Optimización de una línea de producción de chocolate mediante su simulación como un sistema Flowshop

Naydelin Micheel Soto Hilario; Juan Carlos Seck Tuoh-Mora; Nayeli Jazmín Escamilla Serna; Nadia Samantha Zúñiga Peña; Manuel González Hernández

doi:10.29057/icbi.v14iespecial3.18053

Autores/as

Naydelin Micheel Soto Hilario Universidad Autónoma del Estado de Hidalgo https://orcid.org/0009-0000-6027-4239
Juan Carlos Seck Tuoh-Mora Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0003-3678-1120
Nayeli Jazmín Escamilla Serna Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-8231-8682
Nadia Samantha Zúñiga Peña Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0001-6791-5393
Manuel González Hernández Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-9171-9816

DOI:

https://doi.org/10.29057/icbi.v14iespecial3.18053

Palabras clave:

Línea de producción, Flowshop, Makespan, Algoritmos Genéticos, Simulación

Resumen

Dentro de las empresas manufactureras de cualquier sector, es común que existan fallas que limiten la capacidad operativa de las líneas de producción dentro y fuera de la planta, provocando tiempos muertos y cuellos de botella en la línea. Sin embargo, hoy en día, gracias a la ingeniería, existen diversos métodos y técnicas fáciles de aplicar para minimizar el impacto que estas pueden tener. El objetivo de este artículo es optimizar el makespan de una línea de producción de chocolate mediante su simulación como un sistema Flowshop y aplicar un algoritmo genético para encontrar una solución bajo el análisis de varios posibles escenarios de preparación y falla de máquinas.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Al-Fandi, L., Abedalrohman, R., & Almasarwah, N. (2026). A simulation-based genetic algorithm approach for solving no-wait two stages elective surgery scheduling problem under uncertainty. *Journal of Industrial Engineering and Management, 19*(2), 443-461.

Arranz de la Peña, J., & Parra Truyol, A. (2007). Algoritmos genéticos (pp. 1–8) Recuperado de:

[https://d1wqtxts1xzle7.cloudfront.net/35889597](https://d1wqtxts1xzle7.cloudfront.net/35889597)

Cubukcuoglu, A., Karacan, I., Ceylan, Z., & Bulkan, S. (2025). Minimizing Makespan in Ordered Flow Shop Scheduling Using a Robust Genetic Algorithm. *Processes, 13 (5)*, 1583.

[DOI: 10.3390/pr13051583](https://doi.org/10.3390/pr13051583)

Di Rado, A., & Podestá, G. (2014). Algoritmos genéticos binarios con control de diversidad [Tesis de licenciatura]. Recuperado de: [https://gestion.dc.uba.ar/media/academic/grade/thesis/podesta.pdf](https://gestion.dc.uba.ar/media/academic/grade/thesis/podesta.pdf)

Ding, H., & Gu, X. (2020). Improved particle swarm optimization algorithm based novel encoding and decoding schemes for flexible job shop scheduling problem. *Computers & Operations Research, 121*, 104951.

Goldberg, D. E. (2013). *Genetic algorithms*. Pearson Education India.

Fu, M. C. (Ed.). (2015). *Handbook of simulation optimization* (Vol. 216). New York: Springer.

Guzmán-Marín, B. C., & Dumont-Viollaz, A. (2026). Algoritmos genéticos: de la teoría evolutiva a la eficiencia industrial. *Revista de divulgación científica iBIO, 8*(2), 328-328.

Hojjati, S. M. H., & Sahraeyan, A. (2009). Minimizing makespan subject to budget limitation in hybrid flow shop. In *2009 International Conference on Computers & Industrial Engineering* (pp. 18-22). IEEE CIE 2009 (pp. 18–22).

Holland, J. H. (1992). *Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence*. The MIT press.

Kuri, Á., & Galaviz, J. (2002). Algoritmos genéticos. Recuperado de: [http://cursos.itam.mx/akuri/PUBLICA.CNS/2000/AGS.PDF?](http://cursos.itam.mx/akuri/PUBLICA.CNS/2000/AGS.PDF)

Law, A. M. (2015). *Simulation Modeling and Analysis*. 5th ed. McGraw-Hill.

Ma, J., Gao, W., & Tong, W. (2025). A deep reinforcement learning assisted adaptive genetic algorithm for flexible job shop scheduling. *Engineering Applications of Artificial Intelligence, 149*, 110447.

Marichelvam, M. K., & Geetha, M. (2026). Solving Flow-Shop Scheduling Problems with Random Machine Breakdown and Limited Buffer Using a Pigeon-Inspired Hybrid Artificial Bee Colony Algorithm. *Computers, 15*(8), 508.

Mario, V. A., Alfian, A., & Setiawan, H. (2026). Production Scheduling Optimization Using The Campbell Dudek Smith (CDS) Method to Minimize Makespan in A Flow Shop Manufacturing System. *Jurnal Improsci, 3*(5), 435-452.

[DOI: 10.62885/improsci.v3i5.1130](https://doi.org/10.62885/improsci.v3i5.1130)

Montgomery, D. C., & Runger, G. C. (2019). *Applied statistics and probability for engineers*. Wiley.

Ouled Bedhief, A., Brahmi, A., & Aissaoui, N. (2026). A comprehensive literature review for hybrid flow shop scheduling problems with dedicated machines. *Operational Research, 26*(4), 97.

Pinzón Castiblanco, S. J., & Parra Gómez, L. M. (2020). Secuenciación Flow Shop con Tiempos de Alistamiento Mediante Algoritmo de Enfriamiento Simulado. *Encuentro Internacional De Educación En Ingeniería*.

[DOI: 10.26507/ponencia.775](https://doi.org/10.26507/ponencia.775)

Pose, M. G. (2000). Introducción a los algoritmos genéticos. *Departamento de Tecnologías de la Información y las Comunicaciones Universidad de Coruña*. Recuperado de: [https://d1wqtxts1xzle7.cloudfront.net/32640693](https://d1wqtxts1xzle7.cloudfront.net/32640693)

Sevilla, J., La elaboración del chocolate, una técnica dulce y ecológica. *Técnica industrial*, 2007, vol. 268, p. 47-51.

Schönheit, M., Neufeld, J. S., & Lasch, R. (2026). Towards holistic environmental awareness in distributed permutation flowshop scheduling: Integrating production and transportation emissions. *Computers & Industrial Engineering*, 111799.

Sitahong, A., Lu, Z., Yuan, Y., Mo, P., & J. (2025). A Review of the Expansion and Integration of Production Line Balancing Problems: From Core Issues to System Integration. *Sensors (Basel, Switzerland), 25*.

[DOI: 10.3390/s25206337](https://doi.org/10.3390/s25206337)

Souza, M. A. A. A. de. (2023). Minimización del tiempo de finalización en un sistema de programación de talleres de flujo flexible mediante métodos computacionales en una organización de procesamiento de minerales [Tesis de pregrado].

Recuperado de: [https://dspace.sti.ufcg.edu.br/handle/riufcg/33456](https://dspace.sti.ufcg.edu.br/handle/riufcg/33456)

Sun, C., Sang, H., Meng, L., Zhang, B., & Meng, T. (2025). Efficient multi-start gray wolf optimization algorithm for the distributed permutation flowshop scheduling problem with preventive maintenance. *Complex System Modeling and Simulation, 5*(2), 107-124.

Robles, F. S. (2025). Simulación de procesos industriales usando FlexSim. *Ingenio y Conciencia Boletín Científico de la Escuela Superior Ciudad Sahagún, 12*, 68-69.

Toledo, E. A. R. (2011). Reingeniería del proceso productivo de chocolate en barra en una industria alimentaria.

Recuperado de: [http://biblioteca.usac.edu.gt/tesis/08/08_1212_Q.pdf](http://biblioteca.usac.edu.gt/tesis/08/08_1212_Q.pdf)

Vargas-Hernández, JG, Muratalla-Bautista, G., & Jiménez-Castillo, M. (2016). Lean Manufacturing ¿una herramienta de mejora de un sistema de producción? *Ingeniería Industrial. Actualidad y Nuevas Tendencias, V (17)*, 153-174.

Recuperado de: [https://www.redalyc.org/articulo.oa?id=215049679011](https://www.redalyc.org/articulo.oa?id=215049679011)

Wang, G., Wang, Y., Wu, Y., & Zhang, G. (2026). A-PPO-Based Scheduling Optimization for Phase-Oriented Complex-Product Manufacturing Workshops. *Processes, 14*(14), 2318.

Zahmatkesh, F., Daneshmand-Mehr, M., & Abolghasemian, M. (2026). A flow shop scheduling model considering no-wait constraints between sequential tasks. *Journal of Industrial Engineering and Management Studies, 13*(1), 86-96.

Zheng, F., Zhang, C., & Liu, M. (2025). Optimization of Continuous Flow-Shop Scheduling Considering Due Dates. *Algorithms, 18*(12).