodos que la demanda puede quedar pendiente para el producto
i.
IIib: Inventario inicial disponible del producto i en la planta b.
IIMkb: Inventario inicial de materia prima k en la planta b.
IMAXitb: Inventario maximo del producto i en el perodo t en la planta b.
IMINitb: Inventario de seguridad del producto i en el perodo t en la planta b.
IFINjb: Inventario objetivo de la familia j al
175. nal del horizonte de tiempo en la
planta b.
ITb: Capacidad maxima de almacenamiento de la planta b [pallet].
CAPlt: Capacidad de la lnea l durante el perodo t.
NLMAXlt: Numero maximo de cuadrillas disponibles para la lnea l en el perodo
t.
NMAXgt: Numero global de cuadrillas asignables para el grupo g en el periodo t.
NMFl : Numero maximo permitido de setup de familia por periodo en la lnea l.
176. 49
NMPl : Numero maximo permitido de setup de producto por periodo en la la lnea
l.
LMINib: Lote mnimo del producto i en la planta b [CF].
TSl: Tiempo de setup promedio de cambio de familia en la lnea l.
AMPktb: Cantidad de materia prima k que llega y esta disponible al inicio del
perodo t en la planta b.
Aik: Cantidad de materia prima k que consume el producto i.
IFj : Factor de ponderacion de la familia j.
IPi: Factor de ponderacion del producto i.
PDP: Factor de ponderacion para la demanda pendiente.
PDPer: Factor de ponderacion para la demanda perdida.
PDI: Factor de ponderacion para el de
177. cit de inventario.
PIF: Factor de ponderacion para el inventario objetivo en el ultimo periodo del
horizonte.
PSFl: Factor de ponderacion de setup de familia en la lnea l.
PSPl: Factor de ponderacion de setup de producto en la lnea l.
RETk: Parametro que toma el valor 1 si la materia prima k es retornable. 0 si es
desechable.
HCtb Horas disponibles por cuadrilla en el perodo t en la planta b.
Ril: Rendimiento real del producto i en la lnea l.
FUlt: Factor de utilizacion maximo de la linea l en el perodo t.
Vi: Volumen del producto i en [pallets].
V mk: Volumen de la materia prima k en [pallets].
Capt: Capacidad del medio de transporte en [pallets].
NMVabt: Maximo de viajes permitidos durante el periodo t entre las plantas a y b.
RT: Conjunto de rutas disponibles.
178. 50
Variables:
xitb: Cantidad de producto i fabricado durante el perodo t en la planta b.
sitb: Inventario del producto i al
179. nal del perodo t en la planta b.
nlt: Numero de cuadrillas asignadas a la lnea l en el perodo t.
dpitb: Demanda pendiente del producto i en el perodo t en la planta b.
dperitb: Demanda perdida del producto i en el perodo t en la planta b .
diitb: De
180. cit de inventario del producto i en el perodo t en la planta b.
dfijb: De
181. cit de inventario de la familia j en la planta b en el ultimo perodo.
smktb: Inventario de materia prima k al
182. nal del perodo t en la planta b.
zjtb: 1 Si se realiza un setup de la familia j en el perodo t en la planta b. 0 en otro
caso.
yitb: 1 Si se realiza un setup del producto i en el perodo t en la planta b. 0 en otro
caso.
fiabt: Flujo del producto i desde la planta a a la planta b durante el perodo t (se
totaliza al
183. nal del perodo).
fmpkabt: Flujo de la materia prima k desde la planta a a la planta b durante el
perodo t(se totaliza al
184. nal del perodo).
nvabt: Numero de viajes entre la planta a y la planta b durante el perodo t.
Modelo matematico:
Minimizar
XP
i=1
XT
t=1
XB
b=1
(IPi(PDIdiitb+PDPdpitb+PDPerdperitb+sitb))+
XB
b=1
XF
j=1
(IFjb
PIF dfijb) +
XT
t=1
XL
l=1
X
j2FLl
(PSFl zjtPTl + PSPl
X
i2PFj
yitPTl)
(3.9)
s.a.:
IIib+xi1bsi1b+
XB
a=1
a6=b
fiab1
XB
a=1
a6=b
fiba1 = Di1b
dpi1b dperi1b
8i = 1; :::; P 8b = 1; :::;B (3.10)
185. 51
si;t1;b + xitb sitb +
XB
a=1
a6=b
fiabt
XB
a=1
a6=b
fibat =
Ditb dpitb dperitb + dpi;t1;b
8i = 1; :::; P
8t = 2; :::; T
8b = 1; :::;B (3.11)
XB
a=1
a6=b
fiba1 IIib + xi1b 8i = 1; :::; P 8b = 1; :::;B (3.12)
XB
a=1
a6=b
fibat si;t1;b + xitb 8i = 1; :::; P
8t = 2; :::; T
8b = 1; :::;B (3.13)
dpitb
Xt
c=tMin(Mi;t)+1
Dicb 8i = 1; :::; P
8t = 1; :::; T
8b = 1; :::;B (3.14)
sitb IMINitb diitb 8i = 1; :::; P
8t = 1; :::; T
8b = 1; ::;B (3.15)
sitb IMAXitb 8i = 1; :::; P
8t = 1; :::; T
8b = 1; ::;B (3.16)
X
i2PFj
siT b IFINjb dfijb 8j = 1; :::; F 8b = 1; :::;B (3.17)
XP
i=1
sitb Vi ITb 8t = 1; :::; T 8b = 1; :::;B (3.18)
X
i2PLl
xit;PTl
Ril
FUlt CAPltTSl
X
j2FLl
zjt;PTl 8 l = 1; :::;L 8 t = 1; :::; T (3.19)
X
i2PLl
xit;PTl
Ril
FUlt HCt;PTl nlt 8 l = 1; :::;L 8 t = 1; :::; T (3.20)
X
l2LGg
nllt NMAXgt 8t = 1; :::; T 8g = 1; :::;G (3.21)
xitb (IMAXitb + Ditb) yitb 8i = 1; :::; P
8t = 1; :::; T
8b = 1; :::;B (3.22)
xitb LMINib yitb 8i = 1; :::; P
8t = 1; :::; T
8b = 1; :::;B (3.23)
186. 52
yitb zFFi;tb 8i = 1; :::; P
8t = 1; :::; T
8b = 1; :::;B (3.24)
IIMkb + AMPk1b
X
i2PMk
Aik xi1b +
XB
a=1
fmpkab1
XB
a=1
fmpkba1 = smk1b
8k = 1; :::;K 8b = 1; :::;B (3.25)
smk;t1;b + AMPktb + RETk
X
i2PMk
Di;t1;b
Aik)
X
i2PMk
Aik xitb +
XB
a=1
fmpkabt
XB
a=1
fmpkbat = smktb
8k = 1; :::;K
8t = 2; :::; T
8b = 1; :::;B (3.26)
nvabt
XP
i=1
(fiabt Vi) +
XK
k=1
(fmpkabt V mk)
Capt
8(a; b) 2 B B, a6= b
(3.27)
8t = 1; ::; T
nvabt NMVabt
8(a; b) 2 B B, a6= b
(3.28)
8t = 1; ::; T
xitb 0 8i = 1; :::; P
8t = 1; :::; T
8b = 1; :::;B (3.29)
sitb 0 8i = 1; :::; P
8t = 1; :::; T
8b = 1; :::;B (3.30)
0 nlt NLMAXlt 8l = 1; :::;L 8t = 1; :::; T (3.31)
dpitb 0 8i = 1; :::; P
8t = 1; :::; T
8b = 1; :::;B (3.32)
dperitb 0 8i = 1; :::; P
8t = 1; :::; T
8b = 1; :::;B (3.33)
diitb 0 8i = 1; :::; P
8t = 1; :::; T
8b = 1; :::;B (3.34)
dfijb 0 8j = 1; :::; F 8b = 1; :::;B (3.35)
187. 53
smktb 0 8k = 1; :::;K
8t = 1; :::; T
8b = 1; :::;B (3.36)
zjtb 2 f0; 1g 8j = 1; :::; F
8t = 1; :::; T
8b = 1; :::;B (3.37)
yitb 2 f0; 1g 8i = 1; :::; P
8t = 1; :::; T
8b = 1; :::;B (3.38)
fiabt 0
8 a; b = 1; :::;B
(3.39)
8i = 1; :::; P 8t = 1; :::; T
fmpkabt 0
8a; b = 1; :::;B
(3.40)
8k = 1; :::;K 8t = 1; :::; T
nvabt 2 N0 8a; b = 1; :::;B
(3.41)
8t = 1; :::; T
Donde la funcion objetivo (3.9) es analoga a la expresion (2.19), donde se busca
minimizar los quiebres de stock, los de
188. cits de inventario, los niveles de inventario y los
costos de setup, tanto de familia como de producto. Un aspecto que destaca, respecto
a la expresion (2.19), es que los ponderadores de setup son dependientes de la lnea de
produccion.
Con respecto a las restricciones, las expresiones (3.10) y (3.11) son las ecuaciones
de balance; se puede observar que se han a~nadido dos sumatorias correspondientes a los
ujos de producto entrantes y salientes de cada planta. Las restricciones (3.12) y (3.13)
limitan la cantidad de
ujo saliente al inventario mas la produccion del periodo, lo anterior
para asegurar que no se enven productos que no se encuentren en inventario. La restric-ci
on (3.14), es utilizada para limitar la demanda pendiente (analogo a lo que se realiza
con la restriccion (3.4)). Las restricciones (3.15) y (3.16) corresponden a las restricciones
de inventario mnimo y maximo para cada producto, periodo y planta; son analogas a las
restricciones (2.23) y (2.24). La restriccion (3.17) busca que al
190. cacion el inventario de cada familia de productos se aproxime lo mas posible al inventario
deseado, lo anterior se realiza para todas las plantas. La restriccion (3.18) corresponde al
maximo de inventario permitido en cada planta. La restriccion (3.19) es la restriccion de
capacidad; es posible observar que se los setups de familia inciden directamente en la capa-cidad
disponible. La restriccion (3.20) corresponde a la restriccion de capacidad de mano
de obra. La restriccion (3.21) corresponde al lmite de cuadrillas permitidas por periodo y
por grupo productivo. La restriccion (3.22) vincula la produccion a la realizacion de setup
de producto, exigiendo que la produccion del producto sea menor que inventario maximo
permitido del producto en la planta mas la demanda del periodo. La restriccion (3.23) exi-ge
que cada lote de produccion sea al menos tan grande como el lote mnimo de produccion
permitido para cada producto. La restriccion (3.24) vincula los setups de producto con
191. 54
los setup de familia, obligando a que se realice un setup de familia en cada periodo que
se ha realizado un setup de cualquiera de sus productos constituyentes. Las restricciones
(3.25) y (3.26) son las ecuaciones de balance para las materias primas; como es posible
notar se a~naden dos sumatorias correspondientes a las entradas de materias primas desde
otras plantas y a las salidas de materias primas hacia otras plantas. La restriccion (3.27)
corresponde al numero de viajes realizados entre cada par de plantas y corresponde al
cociente entre el volumen transportado entre dichas plantas y la capacidad del medio de
transporte. En tanto, la restriccion (3.28), exige que la cantidad de viajes realizados entre
cada par de plantas sea menor al maximo de viajes permitido . Las restricciones que van
desde la (3.29) a la (3.41) representan el dominio de las variables de decision del problema.
3.4 Modelo de datos modi
192. cado
Para que el sistema sea capaz de soportar las extensiones que se han descrito en
este captulo, ha sido necesario modi
193. car el modelo de datos descrito en la seccion 2.2.3.
A lo largo de esta seccion se presentara el nuevo modelo, haciendo enfasis en los cambios
introducidos.
El nuevo modelo de datos ha sido divido en dos diagramas, el primero de ellos,
se puede observar en la Figura 3.3, y representa las clases relevantes relacionados con los
parametros del problema. En tanto, en la Figura 3.4 es posible ver el segundo diagrama,
el cual presenta fundamentalmente las clases asociadas a las variables del problema.
Se han destacado con color las nuevas clases que se han introducido. A continuacion
se describiran, la clases relacionadas con los parametros del problema:
MainEntity: Los objetos de esta clase tienen toda la informacion relativa a una
instancia del problema de optimizacion. Incluye tanto los datos de los parametros
como los datos de la solucion (hace referencia al objeto Plan presente en la
Figura 3.4). Con respecto a la version inicial del problema solo se diferencia
en que contiene una mayor cantidad de asociaciones de agregacion, debido a la
introduccion de nuevas clases.
PeriodoProductoPlanta: Las instancias de esta clase almacenan la informa-ci
on importante asociada a un periodo, a un producto y una planta en particular.
Entre sus principales atributos se encuentra la cantidad de demanda (pronosticos
de demanda), los pedidos, los inventarios maximos y mnimos permitidos para
el producto en dicho periodo y en dicha planta.
PeriodoProducto: Los objetos del tipo PeriodoProducto, en este diagrama tie-nen
asociados un conjunto de objetos PeriodoProductoPlanta y contiene meto-dos
que permiten entregar informacion resumida respecto a los pronosticos de
demanda y a los pedidos de todas las plantas.
194. 55
Figura 3.3 { Diagrama de clases del modelo de datos modi