La gestión de la planificación de las intervenciones de mantenimiento es complicada. En la gestión del plan hay que tener en cuenta un gran conjunto de condicionantes, como la adecuación entre las competencias y los actos de intervención, el respeto de los contratos y la disponibilidad de los técnicos, etc. En consecuencia, la elaboración de un plan se convierte en un gran reto, ya que a menudo hay que hacer frente a muchos riesgos.
Para abordar esta cuestión, investigamos en este trabajo el problema de la optimización de la planificación de los recursos materiales y humanos para las intervenciones de mantenimiento, y estudiamos las capacidades de los algoritmos de optimización de colonias de hormigas para resolver estos problemas. Este enfoque se basa en una extensión de los algoritmos clásicos de optimización de colonias de hormigas con una búsqueda local e introducimos la noción de penalizaciones para hacer olvidar las malas construcciones de la planificación.
Hemos optado por representar el problema como un Problema de Satisfacción de Restricciones (CSP). De hecho, nos permite reutilizar muchas herramientas, enfoques y resultados teóricos sobre la resolución y la complejidad computacional de las instancias del problema. Además, el CSP está bien adaptado para gestionar las restricciones por separado de la resolución del problema, lo que permite personalizar o añadir restricciones fácilmente.
También proponemos un lenguaje flexible y expresivo para representar las restricciones en forma de predicados que pueden incluir variables, constantes y funciones del problema. Todas las restricciones encontradas en el contexto de las intervenciones de mantenimiento son expresables en nuestro sistema y cada establecimiento puede adaptar el sistema a su contexto y añadir sus propias restricciones.
La arquitectura de la aplicación es modular, las definiciones del problema, de las restricciones y del algoritmo de resolución están desacopladas. La arquitectura del software hace que también sea fácil integrar otro algoritmo de resolución (es decir, otro que no sea ACO, como el algoritmo genético, por ejemplo), también podemos cambiar el lenguaje de representación de las restricciones para cubrir un lenguaje más expresivo o menos expresivo para un mejor rendimiento. Esto nos permite adaptar fácilmente nuestra implementación a otras aplicaciones y otros problemas.
