OPTIMIZACIÓN DEL PROBLEMA DE BALANCEO
DE LÍNEAS DE ENSAMBLE TIPO 1 MEDIANTE EL
HEURÍSTICO HÍBRIDO BÚSQUEDA LOCAL Y TABÚ
ADAPTING LOCAL AND TABU SEARCH TO OPTIMIZE
THE ASSEMBLY LINE BALANCING PROBLEM TYPE 1
Ana Martín Rodríguez López
Universidad Autónoma del Estado de Hidalgo
Gustavo Erick Anaya Fuentes
Universidad Autónoma del Estado de Hidalgo
Marco Antonio Montufar Benítez
Universidad Autónoma del Estado de Hidalgo
Antonio Oswaldo Ortega Reyes
Universidad Autónoma del Estado de Hidalgo
Lidia Ramírez Quintanilla
Universidad Autónoma del Estado de Hidalgo
pág. 5273
DOI: https://doi.org/10.37811/cl_rcm.v9i5.19895
Optimización del Problema de Balanceo de Líneas de Ensamble Tipo 1
Mediante el Heurístico Híbrido Búsqueda Local y Tabú
Ana Martín Rodríguez López1
ro362726@uaeh.edu.mx
https://orcid.org/0009-0005-3549-3620
Universidad Autónoma del Estado de Hidalgo
Gustavo Erick Anaya Fuentes
ganaya@uaeh.edu.mx
https://orcid.org/0000-0002-3708-6763
Universidad Autónoma del Estado de Hidalgo
Marco Antonio Montufar Benítez
montufar@uaeh.edu.mx
https://orcid.org/0000-0002-9756-1554
Universidad Autónoma del Estado de Hidalgo
Antonio Oswaldo Ortega Reyes
aortega@uaeh.edu.mx
https://orcid.org/0009-0007-4728-664X
Universidad Autónoma del Estado de Hidalgo
Lidia Ramírez Quintanilla
lidia_ramirez@uaeh.edu.mx
https://orcid.org/0009-0006-6270-0469
Universidad Autónoma del Estado de Hidalgo
RESUMEN
El Problema de Optimización de Líneas de Ensamble es ampliamente estudiado en los procesos
industriales debido a que sus beneficios impactan directamente al rubro económico. Este problema se
clasifica de acuerdo con los objetivos perseguidos. En este documento se busca optimizar el Problema
de Balanceo de Líneas de Ensamble Tipo 1, lo anterior implica la minimización de las estaciones de
trabajo en el problema mencionado manteniendo el tiempo de ciclo constante. Para resolver este
problema se propone una modificación al algoritmo metaheurístico de Búsqueda Local con una
Búsqueda Tabú, posteriormente comparando los resultados con los de la literatura mediante instancias
de bases de datos. Los resultados encontrados demuestran la eficiencia del algoritmo propuesto.
Palabras clave: balanceo, líneas de ensamble, optimización, metaheurísticos
1 Autor principal.
2 Correspondencia: ganaya@uaeh.edu.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i5.19895
Optimización del Problema de Balanceo de Líneas de Ensamble Tipo 1
Mediante el Heurístico Híbrido Búsqueda Local y Tabú
Ana Martín Rodríguez López1
ro362726@uaeh.edu.mx
https://orcid.org/0009-0005-3549-3620
Universidad Autónoma del Estado de Hidalgo
Gustavo Erick Anaya Fuentes
ganaya@uaeh.edu.mx
https://orcid.org/0000-0002-3708-6763
Universidad Autónoma del Estado de Hidalgo
Marco Antonio Montufar Benítez
montufar@uaeh.edu.mx
https://orcid.org/0000-0002-9756-1554
Universidad Autónoma del Estado de Hidalgo
Antonio Oswaldo Ortega Reyes
aortega@uaeh.edu.mx
https://orcid.org/0009-0007-4728-664X
Universidad Autónoma del Estado de Hidalgo
Lidia Ramírez Quintanilla
lidia_ramirez@uaeh.edu.mx
https://orcid.org/0009-0006-6270-0469
Universidad Autónoma del Estado de Hidalgo
RESUMEN
El Problema de Optimización de Líneas de Ensamble es ampliamente estudiado en los procesos
industriales debido a que sus beneficios impactan directamente al rubro económico. Este problema se
clasifica de acuerdo con los objetivos perseguidos. En este documento se busca optimizar el Problema
de Balanceo de Líneas de Ensamble Tipo 1, lo anterior implica la minimización de las estaciones de
trabajo en el problema mencionado manteniendo el tiempo de ciclo constante. Para resolver este
problema se propone una modificación al algoritmo metaheurístico de Búsqueda Local con una
Búsqueda Tabú, posteriormente comparando los resultados con los de la literatura mediante instancias
de bases de datos. Los resultados encontrados demuestran la eficiencia del algoritmo propuesto.
Palabras clave: balanceo, líneas de ensamble, optimización, metaheurísticos
1 Autor principal.
2 Correspondencia: ganaya@uaeh.edu.mx
pág. 5274
Adapting Local and Tabu Search to Optimize the Assembly Line Balancing
Problem Type 1
ABSTRACT
The Assembly Line Optimization Problem is widely studied in industrial processes due to its direct
economic impact. This problem is classified according to its objectives. In this paper, we address the
Type 1 Assembly Line Balancing Problem (ALBP-1), which aims to minimize the number of
workstations while keeping the cycle time constant. To solve this problem, we propose a modified Local
Search metaheuristic incorporating Tabu Search. The results are then compared with those from
literature using benchmark database instances. Our findings demonstrate the efficiency of the proposed
algorithm.
Keywords: balancing, assembly lines, optimization, metaheuristics
Artículo recibido 25 agosto 2025
Aceptado para publicación: 25 setiembre 2025
Adapting Local and Tabu Search to Optimize the Assembly Line Balancing
Problem Type 1
ABSTRACT
The Assembly Line Optimization Problem is widely studied in industrial processes due to its direct
economic impact. This problem is classified according to its objectives. In this paper, we address the
Type 1 Assembly Line Balancing Problem (ALBP-1), which aims to minimize the number of
workstations while keeping the cycle time constant. To solve this problem, we propose a modified Local
Search metaheuristic incorporating Tabu Search. The results are then compared with those from
literature using benchmark database instances. Our findings demonstrate the efficiency of the proposed
algorithm.
Keywords: balancing, assembly lines, optimization, metaheuristics
Artículo recibido 25 agosto 2025
Aceptado para publicación: 25 setiembre 2025
pág. 5275
INTRODUCCIÓN
A lo largo del tiempo, grandes y pequeñas empresas se han adaptado a los requerimientos que el
mercado exige con respecto a la demanda de productos, teniendo así que modificar las áreas y métodos
de trabajo para generar valor en la producción de bienes y servicios, disminuyendo tiempos de
producción (Coletti Romero & Riojas Cañari, 2018). Consideradas como una parte esencial en muchos
de los sistemas de producción que utilizan diversas empresas por ser claves para alcanzar productos que
satisfacen al cliente, las líneas de ensamble inicialmente estaban pensadas para trabajar y producir un
único modelo en grandes cantidades, apto para productos que son considerados de alta demanda y
sacando el mejor provecho de los recursos utilizados (Murillo Garcia, Peñaherrera-Larenas, Borja
Salinas, & Vanegas, 2018).
Por lo anterior, en la búsqueda por optimizar los recursos el balanceo de líneas de ensamble (Assembly
Line Balancing Problem, ALBP), este se ha investigado ampliamente en el ámbito de ingeniería
industrial y optimización de procesos. Su principal objetivo consiste en distribuir las tareas de
manufactura entre las estaciones de trabajo, cumpliendo con las restricciones de precedencia y
optimizando indicadores clave como el número de estaciones, el tiempo de ciclo o el tiempo de
inactividad. Entre las variantes más estudiadas se encuentra el Simple Assembly Line Balancing
Problem (SALBP), según su enfoque se clasifica en SALBP-1 (minimizar estaciones con un tiempo de
ciclo fijo), SALBP-2 (minimizar el tiempo de ciclo con estaciones fijas) y otras variantes más
complejas.
Sin embargo, muchas empresas no se enfocan únicamente en la fabricación de productos de un solo
modelo, sino que producen una variedad de productos con diferentes modelos. Por ello, la flexibilidad
en sus procesos es un aspecto fundamental. Además, el problema simple de balanceo de líneas de
ensamblaje (SALBP, por sus siglas en inglés) se clasifica como un problema NP-Hard, lo que implica
que no se conoce ningún algoritmo capaz de resolverlo en tiempo polinomial, a menos que se combine
con técnicas heurísticas (Baskar & Xavior M, 2020). En consecuencia, esta investigación tiene el
objetivo de realizar una adaptación que integre un algoritmo genético con la heurística de búsqueda
local iterada para minimizar el número de estaciones de trabajo en un proceso de ensamble, mediante
un enfoque de Balanceo de Líneas de Ensamble en la modalidad de Problema tipo 1.
INTRODUCCIÓN
A lo largo del tiempo, grandes y pequeñas empresas se han adaptado a los requerimientos que el
mercado exige con respecto a la demanda de productos, teniendo así que modificar las áreas y métodos
de trabajo para generar valor en la producción de bienes y servicios, disminuyendo tiempos de
producción (Coletti Romero & Riojas Cañari, 2018). Consideradas como una parte esencial en muchos
de los sistemas de producción que utilizan diversas empresas por ser claves para alcanzar productos que
satisfacen al cliente, las líneas de ensamble inicialmente estaban pensadas para trabajar y producir un
único modelo en grandes cantidades, apto para productos que son considerados de alta demanda y
sacando el mejor provecho de los recursos utilizados (Murillo Garcia, Peñaherrera-Larenas, Borja
Salinas, & Vanegas, 2018).
Por lo anterior, en la búsqueda por optimizar los recursos el balanceo de líneas de ensamble (Assembly
Line Balancing Problem, ALBP), este se ha investigado ampliamente en el ámbito de ingeniería
industrial y optimización de procesos. Su principal objetivo consiste en distribuir las tareas de
manufactura entre las estaciones de trabajo, cumpliendo con las restricciones de precedencia y
optimizando indicadores clave como el número de estaciones, el tiempo de ciclo o el tiempo de
inactividad. Entre las variantes más estudiadas se encuentra el Simple Assembly Line Balancing
Problem (SALBP), según su enfoque se clasifica en SALBP-1 (minimizar estaciones con un tiempo de
ciclo fijo), SALBP-2 (minimizar el tiempo de ciclo con estaciones fijas) y otras variantes más
complejas.
Sin embargo, muchas empresas no se enfocan únicamente en la fabricación de productos de un solo
modelo, sino que producen una variedad de productos con diferentes modelos. Por ello, la flexibilidad
en sus procesos es un aspecto fundamental. Además, el problema simple de balanceo de líneas de
ensamblaje (SALBP, por sus siglas en inglés) se clasifica como un problema NP-Hard, lo que implica
que no se conoce ningún algoritmo capaz de resolverlo en tiempo polinomial, a menos que se combine
con técnicas heurísticas (Baskar & Xavior M, 2020). En consecuencia, esta investigación tiene el
objetivo de realizar una adaptación que integre un algoritmo genético con la heurística de búsqueda
local iterada para minimizar el número de estaciones de trabajo en un proceso de ensamble, mediante
un enfoque de Balanceo de Líneas de Ensamble en la modalidad de Problema tipo 1.
pág. 5276
En la segunda sección se incluyen los antecedentes del problema en cuestión, en la tercera sección se
muestra la metodología del algoritmo propuesto, la cuarta sección presenta resultados y discusión.
ANTECEDENTES
Las líneas de ensamble tienen sus bases alrededor de la década de 1890 con las aportaciones de
Frederick W. Taylor, padre de la administración científica, con sus aportaciones donde principalmente
se centraba en dividir las actividades en pequeñas tareas, convirtiéndolas en pequeños ciclos de trabajo,
por lo tanto, el tiempo que les tomaría aprender a los obreros a realizarlas sería muy poco y rápidamente
lo estarían haciendo con excelencia y con poco esfuerzo mental. Contribuyó con las bases de lo que se
conoce como el estudio de tiempos y movimientos, esta disciplina se basa en la descomposición de los
procesos para analizar cada uno de los movimientos realizados por los obreros y posteriormente
determinar cuáles son innecesarios para descartarlos y así obtener lo que Taylor nombraba como “la
única mejor forma” de ejecución de tareas del obrero en un tiempo dado o tiempo tipo. No solo Taylor
contribuyó al estudio de tiempos y movimientos, Franck B. Gilbreth y Lillian M. Gilbreth también
aportó técnicas a este, entre sus aportaciones tenemos a los 17 movimientos en los que cualquier tarea
se puede dividir o también conocidos como los Therbligs (Gonzáles Martínez, 2003). Sin embargo, es
hasta la década de 1910 en donde Henry Ford junto con Charles E. Sorenso idean una manera de
fabricación que reúne diferentes elementos de un sistema de producción que incluye por supuesto mano
de obra, máquinas, procesos y productos para crear un sistema continuo que les permitió crear el
automóvil modelo T (Carro Paz & Gonzáles Gómez, 2013). Esta idea fue basada en las observaciones
realizadas cuando visitó los mataderos de Cincinnati y Chicago y observó el uso de la cinta
transportadora para el empaquetado de la carne congelada. De esta forma Henry Ford desarrolló el
concepto de línea de ensamble coordinada. Poco después muchas empresas comenzaron a copiar el
sistema de producción que había desarrollado Ford (Sadurní, 2022). El balanceo de líneas de ensamble
surge como una necesidad clave en los sistemas de producción en masa (Possan Junior, Sato Michels,
& Magatão, 2023).
La formulación formal del problema, conocida como Simple Assembly Line Balancing Problem
(SALBP), fue presentada por primera vez por Salveson (1955), quien propuso un enfoque matemático
para asignar tareas a estaciones respetando restricciones de precedencia, con el objetivo de minimizar
En la segunda sección se incluyen los antecedentes del problema en cuestión, en la tercera sección se
muestra la metodología del algoritmo propuesto, la cuarta sección presenta resultados y discusión.
ANTECEDENTES
Las líneas de ensamble tienen sus bases alrededor de la década de 1890 con las aportaciones de
Frederick W. Taylor, padre de la administración científica, con sus aportaciones donde principalmente
se centraba en dividir las actividades en pequeñas tareas, convirtiéndolas en pequeños ciclos de trabajo,
por lo tanto, el tiempo que les tomaría aprender a los obreros a realizarlas sería muy poco y rápidamente
lo estarían haciendo con excelencia y con poco esfuerzo mental. Contribuyó con las bases de lo que se
conoce como el estudio de tiempos y movimientos, esta disciplina se basa en la descomposición de los
procesos para analizar cada uno de los movimientos realizados por los obreros y posteriormente
determinar cuáles son innecesarios para descartarlos y así obtener lo que Taylor nombraba como “la
única mejor forma” de ejecución de tareas del obrero en un tiempo dado o tiempo tipo. No solo Taylor
contribuyó al estudio de tiempos y movimientos, Franck B. Gilbreth y Lillian M. Gilbreth también
aportó técnicas a este, entre sus aportaciones tenemos a los 17 movimientos en los que cualquier tarea
se puede dividir o también conocidos como los Therbligs (Gonzáles Martínez, 2003). Sin embargo, es
hasta la década de 1910 en donde Henry Ford junto con Charles E. Sorenso idean una manera de
fabricación que reúne diferentes elementos de un sistema de producción que incluye por supuesto mano
de obra, máquinas, procesos y productos para crear un sistema continuo que les permitió crear el
automóvil modelo T (Carro Paz & Gonzáles Gómez, 2013). Esta idea fue basada en las observaciones
realizadas cuando visitó los mataderos de Cincinnati y Chicago y observó el uso de la cinta
transportadora para el empaquetado de la carne congelada. De esta forma Henry Ford desarrolló el
concepto de línea de ensamble coordinada. Poco después muchas empresas comenzaron a copiar el
sistema de producción que había desarrollado Ford (Sadurní, 2022). El balanceo de líneas de ensamble
surge como una necesidad clave en los sistemas de producción en masa (Possan Junior, Sato Michels,
& Magatão, 2023).
La formulación formal del problema, conocida como Simple Assembly Line Balancing Problem
(SALBP), fue presentada por primera vez por Salveson (1955), quien propuso un enfoque matemático
para asignar tareas a estaciones respetando restricciones de precedencia, con el objetivo de minimizar
pág. 5277
el número de estaciones o el tiempo de ciclo (Kriengkorakot & Pianthong, 2007) como se muestra en
la Figura 1.
Figura 1. Estaciones de trabajo en líneas de ensamble
El problema de balanceo de líneas de ensamble (ALBP) está clasificado como un problema NP-Hard,
lo que implica que no se ha encontrado un algoritmo capaz de resolverlo en tiempo polinomial. Por
tanto, el tiempo requerido para encontrar una solución óptima aumenta exponencialmente a medida que
crece el tamaño del problema (Coletti Romero & Riojas Cañari, 2018). Debido a esta complejidad
computacional, durante las últimas décadas se han desarrollado numerosos enfoques heurísticos y
metaheurísticos como lo son el método de Helgeson-Birnie que nos habla del peso posicional, el método
de Kilbridge y Wester sobre el número de predecesores para una tarea en consideración (Baskar &
Xavior M, 2020), algoritmos genéticos (Goldberg, 1989), la búsqueda local iterada (Glover &
Kochenberger, 2003), búsqueda tabú (García Martínez , 2008), recocido simulado (Chikhi, 2025), entre
otros.
El SALBP-1 pertenece a los problemas denominados como NP-hard, esto implica que no existe un
algoritmo eficiente para resolverlo de manera exacta en casos de gran escala (Baskar & Xavior M,
2020). Debido a la complejidad computacional de este tipo de problemas, la presente investigación se
ha centrado en métodos heurísticos y metaheurísticos a pesar de no garantizar soluciones óptimas,
proporcionan resultados en tiempos computacionales prácticos dentro de márgenes de error aceptables.
Álvarez Miranda, Pereira y Vilá (2023) analizaron la relación entre las características del SALBP y
métodos derivados del problema de empaquetamiento en contenedores (Bin Packing Problem, BPP).
Sus hallazgos indican que incluso con técnicas avanzadas como el (Branch, Bound, and Remember,
BBR), la inclusión de restricciones de precedencia aumenta significativamente la dificultad, limitando
el número de estaciones o el tiempo de ciclo (Kriengkorakot & Pianthong, 2007) como se muestra en
la Figura 1.
Figura 1. Estaciones de trabajo en líneas de ensamble
El problema de balanceo de líneas de ensamble (ALBP) está clasificado como un problema NP-Hard,
lo que implica que no se ha encontrado un algoritmo capaz de resolverlo en tiempo polinomial. Por
tanto, el tiempo requerido para encontrar una solución óptima aumenta exponencialmente a medida que
crece el tamaño del problema (Coletti Romero & Riojas Cañari, 2018). Debido a esta complejidad
computacional, durante las últimas décadas se han desarrollado numerosos enfoques heurísticos y
metaheurísticos como lo son el método de Helgeson-Birnie que nos habla del peso posicional, el método
de Kilbridge y Wester sobre el número de predecesores para una tarea en consideración (Baskar &
Xavior M, 2020), algoritmos genéticos (Goldberg, 1989), la búsqueda local iterada (Glover &
Kochenberger, 2003), búsqueda tabú (García Martínez , 2008), recocido simulado (Chikhi, 2025), entre
otros.
El SALBP-1 pertenece a los problemas denominados como NP-hard, esto implica que no existe un
algoritmo eficiente para resolverlo de manera exacta en casos de gran escala (Baskar & Xavior M,
2020). Debido a la complejidad computacional de este tipo de problemas, la presente investigación se
ha centrado en métodos heurísticos y metaheurísticos a pesar de no garantizar soluciones óptimas,
proporcionan resultados en tiempos computacionales prácticos dentro de márgenes de error aceptables.
Álvarez Miranda, Pereira y Vilá (2023) analizaron la relación entre las características del SALBP y
métodos derivados del problema de empaquetamiento en contenedores (Bin Packing Problem, BPP).
Sus hallazgos indican que incluso con técnicas avanzadas como el (Branch, Bound, and Remember,
BBR), la inclusión de restricciones de precedencia aumenta significativamente la dificultad, limitando
pág. 5278
la obtención de soluciones óptimas incluso en instancias pequeñas.
Boysen, Schulze y Scholl (2022) realizaron una revisión exhaustiva de los avances en balanceo de
líneas, destacando que, aunque los modelos matemáticos son útiles como referencia, en entornos reales
suelen requerir ajustes manuales para alcanzar resultados óptimos. Por lo anterior, la literatura ha
comparado diferentes métodos que se han utilizado para resolver el problema. Es el caso de Fathi,
Fontes, Moris y Ghobakhloo (2018), quienes compararon 20 heurísticas aplicadas al SALBP-1,
concluyendo que la eficiencia de la línea y el tiempo de inactividad son factores determinantes para
reducir el número de estaciones. Por su parte, Pape (2015) optimizó heurísticas tradicionales como las
de Hoffmann, demostrando que la programación dinámica y la búsqueda tabú son altamente efectivas
en este tipo de problemas.
Los métodos utilizados para resolver este tipo de problemas considerados NP-Hard son esenciales para
resolver problemas reales en la industria, tal es el caso de implementaciones y adaptaciones de modelos
para implementar un modelo basado en la Teoría de Restricciones (TOC) y la metodología 5S en una
empresa procesadora de vidrio templado, logrando mejoras significativas en productividad Escalante
Torres (2021). Además, Guamán Lozano et al. (2018) aplican el método COMSOAL (Computer
Method for Sequencing Operations for Assembly Lines) en una línea de ensamble automotriz,
optimizando la distribución de tareas sin incrementar recursos.
Miño Cascante et al. (2019) destacaron la importancia de los tiempos estándar y los diagramas de
precedencia en líneas de soldadura, mientras que Orejuela Cabrera y Flórez González (2019)
propusieron un modelo multi-objetivo para la industria farmacéutica, equilibrando tiempos de ciclo,
número de estaciones e inventario en proceso.
Ahora, es necesario mencionar que las tendencias futuras siguen tendencias hacía investigaciones
recientes exploran la combinación de metaheurísticas, como algoritmos genéticos y optimización por
colonia de hormigas (Kucukkoc & Zhang, 2016), así como el desarrollo de modelos adaptativos para
entornos de producción con alta variabilidad (Nourmohammadi et al., 2019). Sin embargo, persisten
desafíos en escalabilidad y aplicabilidad en industrias con alta diversificación de productos.
El SALBP-1 sigue siendo un campo activo de investigación, donde la integración de métodos
heurísticos, simulaciones y ajustes empíricos resulta fundamental para lograr equilibrios eficientes en
la obtención de soluciones óptimas incluso en instancias pequeñas.
Boysen, Schulze y Scholl (2022) realizaron una revisión exhaustiva de los avances en balanceo de
líneas, destacando que, aunque los modelos matemáticos son útiles como referencia, en entornos reales
suelen requerir ajustes manuales para alcanzar resultados óptimos. Por lo anterior, la literatura ha
comparado diferentes métodos que se han utilizado para resolver el problema. Es el caso de Fathi,
Fontes, Moris y Ghobakhloo (2018), quienes compararon 20 heurísticas aplicadas al SALBP-1,
concluyendo que la eficiencia de la línea y el tiempo de inactividad son factores determinantes para
reducir el número de estaciones. Por su parte, Pape (2015) optimizó heurísticas tradicionales como las
de Hoffmann, demostrando que la programación dinámica y la búsqueda tabú son altamente efectivas
en este tipo de problemas.
Los métodos utilizados para resolver este tipo de problemas considerados NP-Hard son esenciales para
resolver problemas reales en la industria, tal es el caso de implementaciones y adaptaciones de modelos
para implementar un modelo basado en la Teoría de Restricciones (TOC) y la metodología 5S en una
empresa procesadora de vidrio templado, logrando mejoras significativas en productividad Escalante
Torres (2021). Además, Guamán Lozano et al. (2018) aplican el método COMSOAL (Computer
Method for Sequencing Operations for Assembly Lines) en una línea de ensamble automotriz,
optimizando la distribución de tareas sin incrementar recursos.
Miño Cascante et al. (2019) destacaron la importancia de los tiempos estándar y los diagramas de
precedencia en líneas de soldadura, mientras que Orejuela Cabrera y Flórez González (2019)
propusieron un modelo multi-objetivo para la industria farmacéutica, equilibrando tiempos de ciclo,
número de estaciones e inventario en proceso.
Ahora, es necesario mencionar que las tendencias futuras siguen tendencias hacía investigaciones
recientes exploran la combinación de metaheurísticas, como algoritmos genéticos y optimización por
colonia de hormigas (Kucukkoc & Zhang, 2016), así como el desarrollo de modelos adaptativos para
entornos de producción con alta variabilidad (Nourmohammadi et al., 2019). Sin embargo, persisten
desafíos en escalabilidad y aplicabilidad en industrias con alta diversificación de productos.
El SALBP-1 sigue siendo un campo activo de investigación, donde la integración de métodos
heurísticos, simulaciones y ajustes empíricos resulta fundamental para lograr equilibrios eficientes en
pág. 5279
líneas de producción. Futuros estudios podrían enfocarse en estrategias híbridas que combinen técnicas
de optimización clásica con enfoques adaptativos para entornos industriales dinámicos.
Planteamiento del Problema
El Problema de Balanceo de Líneas de Ensamble Tipo 1, consiste en asignar un conjunto de tareas u
operaciones con restricciones de precedencia a un conjunto no predeterminado ni limitado de estaciones
de trabajo minimizando el número de éstas. Matemáticamente se puede describir como se muestra a
continuación:
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 ∑
𝑊𝑚𝑎𝑥
𝑊=1
𝑦𝑚 … 1
Sujeto a las restricciones:
∑
𝑊𝑚𝑎𝑥
𝑤=1
𝑋𝑖𝑤 = 1 𝑝𝑎𝑟𝑎 𝑖 = 1,2, … 𝑁 … 2
∑
𝑁
𝑖=1
𝑡𝑖 ∗ 𝑋𝑖𝑤 ≤ 𝐶 𝑝𝑎𝑟𝑎 𝑤 = 1,2, … 𝑊𝑚𝑎𝑥 … 3
∑
𝑊𝑚𝑎𝑥
𝑤=1
𝑤 ∗ 𝑋ℎ𝑤 ≤ ∑
𝑊𝑚𝑎𝑥
𝑤=1
𝑤 ∗ 𝑋𝑖𝑤 𝑑𝑜𝑛𝑑𝑒 ℎ ∈ 𝑃𝑖 … 4
𝑦𝑤 ∈ {0,1} … 5
𝑋𝑖𝑤 ∈ {0,1} … 6
En donde:
i: es la tarea
N: el número de tareas.
ti: tiempo de procesamiento.
C: Tiempo de ciclo.
w: estaciones de trabajo.
Wmax: límite superior de estaciones de trabajo.
Pi: grupo de predecesores de la tarea i.
Xiw: igual a uno si la tarea i es asignada a la estación w, cero en otro caso.
Ym: igual a uno si alguna tarea es asignada a la estación w, cero en otro caso.
La ecuación 1 hace referencia a la función objetivo, la cual consiste en minimizar el número de
estaciones de trabajo; la ecuación 2 asegura que cada tarea es asignada a solo una estación de trabajo;
en la ecuación 3 se asegura que la suma de todos los tiempos de procesamiento de las tareas asignadas
líneas de producción. Futuros estudios podrían enfocarse en estrategias híbridas que combinen técnicas
de optimización clásica con enfoques adaptativos para entornos industriales dinámicos.
Planteamiento del Problema
El Problema de Balanceo de Líneas de Ensamble Tipo 1, consiste en asignar un conjunto de tareas u
operaciones con restricciones de precedencia a un conjunto no predeterminado ni limitado de estaciones
de trabajo minimizando el número de éstas. Matemáticamente se puede describir como se muestra a
continuación:
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 ∑
𝑊𝑚𝑎𝑥
𝑊=1
𝑦𝑚 … 1
Sujeto a las restricciones:
∑
𝑊𝑚𝑎𝑥
𝑤=1
𝑋𝑖𝑤 = 1 𝑝𝑎𝑟𝑎 𝑖 = 1,2, … 𝑁 … 2
∑
𝑁
𝑖=1
𝑡𝑖 ∗ 𝑋𝑖𝑤 ≤ 𝐶 𝑝𝑎𝑟𝑎 𝑤 = 1,2, … 𝑊𝑚𝑎𝑥 … 3
∑
𝑊𝑚𝑎𝑥
𝑤=1
𝑤 ∗ 𝑋ℎ𝑤 ≤ ∑
𝑊𝑚𝑎𝑥
𝑤=1
𝑤 ∗ 𝑋𝑖𝑤 𝑑𝑜𝑛𝑑𝑒 ℎ ∈ 𝑃𝑖 … 4
𝑦𝑤 ∈ {0,1} … 5
𝑋𝑖𝑤 ∈ {0,1} … 6
En donde:
i: es la tarea
N: el número de tareas.
ti: tiempo de procesamiento.
C: Tiempo de ciclo.
w: estaciones de trabajo.
Wmax: límite superior de estaciones de trabajo.
Pi: grupo de predecesores de la tarea i.
Xiw: igual a uno si la tarea i es asignada a la estación w, cero en otro caso.
Ym: igual a uno si alguna tarea es asignada a la estación w, cero en otro caso.
La ecuación 1 hace referencia a la función objetivo, la cual consiste en minimizar el número de
estaciones de trabajo; la ecuación 2 asegura que cada tarea es asignada a solo una estación de trabajo;
en la ecuación 3 se asegura que la suma de todos los tiempos de procesamiento de las tareas asignadas
pág. 5280
en la misma estación de trabajo no exceda el tiempo de ciclo; la restricción 4 establece relaciones de
precedencia entre las tareas; la restricción 5 define los posibles valores de ym; la restricción 5 define los
posibles valores de Xiw.
METODOLOGÍA
Es necesario comenzar por mencionar que el algoritmo de Búsqueda Local tiene entre otras limitantes
a las dos siguientes: convergencia prematura a soluciones con óptimos locales y vecindarios estáticos.
Por lo anterior, la presente metodología tiene 3 innovaciones clave:
1. Un vecindario dinámico con múltiples operadores.
2. Reinicios basados en diversidad.
3. Memoria a corto plazo (inspirada en búsqueda Tabú)
El vecindario dinámico con múltiples operadores en lugar de realizar intercambios de posiciones la
solución es perturbada de acuerdo con una probabilidad de ocurrencia. Los reinicios basados en
diversidad implica que si no existen mejoras después de k iteraciones se calcula la diversidad de la
solución actual contra las históricas y en el caso de encontrar una diversidad baja (soluciones muy
similares), se reinicia desde una solución perturbada. Mientras que para mantener una memoria a corto
plazo se almacenan las últimas soluciones visitadas penalizando los movimientos que revierten cambios
recientes.
De manera completa el algoritmo consiste en los pasos mostrados en la Figura 2:
Figura 2. Diagrama de flujo del algoritmo propuesto
en la misma estación de trabajo no exceda el tiempo de ciclo; la restricción 4 establece relaciones de
precedencia entre las tareas; la restricción 5 define los posibles valores de ym; la restricción 5 define los
posibles valores de Xiw.
METODOLOGÍA
Es necesario comenzar por mencionar que el algoritmo de Búsqueda Local tiene entre otras limitantes
a las dos siguientes: convergencia prematura a soluciones con óptimos locales y vecindarios estáticos.
Por lo anterior, la presente metodología tiene 3 innovaciones clave:
1. Un vecindario dinámico con múltiples operadores.
2. Reinicios basados en diversidad.
3. Memoria a corto plazo (inspirada en búsqueda Tabú)
El vecindario dinámico con múltiples operadores en lugar de realizar intercambios de posiciones la
solución es perturbada de acuerdo con una probabilidad de ocurrencia. Los reinicios basados en
diversidad implica que si no existen mejoras después de k iteraciones se calcula la diversidad de la
solución actual contra las históricas y en el caso de encontrar una diversidad baja (soluciones muy
similares), se reinicia desde una solución perturbada. Mientras que para mantener una memoria a corto
plazo se almacenan las últimas soluciones visitadas penalizando los movimientos que revierten cambios
recientes.
De manera completa el algoritmo consiste en los pasos mostrados en la Figura 2:
Figura 2. Diagrama de flujo del algoritmo propuesto
pág. 5281
A continuación, se muestra el Pseudocódigo del algoritmo propuesto
Pseudocódigo
Procedimiento Búsqueda Local Modificado
INICIO
# Inicialización
Generar solución inicial S
MejorSolución ← S
MemoriaTabú ← ∅
contador ← 0
max_iteraciones ← N
# Número máximo de iteraciones
iter ← 0
# Ciclo principal
REPETIR
# Generar vecindario de S
Vecindario ← GenerarVecindario(S)
# Seleccionar el mejor vecino válido (no Tabú o que cumple aspiración)
S' ← SeleccionarMejorVecino(Vecindario, MemoriaTabú)
# Validar factibilidad de S'
SI EsFactible(S') ENTONCES
# Comparar con la solución actual
SI Calidad(S') < Calidad(S) ENTONCES
# Si es mejor (minimización)
S ← S'
# Actualizar solución actual
# Actualizar la mejor solución encontrada
SI Calidad(S) < Calidad(MejorSolución) ENTONCES
MejorSolución ← S
MemoriaTabú ← ActualizarMemoriaTabú(S, MemoriaTabú)
contador ← 0
# Reiniciar contador (por mejora)
FIN SI
SINO
# Si no es mejor, calcular diversidad y reiniciar contador
diversidad ← CalcularDiversidad(S')
contador ← 0
A continuación, se muestra el Pseudocódigo del algoritmo propuesto
Pseudocódigo
Procedimiento Búsqueda Local Modificado
INICIO
# Inicialización
Generar solución inicial S
MejorSolución ← S
MemoriaTabú ← ∅
contador ← 0
max_iteraciones ← N
# Número máximo de iteraciones
iter ← 0
# Ciclo principal
REPETIR
# Generar vecindario de S
Vecindario ← GenerarVecindario(S)
# Seleccionar el mejor vecino válido (no Tabú o que cumple aspiración)
S' ← SeleccionarMejorVecino(Vecindario, MemoriaTabú)
# Validar factibilidad de S'
SI EsFactible(S') ENTONCES
# Comparar con la solución actual
SI Calidad(S') < Calidad(S) ENTONCES
# Si es mejor (minimización)
S ← S'
# Actualizar solución actual
# Actualizar la mejor solución encontrada
SI Calidad(S) < Calidad(MejorSolución) ENTONCES
MejorSolución ← S
MemoriaTabú ← ActualizarMemoriaTabú(S, MemoriaTabú)
contador ← 0
# Reiniciar contador (por mejora)
FIN SI
SINO
# Si no es mejor, calcular diversidad y reiniciar contador
diversidad ← CalcularDiversidad(S')
contador ← 0
pág. 5282
FIN SI
FIN SI
# Incrementar iteraciones y contador
iter ← iter + 1
contador ← contador + 1
# Reiniciar búsqueda si hay estancamiento (contador > umbral)
SI contador > Umbral ENTONCES
AplicarDiversificación(S, MemoriaTabú)
contador ← 0
FIN SI
# HASTA QUE iter >= max_iteraciones
#DEVOLVER MejorSolución
FIN
RESULTADOS Y DISCUSIÓN
El algoritmo propuesto fue utilizado para resolver instancias del Problema de Balanceo de Ensamble
Tipo 1, en el cual busca minimizar el número de estaciones de trabajo. Para la experimentación
computacional se utilizó el lenguaje de programación Python y un equipo de cómputo con procesador
12th Gen Intel(R) Core(TM) i5-12600 3.30 GHz. Los resultados se muestran en la Tabla 1:
Tabla 1. Comparación de resultados (número de estaciones NS) del algoritmo propuesto contra la
literatura
Instancia Tiempo de
ciclo
Fattahi,
Roshani y
Roshani (2011)
Roshan,
Roshani,
Roshani (2013)
Zamzam, Sadek,
Afia y El-Kharbo
(2015)
Zamzam y
Ahmed (2021)
Propuesto
(2025)
NS NS NS NS NS
Arcus
(111)
5755 14 --- 21 --- 21
8847 12 14 12 12 14
10027 10 12 11 10 12
10743 10 14 10 14 10
11378 7 9 9 8 9
17067 5 7 6 5 6
Arcus (83) 5048 11 11 11 11 11
5853 10 10 9 10 9
6842 8 8 8 8 8
7571 7 10 7 9 7
8412 6 8 6 8 6
8998 6 7 6 5 6
10816 6 5 5 6 5
Tonge (70) 176 14 19 19 17 14
364 5 7 7 5 5
410 4 5 5 5 4
468 4 4 4 4 4
527 4 4 4 4 4
Kilbridge
(45)
57 5 6 6 6 5
79 5 4 8 4 5
92 4 4 4 4 4
110 3 3 3 3 3
138 3 3 3 3 3
FIN SI
FIN SI
# Incrementar iteraciones y contador
iter ← iter + 1
contador ← contador + 1
# Reiniciar búsqueda si hay estancamiento (contador > umbral)
SI contador > Umbral ENTONCES
AplicarDiversificación(S, MemoriaTabú)
contador ← 0
FIN SI
# HASTA QUE iter >= max_iteraciones
#DEVOLVER MejorSolución
FIN
RESULTADOS Y DISCUSIÓN
El algoritmo propuesto fue utilizado para resolver instancias del Problema de Balanceo de Ensamble
Tipo 1, en el cual busca minimizar el número de estaciones de trabajo. Para la experimentación
computacional se utilizó el lenguaje de programación Python y un equipo de cómputo con procesador
12th Gen Intel(R) Core(TM) i5-12600 3.30 GHz. Los resultados se muestran en la Tabla 1:
Tabla 1. Comparación de resultados (número de estaciones NS) del algoritmo propuesto contra la
literatura
Instancia Tiempo de
ciclo
Fattahi,
Roshani y
Roshani (2011)
Roshan,
Roshani,
Roshani (2013)
Zamzam, Sadek,
Afia y El-Kharbo
(2015)
Zamzam y
Ahmed (2021)
Propuesto
(2025)
NS NS NS NS NS
Arcus
(111)
5755 14 --- 21 --- 21
8847 12 14 12 12 14
10027 10 12 11 10 12
10743 10 14 10 14 10
11378 7 9 9 8 9
17067 5 7 6 5 6
Arcus (83) 5048 11 11 11 11 11
5853 10 10 9 10 9
6842 8 8 8 8 8
7571 7 10 7 9 7
8412 6 8 6 8 6
8998 6 7 6 5 6
10816 6 5 5 6 5
Tonge (70) 176 14 19 19 17 14
364 5 7 7 5 5
410 4 5 5 5 4
468 4 4 4 4 4
527 4 4 4 4 4
Kilbridge
(45)
57 5 6 6 6 5
79 5 4 8 4 5
92 4 4 4 4 4
110 3 3 3 3 3
138 3 3 3 3 3
pág. 5283
184 2 2 2 2 2
Heskia (28) 138 4 5 5 5 4
205 3 4 3 4 3
216 3 3 3 3 3
256 3 3 3 3 3
324 2 2 2 2 2
342 2 2 2 2 2
Mitchell
(21)
14 7 7 7 --- 7
15 7 7 7 --- 7
21 5 5 5 --- 5
26 4 4 4 --- 4
35 3 3 3 --- 3
39 2 2 2 --- 2
Mansor
(11)
45 3 3 3 --- 3
54 3 3 3 --- 3
63 2 2 2 --- 2
72 2 2 2 --- 2
81 2 2 2 --- 2
Jackson
(11)
7 5 6 6 --- 5
9 4 4 4 --- 4
10 4 4 4 --- 4
13 3 3 3 --- 3
14 3 3 3 --- 3
21 2 2 2 --- 2
Los resultados de la Tabla 1 muestran en la mayoría de los casos resultados similares a los obtenidos
previamente en la literatura, a pesar de no tener la certeza de contar con valores óptimos se alcanzan
buenos resultados mediante el algoritmo propuesto. Ahora, es necesario inferir estadísticamente la
eficiencia de los resultados, por lo anterior se comparan los resultados utilizando una comparación de
niveles con un solo factor (Algoritmo de prueba) y cinco niveles. Sin embargo, debido al tamaño de las
muestras es apropiado utilizar pruebas no paramétricas basadas en la comparación de las medianas; el
método estadístico más apropiado es la prueba Kruskal Wallis. Los resultados se muestran en la figura
3.
Figura 3. Prueba de Kruskal Wallis para diferencia de medianas
De acuerdo con la figura 3 el valor p para los métodos No ajustado para empates y Ajustado para
empates el Valor p es mayor que el nivel de significancia (0.05), por lo anterior la Hipótesis nula no se
rechaza, es decir, todas las medianas son iguales para las diferentes instancias; lo anterior permite inferir
184 2 2 2 2 2
Heskia (28) 138 4 5 5 5 4
205 3 4 3 4 3
216 3 3 3 3 3
256 3 3 3 3 3
324 2 2 2 2 2
342 2 2 2 2 2
Mitchell
(21)
14 7 7 7 --- 7
15 7 7 7 --- 7
21 5 5 5 --- 5
26 4 4 4 --- 4
35 3 3 3 --- 3
39 2 2 2 --- 2
Mansor
(11)
45 3 3 3 --- 3
54 3 3 3 --- 3
63 2 2 2 --- 2
72 2 2 2 --- 2
81 2 2 2 --- 2
Jackson
(11)
7 5 6 6 --- 5
9 4 4 4 --- 4
10 4 4 4 --- 4
13 3 3 3 --- 3
14 3 3 3 --- 3
21 2 2 2 --- 2
Los resultados de la Tabla 1 muestran en la mayoría de los casos resultados similares a los obtenidos
previamente en la literatura, a pesar de no tener la certeza de contar con valores óptimos se alcanzan
buenos resultados mediante el algoritmo propuesto. Ahora, es necesario inferir estadísticamente la
eficiencia de los resultados, por lo anterior se comparan los resultados utilizando una comparación de
niveles con un solo factor (Algoritmo de prueba) y cinco niveles. Sin embargo, debido al tamaño de las
muestras es apropiado utilizar pruebas no paramétricas basadas en la comparación de las medianas; el
método estadístico más apropiado es la prueba Kruskal Wallis. Los resultados se muestran en la figura
3.
Figura 3. Prueba de Kruskal Wallis para diferencia de medianas
De acuerdo con la figura 3 el valor p para los métodos No ajustado para empates y Ajustado para
empates el Valor p es mayor que el nivel de significancia (0.05), por lo anterior la Hipótesis nula no se
rechaza, es decir, todas las medianas son iguales para las diferentes instancias; lo anterior permite inferir
pág. 5284
que el algoritmo propuesto en el presente artículo alcanzó los mejores resultados de la misma forma
que las publicaciones analizadas en la literatura.
CONCLUSIONES
La presente investigación busca validar la eficiencia de un nuevo algoritmo que combina a los
heurísticos Búsqueda Local y Búsqueda Tabú modificando a ambos para generar un híbrido con la
intención de adaptarlos en la solución del Problema Simple de Balanceo de Líneas de Ensamble Tipo 1
conocido por sus siglas en inglés como SALBP-1. El diseño y codificación del algoritmo permite
encontrar soluciones factibles para el problema en cuestión, los cuales al compararlos con instancias y
bases de datos de la literatura muestran igualdad de eficiencia estadísticamente comprobada mediante
pruebas no paramétricas.
De acuerdo con la literatura revisada, algunos algoritmos híbridos entorpecen el proceso de búsqueda
de soluciones próximas al óptimo, en otros casos incrementan el tiempo computacional requerido y a
pesar de no considerar el tiempo computacional en el presente estudio los resultados muestran ser igual
de efectivos que los de la literatura comparada.
En futuras investigaciones se podría incorporar un análisis y comparación de la complejidad
computacional del algoritmo propuesto, adicionalmente se podría estudiar la optimización de
parámetros de entrada tales como tamaños de población y tamaños de almacenes.
REFERENCIAS BIBLIOGRAFICAS
Álvarez Miranda, E., Pereira, J., & Vilá, M. (2023). Analysis of the simple assembly line balancing
problem complexity. Computers & Operations Research 159.
Baskar, A., & Xavior M, A. (2020). Heuristics based on Slope Indices for Simple Type I Assembly
Line Balancing Problems and Analyzing for a Few Performance Measures. Materials Today:
Proceedings 22, 3171–3180.
Boysen, N., Schulze, P., & Scholl, A. (2022). Assembly line balancing: What happened in the last
fifteen years? European Journal of Operational Research 301, 797-814.
Carro Paz, R., & Gonzáles Gómez, D. (Agosto de 2013). Obtenido de mdp:
http://nulan.mdp.edu.ar/id/eprint/1606/1/01_sistema_de_produccion.pdf
Chikhi, N. F. (2025). Simulated annealing-based text clustering. Pattern Recognition Letters, 128-134.
Coletti Romero, E., & Riojas Cañari, A. C. (2018). Balance de línea de producción en una empresa de
calzado . Revista PeRuana de ComPutaCión y sistemas.
Escalante Torres, O. E. (2021). Modelo de balance de línea para mejorar la productividad en una
que el algoritmo propuesto en el presente artículo alcanzó los mejores resultados de la misma forma
que las publicaciones analizadas en la literatura.
CONCLUSIONES
La presente investigación busca validar la eficiencia de un nuevo algoritmo que combina a los
heurísticos Búsqueda Local y Búsqueda Tabú modificando a ambos para generar un híbrido con la
intención de adaptarlos en la solución del Problema Simple de Balanceo de Líneas de Ensamble Tipo 1
conocido por sus siglas en inglés como SALBP-1. El diseño y codificación del algoritmo permite
encontrar soluciones factibles para el problema en cuestión, los cuales al compararlos con instancias y
bases de datos de la literatura muestran igualdad de eficiencia estadísticamente comprobada mediante
pruebas no paramétricas.
De acuerdo con la literatura revisada, algunos algoritmos híbridos entorpecen el proceso de búsqueda
de soluciones próximas al óptimo, en otros casos incrementan el tiempo computacional requerido y a
pesar de no considerar el tiempo computacional en el presente estudio los resultados muestran ser igual
de efectivos que los de la literatura comparada.
En futuras investigaciones se podría incorporar un análisis y comparación de la complejidad
computacional del algoritmo propuesto, adicionalmente se podría estudiar la optimización de
parámetros de entrada tales como tamaños de población y tamaños de almacenes.
REFERENCIAS BIBLIOGRAFICAS
Álvarez Miranda, E., Pereira, J., & Vilá, M. (2023). Analysis of the simple assembly line balancing
problem complexity. Computers & Operations Research 159.
Baskar, A., & Xavior M, A. (2020). Heuristics based on Slope Indices for Simple Type I Assembly
Line Balancing Problems and Analyzing for a Few Performance Measures. Materials Today:
Proceedings 22, 3171–3180.
Boysen, N., Schulze, P., & Scholl, A. (2022). Assembly line balancing: What happened in the last
fifteen years? European Journal of Operational Research 301, 797-814.
Carro Paz, R., & Gonzáles Gómez, D. (Agosto de 2013). Obtenido de mdp:
http://nulan.mdp.edu.ar/id/eprint/1606/1/01_sistema_de_produccion.pdf
Chikhi, N. F. (2025). Simulated annealing-based text clustering. Pattern Recognition Letters, 128-134.
Coletti Romero, E., & Riojas Cañari, A. C. (2018). Balance de línea de producción en una empresa de
calzado . Revista PeRuana de ComPutaCión y sistemas.
Escalante Torres, O. E. (2021). Modelo de balance de línea para mejorar la productividad en una
pág. 5285
empresa de procesamiento de vidrio templado. Industrial Data , 219-242.
Fathi, M., Martins Fontes, D. B., Urenda Moris, M., & Ghobakhloo, M. (2018). Assembly line
balancing problem: a comparative evaluation of heuristics and a computational assessment of
objectives. Journal of Modelling in Management, 1-23.
García Martínez , C. (2008). Algoritmos Genéticos Locales. Universidad de Granada, granada.
Glover, F., & Kochenberger, G. A. (2003). Handbook of metaheuristics. New York, Boston: Kluwer
Academic Publishers.
Goldberg, D. E. (1989). The Design of Innovation: Lessons from and for Competent Genetic
Algorithms. Boston, MA, USA.: Longman Publishing Co. Inc.
Gonzáles Martínez, J. (2003). La producción en serie y la producción flexible: Principios técnicas
organizacionales y fundamentos del cambio (Primera ed.). Cd. Mexico: UAM- Azcapotzalco.
Guamán Lozano, Á. G., Miño Cascante, G. E., & Santillán Mariño, C. J. (2018). Optimización del
sistema de producción de una planta ensambladora de autos aplicando balance de líneas.
Revista digital de Medio Ambiente “Ojeando la agenda”.
Kriengkorakot, N., & Pianthong, N. (2007). The Assembly Line Balancing Problem : Review articles*.
KKU Engineering Journal Vol. 34 No .2, 133 - 140.
Kucukkoc, I., & Zhang, D. Z. (2016). Integrating ant colony and genetic algorithms in the balancing
and scheduling of complex assembly lines. Int J Adv Manuf Technol, 265–285.
Miño Cascante, G., Moyano Alulema, J., & Santillán Mariño, C. (2019). Tiempos estándar para
balanceo de línea en área soldadura del automóvil modelo cuatro. Ingeniería Industrial, 110-
122.
Murillo Garcia, R., Peñaherrera-Larenas, F., Borja Salinas, E., & Vanegas, V. (2018). Líneas de
ensamble y balanceo y su impacto en la productividad de los procesos de manufactura. Revista
Observatorio de la Economía Latinoamericana.
Nourmohammadi, A., Fathi, M., & C. Ng, A. H. (2019). Choosing efficient meta-heuristics to solve the
assembly line balancing problem: A landscape analysis approach. 52nd CIRP Conference on
Manufacturing Systems, 1248-1253.
Orejuela Cabrera, J. P., & Flórez González, A. (2019). Balanceo de líneas de producción en la industria
farmacéutica mediante Programación por metas. INGE CUC, 109-122.
Pape, T. (2015). Heuristics and lower bounds for the simple assembly line balancing problem type 1:
Overview,computational tests and improvements. European Journal of Operational Research
240, 32-42
Possan Junior, M. C., Sato Michels, A., & Magatão, L. (2023). Anexact method to incorporate
ergonomic risks in Assembly Line Balancing. Computers&IndustrialEngineering.
Sadurní, J. (4 de Abril de 2022). National Geographic. Obtenido de
https://historia.nationalgeographic.com.es/a/henry-ford-revolucion-industria-
automovil_17863
empresa de procesamiento de vidrio templado. Industrial Data , 219-242.
Fathi, M., Martins Fontes, D. B., Urenda Moris, M., & Ghobakhloo, M. (2018). Assembly line
balancing problem: a comparative evaluation of heuristics and a computational assessment of
objectives. Journal of Modelling in Management, 1-23.
García Martínez , C. (2008). Algoritmos Genéticos Locales. Universidad de Granada, granada.
Glover, F., & Kochenberger, G. A. (2003). Handbook of metaheuristics. New York, Boston: Kluwer
Academic Publishers.
Goldberg, D. E. (1989). The Design of Innovation: Lessons from and for Competent Genetic
Algorithms. Boston, MA, USA.: Longman Publishing Co. Inc.
Gonzáles Martínez, J. (2003). La producción en serie y la producción flexible: Principios técnicas
organizacionales y fundamentos del cambio (Primera ed.). Cd. Mexico: UAM- Azcapotzalco.
Guamán Lozano, Á. G., Miño Cascante, G. E., & Santillán Mariño, C. J. (2018). Optimización del
sistema de producción de una planta ensambladora de autos aplicando balance de líneas.
Revista digital de Medio Ambiente “Ojeando la agenda”.
Kriengkorakot, N., & Pianthong, N. (2007). The Assembly Line Balancing Problem : Review articles*.
KKU Engineering Journal Vol. 34 No .2, 133 - 140.
Kucukkoc, I., & Zhang, D. Z. (2016). Integrating ant colony and genetic algorithms in the balancing
and scheduling of complex assembly lines. Int J Adv Manuf Technol, 265–285.
Miño Cascante, G., Moyano Alulema, J., & Santillán Mariño, C. (2019). Tiempos estándar para
balanceo de línea en área soldadura del automóvil modelo cuatro. Ingeniería Industrial, 110-
122.
Murillo Garcia, R., Peñaherrera-Larenas, F., Borja Salinas, E., & Vanegas, V. (2018). Líneas de
ensamble y balanceo y su impacto en la productividad de los procesos de manufactura. Revista
Observatorio de la Economía Latinoamericana.
Nourmohammadi, A., Fathi, M., & C. Ng, A. H. (2019). Choosing efficient meta-heuristics to solve the
assembly line balancing problem: A landscape analysis approach. 52nd CIRP Conference on
Manufacturing Systems, 1248-1253.
Orejuela Cabrera, J. P., & Flórez González, A. (2019). Balanceo de líneas de producción en la industria
farmacéutica mediante Programación por metas. INGE CUC, 109-122.
Pape, T. (2015). Heuristics and lower bounds for the simple assembly line balancing problem type 1:
Overview,computational tests and improvements. European Journal of Operational Research
240, 32-42
Possan Junior, M. C., Sato Michels, A., & Magatão, L. (2023). Anexact method to incorporate
ergonomic risks in Assembly Line Balancing. Computers&IndustrialEngineering.
Sadurní, J. (4 de Abril de 2022). National Geographic. Obtenido de
https://historia.nationalgeographic.com.es/a/henry-ford-revolucion-industria-
automovil_17863