Exact and metaheuristic approaches for a real-world discrete lot-sizing and scheduling problem in the automotive industry

Resumen

We address a production scheduling problem arising in the seat manufacturing auto industry, characterised by multiple racetracks and a wide variety of car models. The challenge is to determine the optimal sequence of molds to mount on each racetrack to maintain inventory levels within target ranges while minimising changeovers. To tackle this, we formulate a mixed-integer programming model evaluated using Gurobi. Additionally, we develop a Greedy Randomised Adaptive Search Procedure (GRASP) to provide a practical, non-commercial alternative. The GRASP incorporates two specialised local search procedures: the first achieves feasibility by reducing shortages, and the second aims to minimise changeovers. Computational experiments on 133 real-world instances demonstrate the merit of our approaches. The exact MIP solver proves optimality in under 30 seconds on average. Given the same 30-second budget, GRASP achieves a 2.42% average deviation, which is equivalent to fewer than a single additional changeover, finding 77% of global optima. Extending the runtime to the 5-minute company limit reduces deviation to 1.65%. Most importantly, compared to the historical manual baseline, this approach reduces tool changeovers by nearly 50%, resulting in estimated annual savings of $250,000 per plant.

Sergio Cavero

Doctor en Inteligencia Artificial

Sergio Cavero nació en Madrid (España) el 24 de septiembre de 1997. Se graduó en Ingeniería del Software por la Universidad Politécnica de Madrid en 2019. Durante sus estudios de grado realizó una estancia en la Universidad de Bradford (Reino Unido). Además, fue galardonado en dos ocasiones con la Beca de Excelencia de la Comunidad de Madrid, así como con el premio al Mejor Proyecto Fin de Carrera. Posteriormente, realizó un Máster en Inteligencia Artificial en la misma universidad (UPM) obteniendo los premios al Mejor Expediente Académico (‘Premio José Cuena’) y al Mejor Trabajo Fin de Máster. Sus resultados académicos le permitieron ser beneficiario de una de las ‘Ayudas para la Formación de Profesorado Universitario (FPU)’, financiadas por el Gobierno español. Actualmente realiza su tesis doctoral en la Universidad Rey Juan Carlos, dirigida por los profesores Abraham Duarte y Eduardo G. Pardo. Sus principales intereses de investigación se centran en la interfaz entre las Ciencias de la Computación, la Inteligencia Artificial y la Investigación Operativa. La mayoría de sus publicaciones tratan sobre el desarrollo de procedimientos metaheurísticos para problemas de optimización modelados por grafos.

Isaac Lozano-Osorio

Doctor en Inteligencia Artificial

Isaac Lozano se graduó en el Doble grado de Ingeniería Informática e Ingeniería de Computadores por la Universidad Rey Juan Carlos. Al finalizar el doble grado, fue galardonado con el premio al Mejor Proyecto Fin de Carrera. Posteriormente, realizó un Máster en Investigación en Inteligencia Artificial (UIMP) y es doctor por la Universidad Rey Juan Carlos. Sus principales intereses de investigación se centran en la interfaz entre las Ciencias de la Computación, la Inteligencia Artificial y la Investigación Operativa. La mayoría de sus publicaciones tratan sobre el desarrollo de procedimientos metaheurísticos para problemas de optimización modelados por grafos.