2020
Quezada, V. Seck Tuoh, J. Quezada, J. Cuatepotzo, A.
Abstract
La competitividad en el sector industrial nacional e internacional exige variabilidad de productos, donde la flexibilidad de los sistemas productivos es el eje principal. Sin embargo, el manejo inadecuado de los recursos disminuye el factor de competencia en los mercados.Este documento analiza el problema de asignación de órdenes de producción en un sistema flexible, que tiene 4 líneas productivas, donde cada una cuenta hasta con 6 estaciones de trabajo. La producción es de 10 lotes, cada uno de ellos contiene hasta 5 productos diferentes. El objetivo es encontrar la asignación de lotes para su procesamiento en las líneas de producción, que optimicenel tiempo total de procesamiento, así como el tiempo total de demora. Para lograr el objetivo se evalúan soluciones en un simulador del sistema productivo; la optimización de las funciones objetivo le corresponde al algoritmo PSO (Particle Swarm Optimization). La optimización se realiza primero para cada función objetivo y después para ambas considerando pesos ponderados. Los resultados muestran correlación en los valores de las funciones objetivo, sin embargo la solución del óptimo de la función objetivo 1 no lo es para la función objetivo 2 y viceversa. Una limitante en el proceso de optimización es la aleatoriedad que existe en el sistemade producción, lo que implica tener valores diferentes para una misma solución. No obstante, el proceso de optimización mantiene la solución óptima.
Reproducing the Cyclic Tag System Developed by Matthew Cook with Rule 110 Using the Phases f(i-)1.
Elementary cellular automaton Rule 110 explained as a block substitution system
Pair Diagram and Cyclic Properties Characterizing the Inverse of Reversible Automata
How to Make Dull Cellular Automata Complex by Adding Memory: Rule 126 Case Study
Complex Dynamics Emerging in Rule 30 with Majority Memory
Unconventional invertible behaviors in reversible one-dimensional cellular automata.
Modeling a Nonlinear Liquid Level System by Cellular Neural Networks