Balanceo de lneas de ensamble: Diseo de una hiperheurstica usando Scatter Search

Jos Luis Gonzlez Velarde 1 , Joaqun Bautista 2 , Elena Fernndez2

1 2

Instituto Tecnolgico de Monterrey, Garza Sada Sur 2501, 64849, Monterrey, N.L: Universitat Politcnica de Catalunya, Avda. Diagonal 647, 7 Planta 08028 Barcelona {joaquin.bautista, e.fernandez}@upc.edu, gonzalez.velarde@itesm.mx

Resumen
El presente trabajo se centra en la aplicacin de un procedimiento basado en Scatter Search (SS) para resolver un problema de balanceo de lneas de ensamble. Tras una introduccin a los denominados Assembly Line Balancing Problems (ALBPs) se propone un modelo bsico para su variante simple (SALBP). Tras ello, se presentan las heursticas miopes (basadas en reglas de prioridad) empleadas para resolver SALBP, se plantea su hibridacin y se propone un procedimiento de combinacin de soluciones, representadas por secuencias de reglas heursticas de prioridad en la asignacin de tareas, bajo un esquema SS. Finalmente, se realiza una experiencia computacional, con instancias de referencia, para probar el procedimiento, y se establecen las conclusiones del trabajo.

1. Introduccin
Las lneas de produccin y de ensamble se caracterizan por estar constituidas por un conjunto de puestos de trabajo denominados estaciones. Las estaciones ( m, indexadas en un conjunto K) se disponen en serie y en paralelo y a travs de ellas fluye la obra en curso de un producto (motores, carroceras, etc.) gracias a un sistema de transporte encargado, por una parte, de aportar, los materiales requeridos al flujo principal y, por otra, mover las unidades del producto de una estacin a la siguiente. Las unidades del producto pueden ser idnticas o, ms usual actualmente, presentar distintas variantes. La fabricacin de una unidad de producto se suele dividir en un conjunto V de tareas n indexadas, a su vez, en un conjunto J (el cual depende de la lista de materiales y de las

especificaciones de montaje suministradas por ingeniera de produccin). Al subconjunto de tareas asignadas a una estacin concreta k (1 k m) se denomina carga de la estacin k y la representaremos mediante Sk (Sk V) y se impone como condicin que cada tarea debe asignarse a una nica estacin. Una tarea concreta j (1 j n) requiere para su ejecucin un tiempo de operacin tj>0 que depende de las tecnologas de fabricacin y de los recursos empleados. Adicionalmente, la naturaleza del producto y, de nuevo, las tecnologas de fabricacin implican que para cada tarea j exista un conjunto de tareas precedentes inmediatas, Pj, que deben concluirse antes de iniciarse la tarea j. Normalmente, estas restricciones suelen representarse mediante un grafo acclico cuyos vrtices se asocian a las tareas y cada arco dirigido (i,j) representa que la tarea i debe finalizarse antes de que se inicie la tarea j, por tanto, si iSh y jSk , entonces debe cumplirse h k . El tiempo de carga de una estacin k , t(Sk ), es la suma de los tiempos de operacin de las tareas asignadas a dicha estacin. El tiempo de ciclo, c, es el tiempo asignado a cada estacin para llevar a cabo las tareas que tienen asignadas. Ntese, por tanto, que el tiempo de ciclo no puede ser menor que el mayor tiempo de carga entre todas las estaciones, ni es lgico que sea mayor que la suma de los tiempos de operacin de todas las tareas, esto es: maxk {t(Sk )} c kt(Sk )=tsum . Por otra parte, cada estacin k presenta un tiempo de ocio Ik = c- t(Sk ), mayor o igual a 0, y la suma de dichos tiempos parciales da lugar al tiempo ocioso total, Isum = k Ik = mc-tsum , que est vinculado a la ineficiencia de la lnea. En general, los problemas de balanceo de lneas de ensamble (ALBPs) se centran en agrupar por estaciones de trabajo las tareas del conjunto V.

Resumiendo, el objetivo es conseguir una agrupacin de tareas que minimice la ineficiencia de la lnea o su tiempo de ocio total y que respete todas las restricciones impuestas a las tareas y a las estaciones. La primera familia de problemas, denominada SALBP (Simple Assembly Line Balancing), [3], puede enunciarse como sigue: dados un conjunto de tareas, con sus tiempos de operacin y un grafo de precedencias asociado, cada tarea se debe asignar a una nica estacin de manera que se satisfagan todas las restricciones de precedencia y que no haya ninguna estacin cuyo tiempo de carga, t(Sk ), exceda el tiempo de ciclo c. La familia SALBP presenta cuatro variantes: SALBP-1: minimizar el nmero de estaciones m dado un valor del tiempo de ciclo c; SALBP-2 minimizar el tiempo de ciclo c dado un nmero de estaciones m; SALBP-E: minimizar, a la vez, c y m considerando su relacin con el tiempo ocioso total o la ineficiencia de la lnea; SALBP-F: dados m y c determinar la factibilidad del problema, y en caso afirmativo hallar una solucin del mismo. Cuando se aaden consideraciones adicionales a las de la familia SALBP, los problemas se conocen en la literatura como GALBPs (General Assembly Line Balancing Problems). Esta familia incluye, entre otros, problemas que consideran estaciones de trabajo en paralelo, [4], grupos forzados de tareas, [5], e incompatibilidades entre tareas, [1]. En [13] puede encontrarse un anlisis y bibliografa actualizados, as como el estado del arte de diferentes procedimientos para SALBPs. En cuanto a procedimientos de resolucin, se dispone de un primer grupo de algoritmos miopes que emplean reglas de prioridad para asignar las tareas a las estaciones [6],[14]; un segundo grupo compuesto por procedimientos bajo un esquema branch and bound, [7], [8], [10], [12], que son los ms eficaces actualmente; y un tercer grupo compuesto por metaheursticas diversas [11], [2]. Casi todos ellos estn orientados a resolver problemas SALBP-1 o SALBP-2. El presente trabajo se ha organizado as: en la seccin 2 se presenta un modelo matemtico para SALBP; la seccin 3 se centra en las heursticas bsicas para el problema y en la 4 ilustramos, a travs de un ejemplo, algunas de sus deficiencias; en la seccin 5 se propone una representacin de las soluciones mediante cadenas de reglas y en la 6 se propone un mtodo para combinarlas usando Scatter Search; tras ello, la seccin 7 se dedica a

probar el procedimiento propuesto con instancias de referencia SALBP; finalmente, la seccin 8 recoge las conclusiones del trabajo.

2. Un modelo matemtico para el SALBP

Para modelar SALBP, se emplea la notacin adicional siguiente: Ej ,Lj ndices de la primera y ltima estacin, respectivamente, a la que puede asignarse la tarea j. UB Cota superior del nmero de estaciones. xjk Variable de decisin binaria que toma el valor 1 si la tarea j J se asigna a la estacin k K , y (0 en otro caso). Con la notacin anterior las siguientes restricciones definen soluciones factibles para SALBP-F.

k = E x jk = 1 max{x } m n j =1t j x jk c L L k = E kxik k = E

Lj
j

jJ

(1) (2)

UB

k= 1 1 j n

jk

kK
j

(3) (4)

kx jk

(i, j J ) (i P j )

xik {0,1} i J, k K (5) Las igualdades (1) aseguran que cada tarea se asigna a una nica estacin, mientras que a ls desigualdades (2) y (3) aseguran que se utilizan como mximo m estaciones de trabajo y que el tiempo de carga en cada estacin no excede el tiempo de ciclo, respectivamente; por su parte, las desigualdades (4) sirven para garantizar el cumplimiento de las relaciones de precedencia entre tareas; finalmente, las expresiones (5) sirven para definir las variables de decisin como binarias. Como hemos mencionado anteriormente, en SALBP-F, los elementos m y c son valores fijos, mientras que, en el resto de problemas, uno o ms de esos elementos actan como funcin objetivo. En particular cuando se consideran SALBP-1 y SALBP-2, las expresiones (6) y (7) corresponden a sus respectivas funciones objetivo:
min imize Z1 (x) = m = k =1 max{x jk }
UB 1 j n

min imize Z 2 ( x) = c = max

1 k UB

j =1 j

t x jk

(6) (7)

La funcin objetivo de SALBP-E es minimizar mc, siendo la solucin ptima del problema obvia (m=1, c=tsum .) si slo se considera (1) a (5) como

restricciones del problema; por ello, se impone al problema un rango de valores posibles para m, esto es: m min m m max .

3. Heursticas bsicas miopes y GRASP

En la figura 1 se presenta el esquema de un procedimiento heurstico para generar una solucin del problema SALBP. Se introducen dos variables auxiliares , el nmero de predecesores inmediatos de la tarea i sin asignar y r el tiempo remanente en la estacin considerada en la iteracin. 0. Inicializacin NA =V, WTPi = |TPi |, r = c 1. Verificar factibilidad {precedencia} i , if WTPi = 0, B = B {i} {tiempo} iB, if ti = r, F = F {i} 2. Asignacin if F = , {abrir nueva estacin} I = I+ r , r = c Paso 1 else {seleccionar tarea de F} i* = ndice tarea seleccionada NA, B, F = NA, B, F {i*} r = r ti* iTS i*, WTPi = WTPi 1 if NA , Paso 1 3. I = I+r, Alto
Figura 1: Esquema del procedimiento de obtencin de una solucin para el problema SALBP.

en la estacin abierta. Cuando se obtiene una solucin se puede aplicar o no un procedimiento de optimizacin local. En los algoritmos GRASP, se puede limitar el nmero de candidatas en cada iteracin y adems en el proceso de asignacin se sortean las tareas candidatas en funcin de una probabilidad de seleccin que puede depender del valor del ndice de aqullas; en cualquier caso a la solucin hallada en la primera fase se aplica un procedimiento de optimizacin local [9]. Como es lgico, para definir una heurstica es necesario fijar al menos una regla de prioridad en el proceso de seleccin. En el Anexo I se presenta una muestra compuesta por 15 reglas de prioridad elementales.

4. Un ejemplo ilustrativo
En la figura 2 se muestra un conjunto formado por 12 componentes que deben ser montados en una lnea a la que se concede un tiempo de ciclo de 1 minuto. En la tabla 1 se resume las duraciones (en segundos) y ligaduras de precedencia inmediata entre tareas.

Figura 2: Ensamblado de conjunto en lnea.

El esquema es vlido tanto para las heursticas miopes deterministas como para GRASP. Las heursticas miopes orientadas a estaciones efectan la asignacin de las tareas, una a una, en funcin de una regla de prioridad que distingue al algoritmo. El proceso de seleccin se realiza entre un conjunto de tareas compatibles con la parte de la solucin ya construida (denominado conjunto de candidatas), las cuales satisfacen todas las restricciones de precedencia y tienen un tiempo de operacin menor o igual que el tiempo disponible

El ejemplo propuesto se ha resuelto mediante el procedimiento miope presentado en la seccin 3 empleando, en el paso correspondiente a la asignacin de tarea en la estacin abierta, las reglas de prioridad 1 a 14 que se relacionan en el anexo 1. Tarea A1 A2 A3 B1 B2 B3 C1 Duracin 6 7 6 8 8 8 11 Precedentes A1 A2 B1 B2 -

C2 C3 D1 D2 D3

10 10 15 17 14

C1 C2 D1 D2

Tabla 1. Datos del ejemplo ilustrativo: tarea, duracin (en segundos) y tareas precedentes inmediatas.

Cualquiera de las 14 soluciones obtenidas, empleando individualmente las 14 reglas (1 a 14) mencionadas y sin recurrir a una optimizacin local posterior, requiere 3 estaciones de trabajo. No obstante, es fcil hallar a simple vista soluciones ptimas para este ejemplar que requieren slo dos estaciones de trabajo; por ejemplo: una primera estacin E1={D1, D2, D3, A1, B1} y una segunda estacin E2={C1, C2, C3, A2, A3, B2, B3}. Dicha solucin se puede obtener empleando la regla de prioridad 1 (Mayor tiempo de operacin) en las tres primeras decisiones de asignacin de tarea, la regla 14 (Menor tiempo de operacin) en la cuarta decisin, de nuevo la regla 1 en la quinta decisin y cualquiera de las 15 reglas en las decisiones restantes hasta completar el proceso de asignacin de las 12 tareas. Esta cadena de 12 decisiones se puede representar mediante el vector de reglas (1,1,1,14,1,*,*,*,*,*,*,*). Con esta sencilla instancia no se pretende cuestionar la calidad de las reglas, sino la forma de aplicarlas y poner en evidencia la rigidez de las heursticas miopes puras incluso cuando la regla de prioridad empleada sea muy refinada.

En este trabajo proponemos un procedimiento constructivo que combina distintas reglas y que supone una generalizacin de los procedimientos clsicos. En particular, en las diferentes iteraciones, pueden utilizarse distintas reglas. Denotemos por ={R1, R2, , Rk } el conjunto de reglas de prioridad. Un esquema de un Procedimiento Constructivo de Combinacin de Reglas (PCCR) es el siguiente: Inicializacin: NA=J (conjunto de tareas no asignadas). Para ( i =1, ,n ) hacer: Seleccionar r(i) K. Sea jr(i) NA el resultado de aplicar la regla de prioridad Rr(i) al conjunto de tareas no asignadas NA. Actualizar NA:= NA \ {jr(i) }. Finpara Ntese que el ndice de tarea asignado en la iteracin i, j r(i), depende de la regla de prioridad Rr(i) as como de los ndices que tareas que ya han sido asignadas. En el contexto del esquema anterior, el (PCCR) que aplica la regla de prioridad Rr(i) en la iteracin i J se representa mediante el vector de ndices de reglas r = (r(1), r(2), ,r(n)). La solucin obtenida puede determinarse a partir del vector r, y se denotar por s = (jr(1), jr(2), , jr(n)) . Su valor se denota por m(s). Ntese que cuando para algn i J la regla de prioridad Rr(i) es no determinista, el resultado jr(i) puede no ser nico. El conjunto de todas las posibles soluciones obtenidas mediante el procedimiento constructivo r = (r(1), r(2), , r(n)) se llama Conjunto Solucin de r, y se denota Sol(r).

5. Representacin de soluciones mediante reglas de prioridad. 6. Usando Scatter Search

Los procedimientos constructivos basados en reglas de prioridad calculan para las distintas tareas valores asociados a la regla de prioridad elegida, que estn basados en los tiempos de ejecucin de las tareas y en las relaciones de precedencia dadas. En cada iteracin se asigna a la primera estacin de trabajo disponible aquella tarea todava no asignada con el mejor valor respecto a la regla de prioridad elegida. Los procedimientos constructivos clsicos para SALPB utilizan la misma regla a lo largo de todo el proceso de asignacin. El esquema anterior puede integrarse en una metaestrategia en la que nuevas PCCRs se generan mediante combinaciones de reglas existentes. El hecho de que una regla, digamos Ri, aparezca varias veces en PCCR se puede interpretar como asignar una mayor ponderacin a la regla Ri. Por tanto, esta metodologa sigue la misma filosofa que la de generar combinaciones numricamente ponderadas de reglas ya existentes como en Scatter Search (SS) (Glover, 1998; Mart, Laguna, Glover, 2003).

Scatter Search se basa en combinar las soluciones que aparecen en el llamado conjunto de referencia. Este conjunto almacena las buenas soluciones que se han ido encontrando durante el proceso de bsqueda. Es importante destacar que el significado de buena no se restringe a la calidad de la solucin, sino que tambin se considera la diversidad que sta aporta al conjunto de referencia. SS consta bsicamente de los mtodos que descritos a continuacin (mantenemos la acepcin en ingles): 1. Diversification Generation Method. Un generador de soluciones diversas. El mtodo se basa en generar un conjunto P de soluciones diversas (alrededor de 100), del que extraeremos un subconjunto pequeo (alrededor de 10) que denominamos conjunto de referencia RefSet. Reference Set Update Method. Un mtodo para crear y actualizar el conjunto de referencia RefSet. A partir del conjunto de soluciones diversas P se extrae el conjunto de referencia segn el criterio de contener soluciones de calidad y diferentes entre s (Calidad y Diversidad). Las soluciones en este conjunto estn ordenadas de mejor a peor respecto de su calidad. 2.1. Creacin. Iniciamos el conjunto de referencia con las b/2 (|RefSet|=b) mejores soluciones de P. Las b/2 restantes se extraen de P con el criterio de maximizar la mnima distancia con las ya incluidas en el conjunto de referencia. Para ello debemos de definir previamente una funcin de distancia en el problema. 2.2. Actualizacin. Las soluciones fruto de las combinaciones pueden entrar en el conjunto de referencia y reemplazar a alguna de las ya incluidas, en caso de que las mejoren. As pues, el conjunto de referencia mantiene un tamao b constante, pero el valor de sus soluciones va mejorando a lo largo de la bsqueda. En implementaciones sencillas, la actualizacin de este conjunto se realiza nicamente por

calidad, aunque se puede hacer tambin por diversidad. 2.3. Subset Generation Method. Un mtodo para generar subconjuntos de RefSet a los que se aplicar el mtodo de combinacin. SS se basa en examinar de una forma bastante exhaustiva todas las combinaciones de RefSet. Este mtodo especifica la forma en que se seleccionan los subconjuntos para aplicarles el mtodo de combinacin. Una implementacin sencilla, utilizada a menudo, c onsiste en restringir la bsqueda a parejas de soluciones. As el mtodo considera todas las parejas que se pueden formar con los elementos de RefSet y a todas ellas le aplica el mtodo de combinacin. 3. Solution Combination Method. Un mtodo de combinacin. SS se basa en combinar todas las soluciones del conjunto de referencia. Para ello, se consideran los subconjuntos formados por el mtodo del paso 4, y se les aplica el mtodo de combinacin. La solucin o soluciones que se obtienen de esta combinacin pueden ser inmediatamente introducidas en el conjunto de referencia (actualizacin dinmica) o almacenadas temporalmente en una lista hasta terminar de realizar todas las combinaciones y despus ver qu soluciones entran en ste (actualizacin esttica). Las estrategias antecesoras para combinar reglas de decisin fueron ya propuestas hace ms de 40 aos en el contexto de secuenciacin de tareas job shop scheduling (ver Crowston, et al., 1963). Como seal Glover (1998) el enfoque est motivado por la suposicin de que la informacin sobre el relativo inters de las posibles alternativas se captura de manera distinta por las diferentes reglas, y de que esa informacin puede aprovecharse de manera ms efectiva cuando se integra mediante un mecanismo de combinacin que cuando se trata mediante una estrategia estndar seleccionando las distintas reglas de una en una, de manera aislada unas de otras. Ms recientemente, esta filosofa se ha generalizado y formalizado en SS (ver, p.ej. Mart, Laguna, Glover 2003). A diferencia de otros mtodos

2.

evolutivos, SS se basa en la premisa de que mtodos y diseos sistemticos para crear nuevas soluciones implican beneficios significativos sobre los derivados al recurso de la aleatorizacin. A continuacin proponemos un algoritmo de SS para generar las combinaciones ponderadas que definen las distintas PCCPs. Las componentes de nuestro algoritmo son: Poblacin Inicial: formada en primera instancia por arreglos que contienen exactamente una regla en cada componente, estn asociados con el uso de la misma regla en cada asignacin, es decir, ri = (i, i, , i) denota el PCCR que utiliza la regla Ri en cada iteracin y adems de un conjunto de vectores en los cuales cada componente se genera al azar. Esta poblacin inicial contiene 200 elementos, todos ellos diferentes. Conjunto de Referencia Inicialmente est formado por todos los PCCRs que utilizan la misma regla en cada iteracin, adems de los mejores vectores de reglas contenidos en la poblacin inicial. El tamao de este conjunto de referencia se tom igual a dos veces el nmero de vectores de reglas puras. Mtodo de Generacin de Subconjuntos. El mtodo considera todas las parejas que se pueden formar con los elementos del conjunto de referencia, y a todas ellas le aplica el mtodo de combinacin. Mtodo de Combinacin de Soluciones. Se contemplaron dos formas de combinar soluciones. La primera basada en frecuencias: utilizamos una matriz de frecuencias cuyos elementos Fr (i,j) son el nmero de PCCRs del conjunto de referencia (contados desde el principio del proceso) que utilizan la regla Ri en el paso j. Sean p=(p(1), p(2), , p(n)) y q=(q(1), q(2), , q(n)) dos PCCRs del Conjunto de Referencia que deseamos combinar. Las componentes de la solucin combinada son las siguientes:
p( j ) r ( j ) = p( j ) q ( j) si si Fr ( p ( j), j ) Fr (q ( j ), j ); p ( j ) = q ( j );

izquierda a derecha) ambas soluciones de referencia, y usa la regla de que cada solucin de referencia vota por su primer elemento que an no ha sido incluido en la nueva solucin, La votacin determina el siguiente elemento que entrar a la primer posicin sin haberse asignado dentro de la nueva solucin. Mtodo de actualizacin del Conjunto de Referencia. Cada solucin creada se compara contra la peor solucin dentro del conjunto de referencia, si la solucin recin obtenida es mejor que sta y no se encuentra presente en el conjunto de referencia entonces entrar sustituyendo a la peor solucin.

7. Experiencia computacional
Se eligieron tres familias de problemas para los experimentos computacionales las cuales se encuentran disponibles en la pgina Assembly Line Balancing de Armin Scholl y Robert Kline: http://www.wiwi.unijena.de/Entscheidung/alb/albdata.htm, Barthold Scholl, Barthol2, an y cuando en este lugar se reportan muchas familias ms, se seleccionaron stas por considerar que son las que presentan el mayor reto. Barthold consta de 8 problemas, con 148 tareas, cuyos tiempos de procesamiento se encuentran en un rango entre 1 y 83 unidades de tiempo. Los tiempos de ciclo considerados varan entre 403 y 805. Ninguno de estos problemas admite una solucin ptima que sea producida usando una sola de las reglas enunciadas, al combinar las diferentes reglas mediante el mtodo de SS descrito, se encontr el ptimo para siete de los ocho casos, los resultados se encuentran en la Tabla 2. Donde TC significa Tiempo de Ciclo.
TC 403 434 470 513 564 626 705 805 Puras 15 14 13 12 11 10 9 8 SS 14 13 12 11 10 10 8 7 OPT 14 13 12 11 10 9 8 7

Tabla 2

en otro caso.

El segundo mtodo se bas en un esquema de votacin, el cual consiste en recorrer (de

La familia Scholl consta de 26 problemas, de 297 tareas, con tiempos de procesamiento entre 5 y

1386, con tiempos de ciclo variando desde 1394 hasta 2787 unidades de tiempo. De estas instancias 2 de ellas pueden ser resueltos ptimamente mediante alguna regla pura, a las restantes, se les aplic el mtodo de combinaciones SS, y se logr reducir el nmero de estaciones usadas en dos casos, alcanzando el ptimo en una de ellas. Los resultados se muestran en la Tabla 3. Por ltimo la familia Barthol2 formada por 27 problemas de 148 tareas, tiempos de procesamiento entre 1 y 83 y tiempos de ciclo desde 84 hasta 170. Ninguna de ellas es resuelta usando slo una regla, en 5 ejemplares fue posible reducir el nmero de estaciones usadas, pero en ningn caso se consigui alcanzar el ptimo, esta familia result ser la ms difcil en trminos del mtodo propuesto, la Tabla 4 contiene estos resultados.
TC 1394 1422 1452 1483 1515 1548 1584 1620 1659 1699 1742 1787 1834 1883 1935 1991 2049 2111 2177 2247 2322 2402 2488 2580 2680 2787 Puras 52 51 49 48 47 46 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 SS 51 50 49 48 47 46 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 OPT 50 50 48 47 46 46 44 44 42 [41,42] 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 25

TC 84 85 87 89 91 93 95 97 99 101 104 106 109 112 115 118 121 125 129 133 137 142 146 152 157 163 170

Puras 52 52 51 50 48 47 47 45 44 43 42 42 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26

SS 52 51 50 49 48 47 46 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26

OPT 51 50 49 48 47 46 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 25

Tabla 4

8. Conclusiones
Para el problema SLBP se han propuesto diferentes reglas heursticas, desafortunadamente para una gran cantidad de instancias de este problema, emplear una sola de estas reglas no conduce a la solucin ptima, por lo cual se propone usar una mezcla de estas reglas. Al aplicar el mtodo propuesto a un conjunto de instancias se pudieron clasificar en tres posibles subconjuntos: aquellos problemas que pueden ser resueltos con una sola regla, estos fueron los menos. Problemas que no pueden ser resueltos con una sola regla, pero que al aplicar el mtodo SS para combinar estas reglas, se consiguen mejores soluciones, algunas de ellas ptimas. Y un tercer grupo que son aquellos problemas para los cuales, el mtodo de combinaciones de reglas no mejora los resultados obtenidos usando una sola regla. A partir de esta conclusin es plausible pensar que en vez de aplicar diferentes reglas, invariantes, en diferentes puntos de decisin, usar las combinaciones para cambiar las reglas. La lgica subyacente es que cada regla puede basarse en una caracterstica til del problema, y si esto es

Tabla 3

cierto, entonces, alguna combinacin que pondere el criterio de evaluacin de las reglas, de alguna manera puede contener implcitamente ms criterio que una sola regla por separado, y puede dar mejores resultados.

Agradecimientos
El primer autor ha sido parcialmente financiado por la Ctedra de Investigacin en Ingeniera Industrial del Tecnolgico de Monterrey. El segundo autor ha sido parcialmente financiado por el proyecto DPI2004-03475 del MEC del Gobierno Espaol, la empresa Nissan y por la Ctedra Nissan de la Universitat Politcnica de Catalunya. Agradecemos tambin a Fred Glover sus invaluables comentarios acerca de la combinacin ponderada de reglas.

Referencias
[1] Agnetis, A., A. Ciancimino, M. Lucertini y M. Pizzichella. Balancing Flexible Lines for Car Components Assembly. International Journal of Production Research (1995) 33, 333-350 [2] Bautista, J., J. Pereira, Ant Algorithms for Assembly Line Balancing. Lecture Notes in Computer Science (2002) 2463, Springer, Berln 65-75. [3] Baybars, I. A survey of exact algorithms for the simple assembly line balancing problem. Management Science (1986) 32 (8) 909-932. [4] Crowston, W.B., F. Glover, G.L.Thompson and J.D. Trawick (1963). "Probabilistic and Parametric Learning Combinations of Local Job Shop Scheduling Rules", ONR Research Memorandum No. 117, GSIA, Carnegie Mellon University, Pittsburgh, PA. [5] Daganzo, C.F y D.E. Blumfield Assembly System Design Principles and Tradeoffs, International Journal of Production Research (1994) 32, 669-681 [6] Deckro, R.F. Balancing Cycle Time and Workstations. IIE Transactions (1989) 21, 106-111 [7] Glover, F., "A Template for Scatter Search and Path Relinking" in Artificial Evolution, Lecture Notes in Computer Science, 1363, J.K. Hao, E. Lutton, E. Ronald , M. Schoenauer and D. Snyers, Eds. Springer, 1998, pp. 13-54.

[8] Hackman, S.T. M.J. Magazine and T.S. Wee Fast, Effective Algorithms for Simple Assembly Line Balancing Problems. Operations Research (1989) 37, 916-924. [9] Hoffmann, T.R. Eureka. A hybrid system for assembly line Balancing. Management Science, (1992) 38 (1), 39-47. [10] Johnson R.V. Optimally balancing assembly lines with FABLE. Management Science (1988) 34, 240-253 [11] Mart, R., M. Laguna, F. Glover, (2003), Principles of Scatter Search, European Journal of Operational Research, to appear (available at http://www.uv.es/~rmarti/. [12] Rachamadugu R., B. Talbot. Improving the equality of workload assignments in assembly lines, International Journal of Production Research (1991) 29, 619-633 [13] Scholl, A. y R. Klein. Balancing Assembly lines effectively A computational comparison. European Journal of Operational Research (1999) 114,50-58 [14] Scholl A. y S. Voss Simple assembly line balancing Heuristic approaches, Journal of Heuristics (1996) 2, 217-244. [15] Scholl, A. Balancing and Sequencing of Assembly Lines, Physica-Verlag, Heidelberg (1999) [16] Scholl A., Becker, C. State-of-the-art exact and heuristic solution procedures for simple assembly line balancing. Jenaer Schriften zur Wirtschaftswissenschaft 20/03, FSU Jena (2003). To appear in: EJOR, special issue on Balancing of Automated Assembly and Transfer Lines. [17] Talbot,F.B., J.H. Patterson y W.V. Gehrlein A comparative evaluation of Heuristic Line Balancing Techniques, Management Science (1986) 32, 430-454.

Anexo I
Nomenclatura: i, j ndices de tarea n Nmero de tareas c Tiempo de ciclo ti Tiempo de operacin de i. ISi Conjunto de tareas siguientes inmediatas a i. TSi Conjunto de tareas siguientes a i. TPi Conjunto de tareas precedentes a i. Li Nivel de la tarea i en el grafo de precedencias. Z Conjunto de tareas candidatas en curso Asignar la tarea z* : v (z*)=maxiZ[v (i)]
Nombre 1. Mayor t iempo de operacin 2. Mayor nmero de sucesoras inmediatas 3. Mayor nmero de sucesoras. 4. Mayor peso posicional 5. Mayor peso medio posicional 6. Menor cota superior: UB 7. Menor UB / sucesoras 8.Mayor t iempo de operacin / UB 9.Menor cota Inferior: LB 10. Menor holgura. 11. Sucesoras / Holgura 12.Bhattcharjee & Sahu 13. Kilbridge & Wester 14. Menor tiempo de operacin 15. Aleatorio. Regla v( i) = ti v( i) = | IS i | v( i) = | TS i |
v ( i) = ti + j TS i t j

v ( i) =

ti + jTS i t j TS i + 1

t + jTSi t j v (i ) = UBi = n 1+ i c

v( i) = UBi / ( | TS i | + 1 ) v( i) = ti / UBi
t + jTPi t j v ( i) = LBi = i c

v( i) = ( UBi LBi) v( i) = | TS i | / ( UBi - LBi ) v( i) = ti + | TSi | v( i) = Li v( i) =- ti *