La investigación “Algoritmo genético bi-objetivo para la programación en un taller de flujo flexible: Una aplicación del mundo real en la industria eléctrica”, realizada por Bladimir Chivata y Diego Armando Escobar, egresados de la Maestría en Gerencia de Producción y Operaciones, tiene como objetivo resolver un problema del sector de fabricación de soluciones eléctricas. Para ello, se enfoca en la optimización de las operaciones y la secuenciación de actividades en los procesos de fabricación de soluciones con un alto grado de personalización, utilizando una herramienta metaheurística basada en un algoritmo genético.
La necesidad de reducir los tiempos de planeación y fabricación en la industria motivó el desarrollo de esta investigación. En una planta de fabricación de soluciones eléctricas, se ejecutan múltiples proyectos simultáneamente, con tiempos de producción y entrega variables. Si no se gestionan adecuadamente, esto genera tiempos muertos e ineficiencias. La planificación en la empresa objeto de estudio se realizaba con herramientas ofimáticas básicas, como Excel y principios sencillos de planificación, lo que resultaba en una gestión imprecisa y afectaba la toma de decisiones debido al volumen de unidades a fabricar, la simultaneidad de los proyectos y variabilidad de las soluciones.
Para abordar esta problemática, se implementó una metaheurística basada en un algoritmo genético, utilizando Python como herramienta de código abierto. Gracias a esta innovación, se logró reducir significativamente el tiempo de planificación, optimizar la secuenciación de los trabajos y la asignación de las máquinas y recursos; esto plantea entregas más satisfactorias para los clientes, reduciendo las entregas tardías del 96% al 17,4%.
El algoritmo genético está inspirado en la teoría de la evolución de las especies de Darwin. Su proceso comienza con una secuencia aleatoria de tareas, denominadas cromosomas, que evolucionan a través de generaciones sucesivas. En cada iteración, se seleccionan los mejores progenitores, los cuales generan combinaciones óptimas para mejorar la secuenciación de tareas y eficiencia de la producción. Para los efectos de esta investigación el algoritmo resuelve un problema bi-objetivo, cuyo propósito es reducir el makespan y la tardanza.
Este modelo matemático se alimenta con datos del proceso proporcionados por la compañía, como el número de máquinas, capacidad, tiempos de procesamiento en cada etapa, proyectos, fecha de ingreso de las órdenes y fechas de entrega, etc. Dicha información se convierte en una matriz compleja que permite al algoritmo evaluar múltiples escenarios y optimizar la secuenciación de actividades.
Previo a la implementación del algoritmo, la planificación de órdenes de producción podía tomar dos semanas para analizar un periodo de seis meses de producción. Con el nuevo modelo, este tiempo se redujo en un 97%, mejorando la velocidad en la que se obtiene la información, lo cual resulta vital para simular diferentes escenarios y tomar decisiones estratégicas basados en ellos.
El modelo desarrollado es adaptable a cualquier industria con un esquema de producción similar, conocido como taller de flujo flexible, “Flexible Flow Shop”. En este tipo de sistema, los productos deben pasar por etapas específicas en un orden predefinido. Cada estación de trabajo esta equipada con varias máquinas, lo que permite ajustar la estrategia de optimización según la capacidad disponible en cada una.
Esta investigación se publicó en un artículo Q2, recientemente en la Revista APEM (Advances in Production Engineering & Management). En él se presenta una revisión bibliográfica de más de 80 artículos, que respaldan la efectividad del algoritmo genético en distintos sectores industriales. Además, se comparan diversas investigaciones para resaltar la relevancia e impacto de esta metodología.
A futuro, se plantea la posibilidad de transformar el algoritmo y modelo desarrollado hacia un enfoque de inteligencia artificial. Con algunos ajustes, podría integrarse con técnicas de aprendizaje automático, lo que permitirá una toma de decisiones eficiente y autónoma en la gestión de la producción.
Sobre los Autores
Diego Armando Escobar es Ingeniero Mecánico, con especialización en Ingeniería de Operaciones en Manufactura y Servicios, así como Especialista y Magíster en Gerencia de Producción y Operaciones. Actualmente, se desempeña como director de producción en una empresa del sector de la construcción.
Bladimir Chivatá es Ingeniero Electromecánico, con especialización y maestría en Gerencia de Producción y Operaciones. Con más de 19 años de experiencia en el sector eléctrico, actualmente ejerce como gerente industrial e ingeniería para la multinacional brasilera Weg, en su sede en Colombia.
Ambos autores coinciden en que la formación adquirida en la universidad les ha proporcionado una visión integral del mundo productivo, permitiéndoles optimizar procesos, mejorar la productividad y gestionar eficazmente sus equipos. También destacan el desarrollo de un pensamiento metódico y estructurado, lo que les ha permitido abordar problemas desde un enfoque sistémico y aplicar soluciones sustentadas en la teoría, con un impacto tangible en la industria.
Consulta el artículo aquí
