Академический Документы
Профессиональный Документы
Культура Документы
(ESTOCÁSTICAS)
SECCIÓN: 10
2019
2
En muchas instalaciones de fabricación y montaje, cada trabajo debe someterse a una serie de
operaciones. A menudo, estas operaciones deben realizarse en todos los trabajos en el mismo
orden, lo que implica que los trabajos deben seguir la misma ruta. Luego se asume que las
máquinas se configuran en serie y el entorno se conoce como una tienda de flujo. Las
ser, para todos los propósitos prácticos, virtualmente ilimitadas. Este suele ser el caso cuando
los productos que se procesan son físicamente pequeños (por ejemplo, placas de circuitos
impresos, circuitos integrados), lo que hace que sea relativamente fácil almacenar grandes
cantidades entre máquinas. Cuando los productos son físicamente grandes (por ejemplo,
puede tener una capacidad limitada, lo que puede causar el bloqueo. El bloqueo se produce
cuando el generador está lleno y la máquina en sentido ascendente no tiene permitido liberar un
cola en esa máquina comience su procesamiento. Un entorno de máquina algo más general
consiste en varias etapas en serie con varias máquinas en paralelo en cada etapa. Un trabajo
debe procesarse en cada etapa solo en una de las máquinas. Este entorno de máquina se conoce
como una tienda de flujos flexibles, una tienda de flujos compuestos, una tienda de flujos con
La mayor parte del material en este capítulo se refiere al objetivo de makepan. El objetivo de
makepan es de considerable interés práctico ya que su minimización es, hasta cierto punto,
tienden a ser de tal complejidad que los resultados son relativamente difíciles de obtener. El
tiempo total de finalización y los objetivos relacionados con la fecha de vencimiento tienden a
Al buscar un horario óptimo para Fm || Cmax, surge la pregunta de si basta simplemente para
determinar una permutación en la que los trabajos atraviesan todo el sistema. Físicamente, es
posible que un trabajo "pase" a otro mientras esperan en la cola una máquina que está ocupada.
Esto implica que las máquinas pueden no funcionar de acuerdo con el principio Primero que
venga primero servido y que la secuencia en la que los trabajos pasan por las máquinas puede
cambiar de una máquina a otra. Cambiar la secuencia de los trabajos en espera en una cola entre
dos máquinas a veces puede resultar en una menor imposición. Sin embargo, se puede mostrar
que siempre existe una programación óptima sin cambios en la secuencia de trabajos entre las
dos primeras máquinas y entre las dos últimas (consulte el Ejercicio 6.11). Esto implica que hay
horarios óptimos para F2 || Cmax y F3 || Cmax que no requieren cambios de secuencia entre
máquinas. Uno puede encontrar ejemplos de talleres de flujo con cuatro máquinas en las que el
permiten cambios en la secuencia. Las tiendas de flujo que no permiten cambios de secuencia
misma secuencia o permutación de trabajos se mantiene en todas partes. Los resultados en este
permutación j1, ..., jn para un taller de flujo de máquinas M, el tiempo de finalización del
recursivas
Fig. 6.1 Gráfico dirigido para el cálculo de Makespan en Fm | prmu | Cmax bajo secuencia j1, ...,
jn
Al horario Para una secuencia dada j1, ..., jn, el gráfico dirigido se puede construir de la
siguiente manera: para cada operación, digamos el procesamiento del trabajo jk en la máquina I,
hay un nodo (i, jk) con un peso que es igual a el tiempo de procesamiento del trabajo jk en la
máquina I. El nodo (i, jk), i = 1, ..., m − 1 y k = 1, ..., n − 1, tiene arcos que salen a los nodos (i
+ 1, jk) y (i, jk + 1). Los nodos correspondientes a la máquina M tienen un solo arco de salida,
al igual que los nodos correspondientes al trabajo jn. El nodo (m, jn) no tiene arcos salientes
(consulte la Figura 6.1). El peso total de la ruta del peso máximo desde el nodo (1, j1) hasta el
nodo (m, jn) corresponde a la extensión en el programa de permutación j1, ..., jn.
dirigido se deduce que el makepan es 34. Este makepan está determinado por dos caminos
permutación de la máquina M con n trabajos. Dejemos que p (1) ij y p (2) ij denoten el tiempo de
respectivamente. Asumir
8
Fig. 6.2 Gráfico dirigido, rutas críticas y diagrama de Gantt (las entradas numéricas representan
Esto básicamente implica que la primera máquina en la segunda tienda de flujo es idéntica a la
última máquina en la primera tienda de flujo; la segunda máquina en la segunda tienda de flujo es
Lema 6.1.2. La secuencia de los trabajos de acuerdo con la permutación j1, ..., jn en la primera
tienda de flujo da como resultado la misma secuencia que la secuencia de los trabajos de
Prueba. Si la primera tienda de flujo bajo la secuencia j1, ..., jn corresponde al diagrama de la
Figura 6.1, entonces la segunda tienda de flujo bajo la secuencia jn, ..., j1 corresponde al mismo
diagrama con todos los arcos invertidos. El peso de la ruta del peso máximo de un nodo de
esquina a otro nodo de esquina no cambia cuando todos los arcos se invierten.
9
El lema 6.1.2 indica el siguiente resultado de reversibilidad: el intervalo de giro no cambia si los
El gráfico dirigido correspondiente, sus rutas críticas y los diagramas de Gantt se muestran en la
Figura 6.3. Está claro que las rutas críticas están determinadas por el mismo conjunto de tiempos
Considera ahora el F2 || Problema de Cmax: una tienda de flujos con dos máquinas en serie con
almacenamiento ilimitado entre las dos máquinas. Hay n trabajos y el tiempo de procesamiento
fue uno de los primeros problemas que se analizaron en los primeros días de la Investigación de
S.M. Johnson. La regla que minimiza el makepan se conoce comúnmente como la regla de
Johnson.
10
Se puede generar una secuencia óptima de la siguiente manera. Particione los trabajos en dos
conjuntos con el Conjunto I que contiene todos los trabajos con p1j <p 2j y el Conjunto II todos
los trabajos con p1j> p 2j. Los trabajos con p1j = p2j se pueden poner en cualquier conjunto. Los
trabajos en conjunto I van primero y van en orden creciente de p1j (SPT); los trabajos en el
Conjunto II siguen en orden decreciente de p2j (LPT). Los lazos pueden romperse
arbitrariamente. En lo que sigue, se hace referencia a un programa de este tipo como un programa
SPT (1) -LPT (2). Por supuesto, se pueden generar múltiples horarios de esta manera.
Teorema 6.1.4. Cualquier programa SPT (1) -LPT (2) es óptimo para F2 || Cmax.
Prueba. La prueba es por contradicción. Supongamos que otro tipo de horario es óptimo. En este
programa óptimo, debe haber un par de trabajos adyacentes, por ejemplo, trabajo j seguido de
trabajo k, que satisfaga una de las siguientes tres condiciones: (i) el trabajo
11
y p1j> p 1k; (iii) los trabajos j y k pertenecen al conjunto II y p2j <p 2k. Basta con demostrar que,
Fig. 6.3 Gráfico dirigido, rutas críticas y diagrama de Gantt (las entradas numéricas representan
finalización del trabajo j en la máquina I según el programa original y deja que C ij denote el
tiempo de finalización del trabajo j en la máquina I después del intercambio por pares.
1, ya que su tiempo de inicio en la máquina 1 es igual a C1l + p1j + p1k. Sin embargo, es
interesante saber en qué momento la máquina 2 estará disponible para el trabajo m. Según el
programa original, este es el tiempo de finalización del trabajo k en la máquina 2, es decir, C2k,
decir, C'2j. Suficiente para demostrar que C'2j <C2k bajo cualquiera de las tres condiciones
descritas anteriormente.
13
Mientras que el tiempo de finalización del trabajo j en la máquina 2 después del intercambio por
pares es
14
Bajo la condición (i) p1j> p 2j y p1k <p 2k. Está claro que los primeros términos dentro de las
expresiones max de C2k y C'2j son idénticos. El segundo término en la última expresión es más
pequeño que el tercero en la primera expresión y el tercer término en la última expresión es más
pequeño que el segundo en la primera expresión. Entonces, bajo la condición (i) C'2j ≤ C2k.
Bajo la condición (ii) p1j <p 2j, p1k <p 2k y p1j> p 1k. Ahora, el segundo y el tercer término en
la última expresión son más pequeños que el segundo término en la primera expresión.
Entonces, bajo la condición (ii) C'2j ≤ C2k también. La condición (iii) se puede mostrar de
Estas programaciones SPT (1) -LPT (2) no son de ninguna manera las únicas programaciones
que son óptimas para F2 || Cmax. La clase de horarios óptimos parece ser difícil de caracterizar
Ejemplo 6.1.5 (múltiples horarios óptimos). Considere un conjunto de trabajos con un trabajo
secuencia óptima, este trabajo debe ir primero en el cronograma. Sin embargo, el orden de los
Desafortunadamente, la estructura del cronograma SPT (1) -LPT (2) no puede generalizarse
para caracterizar horarios óptimos para tiendas de flujo con más de dos máquinas. Sin embargo,
arbitrario de máquinas, es decir, Fm | prmu | Cmax, se puede formular como un programa entero
mixto (MIP).
Para formular el problema como un MIP, se deben definir varias variables: la variable de
tiempo de espera del trabajo en la kth posición entre las máquinas i y i + 1. Por supuesto, existe
una fuerte relación entre las variables Wik y las variables Iik. Por ejemplo, si Iik> 0, entonces
Sujeto a
El primer conjunto de restricciones especifica que se debe asignar exactamente un trabajo a la
posición k para cualquier k. El segundo conjunto de restricciones especifica que el trabajo j debe
asignarse exactamente a una posición. El tercer conjunto de restricciones relaciona las variables
de decisión xjk con las restricciones físicas. Estas restricciones físicas imponen las relaciones
necesarias entre las variables de tiempo de inactividad y las variables de tiempo de espera. Por lo
máquinas se formula como un MIP. Las únicas variables enteras son las variables de decisión
binarias (0−1) xjk. Las variables de tiempo inactivo y de espera son variables continuas no
negativas.
tabla del Ejemplo 6.1.1 se reemplaza por el subíndice j y los encabezados j1, j 2, j 3, j 4 y j5 se
El primer y segundo conjunto de restricciones del programa contienen 5 restricciones cada una.
correspondiente a k = 2 yi = 3 es
Fig. 6.5 3-PARTICIÓN se reduce a F3 || Cmax
El hecho de que el problema se pueda formular como un MIP no implica inmediatamente que el
problema sea NP-duro. Podría ser que el MIP tenga una estructura especial que permita un
para Rm ||∑ ). En este caso, sin embargo, resulta que el problema es difícil.
Prueba. Por reducción de 3-PARTICIÓN. Dados los enteros a1, ..., a3t, b, bajo los supuestos
programan de acuerdo con la secuencia 0,1, ..., t. Estos trabajos t + 1 forman un marco, dejando t
espacios en la máquina 2. Los trabajos t +1, ..., t + 3 t deben dividirse en t conjuntos de tres
trabajos cada uno y estos conjuntos t deben programarse en entre los primeros t + 1 trabajos.
Puede obtenerse una vida útil de valor z si y solo si 3 PARTICIÓN tiene una solución (consulte la
Figura 6.5).
Esta prueba de complejidad se aplica a las tiendas de flujo de permutación así como a las
tiendas de flujo que permiten cambios de secuencia en el medio (como se indicó anteriormente,
para la tienda de flujo de tres máquinas se sabe que un programa de permutación es óptimo en
Como fm | prmu | Cmax es uno de los problemas de programación más básicos, ha atraído una
gran atención a lo largo de los años. Se han desarrollado muchas heurísticas para tratar este
problema. Una de las primeras heurísticas desarrolladas para este problema es la heurística de
pendiente. De acuerdo con esta heurística, se calcula un índice de pendiente para cada trabajo.
detrás de esta heurística es simple. Del Teorema 6.1.4 ya está claro que los trabajos con
secuencia, mientras que los trabajos con grandes tiempos de procesamiento en la primera
procesamiento en las máquinas posteriores son grandes en relación con los tiempos de
procesamiento en las máquinas posteriores son relativamente pequeños en comparación con los
en los Ejemplos 6.1.1 y 6.1.6. Reemplace el jk por j y el j1, ..., j5 por 1, ..., 5. Los índices de
pendiente son:
Las dos secuencias sugeridas por la heurística son, por lo tanto, 2, 5, 3, 1,4 y 5, 2, 3, 1,4. El
makespan bajo estas dos secuencias es 32. La enumeración completa comprueba que ambas
En contraste con el objetivo de makepan, los resultados con respecto al objetivo de tiempo total
de finalización son significativamente más difíciles de obtener. Se puede demostrar que F2 ||∑
ya está fuertemente NP-duro. La prueba de este resultado de complejidad está algo involucrada
Considere m máquinas en serie con cero almacenamiento intermedio entre máquinas sucesivas.
Cuando una máquina termina con el procesamiento de un trabajo, ese trabajo no puede pasar a
la siguiente máquina si esa máquina está ocupada; el trabajo debe permanecer en la primera
máquina, que por lo tanto no puede iniciar ningún procesamiento de trabajos subsiguientes.
En lo que sigue solo se consideran las tiendas de flujo con cero almacenamientos intermedios,
ya que cualquier tienda de flujo con almacenamientos intermedios positivos (pero finitos) entre
máquinas se puede modelar como una tienda de flujo con cero almacenamientos intermedios.
Esto se deduce del hecho de que un espacio de almacenamiento capaz de contener un trabajo
puede considerarse como una máquina en la que los tiempos de procesamiento de todos los
intermedios se describe en lo que sigue como Fm | bloque Cmax. Deje que Dij denote el tiempo
en que el trabajo j sale de la máquina i. Claramente, Dij ≥C ij. La igualdad se mantiene cuando
primera máquina se denota por D0j. Las siguientes relaciones recursivas se mantienen bajo la
determinando la ruta crítica en un gráfico dirigido. En este gráfico dirigido, el nodo (i, jk) indica
el tiempo de salida del trabajo jk desde la máquina i. En contraste con el gráfico en la Sección 6.1
para tiendas de flujo con almacenamientos intermedios ilimitados, en este gráfico los arcos, en
..., m − 1; k = 1,..., n − 1, tiene dos arcos salientes; un arco va al nodo (i + 1, jk) y tiene un peso
o distancia pi + 1, jk, el otro arco va al nodo (i − 1, jk + 1) y tiene un peso cero. El nodo (m, jk)
tiene solo un arco saliente al nodo (m − 1, jk + 1) con peso cero. El nodo (i, jn) tiene solo un
arco de salida al nodo (i + 1, jn) con peso pi + 1, jn. El nodo (m, jn) no tiene arcos salientes
(consulte la Figura 6.6). La Cmax bajo la secuencia j1,..., jn es igual a la longitud del recorrido
Ejemplo 6.2.1 (Representación gráfica de tienda de flujo con bloqueo). Considere la instancia
del ejemplo 6.1.1. Suponga que los mismos 5 trabajos con los mismos tiempos de
procesamiento tienen que atravesar las mismas cuatro máquinas. La única diferencia es que
ahora hay cero almacenamientos intermedios entre las máquinas. El gráfico dirigido y el
diagrama de Gantt correspondientes a esta situación se muestran en la Figura 6.7. Ahora solo
cero almacenamiento intermedio. Considere dos m de talleres de flujo de máquinas con bloqueo y
deje que p (1) ij y p (2) ij denoten los tiempos de procesamiento del trabajo j en la máquina i en la
Lema 6.2.2. Si
Luego, la secuencia j1,..., jn en la primera tienda de flujo da como resultado la misma pauta
Prueba. Se puede mostrar que hay una correspondencia uno a uno entre recorridos de igual peso
en los dos gráficos dirigidos correspondientes a las dos tiendas de flujo. Esto implica que los
recorridos con pesos máximos en los dos gráficos dirigidos deben tener el mismo peso total.
argumentar que el resultado en Lema 6.1.2 es un caso especial del resultado en Lema 6.2.2. Los
almacenamientos intermedios ilimitados se pueden considerar como conjuntos de máquinas en
Considerar el F2 | bloque Problema de Cmax con dos máquinas en serie y cero almacenamiento
intermedio en medio. Tenga en cuenta que en esta tienda de flujo, cada vez que un trabajo
proceso o bloqueado, es por lo tanto máximo (p1, jk, p2, jk − 1). El primer trabajo en la
distancia se puede simplificar un poco. En lugar de minimizar el makepan, uno puede minimizar
el tiempo total entre 0 y Cmax que una de las dos máquinas está inactiva o bloqueada. Los dos
objetivos son equivalentes, ya que el doble de makepan es igual a la suma de los tiempos de
procesamiento 2n más la suma de todos los tiempos de inactividad. Minimizar la suma de todos
los tiempos de inactividad es equivalente al siguiente Problema del Vendedor Viajero con n + 1
ciudades:
p1k. Si p2j es más grande que p1k, la tarea se bloqueará por la diferencia de tiempo en la
Sección 4.4. Los valores para b0 y a0 en la Sección 4.4 deben elegirse igual a cero.
para F2 | bloque Cmax también, lo que implica que existe un algoritmo O (n2) para F2 | bloque
Cmax.
Ejemplo 6.2.3 (Una tienda de flujo de dos máquinas con bloqueo y el TSP). Considere una
2 → 3 → 0. En realidad, dos horarios son óptimos para la tienda de flujo con bloqueo, a saber,
trabajos y buzones ilimitados, los siguientes tres horarios son óptimos: 1, 3, 4,2; 1, 2, 3,4 y 1, 3,
2,4.
vendedor ambulante y se sabe que es muy difícil para NP. La prueba, sin embargo, es bastante
Al igual que con las tiendas de flujo con almacenamiento intermedio ilimitado, se ha realizado
una gran cantidad de investigación sobre el desarrollo de heurísticas para minimizar las tiendas
popular para Fm | bloque| Cmax es la heurística de ajuste de perfil (PF), que funciona de la
siguiente manera: se selecciona un trabajo para ir primero, posiblemente de acuerdo con algún
esquema, por ejemplo, el trabajo con la menor suma de tiempos de procesamiento. Este trabajo,
digamos que el trabajo j1, no encuentra ningún bloqueo y continúa sin problemas de una
que aún no se han programado. Para cada trabajo candidato, se realiza un cálculo para
determinar la cantidad de tiempo que las máquinas están inactivas y la cantidad de tiempo que
el trabajo está bloqueado en una máquina. Las épocas de salida de un candidato para la segunda
bloqueada, es Di, j2 −Di, j1 −pi, j2. La suma de estos tiempos inactivos y bloqueados en todas las
m máquinas se calcula. El candidato con el menor total se selecciona como segundo trabajo.
Después de seleccionar el trabajo que mejor se adapta al trabajo para la segunda posición, se
calcula el nuevo perfil, es decir, los tiempos de salida de este segundo trabajo desde las
En esta descripción, la buena calidad del ajuste de un trabajo en particular se midió por el
tiempo total desperdiciado en todas las máquinas m. Cada máquina fue considerada
igualmente importante. Es intuitivo que el tiempo perdido en una máquina de cuello de botella
es peor que el tiempo perdido en una máquina que no tiene mucho procesamiento que hacer.
Cuando se mide la cantidad total de tiempo perdido, puede ser apropiado multiplicar cada uno
de estos períodos de tiempo inactivos en una máquina dada por un factor que es proporcional al
grado de congestión en esa máquina. Cuanto mayor sea el grado de congestión en una máquina
en particular, mayor será el peso. Una medida para el grado de congestión de una máquina que
todos los trabajos en la máquina en cuestión. Los experimentos han demostrado que una versión
máquinas. Los tiempos de procesamiento de los cinco trabajos se encuentran en las tablas de los
Ejemplos 6.1.1 y 6.1.6. Supongamos que hay cero almacenamientos entre las máquinas
sucesivas.
Tome como primer trabajo el trabajo con el menor tiempo de procesamiento total, es decir, el
trabajo 3. Aplique la heurística PF no ponderada. Cada uno de los cuatro trabajos restantes debe
inactividad de las cuatro máquinas sería 11; si el trabajo 4 fuera segundo, el tiempo total de
inactividad de las cuatro máquinas sería 15 y si el trabajo 5 fuera segundo, el tiempo total de
inactividad sería 3. Está claro que el trabajo 5 es la mejor opción. Continuando de esta manera,
la heurística PF da como resultado la secuencia 3, 5, 1, 2,4 con un makepan igual a 32. A partir
del hecho de que este makespan es igual al mínimo de makepan en el caso de almacenamiento
Considere ahora una tienda de flujo con cero almacenamiento intermedio que sigue diferentes
procedimientos operativos. Un trabajo, cuando pasa por el sistema, no puede esperar en ninguna
máquina. Es decir, siempre que haya completado su procesamiento en una máquina, la siguiente
máquina debe estar inactiva, de modo que el trabajo no tenga que esperar. En contraste con el
caso de bloqueo en el que los trabajos son empujados por la línea hacia arriba por las máquinas
que han completado su procesamiento, los trabajos en este caso en realidad son tirados por la
línea hacia abajo por las máquinas que se han quedado inactivas. Esta restricción se conoce
como Fm | nwt Problema de la Cmax. Es fácil ver que F2 | bloque |Cmax es equivalente a F2 |
nwt Cmax. Sin embargo, cuando hay más de dos máquinas en serie, los dos problemas son
Cmax, todavía se puede formular como un problema de vendedor ambulante. Las distancias
interurbanas son
Para j, k = 0,..., n. Cuando hay más de dos máquinas en serie, se sabe que este problema del
almacenamiento intermedio ilimitado. En este taller de flujo, los tiempos de procesamiento del
trabajo j en cada una de las m máquinas son iguales a pj, es decir, p1j = p2j = ··· = pmj
denota por Fm | prmu, pij = pj | Cmax. Para una tienda de flujo proporcional, ahora se puede
definir una secuencia llamada SPTLPT. Un conjunto de n trabajos se puede dividir en dos
subconjuntos; los trabajos en un subconjunto van primero según SPT y los trabajos restantes
siguen según LPT. Así que una secuencia j1,..., jn es SPT-LPT si y solo si hay un trabajo jk tal
que
And
Del teorema 6.1.4 se deduce que cuando m = 2, cualquier secuencia SPT-LPT debe ser óptima.
Como se puede esperar, estas no son las únicas secuencias que son óptimas, ya que esta tienda
Se puede demostrar que los programas de permutación también son óptimos en la clase más
amplia de programas que permiten que los trabajos se pasen unos a otros mientras se espera una
secuencia. En realidad, hay muchas más similitudes entre la tienda de flujos proporcionales y la
única máquina. Los siguientes resultados, que son todas las extensiones directas de sus
La regla SPT es óptima para 1||∑ así como para FM | prmu, pij = pj |∑
El algoritmo que genera un horario óptimo para 1|| ∑ también genera un horario óptimo para |
,=|∑ .
El algoritmo que genera un horario óptimo para 1 || hmax también genera un horario óptimo
a| ,=|∑.
Los criterios de eliminación que se mantienen para 1 || ∑ también mantener para | ,=|∑
No todos los resultados que se mantienen para la máquina solo se mantienen para la tienda de
encontrar fácilmente.
Sin embargo, | = | ∑ Todavía se puede resolver en tiempo polinomial. Para describir el
Lema 6.3.2. Si para los trabajos j y k tanto wj / pj ≥ wk / pk como pj ≤ pk, existe una secuencia
Se requiere alguna terminología adicional para describir el algoritmo que minimiza el tiempo de
conoce como trabajo nuevo-max si y solo si pj> max (p1,..., p j−1). Cualquier secuencia dada
1,..., n puede particionarse en función de sus nuevos trabajos max. Supongamos que hay r new-
max jobs en la secuencia 1,..., n, digamos jobs j1,..., jr. Jobj1 es el primer trabajo en la
secuencia, es decir, el trabajo 1. La secuencia ahora se puede dividir en r segmentos 1,..., r, con
el segmento que consta de nuevo trabajo max-j y todos los trabajos programados entre trabajos
nuevos-max j y j +1. El último segmento, segmento r, consta del último trabajo nuevo-máximo,
trabajo jr, y todos los trabajos que siguen a este trabajo nuevo-máximo hasta e incluyendo el
Lema 6.3.3. En cualquier secuencia óptima, todos los trabajos en cualquier segmento dado,
incluido el trabajo nuevo-max que inicia ese segmento, se programan en orden decreciente de
wj / pj.
Prueba. Se puede demostrar fácilmente que todos los trabajos dentro de un segmento se
procesan en cada máquina, uno tras otro, sin ningún tiempo de inactividad de la máquina entre
Los resultados presentados en los dos lemas anteriores implican que la secuencia óptima tiene la
indexar los trabajos primero de manera que w1 / p1 ≥ w2 / p2 ≥ ··· ≥wn / pn, es decir, estén
algoritmo comienza con una secuencia parcial Sk-1 que contiene los trabajos 1,..., k-1 en un
cierto orden; el algoritmo luego extiende esta secuencia parcial tomando el trabajo k e
insertándolo en la secuencia parcial en esa posición que causa el menor aumento en la función
TOTAL).
Paso 1.
Paso 2.
Si hay varias posibilidades, elija una en la que se inserte el trabajo k más reciente.
Establecer k = k +1.
Paso 3.
Si k ≤ n, vaya al paso 2.
El algoritmo anterior que genera el programa óptimo se denomina primero como el Tiempo de
procesamiento más corto ponderado con el algoritmo de Inserción de costo mínimo (WSPT-
MCI). Tenga en cuenta que debido a Lema 6.3.2, el trabajo k no se puede insertar antes de
cualquier trabajo que tenga un tiempo de procesamiento inferior a pk. Además, de Lema 6.3.3
se deduce que el trabajo k debe insertarse justo antes de un nuevo trabajo max.
Teorema 6.3.5. El algoritmo WSPT-MCI genera un horario óptimo para | ,=|∑ .
Prueba. El resultado se puede mostrar de forma inductiva demostrando que existe un programa
óptimo en el que los trabajos 1, ..., kappear en el mismo orden en que aparecen en la secuencia
denote un horario óptimo en el que los trabajos 1,..., k − 1 aparecen en el mismo orden en que
aparecen en la secuencia Sk − 1 y eso también está de acuerdo con Lemas 6.3 .2 y 6.3.3. Basta
con mostrar que la secuencia óptima S ∗ se puede modificar sin aumentar el valor de la función
objetivo de modo que el orden de procesamiento de los trabajos 1,..., k coincida con el orden en
Sk y satisfaga los lemas 6.3.2 y 6.3.3 también. La prueba se basa en un análisis caso por caso.
Debe hacerse una distinción entre el Características de las posibles posiciones de inserción para
el trabajo k. Suponiendo que Sk no está de acuerdo con S ∗ con respecto al orden de los trabajos
trabajo máximo en Sk, entonces todos los trabajos que preceden al trabajo k en Sk tienen un
tiempo de procesamiento menor y, debido a Lema 6.3.2, todos los trabajos que
siguen al trabajo k tienen un tiempo de procesamiento más largo. Como S ∗ satisface el Lema
que también está presente en Sk. Lo que queda por mostrar es que en S ∗, el trabajo k precede a
esa manera sin aumentar el valor de la función objetivo. Esto puede ser mostrado por la
Para probar las partes (ii) y (iii), se puede proceder de la siguiente manera. Si el trabajo k no es
un trabajo nuevo-max, entonces debe insertarse en Sk-1 como el último trabajo en un segmento
que pertenece a un trabajo nuevo-max. Luego queda por demostrar que, si es necesario, el
horario óptimo S ∗ se puede cambiar sin aumentar el objetivo, de modo que el trabajo k ocupe
la misma posición en relación con los trabajos que se encuentran en Sk. Dependiendo de la
posición del trabajo k en S ∗, se debe hacer una distinción entre los casos (ii) y (iii). En el caso
(ii) se supone que el trabajo k está programado antes del trabajo en S ∗ y en el caso (iii) se
supone que el trabajo k está programado después del trabajo en S ∗. Nuevamente, en ambos
de una manera en que el trabajo k termina en la misma posición en relación con los otros
trabajos que están en Sk no cambia el valor de la función objetivo. De nuevo, esto se puede
lector.
Se puede demostrar fácilmente que el algoritmo WSPT-MCI se ejecuta en tiempo O ( 2) Se
puede demostrar fácilmente que el algoritmo WSPT-MCI se ejecuta en tiempo O (n2). También
se puede mostrar que la secuencia de permutación generada por WSPT-MCI permanece óptima
incluso cuando el programa óptimo no tiene que ser una secuencia de permutación.
velocidades, la primera (última) máquina es el cuello de botella, entonces LPT (SPT) minimiza
la interferencia.
probar solo uno de los dos resultados declarados en el teorema. Aquí solo se muestra el caso
tiempos de procesamiento más largos para cada uno de la n trabajos. Es fácil ver que en una
tanto, la ruta crítica comienza en la máquina 1 yendo hacia la derecha, baja en el trabajo jk y
baja hasta la máquina m antes de girar nuevamente a la derecha. Que SPT es óptimo se puede
horario que no es SPT. Hay dos trabajos adyacentes de los cuales el primero es más largo que el
segundo. El intercambio de estos dos trabajos afecta a la división de efectos si, y solo si, uno de
los dos trabajos es el trabajo a través del cual la ruta crítica va de la máquina 1 a la m. Se puede
Para completar la prueba para el caso general, llame a la máquina h un cuello de botella
intermedio si vh <min (v1,..., vh − 1). Puede haber varios cuellos de botella intermedios en la
tienda de flujo proporcional. Los argumentos presentados anteriormente para el caso con el
único cuello de botella intermedio que es la máquina 1 se extienden al caso general con
múltiples cuellos de botella intermedios. La ruta crítica ahora solo gira a la derecha en las
máquinas con cuellos de botella intermedios. Esta estructura se puede explotar de nuevo con un
argumento de intercambio de pares adyacentes que muestra que SPT minimiza el intervalo de
tiempo.
Teorema 6.3.7. Un horario es óptimo para Fm | bloque, pij = pj | Cmax si y solo si es un horario
SPT-LPT.
Prueba. El makepan tiene que satisfacer la desigualdad.
Como el R.H.S. es la elección óptima cuando existen buzos ilimitados entre dos máquinas
sucesivas. Claramente, el makepan con limitados o sin regulador tiene que ser al menos tan
grande. Basta con demostrar que el makepan bajo cualquier programa SPT-LPT es igual al límite
inferior, mientras que el makepan bajo cualquier programa que no sea SPT-LPT es estrictamente
Se puede mostrar fácilmente que makepan bajo cualquier programa SPT-LPT es igual al límite
inferior. En la parte SPT de la programación, los trabajos nunca se bloquean. En otras palabras,
cada trabajo en esta primera parte del cronograma, una vez iniciado en la primera máquina,
continúa a través del sistema sin detenerse. Si en la programación SPT-LPT j1,..., jn trabajo jk
es el trabajo con el tiempo de procesamiento más largo, entonces el trabajo jk sale del sistema
en
Los trabajos en la parte LPT de la secuencia, por supuesto, experimentan el bloqueo a medida
que los trabajos más cortos siguen trabajos más largos. Sin embargo, está claro que ahora, en
esta parte del programa, una máquina nunca tiene que esperar un trabajo. Cada vez que una
máquina completa el procesamiento de un trabajo desde la parte LPT del programa, el siguiente
trabajo está listo para comenzar (ya que los trabajos más cortos siguen a trabajos más largos).
máquina m permanece continuamente ocupada hasta que haya completado todos los trabajos
restantes. El makespan bajo un programa SPT-LPT es, por lo tanto, igual al makespan bajo un
programa SPT-LPT en el caso de buzos ilimitados. Por lo tanto, los horarios de SPT-LPT tienen
Que las programaciones SPT-LPT son las únicas programaciones óptimas que se pueden
mostrar por contradicción. Supongamos que otro programa, que no es SPT-LPT, también es
óptimo. Nuevamente, el trabajo con el tiempo de procesamiento más largo, el trabajo jk,
contribuye m veces su procesamiento a la división. Sin embargo, debe haber algún trabajo, por
ejemplo, trabajo jh, (no el trabajo más largo) que se coloca entre dos trabajos que son más
durante un período de tiempo mayor que su tiempo de procesamiento, ya que está bloqueado
mayor que su tiempo de procesamiento, lo que hace que el makepan sea estrictamente más
grande que el límite inferior. Si el trabajo jh aparece en el programa después del trabajo jk, los
trabajos que siguen al trabajo jk en la máquina m no se procesan uno tras otro sin que haya
tiempos de inactividad intermedios. Después del trabajo jh, hay un tiempo de inactividad en la
máquina m, ya que el siguiente trabajo tiene un tiempo de procesamiento que es estrictamente
ILIMITADO
entre dos etapas sucesivas. El entorno de la máquina en el primer ejemplo de la Sección 1.1
constituye una tienda de fluido flexible. El trabajo j, j = 1,..., n, debe procesarse en cada etapa
en una máquina, cualquiera lo hará. Los tiempos de procesamiento del trabajo j en las distintas
etapas son p1j, p2j,..., pcj. La minimización de la vida útil y el tiempo total de finalización se
denominan, respectivamente, FFc || Cmax y FFc ||∑ . El entorno de máquina paralelo y la tienda
de flujo con almacenamientos intermedios ilimitados son casos especiales de este entorno de
máquina. Como este entorno es bastante complejo, solo el caso especial con tiempos de
procesamiento proporcionales, es decir, p1j = p2j = ··· = pcj = pj, se consideran aquí.
Considere FFc | pij = pj | Cmax. Uno esperaría que la heurística LPT se desempeñe bien en el
caso no preventivo y que la heurística LRPT tenga un buen desempeño en el caso preventivo.
El peor comportamiento de la regla LPT cuando se aplica a múltiples etapas en serie puede ser
Ejemplo 6.4.1 (Minimizando Makespan en una tienda de flujo flexible). Considere dos etapas
con dos máquinas en paralelo en la primera etapa y una sola máquina en la segunda etapa. Hay
dos trabajos con p1 = p2 = 100 y cien trabajos con p3 = p4 = ··· = p102 = 1. Está claro que para
deben procesar 100 trabajos cortos en la máquina 2 entre el tiempo 0 y el tiempo 100. Según
tiempo es de 400.
En una configuración preventiva, la regla LRPT es óptima para una sola etapa. Cuando hay
primera etapa, todos los trabajos se terminan muy tarde, dejando las máquinas en la segunda
etapa inactivas durante mucho tiempo. Considere ahora el problema de la tienda de flujo
flexible proporcional FFc | pij = p j ∑ . Se sabe que la regla SPT es óptima para una sola etapa y
para cualquier número de etapas con una sola máquina en cada etapa. Considere ahora la
restricción adicional donde cada etapa tiene al menos tantas máquinas como la etapa anterior (se
Teorema 6.4.2. La regla SPT es óptima para FFc | pij = pj ∑ Si cada etapa tiene al menos tantas
tienda de flexible consiste en una sola etapa. Está claro que SPT no solo minimiza el tiempo de
finalización total en este caso, sino también la suma de los tiempos de inicio (la única diferencia
entre la suma de los tiempos de finalización y la suma de los tiempos de inicio es la suma de los
tiempos de procesamiento, que es independiente del horario). En una tienda de flujo flexible
proporcional con c etapas, el tiempo de finalización del trabajo j en la última etapa se produce
en las primeras unidades de tiempo de cpj después de su hora de inicio en la primera etapa.
Considere ahora una tienda de fluido flexible con la misma cantidad de máquinas en cada etapa,
digamos m. Es claro que, en SPT, cada trabajo, cuando se completa en una etapa, no tiene que
etapa, puede comenzar su procesamiento en la siguiente etapa (ya que todas las tareas anteriores
tienen tiempos de procesamiento más pequeños que la tarea actual). Por lo tanto, bajo SPT, la
suma de los tiempos de finalización es igual a la suma de los tiempos de inicio en la primera
Es fácil verificar que la regla SPT no siempre conduce a un programa óptimo para las tiendas de
flexibles de forma arbitraria. Un contraejemplo con solo dos etapas se puede encontrar
fácilmente
DISCUSIÓN 6.5
máquinas, el makepan suele ser el objetivo más fácil En el entorno de la tienda de flujos,
makepan ya es difícil cuando hay tres o más máquinas en serie. Otros objetivos tienden a ser
aún más difíciles. En cualquier caso, se han realizado algunas investigaciones en tiendas de
flujo con el objetivo de tiempo total de finalización. Minimizar el tiempo total de finalización
en una tienda de flujo de dos máquinas, es decir, F2 || ∑ . Ya está fuertemente NP-duro. Se han
desarrollado varios enfoques de enlace y ramificación. Aun así, solo los casos con 50 trabajos se
finalización en una tienda de flujo proporcional es muy fácil y puede resolverse a través de la
regla SPT y minimizar el tiempo total de finalización ponderado en una tienda de flujo
recibido muy poca atención en la literatura. Por otro lado, las tiendas de flujos más
complicadas, por ejemplo, las células robóticas, han recibido una considerable atención.
EJERCICIOS (COMPUTACIONAL)
6.1. Considere F4 | prmu | Cmax con los siguientes 5 trabajos bajo la secuencia dada
j1,..., j5.
Encuentre la ruta crítica y calcule el makespan bajo la secuencia dada.
6.3. Aplique la heurística de pendiente al conjunto de trabajos en el ejercicio 6.1. ¿Son las
procesamiento que en el Ejercicio 6.1. Supongamos que no hay ningún intermediario entre dos
máquinas sucesivas. Aplique la heurística de ajuste de perfil para determinar una secuencia para
este problema. Tome el trabajo j1 como el primer trabajo. Si hay vínculos considera todas las
¿Se puede reducir este problema a un problema similar con un número menor de máquinas y la
6.7. Encuentre el programa óptimo para la instancia de la tienda de flujo proporcional F2 | pij =
6.8. Aplique una variante del algoritmo 3.4.4 para encontrar un programa óptimo para la instancia
6.10. Encuentre el horario óptimo para una tienda de flexible proporcional FF2 | pij = pj |∑ con
tres máquinas en la primera etapa y una máquina en la segunda etapa. Hay 5 puestos de trabajo.
Demuestre que siempre existe un programa óptimo que no requiere cambios de secuencia entre
que el programa óptimo requiere un cambio de secuencia entre las máquinas 1 y 2. Modifique el
programa de tal manera que no haya cambios en la secuencia y que makepan permanezca igual.)
Encuentra una instancia de F4 || La Cmax donde un cambio de secuencia entre las máquinas 2 y
cambios de secuencia.
Muestre que la secuencia 1,2,..., n, es decir, SPT (1) -LPT (m), es óptima
6.13. Considerar fm | prmu | Cmax donde pij = ai + bj, es decir, el tiempo de procesamiento del
demuestre su resultado.
Mostrar que secuenciar los trabajos en orden decreciente de p2j / p1j tampoco es
necesariamente óptima.
Demuestre que la secuencia óptima es la misma que la secuencia óptima para F2 || Cmax con
tiempos de procesamiento p'ij donde p '1j = p1j + p2j y p'2j = p2j + p3j. 6.17. Demuestre que en
medio.
6.18. Demuestre que si está en una secuencia para F2 || Cmax dos trabajos adyacentes j y k
satisfacen la condición
Entonces la secuencia minimiza el makepan. (Tenga en cuenta que esta es una condición de
6.19. Mostrar que para Fm | prmu | Cmax el makespan bajo una secuencia de permutación
arbitraria no puede ser más de mil veces el makepan bajo la secuencia óptima. Demuestre cómo
6.20. Considere una tienda de flujo proporcional con dos objetivos, a saber, el tiempo total de
tiempo polinomial para este problema. (Pista: Parametrizar en la tardanza máxima. Supongamos
que la tardanza máxima es z; Luego considere las nuevas fechas de vencimiento de dj + z, que
básicamente son plazos difíciles. Comience con la regla SPT y modifique cuando sea
necesario.)
6.21. Considere una tienda de flujo proporcional con n trabajos. Supongamos que no hay dos
diferentes.
6.23. Proporcionar una prueba rigurosa de la parte (i) del teorema 6.3.5. 6.24. Demuestre que el
algoritmo WSPT-MCI para Fm | prmu, pij = pj | ∑ se reduce a la regla SPT cuando el número de
6.25. Considere el siguiente híbrido entre FM | prmu | Cmax y Fm | bloque | Cmax. Entre
(1965). Se han desarrollado muchas otras heurísticas para Fm || Cmáx; Véase, por ejemplo,
Campbell, Dudek y Smith (1970), Gupta (1972), Baker (1975), Dannenbring (1977), Nawaz,
Enscore y Ham (1983), Widmer y Hertz (1989) y Taillard (1990). ). Para los resultados de
complejidad con respecto a varios tipos de funciones objetivas, ver González y Sahni (1978b) y
Du y Leung (1993a, b). Para una investigación más centrada sobre la tienda de flujo de dos
máquinas con el objetivo de tiempo de finalización total, consulte Van de Velde (1990), Della
Croce, Narayan y Tadei (1996), Della Croce, Ghirardi y Tadei (2002), Akkan y Karabati (2004),
estudiado en detalle por Levner (1969), Reddi y Ramamoorthy (1972) y Pinedo (1982). El
perfiles es de McCormick, Pinedo, Shenker y Wolf (1989). Wismer (1972) establece el vínculo
entre Fm | nwt Cmax y el problema del vendedor ambulante. Sahni y Cho (1979a),
| nwt Cmax. Goyal y Sriskandarajah (1988) presentan una revisión de los resultados de
complejidad y algoritmos de aproximación para FM | nwt γ. Para una visión general de los
modelos en las clases Fm || γ, Fm | bloque γ y Fm | nwt γ, ver Hall y Sriskandarajah (1996). Para
los resultados con respecto a las tiendas de flujo proporcionadas, ver Ow (1985), Pinedo (1982,
1985) y Shakhlevich, Hoogeveen y Pinedo (1998). Una definición de horarios SPTLPT aparece
ponderado total se debe a Shakhlevich, Hoogeveen y Pinedo (1998). El teorema 6.3.6 es de Eck
y Pinedo (1988). Para una visión general de Fm || Modelos de Cmax con estructuras especiales
(incluido el caso proporcional) que pueden resolverse fácilmente, ver Monma y Rinnooy Kan
(1983); su marco incluye también los resultados obtenidos anteriormente por Smith, Panwalkar
y Dudek (1975, 1976) y Szwarc (1971, 1973, 1978). Hou y Hoogeveen (2003) muestran que la
decir, F3 | pij = pj / vi | Cmax es NP-Hard en el sentido ordinario. Choi, Leung y Pinedo (2011)
(1988). Para los resultados de makepan respecto a las tiendas de flexible, vea Sriskandarajah y
Sethi (1989). Yang, Kreipl y Pinedo (2000) presentan las heurísticas para la tienda de fluido
flexible con la tardanza total ponderada como objetivo. Para obtener más información sobre
cuestiones relacionadas con las tiendas de flexibles, consulte Hodgson y McDonald (1981a, b,
c). Dawande, Geismar, Sethi y Sriskandarajah (2007) presentan una amplia visión general de
una de las áreas de aplicación más importantes de las tiendas de fl ujo, a saber, las células
robóticas.
TIENDAS DE FLUJO, TIENDAS DE TRABAJO Y ABIERTO TIENDAS
(ESTOCÁSTICAS)
Los resultados para los talleres de flujo estocástico, los talleres y las tiendas abiertas son algo
Este capítulo se enfoca primero en las políticas de listas estáticas no preventivas, es decir,
permutación Horarios, para talleres de flujo estocástico. Los horarios óptimos de permutación.
a menudo siguen siendo óptimos en la clase de políticas dinámicas no preventivas, así como en
la clase de políticas dinámicas preventivas. Para tiendas abiertas y tiendas de trabajo, Solo las
políticas.
Los resultados obtenidos para los talleres de flujo estocástico y los talleres son algo Similar a
los obtenidos para talleres de flujo determinista y talleres. Estocástico Las tiendas abiertas son,
sin embargo, muy diferentes de sus contrapartes deterministas. La primera sección trata sobre
sujetos a bloqueo. La segunda sección trata del estocástico. talleres de flujo con cero
almacenamientos intermedios; Los trabajos están sujetos a bloqueo. La tercera sección se centra
en los talleres de trabajo estocástico y la última sección repasa Tiendas abiertas estocásticas.
Almacenamiento
Considere dos máquinas en serie con almacenamiento ilimitado entre las máquinas y sin
máquina 2 es X2J, distribuida exponencialmente con una tasa μj. El objetivo es encontrar. la
esperada makepan E (Cmáx). Tenga en cuenta que este problema es una contrapartida
tiene un muy simple. solución. Resulta que la versión estocástica con procesamiento
Teorema 13.1.1.
Supongamos que otra secuencia es óptima. Bajo esta secuencia, hay deben ser dos trabajos
adyacentes, digamos trabajo j seguido de trabajo k, de manera que λj - μj < λk − μk. Basta con
demostrar que un intercambio por pares de estos dos trabajos se reduce el madepan esperado.
Supongamos que el trabajo l precede al trabajo j y deja que C1l (C2l) denote el tiempo de
tiempos de finalización del trabajo k en las dos máquinas debajo del original, Supuestamente
óptimo, secuenciar y dejar que C' 1j y C'2j denota los tiempos de finalización del trabajo j bajo
Dejar m denota el trabajo siguiente al trabajo k. Claramente, el intercambio por pares no afecta
la hora de inicio del trabajo m en la máquina 1 ya que esta hora de inicio es igual a C1k =C'1j =
Dk = C2k − C1k
bajo el horario original, mientras que C1k + D'j es el tiempo correspondiente después de la
Intercambio por parejas. Primero se muestra que la variable aleatoria D'j es estocásticamente
Más pequeña que la variable aleatoria Dk. Si Dt X1j + X1k, entonces claramente Dk = D'j. El
que
procesamiento del trabajo j en la máquina 2 finaliza antes del tiempo de procesamiento del
trabajo k en la máquina 1, lo que sucede con la probabilidad μj / (μj + λk). El segundo término
exponencial.
Una expresión para P (D_ j> t | Dl ≤ X1j + X1k) se puede obtener intercambiando los
Entonces, D'j es estocásticamente más pequeño que Dk. Se puede mostrar fácilmente, a través
procesamiento del trabajo m y de todos los trabajos que siguen al trabajo m), eso si la
realización de D'j es más pequeño que la realización de Dk, entonces el makepan real después
del intercambio es menor igual o igual a la extensión real bajo la secuencia original antes del
intercambio. Entonces, dado que D' j es estocásticamente más pequeño que Dk, el esperado
En la clase de políticas de listas estáticas no preventivas (es decir, permutación). Que la regla
siguiente manera. Está claro que la secuencia en la máquina 2 no importar. Esto se debe a que la
suma de sus tiempos de procesamiento y el orden en que este Lo que pasa no afecta al makepan.
Considerar las decisiones que tienen que ser Hecho cada vez que la máquina 1 es liberada. La
última decisión a tomar se produce en ese momento en el que solo quedan dos trabajos por
anteriormente, Inmediatamente se deduce que el trabajo con el valor λj - μj más alto tiene que ir
primero. Supongamos que quedan tres trabajos por procesar en la máquina 1. Del argumento
anterior se deduce que los dos últimos de estos tres tienen que ser procesado en orden
decreciente de λj - μj. Si el primero de los tres no es el que tiene el valor más alto de λj −μj, un
intercambio por pares entre el primer y el segundo reduce el makepan esperado. Así que los
dinámicas no preventivas.
A partir de la declaración del teorema, parece que el número de óptimos horarios en el caso
determinista.
media muy grande en la máquina 2. Supongamos que esta media es mayor que la suma de los
con el teorema 13.1.1, estos n-1 trabajos restantes aún deben ordenarse en orden decreciente de
Si todos los tiempos de procesamiento fueran deterministas con los tiempos de procesamiento
que fueron igual a la media de los tiempos de procesamiento exponencial, entonces no tendría
λj − μj ≥ λk – μk
λj + μk ≥ λk + μj
E(min(X1j,X2k)) ≤ E(min(X1k,X2j))
(Ver Ejercicio 9.13). Esta condición de adyacencia es bastante similar a la condición para el
Hay otra similitud entre los ajustes exponenciales y deterministas. Considerar el caso donde los
exponencialmente con la misma velocidad, λj, para cada j. De acuerdo con el teorema todas las
secuencias deben tener el mismo makepan esperado. Este resultado es similar al de la tienda de
flujo proporcional determinista, donde todas Las secuencias también tienen el mismo makespan.
La parte restante de esta sección se centra en m flujo de permutación de la máquina tiendas Para
estas tiendas de flujo solo la clase de políticas de listas estáticas no preventivas es de interés, ya
que el orden de los trabajos, una vez determinado, no está permitido cambio.
procesamiento de trabajo j en las m máquinas son i.i.d. Según la distribución Fj con media 1 /
λj. Para una tienda de este tipo es fácil obtener un límite inferior para E (Cmax).
E(Cmax) ≥ + (m − 1) max(
Prueba. El tiempo esperado que toma el trabajo con el procesamiento esperado más largo el
tiempo para recorrer la tienda de flujo es, al menos, m — max (1 / λ1, ..., 1 /λ n). Este más largo
procesamiento
En la primera máquina de los trabajos que la preceden. Después de completar el trabajo más
tiempo que
es al menos tan larga como la suma de los tiempos de procesamiento en la última máquina de la
trabajos que le suceden. El lema sigue así. Una clase de secuencias juega un papel importante en
la permutación estocástica. tiendas de flujo. Una secuencia j1,. . . , jn se llama una secuencia
Tanto la secuencia SEPT como la secuencia LEPT son ejemplos de SEPT-LEPT secuencias.
E(Cmax) ≥ + (m − 1)
(ii) la secuencia SEPT minimiza el tiempo total de finalización esperado en la clase de políticas
Prueba. (i) La primera parte del teorema se deduce de la observación de que los trabajos en el
segmento SEPT de la secuencia nunca tienen que esperar por una máquina Mientras pasan por
el sistema. Esto incluye el trabajo más largo, es decir, el último Trabajo del segmento SEPT de
procesamiento en una máquina antes de la siguiente uno queda disponible. Las máquinas nunca
tienen que esperar por un trabajo. Los makepan es, por lo tanto, igual al límite inferior
(ii) La segunda parte se deduce del hecho de que la secuencia SEPT es una De las secuencias
que minimizan el makepan esperado. Para minimizar el tiempo de finalización esperado del
trabajo en la posición k en la secuencia, los k trabajos más pequeños tienen que ir primero y
estos k trabajos deben ser secuenciados De acuerdo con una secuencia que minimiza el tiempo
de finalización esperado de este kth trabajo Entonces, estos k trabajos más pequeños se pueden
secuenciar de acuerdo con cualquier SEPTIEMBRE secuencia que incluye SEPT. Esto es cierto
para cualquier k. Está claro que bajo SEPT el tiempo de finalización esperado del trabajo en
finalización. El valor real del tiempo total de finalización esperado es fácil computar.
Es fácil encontrar ejemplos con F1 ≤a.s. F2 ≤a.s. · · · ≤a.s. Fn, donde las secuencias que no son
SEPT-LEPT también son óptimos. (En el teorema 6.3.1 era demostrado que cuando F1, F2,. . . ,
Fn son deterministas todas las secuencias son optimas.) Sin embargo, a diferencia de los talleres
de flujo proporcional determinista, al procesar Los tiempos son estocásticos y F1 ≤a.s. F2 ≤a.s. ·
trabajo 1 se cambia de 11 a 20, entonces todas Las secuencias tienen el mismo makepan
esperado.
El modelo en el teorema 13.1.4 asume que los tiempos de procesamiento del trabajo j en Las m
tiempos de procesamiento del trabajo j son todos iguales al mismo aleatoria variable tomada de
la distribución Fj, entonces el modelo se asemeja al determinista Flujo proporcional tienda aún
Es fácil ver que, en este caso, al igual que en el caso de un determinista proporcional tienda de
una forma de dominación estocástica en las distribuciones n para esto para ser verdad).
Considere el caso donde los tiempos de procesamiento del trabajo j en cada uno de los m las
Las expectativas de los n tiempos de procesamiento son, por lo tanto, todas iguales, pero las
variaciones pueden ser diferentes. Que el objetivo a minimizar sea el total esperado. tiempo de
finalización . Este problema lleva a la aplicación de la llamada primera regla de
varianza más pequeña (SV), que selecciona, siempre que la máquina Se libera 1, entre los
Prueba. La prueba es por contradicción. Supongamos que otra secuencia es óptima. En esta
secuencia supuestamente óptima tiene que haber un trabajo j seguido de un trabajo k tal que Xj
≥cx Xk. Supongamos que el trabajo h precede al trabajo j y el trabajo l sigue al trabajo k. Deje
que Cih indique el tiempo de finalización del trabajo h en la máquina i. Deje que A denote la
suma de los tiempos de procesamiento de todos los trabajos anteriores e incluidos el trabajo h
en La secuencia y deja que B denote el tiempo máximo de procesamiento entre los trabajos.
C1h=A
Cih=a+(i-1)B
Realizar un intercambio entre los trabajos j y k no afecta al perfil Job l encuentra al entrar en el
sistema. Así que un intercambio no afecta los tiempos de finalización del trabajo l o los trabajos
que siguen al trabajo l en la secuencia. El intercambio por pares solo afecta la suma de los
del intercambio es igual a El tiempo de finalización del trabajo j después del intercambio. Para
analizar el efecto. del intercambio por pares es suficiente para comparar el tiempo de
finalización del trabajo j antes del intercambio con el tiempo de finalización del trabajo k
Deje que Cij denote el tiempo de finalización del trabajo j antes del intercambio y Cik el
Cmj = A + Xj + (m − 1) max(B,Xj)
C'mk = A + Xk + (m − 1) max(B,Xk).
El tiempo de finalización esperado del trabajo k después del intercambio por pares es menor que
trabajo j en la máquina 1 (2) es una variable aleatoria X1j (X2j) de Distribución F1j (F2j). Hay
cero almacenamiento intermedio entre los dos maquinas El objetivo es minimizar el
la secuencia, luego el trabajo j solo pasa una cantidad de tiempo E (X1j) en la máquina 1
entonces se gasta una cantidad esperada de tiempo E (X2j) en la máquina 2 mientras la máquina
d0k = E(X1k)
dj0 = E(X2j)
djk = E(max(X2j,X1k))
Está claro que se puede calcular un valor para djk, pero que este valor ahora no es una función
simple de dos parámetros como en las Secciones 4.4 y 6.2. sin embargo, el El problema del
vendedor que viaja descrito anteriormente se puede simplificar un poco. El problema es
equivalente a un problema de vendedor ambulante con una distancia más simple. Matriz en la
que debe maximizarse la distancia total. La matriz de distancia es modificada restando la suma
esperada de los tiempos de procesamiento 2n del Distancias y multiplicando las partes restantes
por −1.
d0k = 0
dj0 = 0
djk = E(min(X2j,X1k))
Ejemplo 13.2.1 (Flow Shop con bloqueo y tiempos de procesamiento exponencial). Considere
djk = E(min(X2j,X1k)) =
Aunque este determinista problema del vendedor ambulante (en el que el total la distancia debe
ser maximizada) todavía tiene una estructura bastante agradable, se ha mostrado que no se
obtener más información. Considere el caso donde F1j = F2j = Fj. Las variables aleatorias X1j y
X2j son dibujos independientes de la distribución Fj. Este modelo es algo similar a la tienda de
procesamiento de cualquier trabajo dado en los dos Las máquinas son idénticas. Sin embargo,
las realizaciones reales de los dos procesos Los tiempos no son necesariamente idénticos.
Teorema 13.2.2. Si F1 ≤st F2 ≤st ・ ・ ・ ≤st Fn entonces las secuencias 1, 3, 5,. . . , n,. . . , 6,
nueva secuencia es
−E(max(X2,jk−1,X1,jl )) − E(max(X2,jk,X1,jl+1))
= −E(min(X2,jk−1,X1,jk )) − E(min(X2,jl,X1,jl+1))
+E(min(X2,jk−1,X1,jl )) + E(min(X2,jk,X1,jl+1))
Así que el tiempo de espera esperado de la segunda secuencia es menor que el esperado
Tenga en cuenta que el makespan bajo una secuencia arbitraria no cambia si se agregan dos
trabajos, ambos con cero tiempos de procesamiento en las dos máquinas, uno Primero
trabajos son estocásticamente menores que la distribución de cualquiera de los otros n trabajos.
Así que en la prueba se puede suponer que hay dos adicionales trabajos con cero tiempos de
Considere cuatro distribuciones de tiempo de procesamiento Fj ≥st Fk ≥st Fp ≥st Fq. Puede
secuencia que no está de acuerdo con el teorema se puede mejorar a través de una serie de
reversiones de subsecuencias sucesivas hasta que una secuencia del teorema es adquirido.
con una menor envergadura esperada. El makepan se puede reducir aún más a través de una
Procediendo de esta manera, se puede demostrar fácilmente que cualquier secuencia puede ser
mejorado a través de una serie de reversiones de subsecuencias hasta que una de las secuencias
En el teorema se obtiene.
óptima si se hubiera esperado. Los trabajos cortos deben ser programados al comienzo de la
secuencia, solo para asegurarse de que la máquina 2 no permanecer inactivo durante demasiado
tiempo, mientras que los trabajos cortos también deben programarse para el Fin de la secuencia
para evitar que la máquina 2 esté ocupada durante mucho tiempo. después de que la máquina 1
haya completado todo su procesamiento. Tenga en cuenta que las secuencias óptimas son
6, 4, 2. El teorema 13.2.2 da así una indicación del impacto de los medios de la Procesamiento
de tiempos en la secuencia óptima. Generalizando el resultado del teorema. 13.2.2 a más de dos
con F1j = F2j = Fj, j = 1,. . . , n, pero Con los medios de las distribuciones F1, F2,. . . , Fn
siendo idéntico e igual a 1. Sin embargo, las variaciones de las distribuciones ahora son
simétricas y que F1 ≥sv F2 ≥sv ・ ・ ・ ≥sv Fn. Esto implica que todas las variables aleatorias
se encuentran entre 0 y 2. Para el modelo de dos máquinas sin búferes intermedios, lo siguiente
el teorema sostiene.
Teorema 13.2.3. Si F1 ≥sv F2 ≥sv ・ ・ ・ ≥sv Fn entonces las secuencias 1, 3, 5,. . . , n,. . . , 6,
transformarse en una mejor secuencia. (con un makepan esperado más pequeño) de la forma 1,
secuencia
con secuencia
E(max(X1,Xjk+1)) − E(max(Xj1,Xjk+1))
= E(min(Xj1,Xjk+1)) − E(min(X1,Xjk+1))
Por lo tanto, es mejor programar el trabajo 1 primero. Un argumento similar muestra que el
Con secuencia
la segunda secuencia es
E(max(X1,Xj1 )) + E(max(X3,Xjk+1))
− E(max(X1,X3)) − E(max(Xj1,Xjk+1 ))
= E(min(X1,X3)) + E(min(Xj1,Xjk+1))
− E(min(X1,Xj1 )) − E(min(X3,Xjk+1))
Así que la secuencia óptima tiene que ser de la forma 1, 3, j1, . . ., jn−3, 2. Proceder De esta
fácilmente. Este resultado básicamente indica que la secuencia óptima pone trabajos con
mayores variaciones más hacia el principio y el final de la secuencia, y trabajos con Varianzas
más pequeñas más hacia la mitad de la secuencia. Tal secuencia podría ser referido como una
secuencia LV-SV.
No está claro si resultados similares se mantienen cuando hay más de dos Máquinas en serie.
de dos a tres máquinas. Sin embargo, algunas propiedades se pueden mostrar para m máquinas
en serie con bloqueo, es decir, Fm | bloque Cmax. Supongamos que F1j = F2j = · · · = Fmj = Fj
Teorema 13.2.4. Si F1 ≤a.s. F2 ≤a.s. · · · ≤a.s. Fn, entonces una secuencia minimiza el makepan
es similar a la prueba del teorema 6.3.7 y consta de dos partes. En la primera parte se muestra
que cada secuencia SEPT-LEPT alcanza el límite inferior del Lema 13.1.3 y en la segunda parte
Considere ahora el taller de dos máquinas con trabajo j que tiene un tiempo de procesamiento
tiempo en la máquina 2 que se distribuye exponencialmente con la tasa μj. Algunos de los
trabajos deben procesarse primero en la máquina 1 y luego en la máquina 2, mientras que Los
trabajos restantes deben procesarse primero en la máquina 2 y luego en la máquina 1. Deje que
J1,2 denote el primer conjunto de trabajos y J2,1 el segundo conjunto de trabajos. Minimizando
El makepan esperado resulta ser una extensión fácil de la máquina doble Modelo de tienda de
Teorema 13.3.1. La siguiente política no preventiva minimiza lo esperado makepan en las clases
máquina 1, el decisor selecciona desde J1,2 el trabajo con la mayor λj − μj; Si todos los trabajos
selecciona a partir de J2,1 el trabajo con el mayor μj - λj; si todos los trabajos a partir de J2,1 ya
han completado su procesamiento en la máquina 2 el tomador de decisiones puede tomar
Prueba. La prueba consta de dos partes. Primero, se muestra que los trabajos de J2,1 tienen una
prioridad más baja en la máquina 1 que los trabajos de J1,2 y los trabajos de J1,2 tienen una
prioridad más baja en la máquina 2 que en los trabajos de J2,1. Después de eso, se muestra que
los trabajos de J1,2 se ordenan en la máquina 1 en orden decreciente de λj −μj y trabajos desde
J2,1 en la máquina 2 en orden decreciente de μj - λj. Para mostrar la primera parte, condición en
Supongamos que un horario óptimo pone en un punto en el tiempo un trabajo desde J2,1 en la
procesamiento hasta el último trabajo de J1,2 ha sido completado. Después de este cambiar
todos los trabajos desde J1,2 se completan anteriormente en la máquina 1 y están disponibles
procesamiento Al mismo tiempo que lo hizo antes del intercambio. Sin embargo, la máquina 2
Puede terminar con todo su procesamiento antes que antes del intercambio porque ahora los
parte de la prueba del teorema. Para probar la segunda parte proceda de la siguiente manera.
Primero, considere J1,2. En para mostrar que los trabajos de J1,2 deben programarse en orden
decreciente de λj - μj, condicione primero los tiempos de procesamiento de todos los trabajos en
J2,1 en Ambas máquinas. Los trabajos de J2,1 tienen una prioridad más alta en la máquina 2 y
una prioridad más baja en la máquina 1. Suponga que dos trabajos adyacentes de J1,2 no son
programado en orden decreciente de λj - μj. Realizando un intercambio por pares en De la
misma manera que en el teorema 13.1.1, se obtiene una menor envergadura esperada. Esta
muestra que los trabajos de J1,2 deben programarse en la máquina 1 en disminución orden de λj
- μj. Un argumento similar muestra que los trabajos de J2,1 tienen que ser programado en la
El resultado descrito en el teorema 13.3.1 es similar al resultado descrito en Sección 7.1 con
talleres de trabajo estocásticos con más de dos máquinas no han ecibió tanta atención en la
literatura.
Considere una tienda abierta de dos máquinas donde el tiempo de procesamiento del trabajo j en
aleatoria X2j, distribuida según F2j. El objetivo es para minimizar el makepan esperado. Como
antes, la distribución exponencial es considerado primero En este caso, sin embargo, no se sabe
cuál es la política óptima es cuando F1j es exponencial con tasa λj y F2j exponencial con tasa
μj. Eso Parece que la política óptima puede no tener una estructura simple e incluso puede
Depende de los valores de los λ's y μ's. Sin embargo, el caso especial con λj = μj puede ser
analizado En contraste con los resultados obtenidos para el flujo estocástico. tiendas la política
óptima ahora no puede considerarse como una secuencia de permutación, sino más bien como
una política que prescribe una acción determinada que depende del estado del sistema.
Teorema 13.4.1. La siguiente política minimiza la fabricación esperada en la clase de políticas
dinámicas preferentes, así como en la clase de no preventivo políticas dinámicas: cada vez que
se libera una máquina, el programador selecciona de los trabajos que aún no se han procesado
en ninguna de las dos máquinas, El trabajo con el mayor tiempo de procesamiento esperado. Si
no hay tales trabajos restantes el decisor puede tomar cualquier trabajo que solo necesite ser
Prueba. Al igual que en el caso determinista, las dos máquinas están continuamente ocupadas.
con la posible excepción de a lo sumo un solo período de inactividad en a lo sumo uno máquina.
Tipo II (ver Figura 8.1). En el caso de que no haya período de inactividad en absoluto o un
período de inactividad del Tipo II, makespan es igual al máximo de las cargas de trabajo en las
trabajo en la máquina que no experimentó un período de inactividad. Está claro que El primer
teorema es suficiente demostrar que lo descrito La política minimiza el valor esperado del
segundo término en el R.H.S., es decir, E (min (I1, I2)). Este término depende claramente de la
política utilizada.
Para obtener más información sobre este segundo término, considere lo siguiente: Supongamos
Último trabajo para ser completado. Dado que el trabajo j causa un período de inactividad de
Tipo I
E(min(I1, I2)) =
Si q'j denota la probabilidad de que el trabajo j cause un período de inactividad de Tipo II bajo
E(Cmax(π')) = E(max(
donde
E(H') =
De la teoría de la programación dinámica (ver Apéndice B), se deduce que en Para probar la
demostrar que el uso de π* desde cualquier momento t hacia adelante da como resultado un
π ∗. Primero, es posible comenzar un trabajo que no es el más largo entre los trabajos aún no
procesado en la otra máquina mientras todavía hay trabajos en El sistema que aún no ha
incluye el conjunto J1, J1 ⊂ J2. Caso 1. Dejar π' denota la política que, en el momento t, pone el
revierte a π ∗ desde el siguiente momento de decisión. Deja que el trabajo 0 sea el trabajo que
política π' (π ∗) y por lo tanto, ser un candidato para causar un período de inactividad.
Supongamos que se procesa este trabajo j en la máquina 1. Para que el trabajo j cause un
procesamiento en la máquina 2, tiene que superar todos los trabajos que aún tienen que recibir
su
donde
Tenga en cuenta que las expresiones para j indica que j no dependas en la máquina
en la que el trabajo l, l ∈ {J2 ∠’j}, recibe su segundo procesamiento: trabajo de procesamiento
l la segunda vez en la misma máquina donde se procesó la primera vez, resulta en valores para
j que son los mismos que cuando el trabajo l es procesado la segunda vez en la máquina
no fue procesado la primera vez. Para mostrar que E (H*) E (H') es suficiente para demostrar
que Supongamos que la secuencia en la que los trabajos en J1 comienzan con su primer
- 1, k + 1,. . . . Deje que esta nueva secuencia corresponda a la política π “. Ahora Lemma
12.1.1 se puede utilizar donde π' (π “) corresponde a la secuencia X0, X2, X1,. . . , Xn (X0, X1,
X2, ..., Xn) y ( ) corresponde al rj (qj) en el Lema 12.1.1. Usando el Lema 12.1.1 y las
cada paso se realiza un intercambio por pares. se realiza entre el trabajo k y el trabajo que le
muestra que el esperado makepan disminuye. Caso 2. Dejar π' En este caso, denote la política
que instruye al programador. en el momento t para iniciar el trabajo l con tasa λl, l ∈ {J2 - J1} y
adoptar la política π ∗ A partir del próximo momento de decisión. Es decir, el trabajo l comienza
probabilidad de que
trabajo j bajo π' completa su primer procesamiento después de que todos los trabajos en J1
procesamiento. Dejar r' l denota la probabilidad de que el trabajo l bajo π' completa su segundo
tratamiento Después de que todos los trabajos en J1 han completado su primer procesamiento.
Asume que cuando utilizando π ∗ desde t hacia adelante, el programador puede, después de
haber iniciado todos los trabajos en J1, Elija el trabajo l como el primer trabajo en someterse a
su segundo procesamiento y puede hacer esto en la máquina que está disponible primero (en el
caso 1 quedó claro que La probabilidad de que el trabajo j, j' = l, causando un período de
Sea r ∗ ahora denota la probabilidad de que la tarea j complete su primer procesamiento después
Así que
para todos j en J1 y
para todos j en J1. Otra vez
Esto completa la demostración del teorema. Parece ser muy difícil generalizar este resultado
para incluir una clase más grande de distribuciones. Ejemplo 13.4.2 (Tienda abierta con tiempos
de procesamiento que son mezclas de Exponenciales). Deje que el tiempo de procesamiento del
trabajo j en la máquina i, i = 1, 2, sea una mezcla de una exponencial con tasa λj y cero con
trabajos por un período muy corto Período de tiempo en ambas máquinas solo para verificar si
sus tiempos de procesamiento En las dos máquinas son cero o positivo. Después de la
máquinas tienen prioridad sobre los trabajos que solo necesitan procesamiento en una máquina.
En En cierto sentido, la política descrita en el teorema 13.4.1 es similar a la regla del LAPT
La política que minimiza la expectativa de fabricación siempre. da prioridad a los trabajos que
aún no se han procesado en ninguna de las máquinas. Esta regla particular no requiere ninguna
preferencia. En la literatura, este La regla se ha referido en este escenario como el más largo
caso de dos máquinas todos los tiempos de procesamiento son exponenciales con significa 1 y si
se permiten las preferencias, entonces el tiempo total de finalización esperado También se puede
analizar. Este modelo es una contrapartida exponencial del O2 | pij = 1, prmp Cj. El tiempo total
de finalización esperado claramente requiere una diferente política. Una política particular en la
programador para procesar, siempre que posible, en cada una de las máquinas un trabajo que ya
ha sido procesado en la otra máquina Esta política puede requerir que el programador a veces
solo tiene Completó su operación en la otra máquina. En lo que sigue esta política es referido
como el Tiempo de procesamiento restante más corto esperado primero (SERPT) política.
Teorema 13.4.3. La política preventiva de SERPT minimiza el total esperado tiempo de
finalización en una tienda abierta de dos máquinas en la clase de dinámica preventiva las
políticas.
Prueba. Sea Aij, i = 1, 2, j = 1,. . . , n, denota el tiempo que j trabajos han completado sus
máquina 2 si y solo si
Dejemos j1, j2,. . . , jn denota la secuencia en la que los trabajos abandonan el sistema, es decir,
Esto implica que la época del tiempo de finalización del trabajo kth, k = 1,. . . , n − 1, es una
variable aleatoria que es el máximo de dos variables aleatorias independientes, ambas con
de finalización esperados de los primeros n - 1 trabajos que dejan el El sistema está minimizado.
finalización. Dejar
B = max(A1,n−1,A2,n−1).
lo más un trabajo más para completar. Ahora se puede hacer una distinción entre Dos casos.
Primero, considere el caso en el que, en B, un trabajo debe completarse solo en Una de las dos
incurrido por el último trabajo que deja el sistema (en max (A1, n, A2, n)) depende de la
política. Desde SERPT minimiza lo esperado suma de los tiempos de finalización de los
primeros n - 1 trabajos para abandonar el sistema, como sigue ese SERPT minimiza la suma
En segundo lugar, considere el caso en el que, en el momento B, aún queda un trabajo por
procesar
En ambas máquinas. O bien (i) queda un trabajo que necesita ser procesado en ambas máquinas
o (ii) quedan dos trabajos, cada uno de los cuales requiere procesamiento en una máquina (Una
máquina diferente para cada uno). Bajo (i) la suma esperada de la terminación El tiempo de los
últimos dos trabajos que dejan el sistema es E (B) + E (B + 2), mientras que bajo (ii) es E (B) +
1 + E (B) + 1. En ambos subcasos, la suma esperada de Los tiempos de finalización de los dos
la suma esperada de los tiempos de finalización de los primeros n - 2 trabajos que dejan el
sistema, se deduce que SERPT minimiza la suma esperada de la finalización tiempos de todos
los n trabajos.
13.5 Discusion
Entre los modelos discutidos en este capítulo, los talleres de flujo estocástico tienden a ser lo
más fácil Los talleres estocásticos y las tiendas abiertas estocásticas tienden a ser
considerablemente más duro Las tiendas de flujo estocástico que son las más manejables suelen
relación natural entre las tiendas de flujo estocástico y el tándem. las colas también pueden
resultados conocidos en la teoría de colas). Una dirección que también puede conducir Para
nuevos resultados en el futuro se encuentra en el ámbito de los análisis asintóticos. Por ejemplo,
13.1. Considere una tienda de flujo de dos máquinas con almacenamiento intermedio ilimitado
con media 1 en ambas máquinas (la secuencia de trabajo es, por lo tanto, irrelevante). Los Seis
tiempos de procesamiento son i.i.d. Calcule el tiempo de espera esperado y el total. tiempo de
finalización esperado.
13.2. Considere la posibilidad de una tienda de flujo de permutación de máquina sin bloqueo.
Los tiempos de procesamiento del trabajo j en las máquinas m son idénticos e iguales a la
variable aleatoria Xj de una distribución exponencial con media 1. La aleatoria variables X1,. . .
esperado en función de m y n.
13.3. Compara la tolerancia esperada obtenida en el ejercicio 13.1 con la esperada makespan
obtenido en el ejercicio 13.2 para m = 2 y n = 3. Determine cuáles Uno es más grande y da una
explicación.
13.4. Considere un taller de flujo de dos máquinas con cero almacenamiento intermedio y
exponencialmente distribuido con media 1. Los tiempos de procesamiento 2n son i.i.d. Calcular
El tiempo de espera esperado y el tiempo total de finalización esperado como una función de n.
Ejercicios
13.5. Considere un taller de flujo de dos máquinas con cero almacenamientos intermedios y
Bloqueo y n puestos de trabajo. El tiempo de procesamiento del trabajo j en cada uno de los
dos. máquinas es igual a la variable aleatoria Xj de una distribución exponencial con media 1.
Las variables X1,. . . , Xn son i.i.d. Volver a calcular lo esperado makepan y el tiempo total de
finalización esperado. Compara los resultados con Los resultados obtenidos en el ejercicio 13.4.
13.6. Considere la tienda abierta de dos máquinas y n trabajos. Los tiempos de procesamiento
Xij son todos i.i.d. exponencial con media 1. Supongamos que la política en Teorema Se sigue
13.3.1, es decir, trabajos que aún necesitan procesamiento en ambas máquinas Tiene prioridad
sobre los trabajos que solo necesitan procesamiento en una de las máquinas.
Demuestre que
(b) Demuestre que la probabilidad del trabajo jth que comienza su primer procesamiento
13.7. Considere el mismo escenario que en el ejercicio 13.1 con dos máquinas y tres trabajos,
Sin embargo, ahora todos los tiempos de procesamiento son i.i.d. Según la distribución EME.
con media 1. Calcule el tiempo de espera esperado y el total esperado completar el tiempo y
13.8. Considere el mismo escenario que en el ejercicio 13.2 con m máquinas y n trabajos. Sin
embargo, ahora X1,. . . , Xn son i.i.d. Según la distribución EME con media 1. Calcule el
Compara los resultados obtenidos con los resultados. de los ejercicios 13.2 y 13.7.
13.9. Considere un taller de dos máquinas y tres trabajos. Los trabajos 1 y 2 tienen que ser
tiempo de trabajo j en las dos máquinas es igual al mismo azar. variable Xj que se distribuye
exponencialmente con la media 1. Supongamos que la tienda abierta de dos máquinas está
siendo operada bajo la dinámica no preventiva Política que siempre da prioridad a un trabajo
que aún no ha recibido procesamiento. en la otra máquina. Calcule la fabricación esperada con
Ejercicios (Teoría)
determinista con una matriz de distancia que debe minimizarse. Verifique si esta matriz de
distancia satisface la desigualdad del triángulo (es decir, djk + dkl ≥ djl para todos los j, k y l).
13.12. Considere un taller de flujo de maquina con cero almacenamientos intermedios Entre
máquinas y n trabajos. Los tiempos de procesamiento de n - 1 trabajos en cada uno. una de las
máquinas M son 1. Job n tiene tiempo de procesamiento Xin en la máquina i y las variables
Demostrar que la secuencia que minimice los pone makespan esperados El trabajo estocástico
Demostrar que la secuencia que pone el trabajo estocástico minimiza el último tiempo total de
finalización esperado.
13.13. Considere el taller de flujo de dos máquinas con cero almacenamientos intermedio Entre
las dos máquinas. De n − 2 trabajos los tiempos de procesamiento son deterministas 1 en cada
una de las 2 máquinas. De los dos trabajos restantes, los cuatro procesadores. los tiempos son
i.i.d. de una distribución arbitraria F con media 1. Demuestre que en Para minimizar el
rendimiento esperado, uno de los trabajos estocásticos debe irse. Primero y el otro último.
13.16. Considere una tienda abierta de dos máquinas con n trabajos. Los tiempos de
procesamiento
del trabajo j en las máquinas 1 y 2 son iguales a Xj de la distribución F. El azar variables X1,. . .
, Xn son i.i.d. Demuestre que para minimizar el esperado. makepan el programador, cada vez
que se libera una máquina, tiene que seleccionar un trabajo que Aún no se ha procesado en la
otra máquina.
13.17. Considere la posibilidad de un taller de flujo de permutación de máquina con intermedio
finito Almacenaje y bloqueo. Los tiempos de procesamiento del trabajo j en las m máquinas son
X1j, X2j,. . . , Xmj que son i.i.d. De la distribución FJ. Asumir que
(ii) F2 || Cmax,
(iii) O2 || Cmax,
(iv) J2 || Cmax,
Los problemas (i), (ii), (iii) y (iv) tienen n trabajos. El problema (iv) tiene k trabajos que Debe
trabajo en n cadenas de 2 puestos de trabajo cada uno. Todos los tiempos de procesamiento son
i.i.d. exponencial con media 1. Compara los cinco problemas con respecto a la fabricación
exponencial con tasa λj, entonces el makepan esperado es una secuencia Independiente también.
Considere ahora una tienda de flujo proporcional con X1j y X2j i.i.d. Erlang (2, λj) con cada
una de las dos fases distribuidas según un exponencial con tasa λj, j = 1,. . . , n. Mostrar a través
Entre las dos máquinas. Los tiempos de procesamiento son proporcionales. Muestra esa El
makespan está disminuyendo convexo en el tamaño del búfer b. 13.21. Considere una
contraparte estocástica de FM || Cmax con máquinas que tienen diferentes velocidades, digamos
El trabajo j requiere una cantidad de trabajo Yj, distribuida de acuerdo con Fj, en cada Una de
las máquinas m. La cantidad de tiempo que tarda la máquina en procesarse. el trabajo j es igual
≤lr ・ ・ ・ ≤lr Fn, el SEPT (LEPT) La secuencia minimiza el makepan esperado. En otras
palabras, muestra que si la tienda de flujo está desacelerando (acelerando) la secuencia SEPT
(LEPT) es optimo
Comentarios y referencias
El resultado declarado en el teorema 13.1.1 tiene una historia muy larga. Las primeras
publicaciones
con respecto a este resultado son de Talwar (1967), Bagga (1970), y Cunningham y Dutta
(1973). Un excelente artículo sobre este problema es de Ku. y Niu (1986). La prueba del
Teorema 13.1.1, como se presenta aquí, se debe a Weiss (1982). Se introdujeron las secuencias
SEPT-LEPT para talleres de flujo y analizadas por Pinedo (1982) y las secuencias SV fueron
estudiadas por Pinedo y Wie (1986). Para tiendas de flujo estocástico con fechas de
vencimiento, vea Lee y Lin (1991). Para modelos donde los tiempos de procesamiento de
cualquier trabajo dado en las máquinas m son igual a la misma variable aleatoria, ver Pinedo
Escarcha y Adiri (1985) obtienen resultados para talleres de flujo con tres máquinas. Boxma y
Forst (1986) obtiene resultados con respecto al número ponderado esperado de trabajos tardíos.
Se basa el material en la sección de talleres de flujo estocástico con bloqueo. Sobre todo en el
papel de Pinedo (1982). Para más resultados sobre el flujo estocástico. tiendas con bloqueo, ver
Pinedo y Weber (1984), Foley y Suresh (1984a, b, 1986), Suresh, Foley y Dickey (1985), y
se puede resolver En tiempo polinomial. El análisis del taller de trabajo de dos máquinas es del
papel. por Pinedo (1981b). La política óptima para minimizar el makepan esperado en dos
máquinas Las tiendas abiertas se deben a Pinedo y Ross (1982). El resultado con respecto a la
minimización del tiempo total de finalización esperado en tiendas abiertas de dos máquinas Es