Aplicación de
un modelo híbrido de Teoría de Colas y Algoritmo Evolutivo para medir la
optimización en el servicio de atención al cliente en un local de comida rápida
Application of a hybrid model of Theory of
Tails and Evolutionary Algorithm to measure the optimization in the service of
attention to the client in a place of fast food
Ricardo Cárdenas Estrada1, Michael Pérez Pin2, Anthony Tejada Solórzano3, y Lorenzo Cevallos-Torres4
RESUMEN
En este estudio se propone la mejora de un sistema de inventarios, con el objetivo de reducir el costo y maximizar las ventas en la farmacia "La Voluntad de Dios", debido a que existe manejo empírico del inventario por parte de los bodegueros, a consecuencia de esto, no se logra satisfacer correctamente a los clientes y en ocasiones se generan pérdidas por falta de espacio en la bodega o expiración de productos. Por este motivo se decidió optimizar la gestión inventario aplicando el algoritmo de búsqueda tabú obteniendo una función objetivo basada en distribuciones de probabilidad normal de 3 productos, para esto se toma muestra del histórico de inventario del año 2017 al 2019, se realizó una proyección de ventas para el año 2020; el dando como resultado un 14% más de ganancia con respecto al año 2019 y un sistema de inventario que proyecta el uso aproximado del 95% de los productos en stock, obteniendo valores óptimos para satisfacer la alta demanda y mantener control del inventario.
Palabras clave: Distribución Normal, VBA,
Simulación, Inventario, Búsqueda Tabú.
ABSTRACT
In this paper, the analysis of the queue study
is presented in order to optimize the customer service, because people wait too
long to receive the service, which is likely to make the client impatient and
choose to go to competition generating economic losses and bad reputation of
the establishment. For the study, the problem of the “Burger Ranch” premises
was taken into account in order to develop a model whose implementation
includes the Evolutionary Algorithm in which it is based on the methodology of
data collection in a time range of 11 a.m. at 13 p.m. to perform the respective
processing and analysis of these; and in turn the simulation is developed in
Excel, to estimate the use of the service, according to the amount of customers
that it receives daily. For the simulation, the information collected was taken
into account based on the attention that was made within the service during the
days of the working week, imitating the behavior observed in real life together
with the hand of Artificial Intelligence, giving As a result, it is necessary
to acquire two new servers to optimize 33.84% in the service system.
Keywords: Normal
Distribution, VBA, Simulation, Inventory, Taboo Search.
Fecha de recepción: Mayo 20, 2019.
Fecha de aceptación: Septiembre 5, 2019.
La Teoría de colas o líneas de espera se presenta, cuando los clientes llegan a un lugar demandando un servicio, pero este se encuentra ocupado en el cual se decide esperar por recibir el servicio. De manera que si la espera se prolonga demasiado los clientes podrían optar por retirarse, lo que reflejaría perdidas para la empresa. Este modelo busca determinar cómo funciona la cola analizando los diferentes escenarios para diseñar estrategias que permitan alcanzar la capacidad idónea para prestar un buen servicio.
Para este estudio se tomó como referencia el servicio de comida rápida “Burger Ranch” en el que la problemática radica que en ciertas horas del día la afluencia de clientes sobre pasan la capacidad de atención generando impaciencia al cliente optando por retirarse o buscar a la competencia.
Según López y Triay en [1] su trabajo se basa en analizar el número de personas que llegan a la farmacia H.P. de tal manera que se genera una línea de espera, para solucionar este problema se procedió a la recolección de datos reales a 100 personas, la cual se hizo toma del tiempo de entrada y salida del sistema. La solución que brindó el autor es de forma empírica, es decir que no se basa en un modelo matemático ni un algoritmo metaheurístico para brindar una solución óptima, como lo generaría el algoritmo evolutivo.
Como lo expresa Riaño y Pérez en [2] su trabajo soluciona el tiempo de espera en las cafeterías universitarias, ya que al aplicar una función discreta para representar la recolección de datos reales a más de 100 personas con lo cual simuló 3000 datos con la finalidad de reducir el tiempo de espera en la cola, por otra parte si se implementa en los resultados establecidos por dicho autor se optimizaría el tiempo de atención dado que el algoritmo evolutivo optimiza resultados con el mismo por su reproducción asexual.
Petrev manifiesta en [3] que en los escenarios de brindar los servicios al paciente en un hospital tienen mucha demanda por lo cual generan líneas de esperar, por lo tanto solucionó el problema mediante el algoritmo genético el cual se basa en una reproducción sexual, considerando dos variables X y Y para buscar el más óptimo, no obstante dicho algoritmo compara dos variables y no es especifico, el algoritmo propuesto por nosotros tiene una reproducción asexual dado que una variable X buscan ser el más óptimo entre el mismo brindando una optimización más específica.
Según María Chávez en [4] un escenario común en donde el colapso de la línea de espera es el proceso de inscripción de los alumnos del tecnológico Aguas Calientes, por lo cual dio como solución el uso del lenguaje de programación llamado GPSS, con el cual se obtiene una función discreta que permite simular y optimizar el tiempo de espera, sin embargo, el uso de la función discreta en un lenguaje de programación no garantiza la optimización como lo haría el algoritmo metaheurístico evolutivo.
Como lo indica Nicho Barrera en [5] el escenario de los comedores de las empresas financieras presentan un colapso en su servicio de despacho de comida, el autor brinda una solución mediante una herramienta tecnológica llama SIMIO, en la cual se basa en el uso de la metodología de combinación de mesas desarrollado por Thompson para optimizar el tiempo y la capacidad de espera, no obstante el uso de esa metodología es muy básica y es necesario el uso de un algoritmo que nos garantice una optimización especifica mediante su metodología.
Según los autores Correa, Rodríguez y castillo en [6] [7] [8] se enfoca en solucionar el colapso de tiempo de espera en las agencias financieras que prestan el servicio de atención al cliente, [6] [7] proponen una solución empírica para la optimización y [8] complementa sus trabajados empleando lógica difusa para identificar puntos críticos que ayudan a optimizar el tiempo de espera, por lo tanto, carecen del uso de una metodología basados en algoritmos metaheurísticos haciendo más fiables los resultados.
Materiales y
métodos
La
simulación de sistemas es la representación analítica apoyada en herramientas
matemáticas y computacionales que permite evaluar el impacto que producen cambios
en las distintas variables, así mismo la elección de recursos óptimos para el
proceso analizando [9]. Las colas o líneas de espera son parte de la vida
diaria. En esta sección se detallan los puntos a trata, En el apartado 2.1
comenzamos con la definición de Distribución Poisson, Exponencial y Montecarlo
sobre las cuales se trabajará; en el 2.2 trataremos sobre la teoría de cola:
definición y parámetros a usar en este tema; en el punto 2.3 abordamos el tema
del modelo matemático de teoría de colas y para finaliza el algoritmo aplicado
que es el Evolutivo.
Distribución de Probabilidad
Distribución de Poisson
La distribución
de Poisson es una distribución de probabilidad discreta que expresa, a partir
de una frecuencia de ocurrencia media, la probabilidad de que ocurra un
determinado número de eventos durante cierto período de tiempo [9]. Esta
distribución es muy frecuente en los problemas relacionados sobre la gestión de
colas. Suele describir, por ejemplo, la llegada a la compra de boletos de un
cine, las compras hechas en un supermercado, ingresar algún centro de diversión
como estadio etc. Todos estos casos pueden ser descritos por una variable
aleatoria discreta que tiene valores no-negativos enteros. La distribución de
Poisson se obtiene como límite de la binomial cuando
el número de veces que se realiza un experimento, n, tiene a infinito, la
probabilidad de éxito, p, tiende a cero y el número medio de éxitos, np, se
estabiliza alrededor de un número, λ, que será la
media y el valor que caracteriza a la distribución [10]. Calculando dicho
limite se obtiene
Una
vez definida la fórmula matemática para Poisson, utilizaremos el lenguaje de
programación, Python, para realizar la simulación de la gráfica que posee dicha
distribución.
Figura
1. Bloque de Código para graficar
Figura
2. Gráfica de la Distribución de Poisson.
Distribución Exponencial
La
distribución exponencial, es una distribución de probabilidad que trata de
determinar el tiempo que transcurre entre dos o más eventos consecutivos en un
tiempo determinado [11] [12]. Esta distribución se usa mucho para describir el
tiempo entre eventos, específicamente, la variable aleatoria que representa el
tiempo necesario para servir a la llegada. Se dice que una variable aleatoria
continua X tiene una distribución exponencial con parámetros β>0, donde β es un valor
numérico, entonces su función de densidad está dada de la siguiente manera:
Una vez definida la fórmula matemática para la
Distribución. Exponencial, utilizaremos el lenguaje de programación, Python,
para realizar la simulación de la gráfica que posee dicha distribución.
Figura
3. Bloque de Código para graficar la distribución Exponencial
Figura
4. Gráfica de la Distribución Exponencial.
Simulación de Montecarlo
La
simulación Monte Carlo realiza el análisis de riesgo con la creación de modelos
de posibles resultados mediante la sustitución de un rango de valores —una
distribución de probabilidad— para cualquier factor con incertidumbre
inherente. Luego, calcula los resultados una y otra vez, cada vez usando un
grupo diferente de valores aleatorios de las funciones de probabilidad
[13]. Dependiendo del número de
incertidumbres y de los rangos especificados, para completar una simulación
Monte Carlo puede ser necesario realizar miles o decenas de miles de
recálculos. La simulación Monte Carlo produce distribuciones de valores de los
resultados posibles.
El
análisis de riesgo se puede realizar cualitativa y cuantitativamente. El
análisis de riesgo cualitativo generalmente incluye la evaluación instintiva o
“por corazonada” de una situación, y se caracteriza por afirmaciones como “Eso
parece muy arriesgado” o “Probablemente obtendremos buenos resultados”. El
análisis de riesgo cuantitativo trata de asignar valores numéricos a los
riesgos, utilizando datos empíricos o cuantificando evaluaciones cualitativas.
Vamos a concentrarnos en el análisis de riesgo cuantitativo.
Figura
5. Bloque de Código para graficar la Simulación de Montecarlo.
Figura
6. Gráfica de la Simulación Montecarlo.
Teoría de Colas o Líneas de Espera
Las
colas son modelos de sistemas reales que pueden representar a clientes,
maquinaria, sistemas logísticos, o flujos de trabajo donde se espera que estas
reciban un servicio y cambien del mismo una vez se ha recibido [14] [15]. Las
fórmulas de cada modelo indican cual debe ser el desempeño del sistema
correspondiente y señalan la cantidad promedio de espera que ocurrirá en
diversas circunstancias [9].
Dentro
de las matemáticas, la teoría de colas se engloba en la investigación de
operaciones y es un complemento muy importante a la teoría de sistemas y la
teoría de control. Se trata así de una teoría que encuentra aplicación en una
amplia variedad de situaciones como negocios, comercio, industria, ingenierías,
transporte y logística o telecomunicaciones.
El
estudio aporta estrategias para manejar líneas de esperas. Se conoce como línea
de espera a una hilera formada por uno o varios clientes que aguardan para
recibir un servicio, los cuales pueden ser personas, objetos o máquinas que
requieren mantenimiento, contenedores con mercaderías en espera de ser
embarcados o elementos de inventario a punto de ser utilizados [16].
Variables
de Entrada
1. Total de clientes que llegan al
servidor.
2. Promedio de llegada de los clientes al
servidor.
3. Tiempo de espera en la cola de los
clientes.
4. Cantidad de servidores que operan.
Variables
de Salida
1. Tiempo promedio que el cliente es
atendido por el servidor
2. Tiempo de servicio del cliente al
recibir su comida
Definición de
parámetros dentro de la Teoría de Colas
La
teoría de colas es el estudio matemático de las colas o líneas de espera dentro
de un sistema. Esta teoría estudia factores como el tiempo de espera medio en
las colas o la capacidad de trabajo del sistema sin que llegue a colapsarse.
Dentro de la misma, se engloba una serie de parámetros que usamos para obtener
los valores de cómo se comporta el sistema, de acuerdo con la cantidad de
clientes y de servidores [17].
Tabla
1. Parámetros de Cola.
Notación de
Kendall
David
Kendall introdujo una notación que permite describir las colas y mostrar las
características de estas, más que nada clasificar los diferentes tipos de
colas. La notación de Kendall sirve para caracterizar un sistema de líneas de
espera en el cual todas las llegadas esperan en una sola cola hasta que está
libre uno de los s servidores paralelos idénticos. Luego el primer cliente en
la cola entra al servicio, y así sucesivamente [18].
Tabla
2. Notación de Kendall para el Tipo de Sistema.
Modelo
Matemático de Teoría de Colas
Sistema
de un servidor
Las
fórmulas que se describen a continuación son empleadas para un sistema de cola
de un solo servidor.
Sistema
con varios servidores
Las
fórmulas que se describen a continuación son empleadas para un sistema de cola
de varios servidores:
Algoritmo Evolutivo
Modelo
Matemático
Los
Algoritmos Evolutivos constituyen algoritmos estocásticos cuyos métodos de
búsqueda simulan el proceso evolutivo de una población dada, durante un período
de tiempo prefijado, modelando fenómenos naturales tales como la herencia
genética y la competencia Darwiniana por la supervivencia dentro de un hábitat
determinado [21]. La idea detrás de estos algoritmos es imitar lo que la
naturaleza hace, incluyendo los cambios que a nadie mediante las mutaciones. En
vistas de que nuestro objetivo es minimizar una suma de funciones residuales
adoptamos el criterio siguiente: La mejor solución es aquella que tiene
asociado el menor valor de fitness, y la peor, la que corresponde al mayor.
El
algoritmo mantiene una población
“Para
cualquier iteración del algoritmo, se denota por x*t al individuo mejor
adaptado de P(t), definido tal que "f" ("xt" )"=min –
f" ("xti" ) : i = 1, . . . ,m. Se considera la población de
tamaño m + 1, de manera que un individuo particular, por ejemplo, el primero,
siempre sea xt−1
de la iteración anterior, y a este no se le harán mutaciones ni rozamientos,
aunque en la iteración t + 1 podría ser sustituido por otro mejor adaptado”.
Modelo
Computacional
Los
algoritmos evolutivos son métodos de optimización y búsqueda de soluciones
basados en los postulados de la evolución biológica. En ellos se mantiene un
conjunto de entidades que representan posibles soluciones, las cuales se
mezclan, y compiten entre sí, de tal manera que las más aptas son capaces de
prevalecer a lo largo del tiempo, evolucionando hacia mejores soluciones cada
vez [15].
Los
algoritmos evolutivos, y la computación evolutiva, son una rama de la
inteligencia artificial. Son utilizados principalmente en problemas con
espacios de búsqueda extensos y no lineales, en donde otros métodos no son
capaces de encontrar soluciones en un tiempo razonable. Dado que los individuos
que representan las soluciones más adecuadas problema tienen más posibilidades
de sobrevivir, la población va mejorando gradualmente.
Finalmente
se propone la siguiente estructura para el algoritmo:
T=>0
Generar
P(0) (población Inicial)
Generar
x0 y ubicarlos de primero en P(0).Para t=1,2…,Last Gener –
1.
Hacer cruces
entre individuos de P(t), excepto el primero Hacer cruces entre individuos de
P(t), excepto el primero.
2.
Hacer mutaciones
en P(t), excepto el primero,
3.
Evaluar f en
P(t),
4.
Calcular x*t
5.
Ubicar x*t como
primer individuo de P(t + 1),
6.
Seleccionar de
P(t) los m individuos restantes para completar la población P(t +1).
Figura
7. Diagrama de flujo del algoritmo Evolutivo.
Caso de
Estudio
Problema
Según Cevallos y Botto [19] expresan para
determinar soluciones a los modelos de teoría de colas se implementan el uso de
la simulación con el objetivo principal de evaluar el número de personas que
llegan a una estación de servicio para poder minimizar las pérdidas monetarias,
producto de la deserción de las personas de la línea de espera de esta
estación.
Para obtener la población (n) que actúa como cola
en la aplicación de la teoría, será simulada usando un algoritmo metaheurístico
como es el Algoritmo Evolutivo (AE), el cual deriva del Algoritmo Genético por
su reproducción asexual, lo que permite ver la evolución de la llegada de más
clientes al negocio, y ver en promedio si se necesita más servidores o no.
En la observación de los datos reales se usó una
libreta con la cual se anotaba por día los servidores que atendían en local, y
la cantidad de personas que iban en un determinado momento del día (10 horas).
Según Cevallos y Botto [20] para simular datos de
una muestra real, debe determinar el comportamiento que sigue estos datos. Para
esto, debe saber qué tipo de distribución de probabilidad es la más adecuada.
Luego usamos, la transformación inversa para poder determinar una formula que
genere tanto valores como sea posible.
Metodología
La metodología general se basó en un principio, en
la recolección de datos, relacionado con los tiempos de llegada (λ), y los
tiempos de servicio (μ), Posteriormente se determinaron los parámetros
necesarios para la utilización de un modelo de teoría de colas.
Según Cevallos y Botto [21] manifiestan que las
Distribuciones de probabilidad y la teoría de la simulación de sistemas
aplicada a problemas de la vida real, proporcionan a los investigadores y
estudiantes una guía para facilitar el aprendizaje basado a través de un
proyecto en el aula para ayudar a los estudiantes a reconocer, desarrollar y
aplicar de manera factible los diferentes tipos de distribuciones de
probabilidad en problemas de la vida real.
Se realizaron numerosas observaciones sistemáticas
en dicha farmacia en el período comprendido de 5 días en el mes de Agosto del
presente año. Esta cuenta normalmente con dos dependientes para la venta de
comida rápida, y además para un mayor detalle, se determinaron intervalos para
afluencia de clientes durante las 8 horas.
Tabla
3. Intervalos de tiempo.
Descripción: En la
Tabla 3, se puede apreciar los rangos de tiempos usados en la recolección de
datos para facilitar la obtención de diferentes valores a la hora de trabajar
con el modelo matemático.
Tabla
4. Número de clientes promedio que arribaron.
Descripción: La Tabla
4, permite apreciar el número promedio de clientes que arribaron al local de
comida en el periodo de una semana que se realizó la investigación, así como
los intervalos de tiempo de la muestra.
Tabla
5. Número promedio de servicio de clientes.
Descripción: En la
Tabla 5, se muestra el número promedio de clientes que se les brindo el
servicio de entrega de paquetes. Con los datos en la tabla adjunta, se
interpreta que los clientes despachados a partir del jueves hasta el sábado son
muchos, y que no todos los despachos se realizan con rapidez que es lo que se
busca en un local de comida rápida.
Tabla
6. Tiempo promedio de servicio de los clientes para diferente hora-día.
Descripción: La
Tabla 6, presenta los tiempos promedio de llegada de los clientes para diferentes
horas-días de la semana, correspondientes a las muestras recolectas de la
información
Analizando la tabla anterior, se observa que en promedio el
servicio de despacho de comida en la empresa presenta problemas de
estabilización para atender a su clientela, lo que representa una pérdida al no
atender a sus clientes con eficiencia.
Tabla. 7 Promedio de horas de arribo y
servicio
Descripción:
La Tabla 9, evidencia posible colapso por el acumulado de tiempos de servicio,
que no tendrán la capacidad para seguir despachando comida debido a la mayor
cantidad de personas que se acercan a retíralo
La tabla
adjunta presenta el promedio de clientes que esperan a ser atendidos
especificados por día e intervalos de tiempo, presenta una afluencia normal en
el servicio de pago por lo que no hay novedades o problemas en él.
Tabla
7. Tiempo promedio de arribo de los clientes para diferente hora-día.
Descripción: La Tabla 7, tiene el promedio de
servicio de los clientes que son atendidos y salen del sistema de colas de
manera simultánea.
En esta tabla se interpreta los promedios de atención del
servicio de despacho, los cuales evidencia un gran contratiempo que no permite
satisfacer la rapidez de la entrega de comida al no haber suficientes
servidores para contener la clientela en estos tiempos
Resultados y Discusión
Como se ha mencionado
anteriormente, la teoría de colas describe un modelo matemático para el
análisis de atención y servicio a los clientes en un determinado trabajo y
selección de la respuesta óptima. A través de una recolección de datos
realizada durante una semana y 10 horas por cada día laborable, se logró
obtener un promedio de clientes que arriban al local de comida y por medio de
una tabla se expresan los valores obtenidos.
Tabla
8. Resultados de la investigación.
Descripción: La Tabla 8, muestra
los resultados de los diferentes parámetros matemáticos aplicados de la
investigación.
Interpretando los datos de la tabla anterior, se observa
que existe una ineficiencia en el servicio de despacho que supera el 100% de
razón de atención en el sistema y con una probabilidad de oficiosidad casi
imperceptible. Por otra parte, la implementación de 3 servidores optimiza el servicio
en un 33.84% y una probabilidad de ocio del 35.79% brindando una estabilidad
muy significante a la atención del cliente como en la generación de ingresos
para recuperar su inversión a mediano plazo.
Conclusiones
La
conclusión de este caso de estudio permite demostrar que existe un problema en
el proceso de atención de la cola, ya que existen personas que se dirigen a
otro local de comida rápida por motivo que “Burger Ranch” no se abastece para
satisfacer la necesidad de los clientes por lo que se recomienda de carácter
importante la apertura de dos nuevo servidores para que los clientes no esperen
un largo tiempo excesivo para ser atendido, lo que significaría para la empresa
obtener mayores ganancias debido a que se pueden brindar un mejor servicio de
cálida y eficacia.
[1] |
E.
López Hung y L. G. Joa Triay, «Teoría De Colas Aplicada Al Estudio Del
Sistema De Servicio De Una Farmacia,» Revista Cubana de Informática
Médica, pp. 1-13, 2018. |
[2] |
J.
F. Pérez y G. Riaño, «Análisis De Colas Para El Diseño De Una Cafetería
Mediante Simulación De Eventos Discretos.,» Scielo, pp. 1-10, 2010. |
[3] |
C.
Petrev, «Algoritmos Genéticos Aplicados A Soluciones Logísticas De
Sanidad: Simulación De Un Modelo De Evacuación De Heridos Del Teatro De
Operaciones,» Escuela Superior de Guerra Conjuntade las Fuerzas Armadas,
pp. 1-74, 2012. |
[4] |
M.
E. Chávez López y A. Espinoza Guzmán, «Minimizar El Tiempo De
Reinscripción Mediante Un Sistema De Simulación De Modelo De Líneas De
Espera,» Redalyc, pp. 1-9, 2015. |
[5] |
O.
J. Nicho Barrera, «Rediseño De Procesos Para La Disminución De Tiempos De
Espera En El Servicio De Un Comedor Administrado Por Un Concesionario
Dentro De Una Empresa Del Sector Financiero,» Universidad Nacional Mayor
de San Marcos, pp. 1-92, 2017. |
[6] |
F.
G. Correa Navarrete, «Análisis Y Propuesta De Simulación De Sistema De
Colas En La Institución Financiera JEP Para Reducir Tiempos De Espera.,»
UTMATCH, pp. 1-23, 2018. |
[7] |
M.
E. Rodríguez Lino, «Plataforma Tecnológica Para Contribuir La Planeación
Urbana En La Ciudad De Guayaquil Dirigido A La Transportación, Enfocado Al
Uso De Algoritmos Recomendadores Que Brinden Alternativas De Solución En
Proyectos Viales,» Universidad de Guayaquil, pp. 1-132, 2018. |
[8] |
K.
H. Solis Castillo y j. F. Granoble Ramirez, «Propuesta Tecnológica Para El
Retiro Y Depósito De Dinero En Cajeros Automáticos Mediante Código QR En
La Ciudad Guayaquil,» Universidad de Guayaquil, pp. 1-117, 2019. |
[9] |
G.
G. C, «Naps Tecnología y educación,» 07 junio 2018. [En línea]. Available:
http://naps.com.mx/blog/simulacion-en-python-usando-simpy/. |
[10] |
J.
M. I. Landeta, Fundamentos de Sistemas para Administración, primera ed.,
San Luis Potosi: Universitaria Potosina, 1996, p. 257. |
[11] |
L.
Hillier, « Introducción a la investigación de operaciones,» 1999. |
[12] |
P.
C. CARGILL, «SISTEMA PARA MEDIR TIEMPOS DE ESPERA EN COLAS DE SUPERMERCADO
USANDO VISIÓN POR COMPUTADOR Y MÉTODOS ESTADÍSTICOS.,» Santiago de Chile,
Enero, 2011, p. 61. |
[13] |
M.Sc.
Ing. Eduardo López Hung, M.Sc. Lic. Lai
Gen Joa Triay, «Teoría de colas aplicada al estudio del sistema de
servicio de una farmacia,» Revista Cubana de Informática Médica, vol. 10,
nº 1, pp. 3-15, 2018. |
[14] |
V.
M. Alvarado Verdín, Probabilidad y estadística, 2014. |
[15] |
CARLOS
LUIS FLORES GARCÍA, CAROLINA LISSETTE LINARES ALVARENGA, JUAN MIGUEL
BONILLA IRAHETA., «TEORÍA DE COLAS Y SU APLICACIÓN AL SISTEMA BANCARIO.,»
Ciudad Universitaria, Salvador, 2009, p. 150. |
[16] |
H.
&. Lieberman, «Problema de teoria de colas,» Cali, 2012. |
[17] |
W.
WL., «Aplicaciones y Algoritmos.,» de Investigación de Operaciones. , 4ta
Edición ed., Stamford, Thomson Internacional, 2004. |
[18] |
R.
Terrazas Pastor, «APLICACIÓN DE LA SIMULACIÓN A UN SISTEMA DE COLAS DE
CANAL SIMPLE,» Redalyc, nº 26, pp. 91-112, julio-diciembre 2010. |
[19] |
L.
Cevallos-Torres y M. Botto-Tobar, «Case study: Logistical behavior in the
use of urban transport using the monte carlo simulation method. In Problem-Based
Learning: A Didactic Strategy in the Teaching of System Simulation,»
Springer, pp. 97-110., 2019. |
[20] |
L.
Cevallos-Torres y M. Botto-Tobar, «Case study: Probabilistic estimates in
the application of inventory models for perishable products in SMEs. In
Problem-Based Learning: A Didactic Strategy in the Teaching of System
Simulatio,» Springer, pp. 123-132, 2019. |
[21] |
L.
Cevallos-Torres y M. Botto-Tobar, «Monte carlo simulation method. In
Problem-Based Learning: A Didactic Strategy in the Teaching of System
Simulation,» Springer, pp. (pp.
87-96)., 2019. |
[22] |
J.
M. I. Landeta, Fundamentos de Investigación de Operaciones para
Administración, primera ed., San Luis Potosi: Universitaria Potosina,
1996, p. 257. |
[23] |
J.
Cardona, «teoría de colas,» Huancayo, 2014. |
[24] |
R.
C. P. -. D. G. Gómez, «Modelo de lineas de espera,» Mar del Plata , 2015. |
[25] |
Á.
D. B. Castillo, «Gestión de las líneas de espera en el caso real de un
centro óptico en Cartagena,» 2013. |
[26] |
L.
Cevallos-Torres y M. Botto-Tobar, «seudo-random numbers and congruential
methods. In Problem-Based Learning: A Didactic Strategy in the Teaching of
System Simulation,» Springer, pp. (pp.
33-58), 2019. |
[27] |
L.
Cevallos-Torres y M. Botto-Tobar, «Random variable generation methods. In
Problem-Based Learning: A Didactic Strategy in the Teaching of System
Simulation,» Springer, pp. (pp.
59-86), 2019. |
[28] |
L.
Cevallos-Torres y M. Botto-Tobar, «Case study: Project-based learning to
evaluate probability distributions in medical area. In Problem-Based
Learning: A Didactic Strategy in the Teaching of System Simulation,»
Springer, pp. 111-122, 2019. |
[1] Estudiante de Ingeniería en Sistemas Computacionales. Universidad de
Guayaquil, Ecuador. E-mail:
[email protected]
[2] Estudiante de
Ingeniería en Sistemas Computacionales. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
3 Estudiante de Ingeniería en
Sistemas Computacionales. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
4 Ing. en Estadística Informática, MSc. en Modelado Computacional en Ingeniería. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
Como citar: Cárdenas Estrada, R., Perez
Pin, M., Tejada Solórzano, A., & Cevallos-Torres, L. (2019). Aplicacion de
un modelo híbrido de teoria de colas y algoritmo evolutivo para medir la
optimizacion en el servicio de atencion al cliente en un local de comidas
rápidas. Ecuadorian Science, 3(1), 15-22.
DOI: https://doi.org/10.26911/issn.2602-8077vol3iss1.2019pp15-22p.