No abstract

No abstract

Risks arising from the effect of disruptions and unsustainable practices constantly push the supply chain to uncompetitive positions. A smart production planning and control process must successfully address both risks by reducing them, thereby strengthening supply chain (SC) resilience and its ability to survive in the long term. On the one hand, the antidisruptive potential and the inherent sustainability implications of the zero-defect manufacturing (ZDM) management model should be highlighted. On the other hand, the digitization and virtualization of processes by Industry 4.0 (I4.0) digital technologies, namely digital twin (DT) technology, enable new simulation and optimization methods, especially in combination with machine learning (ML) procedures. This paper reviews the state of the art and proposes a ZDM strategy-based conceptual framework that models, optimizes and simulates the master production schedule (MPS) problem to maximize service levels in SCs. This conceptual framework will serve as a starting point for developing new MPS optimization models and algorithms in supply chain 4.0 (SC4.0) environments.

No abstract

La planificación de requerimiento de materiales, actividad conocida como MRP por sus siglas en inglés, es un proceso cuyo propósito es garantizar el flujo de materiales en la producción, asegurando que cada uno de los materiales necesarios sea recibido en la cantidad y fecha requeridas. Como problema, el MRP involucra productos, listas de materiales y componentes, inventario, pedidos de compra, y ordenes de producción, entre otras variables de entrada. Todo este abundante conjunto de datos interviniendo en la solución configura un problema de optimización combinatoria de gran complejidad. En efecto, el MRP pertenece al grupo de los problemas NP-hard, ya que el tiempo requerido para calcular la solución óptima, en términos de computabilidad, es de orden no polinomial, de modo que aumenta de forma exponencial frente a incrementos en el volumen de datos. En entornos reales el problema alcanza tal dimensión que, por lo general, se vuelve intratable para los métodos exactos de aproximación. Este artículo propone el empleo de Open AI Gym y Ray RLlib, dos conocidos marcos de trabajo de aprendizaje por refuerzo profundo (ARP), para la realización de prácticas de simulación del MRP sobre la base de la técnica docente del aprendizaje basado en proyectos (ABP), en el contexto educativo del Máster Universitario en Ingeniería de Organización y Logística (MUIOL) que, actualmente, se imparte en el Campus de Alcoy de la Universitat Politècnica de València (UPV). La contribución de este estudio es doble: i) aproxima la inteligencia artificial al contexto de la enseñanza; y ii) proporciona una referencia para desarrollar materiales didácticos para el estudio del MRP.