Un equipo de investigación ha desarrollado un modelo innovador basado en Procesos de Decisión de Markov de tiempo discreto (DTMDP) que aborda uno de los desafíos más complejos en la planificación de producción industrial: cómo gestionar eficientemente múltiples productos con capacidades limitadas y demandas que llegan de forma impredecible.

El estudio, publicado en arXiv, se enfoca en el problema de lot-sizing capacitado multi-artículo, donde las cantidades de demanda son conocidas, pero los momentos exactos en que llegan son estocásticos. Esto refleja con gran precisión situaciones reales en industrias manufactureras, donde los pedidos no siguen un patrón fijo y deben cumplirse antes de ciertas fechas límite.

El modelo propuesto permite tomar decisiones de producción y asignación a nivel individual de cada demanda, lo que permite representar con exactitud la competencia por capacidad, los retrasos específicos por producto y la dinámica del inventario dependiente de cómo se asignan las órdenes. Esta granularidad es clave para entender cómo interactúan los distintos productos dentro de una misma línea de producción.

La formulación como proceso de decisión de Markov incluye de forma explícita el espacio de estados, las acciones factibles, el núcleo de transición y la función de costos por período. Sin embargo, introducir la componente estocástica de temporización incrementa significativamente la complejidad computacional: el número de estados posibles crece exponencialmente, al igual que el número de transiciones entre ellos, lo que se traduce en mayores tiempos de resolución y mayor presión sobre la memoria.

Para abordar este reto, los autores proponen un algoritmo genético (GA) que explora políticas factibles basadas en retroalimentación de estado y evalúa cada política utilizando exactamente el modelo de transición del DTMDP. En pruebas con 330 instancias de referencia, el algoritmo se mantuvo muy próximo a la solución óptima estocástica exacta, con una brecha de optimalidad promedio de solo 3.44%.

En las instancias más difíciles, el algoritmo mantuvo la brecha por debajo del umbral del 5% y logró una aceleración promedio de optimización de 6.89 veces, con un nivel de confianza del 95%. Para casos que no pudieron resolverse exactamente debido a limitaciones de hardware, los investigadores utilizaron una regresión empírica del tiempo de resolución de Bellman para estimar el tiempo faltante y extrapolar la ganancia esperada del algoritmo genético.

Este avance tiene implicaciones profundas para la industria 4.0 y la inteligencia artificial aplicada a la cadena de suministro. Las empresas manufactureras pueden beneficiarse de sistemas de planificación más ágiles y precisos, capaces de adaptarse a la variabilidad real de la demanda sin sacrificar la calidad de las decisiones.

Además, el enfoque abre camino para futuras investigaciones en problemas híbridos que combinen incertidumbre estocástica con aprendizaje automático, especialmente en entornos donde la toma de decisiones debe ser tanto óptima como computable en tiempo real.

El uso de algoritmos genéticos para navegar espacios de búsqueda masivos, combinado con modelos de decisión secuencial rigurosos, representa un paso significativo hacia sistemas de planificación autónomos y altamente eficientes en contextos industriales reales.