Scheduling model under the effect of human learning in a flow-shop system with intensive manual operations

A lo largo del tiempo, los modelos de scheduling han sido de gran utilidad en la industria manufacturera para optimizar resultados en las metas establecidas a través de decisiones de asignación de recursos y actividades. Aunque dichos modelos han ayudado a las organizaciones a estructurar de manera adecuada sus procesos productivos, han incluido únicamente máquinas dentro de su modelado y han simplificado el factor humano considerando su comportamiento como estacionario y constante. Los modelos fundamentados bajo estos supuestos ignoran, entre otras cosas, que el hombre aprende a medida que adquiere experiencia y por ende mejora su desempeño frente a una actividad en particular. Por lo anterior, es necesario incorporar estos aspectos dentro del modelo ya que impactan directamente en la mejora de las relaciones internas, la calidad y la productividad del sistema. Este documento propone la incorporación del efecto del aprendizaje del factor humano dentro de un modelo de scheduling que minimice el makespan bajo un marco de sistema flow-shop con operaciones manuales altamente intensivas, además del diseño de una simheurística que permita hallar una asignación factible al problema planteado en un tiempo de ejecución razonable teniendo en cuenta el comportamiento estocástico de los tiempos de procesamiento. Dicha técnica se basa en la aplicación de simulación de Montecarlo y la metaheurística GRASP, compuesta por la fase constructiva y la búsqueda local. En la primera fase se hace uso de la heurística NEH para construir una solución inicial al aumentar la exploración del espacio de soluciones mediante la diversificación de las mismas. En cuanto a la segunda fase, se busca la mejora de la solución por medio de la búsqueda local con el operador 2OPT.El problema planteado con tiempos de procesamiento estocásticos fue resuelto y una variación al problema FSP con aprendizaje fue planteada considerando dicha variación en las tasas de aprendizaje de cada operario. Los resultados obtenidos para un conjunto de datos de ejemplo se analizaron con el fin de caracterizar y entender mejor las soluciones obtenidas. Finalmente, se aplicó la técnica bajo diferentes escenarios tales como: determinista clásico, determinista con aprendizaje, con tiempos de procesamiento estocásticos y con tasas de aprendizaje estocásticas con el fin de evaluar el desempeño de la herramienta propuesta y medir el impacto de la inclusión de estos factores en diferentes conjuntos de datos o instancias encontradas en la literatura.Over time, scheduling models have been highly appropriate in the manufacturing industry to optimize outcomes in the goals established through decisions to allocate resources and activities. These models have helped organizations to appropriately structure their production processes, including fully automated procedures within modeling, simplifying human factors by considering their behavior as stationary and constant. The models based on these assumptions ignore, among other things, the learning and acquisition of experience by humans and therefore, their improvement in a particular activity. For this reason, it is necessary to incorporate these aspects into the model because of their direct impact on the improvement of internal relations, quality, and productivity of a system. This document proposes the incorporation of the learning effect of the human factor within a scheduling model that minimizes the makespan under a flow-shop framework with highly intensive manual operations. In addition to the design of a simheuristic that allows finding a feasible arrangement assignment to the problem, raised in a reasonable execution of time, the stochastic behavior of the processing times was taking into account. This technique is based on the Monte Carlo simulation application and the GRASP metaheuristic, constituted by the constructive and the local search phase. In the first phase, the NEH heuristic is used to build an initial solution by increasing the exploration of the solution space, and therefor diversifying it. As for the second phase, the improvement of the solution is sought through a local search with the 2OPT operator. The problem based on stochastic processing times was solved, and a variation to the FSP problem with learning was proposed, considering said variation in the learning rates of each operator. The results obtained for an example data set were analyzed to better characterize and understand the solutions obtained. Finally, the technique was applied under different scenarios, such as classical deterministic, deterministic with learning, stochastic processing times, and stochastic learning rates to evaluate the performance of the proposed tool, and measure the impact of their inclusion factors in different data sets or instances found in the literature.Ingeniero (a) IndustrialPregrad