Optimización de Costos de Producción con el Uso Programación Lineal Entera en la Planeación de la Producción para el Control de Inventario de Materias Primas

Optimization of Production Costs Using Integer Linear Programming in Production Planning for Raw Material Inventory Control

Publicado 2026-01-30


https://doi.org/10.37116/revistaenergia.v22.n2.2026.728
Abrir | Descargar
PDF FLIP HTML XML EPUB
Número
Vol. 22 Núm. 2 (2026): Revista Técnica "energía", Edición No. 22 ISSUE II
Sección
PRODUCCIÓN Y USO DE LA ENERGÍA
Cómo citar
Optimización de Costos de Producción con el Uso Programación Lineal Entera en la Planeación de la Producción para el Control de Inventario de Materias Primas. (2026). Revista Técnica "energía", 22(2), PP. 136-145. https://doi.org/10.37116/revistaenergia.v22.n2.2026.728
DOI

https://doi.org/10.37116/revistaenergia.v22.n2.2026.728
Dimensions
PlumX

Cómo citar

Optimización de Costos de Producción con el Uso Programación Lineal Entera en la Planeación de la Producción para el Control de Inventario de Materias Primas. (2026). Revista Técnica "energía", 22(2), PP. 136-145. https://doi.org/10.37116/revistaenergia.v22.n2.2026.728

Descargar cita

Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Cristian Leiva
Universidad Politécnica Salesiana
Perfil Google Scholar
https://orcid.org/0000-0002-8255-1337 ORCID
Vinicio Quinteros
Universidad Politécnica Salesiana
Perfil Google Scholar
Steven Cardenas
Universidad Politécnica Salesiana
Perfil Google Scholar
Mostrar biografía de los autores

Artículos similares

1-10 de 490

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

El presente estudio propone una metodología de reducción de costos en los procesos de fabricación de cuerpos de grifería sanitaria, basada en un modelo de programación lineal entera (PLE) que optimiza la planeación de la producción manteniendo el control de inventarios dentro de límites establecidos. El modelo integra restricciones económicas, logísticas y ambientales, como cupos de importación, capacidad de producción y reutilización de chatarra de latón generada en operaciones de mecanizado. Mediante la implementación del modelo en el lenguaje R y el paquete lpSolve, se determinó la combinación óptima de materias primas —lingotes vírgenes, varilla y material reciclado— para cada lote de producto, minimizando los costos de producción bajo condiciones de disponibilidad de material y almacenamiento. Los resultados evidenciaron un ahorro acumulado de 73 341 USD durante seis meses consecutivos y la reducción del inventario promedio de material para fundir de 116 t a 62 t, demostrando la efectividad del modelo para una producción sostenible. La metodología propuesta es escalable a otros contextos manufactureros con múltiples rutas o restricciones de suministro

Visitas del artículo 11 | Visitas PDF 5

Descargas

Los datos de descarga todavía no están disponibles.
  1. [1] S. S. Chauhan and P. Kotecha, “An efficient multi-unit production planning strategy based on continuous variables,” Applied Soft Computing Journal, vol. 68, pp. 458–477, 2018, doi: 10.1016/j.asoc.2018.03.012.
  2. [2] G. Bayá, P. Sartor, F. Robledo, E. Canale, and S. Nesmachnow, A Case Study of Smart Industry in Uruguay: Grain Production Facility Optimization, vol. 1555 CCIS. 2022. doi: 10.1007/978-3-030-96753-6_8.
  3. [3] J. I. P. Rave and G. P. J. Álvarez, “Application of mixed-integer linear programming in a car seat assembling process,” Pesquisa Operacional, vol. 31, no. 3, pp. 593–610, 2011, doi: 10.1590/S0101-74382011000300011.
  4. [4] F. Dianawati and H. Fatoni, “Determining the optimal inventory holding time using mixed integer linear programming (MILP) in a forwarder company,” in AIP Conference Proceedings, 2024. doi: 10.1063/5.0242084.
  5. [5] J. M. Izar Landeta, C. B. Ynzunza Cortés, and O. Guarneros García, “Variabilidad de la demanda del tiempo de entrega, existencias de seguridad y costo del inventario,” Contaduria y Administracion, vol. 61, no. 3, pp. 499–513, Jul. 2016, doi: 10.1016/j.cya.2015.11.008.
  6. [6] A. Gholipoor, M. M. Paydar, and A. S. Safaei, “A faucet closed-loop sup-ply chain network design considering used faucet exchange plan,” J Clean Prod, vol. 235, pp. 503–518, Oct. 2019, doi: 10.1016/j.jclepro.2019.06.346.
  7. [7] J. Johansson, L. Ivarsson, J. E. Ståhl, V. Bushlya, and F. Schultheiss, “Hot Forging Operations of Brass Chips for Material Reclamation after Ma-chining Operations,” in Procedia Manufacturing, Elsevier B.V., 2017, pp. 584–592. doi: 10.1016/j.promfg.2017.07.152.
  8. [8] V. Agrawal, R. P. Mohanty, S. Agarwal, J. K. Dixit, and A. M. Agrawal, “Analyzing critical success factors for sustainable green supply chain management,” Environ Dev Sustain, vol. 25, no. 8, pp. 8233–8258, 2023, doi: 10.1007/s10668-022-02396-2.
  9. [9] A. Loibl and L. A. Tercero Espinoza, “Current challenges in copper recycling: aligning insights from material flow analysis with technological re-search developments and industry issues in Europe and North America,” Resour Conserv Recycl, vol. 169, Jun. 2021, doi: 10.1016/j.resconrec.2021.105462.
  10. [10] P. Asadi, M. Akbari, A. Armani, M. R. M. Aliha, M. Peyghami, and T. Sadowski, “Recycling of brass chips by sustainable friction stir extrusion,” J Clean Prod, vol. 418, no. June, p. 138132, 2023, doi: 10.1016/j.jclepro.2023.138132.
  11. [11] A. I. Kibzun and V. A. Rasskazova, “Linear Integer Programming Model as Mathematical Ware for an Optimal Flow Production Planning System at Operational Scheduling Stage,” Automation and Remote Control, vol. 84, no. 5, pp. 529–542, 2023, doi: 10.1134/S0005117923050065.
  12. [12] H. Su, N. Zhou, Q. Wu, Z. Bi, and Y. Wang, “Investigating price fluctuations in copper futures: Based on EEMD and Markov-switching VAR model,” Resources Policy, vol. 82, May 2023, doi: 10.1016/j.resourpol.2023.103518.
  13. [13] J. M. Izar Landeta, C. B. Ynzunza Cortés, and E. Zermeño Pérez, “Calculation of reorder point when lead time and demand are correlated,” Contaduria y Administracion, vol. 60, no. 4, pp. 864–873, Oct. 2015, doi: 10.1016/j.cya.2015.07.003.
  14. [14] Patrão, R. L., & Napoleone, A. (2024). Decision Making under Uncertainty for Reconfigurable Manufacturing Systems: A framework for uncertainty representation. IFAC-PapersOnLine, 58(19), 103–108. https://doi.org/10.1016/j.ifacol.2024.09.102
  15. [15] Napoleone, A., Andersen, A.-L., Brunoe, T. D., & Nielsen, K. (2023). Towards human-centric reconfigurable manufacturing systems: Literature review of reconfigurability enablers for reduced reconfiguration effort and classification frameworks. Journal of Manufacturing Systems, 67, 23–34. https://doi.org/10.1016/j.jmsy.2022.12.014
  16. [16] Barrera-Diaz, C. A., Nourmohammadi, A., Smedberg, H., Aslam, T., & Ng, A. H. C. (2023). An Enhanced Simulation-Based Multi-Objective Optimization Approach with Knowledge Discovery for Reconfigurable Manufacturing Systems. Mathematics, 11(6). https://doi.org/10.3390/math11061527
  17. [17] Ang, C. W., Yahaya, S. H., Salleh, M. S., & Cahyadi, N. (2025). A Comprehensive Review of Different Approaches used by Manufacturing Industries in Handling Capacity Planning under Demand Uncertainties. Journal of Advanced Research in Applied Sciences and Engineering Technology, 50(1), 88–106. https://doi.org/10.37934/araset.50.1.88106
  18. [18] Moghaddam, S. K., Houshmand, M., Saitou, K., & Fatahi Valilai, O. (2020). Configuration design of scalable reconfigurable manufacturing systems for part family. International Journal of Production Research, 58(10), 2974–2996. https://doi.org/10.1080/00207543.2019.1620365
  19. [19] Imseitif, J., & Nezamoddini, N. (2020). Macro and micro-production planning for reconfigurable manufacturing systems. Proceedings of the 2020 IISE Annual Conference, 784–789.
  20. [20] Gainanov, D. N., Berenov, D. A., Nikolaev, E. A., & Rasskazova, V. A. (2022). Integer Linear Programming in Solving an Optimization Problem at the Mixing Department of the Metallurgical Production. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): Vol. 13621 LNCS. https://doi.org/10.1007/978-3-031-24866-5_12
  21. [21] Rasskazova, V. A. (2024). LIP Model in Solving RCPSP at the Flow Type Production. In Communications in Computer and Information Science: Vol. 1913 CCIS. https://doi.org/10.1007/978-3-031-48751-4_6
  22. [22] Angizeh, F., Montero, H., Vedpathak, A., & Parvania, M. (2020). Optimal production scheduling for smart manufacturers with application to food production planning. Computers and Electrical Engineering, 84. https://doi.org/10.1016/j.compeleceng.2020.106609
  23. [23] Coronado-Hernandez, J. R., de la Hoz, L., Leyva, J., Ramos, M., & Zapatero, O. (2020). Linear programming model to minimize the production costs of an adhesive tape company | Modelo programación lineal para minimizar los costos de producción de una empresa de cintas adhesivas. Proceedings of the LACCEI International Multi-Conference for Engineering, Education and Technology. https://doi.org/10.18687/LACCEI2020.1.1.369
  24. [24] Vanli, A. S., & Karas, M. H. (2025). Material and Process Modification to Improve Manufacturability of Low-Lead Copper Alloys by Low-Pressure Die Casting Method. Metals, 15(2). https://doi.org/10.3390/met15020205
  25. [25] Ying, K.-C., Lin, S.-W., Pourhejazy, P., & Lee, F.-H. (2025). Production scheduling of additively manufactured metal parts. CIRP Journal of Manufacturing Science and Technology, 57, 100–115. https://doi.org/10.1016/j.cirpj.2025.01.005
  26. [26] Yang, Z., & Liu, S. (2025). Fairness-oriented multi-objective optimization of supply chain planning under uncertainties. Socio-Economic Planning Sciences, 99. https://doi.org/10.1016/j.seps.2025.102198
Periodicidad

Semestral: Publicaciones en enero y julio

Miembros Comité Editorial
UPS
EPN
Ministerio de Energía
CENACE
INGE
CELEC
ARC
ESPOL

Código QR

Sistema OJS 3.4.0.9