Objetivos
El proyecto PPAR busca encontrar soluciones reales a complejos problemas de programación de la producción a capacidad finita, que resulten útiles en la práctica, donde además se consideren un elevado número de restricciones y recursos productivos relevantes y varios objetivos de optimización de manera simultánea. Los resultados se plasmarán en forma de avanzados algoritmos de optimización, y en varias publicaciones de impacto en revistas internacionales de reconocido prestigio. El uso de las más actuales técnicas de programación y computación paralela, junto con los sistemas hardware actuales de núcleo múltiple, darán como resultado algoritmos altamente eficientes, de fácil uso y extremadamente rápidos.

1. Obtención de modelos y algoritmos para la programación de la producción en entornos más complejos y realistas de utilidad para las empresas.
2. Desarrollo de modelos y algoritmos para la programación de la producción atendiendo a varios recursos productivos.

3. Programación de la producción realista multiobjetivo.
4. Desarrollo de paradigmas y algoritmos para la programación realista de la producción mediante técnicas paralelas y/o cooperativas.
5. Difusión y potenciación de transferencia de los resultados obtenidos hacia las empresas.

Herramientas
Para llevar a cabo los desarrollos, el grupo de investigación utiliza los lenguajes y entornos de programación y desarrollo Delphi 2007 y C# 3.0 bajo Visual Studio 2008 usando la plataforma .NET 3.5, además de un largo elenco de programas y librerías menores como QuantumGrid, Teechart, etc. Los modelos matemáticos se generan usando el lenguaje AMPL o directamente con especificación LP y se testean con CPLEX 11.1 en la mayor parte de los casos. Las búsquedas bibliográficas se llevan a cabo con los motores web disponibles como Web of Science, ScienceDirect, Scirus, DirectSearch, etc. El grupo hace uso de herramientas para mantenimiento y gestión de bibliografías como Reference Manager 11 y LaTeX/BibTeX para la escritura de artículos y documentos científicos. Los resultados de los distintos modelos y algoritmos se estudian cuidadosamente con el uso de metodologías estadísticas (diseño de experimentos, contrastes paramétricos y/o no-paramétricos) y paquetes estadísticos como R, StatGraphics, SPSS, DecisionTree, etc. En un último paso, los algoritmos desarrollados, ya testeados y calibrados se prueban de forma exhaustiva.