Un algoritmo de optimización de ballenas mejorado para problemas de programación en talleres de trabajo flexibles con efectos de desgaste de máquinas

Por qué importan los problemas de sincronización en fábricas

Detrás de productos cotidianos como teléfonos, coches y alimentos envasados hay un rompecabezas oculto: decidir qué máquina realiza cada tarea y en qué orden. Este reto de planificación, conocido como programación, determina si una fábrica entrega a tiempo o hace esperar a los clientes. El artículo explora cómo planificar el trabajo en la fábrica cuando las máquinas se desgastan lentamente e introduce un algoritmo informático inspirado en las ballenas que puede encontrar planes de producción más rápidos y realistas.

Cómo envejecen las máquinas en el taller

En los libros de texto sobre programación, las máquinas se tratan como perfectas: su velocidad de procesamiento nunca cambia. Los talleres reales son diferentes. A medida que las máquinas funcionan muchas horas, las piezas se desgastan, se acumula calor y el rendimiento disminuye. Los trabajos que comienzan más tarde en la misma máquina pueden tardar más que trabajos idénticos procesados antes. Este efecto, llamado deterioro, es común en industrias como el acero, los plásticos, la maquinaría y la defensa. Ignorarlo hace que los horarios parezcan buenos en papel pero decepcionen en la práctica, porque los tiempos reales de finalización acaban siendo mucho más largos de lo previsto.

Convertir el desgaste en una regla simple

Los autores estudian un taller de trabajo flexible, donde cada paso de cada trabajo puede realizarse en más de una máquina, y añaden una regla realista para el envejecimiento de las máquinas. En lugar de suponer que el tiempo de proceso crece indefinidamente, adoptan un patrón escalonado: en usos tempranos, la máquina funciona a velocidad básica; tras una determinada carga de trabajo, se añade tiempo extra a cada trabajo a medida que aumenta el desgaste; pasado un límite superior, la ralentización deja de aumentar y se mantiene en un retraso extra fijo. Con esta regla, construyen un modelo matemático cuyo objetivo es minimizar el tiempo total hasta que todos los trabajos estén terminados, respetando el orden de operaciones, las opciones de máquina y los retrasos crecientes causados por el deterioro.

Tomando ideas de las ballenas cazadoras

Para abordar este complejo problema de planificación, el artículo mejora el Whale Optimization Algorithm, un método de búsqueda inspirado en cómo las ballenas jorobadas rodean y atrapan a sus presas. Cada “ballena” en el algoritmo representa un posible horario. Al actualizar repetidamente esos horarios, el grupo busca planes mejores. Los autores rediseñan varias partes de este proceso. Crean una forma más inteligente de generar el primer conjunto de horarios, mezclando razonamiento global, refinamiento local y aleatoriedad. También ajustan cómo las ballenas virtuales pasan de una exploración amplia al principio a un ajuste fino después, usando una regla de convergencia curvada y una “inercia” variable que controla el tamaño de los pasos.

Mantener la búsqueda diversa y evitar callejones sin salida

Las versiones estándar del método de las ballenas pueden quedarse atascadas, girando en torno a un plan simplemente aceptable en lugar de encontrar uno mejor. Para evitarlo, los autores toman prestado un truco de mutación de otra familia de algoritmos, en el que se crean nuevas soluciones candidatas combinando diferencias entre soluciones existentes. Este paso diferencial aleatorio inyecta variedad de nuevo en el grupo. También introducen una estrategia de seno dorado, utilizando movimientos ondulatorios suaves y la proporción áurea para empujar la búsqueda a través de una región más amplia del espacio de soluciones mientras aún gravita hacia áreas prometedoras. Juntas, estas modificaciones equilibran la exploración audaz con el pulido cuidadoso.

Lo que muestran las pruebas en la práctica

El equipo prueba su algoritmo mejorado en problemas de programación estándar adaptados para incluir el desgaste de máquinas. Comparan los resultados con el método original de las ballenas, un algoritmo genético clásico y un optimizador lobo gris. En la mayoría de los conjuntos de prueba, el nuevo método encuentra horarios que terminan antes y lo hace con mayor consistencia entre ejecuciones. En un ejemplo detallado, añadir simplemente el deterioro de las máquinas casi duplica el tiempo de finalización previsto si no se reprograma. Cuando se aplica el método de ballenas mejorado, el tiempo total con desgaste incluido disminuye en alrededor de un tercio en comparación con este plan ingenuo, mostrando claras ganancias en eficiencia.

Qué significa esto para las fábricas reales

En términos sencillos, el estudio demuestra que planificar el trabajo de la fábrica fingiendo que las máquinas nunca disminuyen su velocidad puede inducir seriamente a error a los gestores. Al incorporar el envejecimiento de las máquinas en el horario y usar una búsqueda refinada inspirada en las ballenas, las fábricas pueden organizar tareas y elecciones de máquinas de formas que se ajusten mejor a la realidad, reduciendo tiempos de espera y mejorando el rendimiento. Si bien el enfoque aún asume condiciones estables y parámetros afinados, apunta hacia herramientas digitales más inteligentes que ayudan a los talleres a lidiar con la flexibilidad y el desgaste, acercando los planes hechos por ordenador a lo que realmente ocurre en el taller.

Cita: Li, K., Tian, S. An improved whale optimization algorithm for flexible job shop scheduling problems with machine deterioration effects. Sci Rep 16, 14604 (2026). https://doi.org/10.1038/s41598-026-44409-4

Palabras clave: planificación, optimización, manufactura, desgaste de máquinas, metaheurísticas