0% encontró este documento útil (0 votos)

153 vistas120 páginas

Modelo Matemático para Horarios Universitarios

Este documento presenta un modelo matemático para la programación de horarios y asignación de aulas en la Universidad de las Fuerzas Armadas - ESPE. El modelo busca minimizar el número de paralelos, maximizar el uso de aulas y satisfacer las preferencias de estudiantes y docentes. El modelo se desarrolla en dos etapas: en la primera se determinan los paralelos y en la segunda se asignan horarios y aulas considerando criterios como la continuidad, equilibrio y preferencias. El modelo fue implementado obteniendo resultados que mejoran la

Cargado por

juan perez

Derechos de autor

Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.

Formatos disponibles

Descarga como PDF, TXT o lee en línea desde Scribd

0% encontró este documento útil (0 votos)

153 vistas120 páginas

Modelo Matemático para Horarios Universitarios

Cargado por

juan perez

Derechos de autor

Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.

Formatos disponibles

Descarga como PDF, TXT o lee en línea desde Scribd

VICERRECTORADO DE INVESTIGACIÓN, INNOVACIÓN

Y TRANSFERENCIA DE TECNOLOGÍA

CENTRO DE POSGRADOS

MAESTRÍA EN ENSEÑANZA DE LA MATEMÁTICA

TRABAJO DE TITULACIÓN PREVIO A LA OBTENCIÓN DEL TITULO

DE MAGISTER EN ENSEÑANZA DE LA MATEMÁTICA

TEMA: MODELO MATEMÁTICO PARA LA PROGRAMACIÓN DE

HORARIOS Y ASIGNACIÓN DE AULAS EN LA UNIVERSIDAD DE

LAS FUERZAS ARMADAS - ESPE

AUTORAS: HIDALGO ZURITA, MARTHA XIMENA

VÁSCONEZ ESPINOZA, CUMANDÁ DEL ROCÍO

DIRECTOR: MEDINA VÁSQUEZ, PAUL LEONARDO. PhD

SANGOLQUÍ

2018
i

VICERRECTORADO DE INVESTIGACIÓN, INNOVACIÓN Y TRANSFERENCIA DE

TECNOLOGÍA

CENTRO DE POSGRADOS

CERTIFICACIÓN

Certifico que el trabajo de titulación “MODELO MATEMÁTICO PARA LA PROGRA-

MACIÓN DE HORARIOS Y ASIGNACIÓN DE AULAS EN LA UNIVERSIDAD DE LAS
FUERZAS ARMADAS - ESPE” fue realizado por las señoras Hidalgo Zurita, Martha Ximena
y Vásconez Espinoza, Cumandá del Rocı́o el mismo que ha sido revisado en su totalidad, anali-
zado por la herramienta de de verificación de similitud de contenido; por lo tanto cumple con los
requisitos teóricos, cientı́ficos, técnicos, metodológicos y legales establecidos por la Universidad
de las Fuerzas Armadas ESPE, razón por la cual me permito acreditar y autorizar para que lo sus-
tenten públicamente.
Sangolquı́, 30 de junio de 2018

Firma:

Phd. Paúl Leonardo Medina Vásquez

CC: 1712227295
ii

VICERRECTORADO DE INVESTIGACIÓN, INNOVACIÓN Y TRANSFERENCIA DE

TECNOLOGÍA

CENTRO DE POSGRADOS

AUTORÍA DE RESPONSABILIDAD

Nosotras,Hidalgo Zurita, Martha Ximena con cedula de ciudadanı́a 1706919105 y Vásconez

Espinoza, Cumandá del Rocı́o con cédula de ciudadanı́a 0602202715, declaramos que el con-
tenido, ideas y criterios del trabajo de titulación: Modelo Matemático para la Programación
de Horarios y asignación de aulas en la Universidad de las Fuerzas Armadas - ESPE es de
nuestra autorı́a y responsabilidad, cumpliendo con los requisitos teóricos, cientı́ficos, técnicos,
metodológicos y legales establecidos por la Universidad de las Fuerzas Armadas, respetando los
derechos intelectuales de terceros y referenciando las citas bibliográficas.

Consecuentemente el contenido de la investigación es veraz.

Sangolquı́, 30 de junio de 2018

Firmas:

Martha Ximena Hidalgo Zurita. Cumandá R. Vásconez Espinoza.

C.C. 1706919105 C.C. 0602202715
iii

VICERRECTORADO DE INVESTIGACIÓN, INNOVACIÓN Y TRANSFERENCIA DE

TECNOLOGÍA

CENTRO DE POSGRADOS

AUTORIZACIÓN

Nosotras, Hidalgo Zurita, Martha Ximena y Vásconez Espinoza, Cumandá del Rocı́o, auto-
rizamos a la Universidad de las Fuerzas Armadas ESPE publicar el trabajo de titulación: Modelo
Matemático para la Programación de Horarios y asignación de aulas en la Universidad de
las Fuerzas Armadas - ESPE en el Repositorio Institucional, cuyo contenido, ideas y criterios
son de nuestra responsabilidad.

Sangolquı́, 30 de junio de 2018

Firmas:

Martha Ximena Hidalgo Zurita. Cumandá R. Vásconez Espinoza.

C.C. 1706919105 C.C. 0602202715
iv

DEDICATORIA

A mi hijas, Evelyn y Anita, por ser siempre el motor que impulsa mi vida.

A la memoria de mi hija Stephy Alejandra.

AGRADECIMIENTO

Al Ph.D. Paúl Medina Vásquez, cuyo valioso tiempo y vasta experiencia compartió con nosotras
en el desarrollo de este trabajo.

A la Mgs. Lucı́a Jimenez Tacuri, por su apoyo incondicional.

Índice

CERTIFICADO DEL DIRECTOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i

AUTORÍA DE RESPONSABILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii

AUTORIZACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii

DEDICATORIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv

AGRADECIMIENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v

ÍNDICE DE CONTENIDOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi

INDICE DE TABLAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix

ÍNDICE DE FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xii

RESUMEN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii

ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiv

INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1. EL PROBLEMA 4

1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.2. Planteamiento del Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.3. Solución Propuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.3.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2. ESTADO DEL ARTE Y SITUACIÓN ACTUAL 11

2.1. Estado del Arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.1.1. Métodos Tradicionales: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

vii

2.1.2. Métodos No Tradicionales: . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2. Situación Actual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3. MARCO TEÓRICO Y METODOLOGÍA 38

3.1. Modalidad de la investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3.2. Fundamentación Conceptual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.3. Fundamentación teórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.3.1. Bases teóricas - Modelo matemático . . . . . . . . . . . . . . . . . . . . . 41

3.4. Diseño de la investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.4.1. Primera Etapa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.4.2. Segunda Etapa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

3.4.3. Criterios de programación . . . . . . . . . . . . . . . . . . . . . . . . . . 62

3.4.4. Subetapas para la programación de horarios y asignación de aulas. . . . . . 70

4. RESULTADOS DE LA INVESTIGACIÓN 73

4.1. Análisis de los resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

4.1.1. Resultados Objetivo 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

4.1.2. Resultados Objetivo 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

4.1.3. Resultados Objetivo 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

4.2. Discusión de los resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

4.2.1. Número de paralelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

4.2.2. Uso de aulas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

viii

4.2.3. Horario de Grupos de Estudiantes . . . . . . . . . . . . . . . . . . . . . . 88

4.2.4. Horario de docentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

4.2.5. Bloques Horarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

5. CONCLUSIONES Y RECOMENDACIONES 97

5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

5.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

5.3. Trabajos a Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

ANEXOS 101

BIBLIOGRAFÍA 102
ix

Índice de Tablas
1. Número asignaturas y créditos totales de cada carrera . . . . . . . . . . . . . . . . 20

2. Número de créditos, asignaturas y porcentajes. . . . . . . . . . . . . . . . . . . . . 21

3. Número de docentes de acuerdo a Departamento que pertenecen . . . . . . . . . . 23

4. Número de docentes TC y TP de acuerdo al Departamento al que pertenecen . . . . 23

5. Docentes según número de asignaturas y paralelos que imparten . . . . . . . . . . 26

6. Numérico de estudiantes matriculados por Departamento . . . . . . . . . . . . . . 32

7. Número de Aulas por bloque y caracterı́sticas . . . . . . . . . . . . . . . . . . . . 34

8. No. de Aulas y Bloques utilizados por Departamento, Oct/15 Feb/16 . . . . . . . . 37

9. Indice h para representación de carreras y niveles . . . . . . . . . . . . . . . . . . 47

10. Distribución de Bloques y Pisos a Carreras . . . . . . . . . . . . . . . . . . . . . . 56

11. Carreras que tienen niveles con más de 30 créditos . . . . . . . . . . . . . . . . . 63

12. Porcentaje de uso de aulas, Bloques A y B . . . . . . . . . . . . . . . . . . . . . . 75

13. Porcentaje de uso de aulas, Bloques C y D . . . . . . . . . . . . . . . . . . . . . . 76

14. Número de aulas requeridas en la mañana, según modelo . . . . . . . . . . . . . . 82

15. Número de aulas requeridas en la tarde, según modelo . . . . . . . . . . . . . . . . 83

16. Bloques y número se aulas usadas, antes y después de la aplicación del modelo . . 87
x

Índice de Figuras
1. Malla curricular de la Carrera de Ingenierı́a Civil. . . . . . . . . . . . . . . . . . . 19

2. Porcentajes de asignaturas según número créditos. . . . . . . . . . . . . . . . . . . 22

3. Total de docentes de acuerdo a Departamento. . . . . . . . . . . . . . . . . . . . . 24

4. Docentes Tiempo Completo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

5. Docentes Tiempo Parcial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

6. Número de Docentes vs. número de paralelos. . . . . . . . . . . . . . . . . . . . . 25

7. Docentes vs. paralelos - una asignatura. . . . . . . . . . . . . . . . . . . . . . . . 27

8. Bloques horarios para asignaturas de 2 créditos. . . . . . . . . . . . . . . . . . . . 28

9. Bloques horarios para asignaturas de 4 créditos. . . . . . . . . . . . . . . . . . . . 28

10. Otros bloques horarios para asignaturas de 4 créditos. . . . . . . . . . . . . . . . . 29

11. Franjas horarias distintas – 2 dı́as. . . . . . . . . . . . . . . . . . . . . . . . . . . 29

12. Bloques horarios – asignaturas 6 créditos. . . . . . . . . . . . . . . . . . . . . . . 30

13. Ejemplo Bloque horario – bandas distintas. . . . . . . . . . . . . . . . . . . . . . 30

14. Ejemplo Bloque horario – asignaturas 3 créditos. . . . . . . . . . . . . . . . . . . 30

15. Ejemplo Bloque horario – asignaturas 5 créditos. . . . . . . . . . . . . . . . . . . 31

16. Estudiantes matriculados en Pregrado y en Nivelación. . . . . . . . . . . . . . . . 33

17. Ejemplos de subutilización de aulas. . . . . . . . . . . . . . . . . . . . . . . . . . 36

18. Matriz-Semestre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

19. Matriz-Asignatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
xi

20. Matriz-Asignatura-Docente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

21. Matriz-Docente-Asignatura, inicio de proceso. . . . . . . . . . . . . . . . . . . . . 50

22. Matriz-Docente-Asignatura, final de proceso. . . . . . . . . . . . . . . . . . . . . 51

23. Horario Final Carreras, al inicio del proceso. . . . . . . . . . . . . . . . . . . . . . 51

24. Horario Final Carreras, al final del proceso. . . . . . . . . . . . . . . . . . . . . . 52

25. Diagrama de Flujo - Etapa 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

26. Ejemplo del detalle de aulas correspondiente al Bloque C. . . . . . . . . . . . . . . 57

27. Horario Final Aulas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

28. Propuesta Horario Cero. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

29. Diagrama de Flujo - Etapa 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

30. Bloques horarios - asignaturas 4 créditos. . . . . . . . . . . . . . . . . . . . . . . 65

31. Bloques horarios - asignaturas 6 créditos. . . . . . . . . . . . . . . . . . . . . . . 66

32. Ejemplo nivel con 4 asignaturas de 6 créditos. . . . . . . . . . . . . . . . . . . . . 66

33. Ejemplo Nivel con asignaturas de 3 y 5 créditos. . . . . . . . . . . . . . . . . . . . 67

34. Ejemplo de aula compartida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

35. Ejemplo 1 - Horario obtenido en Etapa 1. . . . . . . . . . . . . . . . . . . . . . . 78

36. Ejemplo 2 - Horario obtenido en Etapa 1. . . . . . . . . . . . . . . . . . . . . . . 79

37. Ejemplo 1 Aulas-v0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

38. Ejemplo 2 Aulas-v0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

39. Ejemplo 3 Aulas-v0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

40. Ejemplo 4 Aulas-v0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

xii

41. Ejemplo 1 Aulas-v1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

42. Ejemplo 2 Aulas-v1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

43. Ejemplo 3 Aulas-v1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

44. Horario de grupos de estudiantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

45. Horas Huecas en horario estudiantes. . . . . . . . . . . . . . . . . . . . . . . . . . 89

46. Ejemplos Horarios con 2 horas en un dı́a. . . . . . . . . . . . . . . . . . . . . . . 90

47. Ejemplo Horario de Docente TC antes y después del modelo. . . . . . . . . . . . . 91

48. Ejemplo 1 - Horario de Docente TP, mejorado. . . . . . . . . . . . . . . . . . . . . 92

49. Ejemplo 2 - Horario de Docente TP, mejorado. . . . . . . . . . . . . . . . . . . . . 92

50. Ejemplo 3 - Horario de Docente TP, mejorado. . . . . . . . . . . . . . . . . . . . . 93

51. Ejemplo de Docentes TP, con dispersión horaria. . . . . . . . . . . . . . . . . . . 93

52. Ejemplo de Docentes TP con horario sin modificación. . . . . . . . . . . . . . . . 94

53. Bloques horarios antes y después de la aplicación del modelo. . . . . . . . . . . . 96

xiii

RESUMEN

La generación de horarios y asignación de aulas en Instituciones Educativas se presenta al inicio

de cada perı́odo académico y conlleva un trabajo complejo puesto que intervienen muchas res-
tricciones y limitaciones que deben ser consideradas de acuerdo a la situación particular de cada
Institución. La Universidad de las Fuerzas Armadas - ESPE no es ajena a este tipo de problemas,
actualmente ésta tarea se realiza en forma manual en cada uno de los Departamentos y los encar-
gados, generalmente, son el planificador y los coordinadores de área, lo que genera inconvenientes
pues no suele existir una adecuada coordinación entre ellos, ocasionando, que puedan existir cruces
de horarios y aulas, esto repercute de manera significativa en el aprovechamiento de los recursos
fı́sicos y humanos de la Institución, influyendo negativamente en el desempeño de estudiantes y
docentes. Por lo expuesto, este trabajo de investigación propone una solución al problema de pro-
gramación de horarios y la distribución adecuada de las aulas de clase, para los diferentes grupos
de cada una de las carreras de pregrado de la Universidad de las Fuerzas Armadas - ESPE, matriz,
modalidad presencial, para lo cual se desarrolla una heurı́stica que lleva a una solución técnica
factible. Se propone una metodologı́a, basada en técnicas como, programación Lineal Entera,
Búsqueda Tabú y Gestión del Conocimiento, que cumple con las necesidades y requerimientos de
la Institución.

PALABRAS CLAVE:

GENERACIÓN DE HORARIOS

ASIGNACIÓN DE AULAS

PROGRAMACIÓN LINEAL ENTERA

BÚSQUEDA TABÚ
xiv

ABSTRACT

In order for Education Centers to be well-organized, they must be provided with schedules and
classrooms distribution at the beginning of every academic period. This requires a hard work to
be done because there are so many restrictions and limitations to be considered for every Educa-
tion Center. Currently, the University of Army - ESPE, faces this issue assigning schedules and
distributing classrooms manually by the planner and the field of knowledge coordinators in every
Department. Nevertheless, this can be a disadvantage if there is a lack of coordination between
the people in charge. For instance, some classrooms could be due for more than one course, or
even some professors are registered in two classes at once. This has a significant impact on the use
of physical and human resources of the Institution. Therefore, this research proposes a solution
for the problem of managing schedules and distributing classrooms for the undergraduate on-site
programs of the University of Army - ESPE by developing an achievable technical solution, which
meets the needs and requirements of the Institution, based on techniques such as Integer Linear
Programming, Tabu Search and Knowledge Management.

KEY WORDS:

TIMETABLING

ASSIGNMENT OF CLASSROOMS

ENTIRE LINEAR PROGRAMMING

TABU SEARCH
1

INTRODUCCIÓN

La generación de horarios y asignación de aulas en instituciones educativas se presenta al inicio

de cada perı́odo académico y conlleva un trabajo complejo, puesto que intervienen muchas res-
tricciones y limitaciones que deben ser consideradas de acuerdo a la situación particular de cada
Institución. Como lo menciona Mejia [23]

“... las Instituciones Académicas han presentado dificultades para resolver problemas
de asignación de horarios de clases a diversos recursos (fijos y variables), como, por
ejemplo: profesores, alumnos, asignaturas, salones, etc., a este problema se le conoce
con el nombre de timetabling y su complejidad está directamente relacionada con las
restricciones asociadas a estos recursos”.

Algunos de los inconvenientes que se presentan al resolver este tipo de problemas de timeta-
bling1 son: cruces de horarios entre cursos del mismo nivel o semestre, cruces entre cursos dictados
por un mismo profesor, cruces de aulas entre dos o más cursos y una mala distribución de las aulas
de acuerdo a la capacidad de las mismas para el número de estudiantes matriculados en un curso
determinado.

Existe una gran cantidad y variedad de trabajos relacionados que buscan, a través de distintas
técnicas, dar una posible solución. Ası́, las técnicas tradicionales o exactas, buscan todas las solu-
ciones posibles y determinan la óptima, pero son aplicables a problemas con un número restringido
de variables involucradas; y las no tradicionales, también llamadas heurı́sticas y metaheurı́sitcas,
que no encuentran todas las soluciones posibles, pero buscan soluciones cercanas a la óptima en
tiempos relativamente cortos.

Algunas de éstas técnicas están implementadas en diferentes lenguajes de programación y se

las pueden encontrar en el mercado como software libre. Sin embargo, los modelos matemáticos
planteados e implementados mediante el uso de programas computacionales son útiles si se trata
1
El timetabling consiste en definir dónde y cuándo las personas y los recursos deben estar en un instante dado.
2

de optimizar el tiempo de programación, pero “. . . no brindan una solución completa al problema,

dado que el conocimiento tácito desaparece cada vez que rota el personal que lidera el proceso de
programación de horarios de las instituciones de educación superior” [13].

La Universidad de las Fuerzas Armadas - ESPE, no es ajena a este tipo de problemas y conside-
rando que estos se mantienen en constante investigación, ya que no tienen un planteamiento único;
en el presente trabajo se identifican los problemas de programación de horarios y asignación de
aulas, de cada una de las carreras de la Universidad, y se desarrolla una heurı́stica que permite en-
contrar una solución factible para el problema de distribución de horarios y aulas en la Universidad
de las Fuerzas Armadas - ESPE.

La solución que se propone en este trabajo consta de dos etapas; en la primera, se desarrolla
un algoritmo que da solución a la programación de horarios para cada una de las carreras de la
Universidad, con asignación simultánea de docentes. En la segunda etapa, previamente asignado
el bloque de aulas a cada carrera y tomando como insumo el resultado de la etapa anterior, se
distribuye y asigna de manera óptima, las aulas para los diferentes grupos. Cabe indicar que en
esta etapa por “óptimo” se considera la disminución de aulas que están parcialmente ocupadas,
redistribuyendo las actividades previamente asignadas.

Finalmente, considerando que el contexto de éste trabajo pertenece al área de optimización y

que el mismo puede ser implementado en diferentes lenguajes de programación, cabe mencionar
que el producto final del mismo no podrı́a ser construido con la cantidad de matemáticas que habi-
tualmente recibe en su carrera un estudiante de ingenierı́a en software o ingenierı́a en sistemas, ası́
pues recalcamos el aporte significativo de la complementación y actualización de los conocimien-
tos adquiridos en la Maestrı́a de la Enseñanza de la Matemática (MEMAT).

En virtud de lo expuesto, este trabajo se desarrolla de la siguiente manera: en el Capı́tulo 1,

se presenta el planteamiento y la solución propuesta del problema a resolver; y, se establecen las
interrogantes que conducen esta investigación.

En el Capı́tulo 2, se exponen algunos trabajos relacionados con este tipo de problemas, a ni-
vel mundial y nacional; y, se analiza la información existente respecto a la situación actual de la
3

distribución de aulas y programación de horarios, tomando como referencia la información de los

perı́odos octubre 2015 – febrero 2016, abril 2016 – agosto 2016 y octubre 2016 – febrero 2017.

En el Capı́tulo 3, se describe la metodologı́a utilizada para desarrollar los alogritmos que dan
solución al problema, en cada una de las etapas. Para cada una de ellas se presenta la descripción
de datos de entrada y de salida. Se exponen, además, los criterios de programación adoptados, y
las subetapas de realización de esta programación de horarios y asignación de aulas.

En el Capı́tulo 4, se hace un análisis y discusión de los resultados obtenidos de acuerdo a los

objetivos y preguntas de investigación planteadas.

Finalmente, en el Capı́tulo 5, se presentan las conclusiones, recomendaciones y trabajos a futuro.

Capı́tulo 1

1. EL PROBLEMA

La generación de horarios y asignación de aulas en Instituciones Educativas se presenta al inicio

de cada perı́odo académico y conlleva un trabajo complejo, pues intervienen muchas restricciones
y limitaciones que deben ser consideradas de acuerdo a la situación particular de cada Institución.
De hecho, Hernández, R. [16] sostiene que:

“La programación de los horarios de clases y asignación de salas se vuelve en es-

te contexto una tarea compleja, lo que genera la necesidad de buscar metodologı́as
basadas en técnicas de optimización para la resolución de este problema”.

A la par de lo manifestado por Hernandez, en la Internet, si se usa la palabra clave timetabling

como criterio de búsqueda se obtienen aproximadamente 796 000 resultados y restringiendo la
búsqueda a timetabling problem se tienen 323 000 resultados; aún más, si la consulta es de Uni-
versity timetabling los resultados arrojados son cerca de 306 000, es decir, la cantidad y variedad
de trabajos relacionados es enorme a nivel mundial.

A nivel nacional muchas instituciones de educación superior tienen trabajos de tesis que inten-
tan resolver el problema de University timetabling; sin embargo, no existen trabajos similares o
complementarios al propuesto, en la Universidad de las Fuerzas Armadas - ESPE. Por lo tanto,
la presente investigación propone, en una primera etapa, dar solución al problema de horarios me-
diante el desarrollo de un algoritmo que organice, considerando el cumplimiento de restricciones
comunes a este tipo de problemas y a condiciones requeridas por la Institución, las clases de cada
una de las asignaturas y los docentes de cada grupo para los diferentes niveles de cada una de las
carreras. En una segunda etapa, se asignan las aulas a cada uno de los grupos programados, en
base al resultado obtenido luego de aplicar el algoritmo.
5

La distribución se realiza considerando los distintos edificios de aulas y pisos, asignados de

acuerdo a criterios de movilidad, capacidad de aulas y cercanı́a a las oficinas académicas de cada
carrera.

1.1. Antecedentes

La Universidad de las Fuerzas Armadas - ESPE es una institución de educación superior con 95
años de vida institucional; enmarcada en el quehacer académico, de investigación y vinculación
con la colectividad. La Matriz se encuentra ubicada en Sangolquı́, Cantón Rumiñahui, de la Pro-
vincia de Pichincha y tiene extensiones en Latacunga, Salinas, Guayaquil, Santo Domingo de los
Tsáchilas y Galápagos2 .

Actualmente está estructurada en Departamentos y Programas de Carrera3 . Consta de 10 depar-

tamentos con 13 carreras de ingenierı́a y 2 carreras de licenciatura, las cuales tienen una duración
de 9 semestres, o niveles de referencia, a excepción de la Licenciatura en Ciencias de la Actividad
Fı́sica Deporte y Recreación (CAFDER) que tiene 8. La organización departamental y de carreras,
tiene la siguiente estructura:

1. Departamento de Ciencias de la Energı́a y Mecánica (DECEM)

• Ingenierı́a Mecánica

• Ingenierı́a Mecatrónica

2. Departamento de Ciencias de la Tierra y la Construcción (DECTC)

• Ingenierı́a Civil

• Ingenierı́a Geográfica y del Medio Ambiente

3. Departamento de Ciencias de la Vida (DECV)

• Ingenierı́a en Biotecnologı́a
2
Estatuto-UFA aprobada por ESPE-HCU-RES-2015-033. Art. 1 y Art. 2 [6]
3
Reglamento Orgánico ESPE, Tı́tulo IV, Cap. 1, Art.1
6

4. Departamento de Eléctrica y Electrónica (DEEE)

• Ingenierı́a Electrónica en Control y Automatización

• Ingenierı́a Electrónica en Telecomunicaciones

5. Departamento de Ciencias de la Computación (DECC)

• Ingenierı́a en Sistemas

6. Departamento de Ciencias Económicas, Administrativas y de Comercio (CEAC)

• Ingenierı́a Comercial

• Ingenierı́a en Mercadotecnia

• Ingenierı́a en Finanzas y Auditorı́a

• Ingenierı́a en Comercio Exterior y Negociación Internacional

• Ingenierı́a en Administración Turı́stica y Hotelera

7. Departamento de Ciencias Humanas y Sociales (DECHS)

• Licenciatura en Ciencias de la Actividad Fı́sica, Deportes y Recreación

• Licenciatura en Educación Infantil

Cabe indicar que los Departamentos de Lenguas, Ciencias Exactas (DECE) y, Seguridad y De-
fensa (DESD), por el momento, no cuentan con carreras propias pero prestan apoyo y servicio a
todos los demás, pues son actividades transversales. A más de lo señalado los Departamentos
CEAC, DECHS y DECC ofertan cursos de apoyo, o que son requeridos por las distintas carreras,
durante todo el dı́a.

La Universidad posee 6 bloques (edificios) de aulas, denominados A, B, C, D, G y H. Los

Bloques denominados A, B, C y D son edificios de aulas de cuatro pisos y se utilizan para dictar
las clases teóricas, con un total de 193 aulas, las cuales están compartidas por todos los grupos
de todas las carreras. Los Bloques G y H, también de cuatro pisos, son edificios destinados para
laboratorios especializados de computación. Adicionalmente existen bloques de aulas destinadas
7

para el Instituto de Idiomas y para la carrera CAFDER, con 7 y 9 aulas respectivamente. Se cuenta
también con laboratorios especializados del DEEE, DECEM, DECV, DECTC y DECE.

1.2. Planteamiento del Problema

En los problemas de tipo Timetabling, de forma estándar, se deben considerar dos tipos de condi-
ciones, duras y suaves. Las condiciones duras, se deben cumplir de manera obligatoria y las suaves
no necesariamente, pero ayudan a delimitar el problema.

A pesar de la gran variedad de estudios relacionados con Timetabling, existe una amplia coinci-
dencia en el tipo de restricciones, duras y suaves, que se deben considerar; ası́, de manera particular
Silva & Valencia [35], en su estudio presentan algunas de ellas y que para ejemplificar, a continua-
ción, escribimos las que a nuestro criterio son las más relevantes.

Todas las asignaturas deben estar asignadas a algún profesor,

Todos los profesores deben estar asignados a al menos una asignatura,

Ningún profesor debe estar asignado a más de una clase al mismo tiempo,

Ningún profesor debe estar asignado a clases en horas en las que no está disponible (profe-
sores medio tiempo o tiempo parcial),

Ningún grupo debe recibir más de una clase al mismo tiempo,

La capacidad de aulas asignadas a las clases debe ser igual o mayor que el número de estu-
diantes,

Una clase solo puede asignarse a una aula si está disponible,

Ningún estudiante o grupo de estudiantes puede atender más que x clases en un dı́a,

Un estudiante no debe tener solo una clase en un dı́a,

Si una clase se lleva a cabo más de una vez a la semana siempre habrá por lo menos un dı́a
en medio,
8

Todas las clases del mismo grupo de estudiantes deben ser calendarizadas en la misma aula,

etc.

En la Institución, la programación de horarios y distribución de aulas de clases se realiza ac-

tualmente en forma manual por el planificador y los coordinadores de área de cada Departamento,
generalmente, sin una adecuada coordinación entre ellos. Este hecho provoca que se presenten
inconvenientes respecto al cumplimiento de condiciones y requerimientos. Ası́, la distribución ac-
tual de aulas provoca que exista una gran movilidad tanto de docentes como de estudiantes que
tienen que trasladarse de un piso a otro, en el mejor de los casos, o de un bloque a otro. Esto a más
de la pérdida de tiempo evidencia una inadecuada distribución que afecta significativamente a las
actividades académicas. Por tal motivo, la optimización o mejora a la actual distribución será el
objetivo de este trabajo.

1.3. Solución Propuesta

Esta investigación realiza un análisis de los datos relacionados a horarios de los tres perı́odos
anteriores, correspondientes a: octubre 2015 - febrero 2016, abril 2016 - agosto 2016 y octubre
2016 - febrero 2017, con el objeto de identificar los problemas que tiene la Institución, en cuanto
a la distribución de aulas. Se propone, en una primera etapa, dar solución al problema de horarios
mediante el desarrollo de un algoritmo que organice, considerando el cumplimiento de restriccio-
nes comunes a este tipo de problemas y a condiciones requeridas por la Institución, las clases de
cada una de las asignaturas y los docentes de cada grupo, para los diferentes niveles de cada una
de las carreras. En una segunda etapa, se asignan las aulas a cada uno de los grupos programados,
en base al resultado obtenido luego de aplicar el algoritmo.
9

1.3.1. Objetivos

A. Objetivo General

Desarrollar un método heurı́stico que cumpla con las necesidades y requerimientos de la Insti-
tución, para obtener la programación de horarios y distribución más adecuada de aulas.

B. Objetivos Especı́ficos

Identificar los problemas que tiene la Institución, en cuanto a la distribución de aulas,

Desarrollar un algoritmo que proporcione una solución al problema de programación de

horarios de cada nivel de las diferentes carreras de la Universidad,

Distribuir y asignar de manera adecuada las aulas de la Universidad, en base al resultado de

la aplicación del algoritmo planteado.

Para cumplir con éstos objetivos, las principales interrogantes que resuelve este trabajo de in-
vestigación son:

¿Se puede desarrollar una nueva metodologı́a, que resuelva el problema de generación de
horarios y que cumpla las restricciones y necesidades requeridas por la Institución?.

¿Se puede distribuir, en forma óptima, las aulas de los diferentes bloques y pisos, para cada
una de las carreras de la Institución, que mejore la situación actual?.

Este trabajo de investigación plantea resolver el problema de programación de horarios para

todas las asignaturas de las mallas curriculares de cada una de las carreras de la Universidad de
la Fuerzas Armadas – ESPE, matriz, modalidad presencial y la asignación de aulas destinadas a
clases teóricas, en los bloques A, B, C y D; sin embargo, será responsabilidad de las personas
encargadas de los laboratorios especializados la asignación adecuada de aulas para asignaturas que
requieran de estos. El Instituto de Idiomas y la carrera CAFDER, poseen sus propias instalaciones
por lo que tampoco son consideradas en este trabajo.
10

En resumen esta investigación desarrollará un algoritmo que resuelve el problema de programa-

ción de horarios y como resultado final de la aplicación del algoritmo se obtendrá una propuesta
de horario que cumplirá las restricciones duras y, suaves, optimizando el espacio fı́sico. No se
incluye, sin embargo, la implementación del mismo mediante un software.
11

Capı́tulo 2

2. ESTADO DEL ARTE Y SITUACIÓN ACTUAL

2.1. Estado del Arte

El problema de asignación de recursos se presenta en diferentes campos donde se requiere ob-

tener soluciones eficientes que procuren mejorar los procesos de trabajo, con el objetivo de incre-
mentar el rendimiento y productividad. Ası́, existe una amplia investigación en los problemas tipo
scheduling4 o timetabling.

Los primeros pretenden la planificación de acciones que requieren el uso de ciertos recursos
(tiempo, maquinaria, personal, etc.). Los segundos, dependiendo el campo de aplicación se suelen
dividir en High-School, University o Examination timetabling.

El presente trabajo, en principio, tendrá componentes de los dos tipos, pues por un lado se debe
decidir sobre la asignación de las distintas salas (recursos) y; por otro, se debe decidir el horario
de las distintas clases.

Esta complejidad obliga a revisar los distintos tipos de metodologı́as que resuelven esta clase de
problemas. De forma general clasificaremos en técnicas tradicionales o exactas, que buscan todas
las soluciones posibles y determinan la óptima, pero son aplicables a problemas con un número
restringido de variables involucradas; y las no tradicionales conocidas también como heurı́sticas y
meta heurı́sticas que, de acuerdo a Miranda [26], buscan aproximar la solución óptima del proble-
ma. Estos métodos, a diferencia de los exactos, no encuentran todas las soluciones posibles, pero
arrojan soluciones cercanas a la óptima en tiempos relativamente cortos [2].
4
El diseño de calendarios o scheduling consiste en asignar un número de eventos a un número limitado de recursos,
sujeto a restricciones. Gonzalez [12]
12

2.1.1. Métodos Tradicionales:

Dentro de las técnicas tradicionales o exactas las de más amplia aplicación o estudio están la
programación lineal entera y coloración de grafos. De ninguna manera estas son las únicas o las
principales, simplemente por el tipo de aplicación, las hemos seleccionado y a continuación las
resumiremos.

A. Programación Lineal Entera

George B. Dantsig desarrolla, a partir de la Segunda Guerra Mundial, la programación lineal

entera (PLE) como un “modelo matemático para resolver problemas de asignación de recursos
entre distintas actividades” [33].

La Programación Lineal, es una técnica que se aplica a situaciones de optimización de funcio-

nes lineales, denominadas funciones objetivo, mismas que están sujetas a restricciones expresadas
mediante inecuaciones lineales. Si las variables de decisión toman valores enteros estos problemas
se conocen como problemas de programación lineal entera.

Según Mateo & Lahoz [21], “Los problemas de programación lineal entera (PLE) son proble-
mas del tipo max / min Z = AX = B, con x > 0, pero en los que algunas variables están
restringidas a tomar valores enteros”.

En lo relacionado al presente trabajo y por la similitud de objetivos podemos citar los trabajos
de Saldaña et al [34] y Hernandez, R. [16].

El primero, presenta dos modelos de programación lineal entera aplicados en la Facultad de

Ingenierı́a de la Universidad de Concepción, Chile. Formula estrategias de solución cuya función
objetivo es la de minimizar la asignación de clases en “perı́odos no deseados”. Implementa los
modelos en Microsoft Visual C ++ 6.0 usando librerı́as de Programación Lineal Entera ILOG
CPLEX 9.0. De manera similar, el segundo presenta la implementación y comparación de tres
metodologı́as basadas en modelos de optimización de programación lineal entera, para resolver el
problema de calendarización de clases y asignación de salas en la Universidad Diego Portales de
13

Chile. Otros autores como Ojeda [28], Wolf [37] y Morales [27] presentan trabajos relacionados a
la calendarización utilizando esta técnica.

B. Coloración de Grafos

Francis Guthrie en 1852 postuló la conjetura de los cuatro colores, mientras intentaba colorear el
mapa de Inglaterra, pero recién en 1976 es resuelta por Kenneth Apple y Wolfgang Haken, dando
inicio a la Teorı́a de Grafos, que entre otras aplicaciones, resuelve problemas de asignación de
tareas y problemas de almacenamiento [30].

Según Delgado & Hernandez [7], “Una coloración de un grafo G = (V, A) es una asignación
de colores a los vértices de G, a cada vértice un color, de forma que vértices adyacentes reciban
colores distintos’’. En ésta técnica cada vértice representarı́a un evento o un recurso. El autor
aplica esta técnica a la programación de horarios de las conferencias de una jornada cientı́fica, de
una institución educativa, y a la coloración de mapas.

Por otro lado, Flores [10], desarrolla un modelo basado en la técnica de coloración de grafos
para resolver el problema de planificación de horarios de clases en colegios, y ejecuta un modelo
matemático con el Software GAMS en la ESPOL.

2.1.2. Métodos No Tradicionales:

Los métodos que buscan aproximar una solución están dados por las heurı́sticas y meta heurı́sti-
cas, usadas para resolver problemas de optimización combinatoria multiobjetivo, tales como algo-
ritmos genéticos, algoritmos evolutivos, algoritmos voraces, búsqueda tabú, colonia de hormigas,
redes neuronales, recocido simulado, entre otras. Algunas de las citadas están implementadas en
diferentes lenguajes de programación y se las pueden encontrar en el mercado como software libre.

Los métodos heurı́sticos, “. . . del griego heuriskein, significa descubrir, encontrar e indagar
en documentos o fuentes históricas, la información necesaria para procesos investigativos y la
resolución de problemas en diversos ámbitos cientı́ficos, . . . ”, ( Polanyi, 1994, citado en Londoño
et al [19]); es decir, los modelos heurı́sticos son estrategias utilizadas para resolver problemas, que
14

se basan en conocimientos y experiencias anteriores de situaciones similares que se toman como

punto de partida para obtener nuevas y mejores soluciones.

El término Meta heurı́stica, introducido por Fred Glover en 1986, combina el prefijo griego
meta que significa más allá y la palabra heurı́stica, por lo tanto, es un “. . . método heurı́stico que
busca resolver problemas computacionales de tipo general a partir de parámetros dados por el
usuario y que generalmente se aplican cuando no se encuentran soluciones satisfactorias a través
de una heurı́stica o cuando esta no es posible de implementar” [31]. A la luz de lo indicado, a
continuación expondremos de manera suscinta los métodos que más se ha trabajado en afinidad a
la presente investigación.

A. Algoritmos Evolutivos

Los algoritmos evolutivos trabajan con un conjunto de posibles soluciones, las que se someten a
transformaciones, que dan como resultado nuevos y mejores elementos que después de un proceso
de selección forman otras generaciones de individuos dentro de los que se espera obtener los
mejores.

Mejı́a & Paternina [22], aplican algoritmos evolutivos para resolver el problema de asignación
de horarios de clases universitarias y aulas del programa de Ingenierı́a Industrial de la Facultad de
Ingenierı́a de la Universidad de la Guajira, Colombia.

Pitol [29], presenta una solución computacional basada en algoritmos evolutivos, al problema
de asignación de horarios en la Facultad de Psicologı́a de la Universidad Veracruzana.

Barreto & López [3], implementan el método SOLU para la Facultad de Ingenierı́a de la Univer-
sidad de Cuenca, como una mejora del método heurı́stico BINGO propuesto anteriormente en la
misma Institución. Hacen uso de algoritmos evolutivos y lo implementan en lenguaje Java y otros.

Mera [25], formula un método de optimización combinatoria basado en un algoritmo evolutivo

para el sistema de generación de horarios de colegios (SGHC) respondiendo a las necesidades que
con frecuencia se presentan en colegios. Lo implementa en Borland delphi V4.03, con datos de un
colegio nocturno del paı́s.
15

B. Algoritmos Genéticos

Los algoritmos genéticos, introducidos por John Holland en 1960, son métodos usados para
la búsqueda de soluciones a problemas complejos de optimización, se inspiran en la evolución
biológica y selección natural.

Ası́, Cancelo et al [5], proponen la implementación de un modelo de optimización llamado

GDARIM para la asignación de aulas y recursos de la Universidad de Palermo, Buenos Aires -
Argentina, mediante algoritmos genéticos multi-objetivo.

Guerra et al [14], describen el problema de School Timetabling, hacen un cuadro comparativo

de diferentes metas heurı́sticas, y eligen la técnica Algoritmos Genéticos para dar solución a este
tipo de problemas.

Hernandez, S. et al [15], diseñan un modelo basado en algoritmos genéticos que optimiza la

utilización de aulas, en la Universidad Nacional de la Patagonia Austral, de acuerdo a la capacidad
de las mismas para el número de estudiantes matriculados en un curso determinado, evitando
desperdicios de los recursos de la Institución. La implementación de este modelo lo hacen en
entorno Matlab.

Johnston [18], propone un modelo general para resolver el problema de asignación de carga
horaria académica (ACA) en instituciones de educación superior, mediante el uso de algoritmos
genéticos, e implementa un prototipo computacional en el Instituto Técnico de Nuevo Laredo.

C. Colonia de Hormigas

La optimización basada en colonia de hormigas (Ant colony optimization - ACO), desarrollada

inicialmente por Marco Dorigo en 1997 y aplicada al problema del agente viajero, está inspirada
en la habilidad que tienen éstos insectos para encontrar las rutas más convenientes entre el hormi-
guero y los lugares donde se encuentra la comida. En el trayecto las hormigas dejan una sustancia
quı́mica llamada feromona, si éstas no perciben su olor, toman un camino de manera aleatoria,
pero cuando encuentran rastro de ésta eligen seguir la ruta marcada con una concentración mayor
de feromona [32].
16

Según Dorigo et al [8], “ . . . las hormigas han inspirado una serie de métodos y técnicas entre
las cuales la más estudiada y la más exitosa es la técnica de optimización de propósito general
conocida como optimización de colonia de hormigas”.

Menendez [24], describe aspectos teóricos de la metaheurı́stica Colonia de Hormigas y sus va-
riantes algorı́tmicas como sistema de hormigas Max-Min, sistema de hormigas con ordenación,
sistema Mejor – Peor hormiga.

Alejandro [1], describe las bases metaheurı́siticas de la colonia de hormigas, propone una técnica
alternativa inspirada en ésta para aplicar al problema de asignación cuadrática (Quadratic Assig-
nement Problem).

Silva & Valencia[35] , desarrollan un modelo matemático basado en la técnica ACO que se
ajusta a los requerimientos y caracterı́sticas de la Facultad de Ingenierı́a de Sistemas de la EPN;
la implementación de este modelo se realiza en el lenguaje de programación C# y se ejecuta bajo
ambiente Windows.

D. Búsqueda Tabú

Según Rodriguez [32], el método de búsqueda Tabú se define como: “Técnica meta heurı́stica
que se basa en una búsqueda local o por vecindades, moviéndose de manera iterativa a soluciones
vecinas hasta conseguir satisfacer un criterio de parada”.

Gonzalez [12], implementa en entorno Matlab, utilizando la metodologı́a de búsqueda tabú, un

programa para calendarizar los exámenes en la Nueva Facultad de Ciencias de la Educación de la
Universidad de Sevilla.

Restrepo & Moreno [31], desarrollan un modelo para la asignación de recursos académicos en
una institución educativa, mediante un algoritmo basado en búsqueda tabú denominado sistema
MARA implementado en MSQL.

López [20], desarrolla un modelo de búsqueda tabú para la programación de horarios implemen-
tado en el Departamento de Matemáticas de la Universidad de Sonora.
17

Franco [11], propone una metodologı́a para resolver el problema de asignación de salas de cla-
ses, basados en la metaheurı́stica Búsqueda tabú.

E. Gestión del Conocimiento

La gestión del conocimiento corresponde al conjunto de actividades desarrolladas

para utilizar, compartir, desarrollar y administrar los conocimientos que posee una
organización y los individuos que en esta trabajan, de manera que estos sean enca-
minados hacia la consecución de sus objetivos (Alavi & Leidner, 2001), citado en
Bellinza et al [4]

Los modelos matemáticos planteados e implementados mediante el uso de programas compu-

tacionales son útiles si se trata de optimizar el tiempo de programación, pero según González &
Trujillo[13], “ . . . no brindan una solución completa al problema, dado que el conocimiento tácito
desaparece cada vez que rota el personal que lidera el proceso de programación de horarios de
las instituciones de educación superior”.

Estos autores, desarrollan un método heurı́stico basado en la Gestión del conocimiento, para la
programación de horarios en una universidad. El modelo aplicado en la Universidad Icesi, con-
vierte el conocimiento empı́rico en conocimiento explı́cito, de tal manera que la Institución pueda
conservar el conocimiento y la experiencia de las personas encargadas del proceso de programa-
ción de horarios.

2.2. Situación Actual

La mayorı́a de las carreras citadas en 1.1 desarrollan sus clases en el horario matutino de 07:15
a 14:00 horas. Cuatro de las carreras del CEAC inician labores en la jornada vespertina, esto es de
15:00 a 21:30 horas. La Carrera de Ingenierı́a en Sistemas tiene horarios disponibles durante todo
el dı́a, en la mañana funcionan los primeros niveles, es decir, los niveles de formación básica, y en
la tarde los niveles superiores.

En cada uno de los niveles de referencia de las carreras se dicta entre 5 a 9 asignaturas de la malla
18

curricular, dependiendo del programa académico al que pertenece, excepto en las dos carreras del
DEEE que solo tienen 2 asignaturas en noveno nivel y la carrera CAFDER que tiene 10 asignaturas
en segundo y séptimo nivel. La malla curricular está dividida en tres bloques: formación básica,
formación intermedia y formación profesional. En la mayorı́a de los programas académicos de
las carreras técnicas el primer nivel tiene un total de 30 créditos, es decir, 30 horas de trabajo
por semana, a diferencia de las carreras administrativas que tienen un promedio de 26 créditos
semanales.

La Figura 1 muestra la malla curricular de la carrera de Ingenierı́a Civil, en donde se pueden

apreciar: los tres bloques de formación (básica, intermedia y de profesionalización), el nombre de
cada una de las asignaturas por nivel con su respectivo código, los prerrequisitos y correquisitos, el
número de créditos o carga horaria semanal de cada una de ellas y; además, el número de créditos
totales por nivel, e identificado por los diferentes colores el área a la que pertenece la asignatura.

Cada carrera tiene dentro de su malla o programa académico en promedio 60 asignaturas, identi-
ficadas mediante un código que tiene información del Departamento al que pertenece dicha asigna-
tura; por ejemplo, la asignatura Diseño Cartográfico Básico pertenece al primer nivel del DECTC
su código es TCON11016. El número de asignaturas por cada una de las carreras varı́a entre 51 y
71 y el número de créditos totales varı́a entre 221 y 253.
19

Figura 1. Malla curricular de la Carrera de Ingenierı́a Civil.

Fuente: Web Institucional [9]

En la Tabla 1 se detallan el número de niveles, número de asignaturas y número de créditos

totales de cada una de las carreras. Se puede observar que la carrera que menos asignaturas tiene
es la Licenciaura en Educación Infantil con 51 asignaturas y la que más asignaturas tiene es la
Licenciatura CAFDER, con 71 asignaturas. La carrera con menor número de créditos es la de
Ingenierı́a en Comercio Exterior y Negociación Internacional con 221 créditos; en tanto que, las
carreras con mayor número de créditos, 253, son las carreras de Ing. Mecánica, Ing. Mecatrónica
e Ing. en Sistemas.
20
Tabla 1
Número asignaturas y créditos totales de cada carrera

A. Asignaturas

Dentro de la malla curricular de cada carrera existen asignaturas obligatorias y optativas que
son propias de la carrera y, asignaturas de formación básica e institucionales que son de apoyo.
Actualmente en la ESPE se dicta un aproximado de 593 asignaturas entre obligatorias, optativas y
de apoyo.

Cada una de estas asignaturas puede tener uno o varios paralelos (o secciones), dependiendo del
numérico de alumnos matriculados, y dependiendo del número de carreras que tienen dentro de su
malla dicha asignatura. Las asignaturas de formación básica, del DECE, que se dictan en primer
21

nivel de acuerdo a las mallas, son las que tienen mayor número de paralelos; por ejemplo, en el
perı́odo octubre 2016 – febrero 2017, Algebra Lineal abrió 24 paralelos, es decir aproximadamente
3 paralelos por cada una de las carreras que la requirieran, y Calculo Diferencial e Integral abrió
25 paralelos.

Los paralelos de cada una de las asignaturas se identifican mediante el denominado NRC, mismo
que contiene toda la información de la asignatura; esto es: nombre, número de créditos semanales,
docente asignado, listado de estudiantes, horario semanal, aula o aulas en las que se dicta la asigna-
tura. De acuerdo a la información utilizada para este estudio en el perı́odo octubre 2015 – febrero
2016 existieron 1748 NRC, en abril - agosto 2016 fueron 1799 NRC y en el perı́odo octubre 2016
– febrero 2017 hubieron 1744 NRC, es decir 1744 grupos de estudiantes a programar.

Las asignaturas de cada una de las mallas curriculares tienen 2, 3, 4, 5 o 6 créditos y, solo
una tiene 8 créditos semanales. En la Tabla 2 se muestra el número de asignaturas de acuerdo al
número de créditos.

Tabla 2
Número de créditos, asignaturas y porcentajes.

Se puede observar que la mayor cantidad de las asignaturas dictadas en la Institución son de 4
créditos con un, 70.99 %, luego están las de 2 créditos con el 12.14 %; a continuación, con por-
centajes similares, las de 6 y 3 créditos, 7.76 % y 7.08 %, respectivamente. Finalmente las de 5 y
8 créditos, con porcentajes inferiores al 2 %, 1.85 % y 0.17 % respectivamente. En la Figura 2 se
22

muestra el diagrama del número de asignaturas de acuerdo al número de créditos de cada una de
ellas.

Figura 2. Porcentajes de asignaturas según número créditos.

B. Docentes

La Universidad de las Fuerzas Armadas - ESPE, matriz, cuenta con 716 docentes de los cuales
375, el 52.37 %, son docentes Tiempo Completo (TC), 336, 46.92 %, son docentes Tiempo Parcial
(TP) y 5, 0.7 %, son docentes Medio Tiempo (MT)5 . En la Tabla 3 se presenta el numérico de
docentes y porcentaje respectivo, por Departamento; y, en la Tabla 4 se presentan el numérico de
docentes considerando solo las categorı́as TC y TP, pues se ha excluı́do de la misma los 5 docentes
MT, que pertenecen al CEAC, al DECE y al DECHS.

En la Tabla 3, se puede apreciar que la mayor cantidad de docentes, 198, 27.84 %, laboran en
el CEAC y la menor cantidad de docentes,18, 2.53 %, están en el DESD. Este hecho se puede
corroborar en la Figura 3 que muestra el número de docentes totales de acuerdo al Departamento
al que pertenecen.
5
Según Estatuto UFA, Arts: 104, 108 y Art 12 de Reglamento de Carrera y Escalafón docente - CES [6]
23
Tabla 3
Número de docentes de acuerdo a Departamento que pertenecen

Tabla 4
Número de docentes TC y TP de acuerdo al Departamento al que pertenecen
24

Figura 3. Total de docentes de acuerdo a Departamento.

Los Departamentos que cuentan con el mayor número de docentes TC son: el CEAC con 83
docentes y el DEEE con 58. Cabe mencionar que los Departamentos DECEM, DECV, DECTC
y DEEE tienen más profesores TC que TP. Los Departamentos CEAC, DECE y DECHS tienen
más profesores TP que TC; en tanto, el DECC tiene balanceado el número de profesores TC y TP.
El DECV es el caso extremo donde casi todos sus docentes, 87.18 %,(34 de 39) son TC y solo el
12.82 % (5 de 39) son profesores TP.

Las Figuras 4 y 5 muestran el gráfico del número de docentes TC y TP, respectivamente, por
Departamento al que pertenecen.

Figura 4. Docentes Tiempo Completo.

Figura 5. Docentes Tiempo Parcial.

Cada uno de los docentes imparte 1 o más paralelos de 1 o máximo 4 asignaturas, la Tabla 5
muestra el número de docentes de acuerdo al número de asignaturas y número de paralelos de
cada una de ellas que imparte el profesor. La mayorı́a de docentes, 45.88 %, imparte uno o varios
paralelos de una sola asignatura, el 36.51 % dicta 2 o más paralelos de 2 asignaturas; en tanto que,
sólo el 17.56 % imparten 3 o más paralelos de 3 o 4 asignaturas diferentes, lo que se visualiza en
el diagrama de la Figura 6.

Figura 6. Número de Docentes vs. número de paralelos.

26
Tabla 5
Docentes según número de asignaturas y paralelos que imparten

Si consideramos, por ejemplo, al grupo de docentes (284) que dictan una sola asignatura, se
observa que 117 docentes (41.19 %) dictan un solo paralelo, pero existen 2 profesores (0.7 %) que
dictan 8 paralelos. La Figura 7 muestra el número de docentes que dictan 1 o varios paralelos de
una sola asignatura, sin considerar el número de créditos de éstas.
27

Figura 7. Docentes vs. paralelos - una asignatura.

C. Estructuración de Horarios

En la Institución se desarrollan las clases, de la modalidad presencial, de lunes a viernes en

dos jornadas laborales, la primera en horario matutino de 07:15 a 14:00 horas y la segunda en
horario vespertino y nocturno de 15:00 a 21:30 horas. Cada jornada de trabajo tiene 3 bandas o
franjas horarias de 120 minutos consecutivos, con sus respectivos recesos; ası́, una semana laboral
constará de 30 horas efectivas de trabajo, 6 horas por jornada laboral, de lunes a viernes. En el
horario de la mañana las bandas horarias son: de 07:15 a 9:15, 09:30 a 11:30 y de 12:00 a 14:00
horas, de martes a viernes, puesto que por requerimientos de la Institución las dos primeras bandas
horarias del dı́a lunes se recorren 15 minutos. En el horario de la tarde y noche éstas son de 15:00
a 17:00, 17:15 a 19:15 y de 19:30 a 21:30, de lunes a viernes.

Los recesos entre bandas horarias son: de 09:15 a 09:30, de 11:30 a 12:00 y de 14:00 a 15:00 en
la jornada matutina y, de 17:00 a 17:15 y de 19:15 a 19:30 en horario vespertino. El receso de 14:00
a 15:00 normalmente se reserva para la hora del almuerzo del personal docente, administrativo y
estudiantes; sin embargo, algunas asignaturas que requieren laboratorios utilizan esta hora para
sus clases. Existe una sola asignatura que se dicta el dı́a sábado por las caracterı́sticas mismas de
ella, ya que los dı́as sábados se reserva para las tutorı́as y exámenes de la modalidad a distancia, y
cursos regulares de idiomas que son obligatorios para estudiantes de pregrado.
28

Un Bloque Horario es una combinación de franjas horarias y dı́as de la semana, donde cada
paralelo, de una asignatura determinada, está asignado a alguno de estos. De acuerdo al número
de créditos de las asignaturas, existen diferentes bloques horarios. Su estructura y distribución la
comentamos a continuación:

Las asignaturas de 2 créditos, tienen establecidos bloques horarios conformados por una
sola banda horaria, es decir, un solo dı́a de la semana de 2 horas. La Figura 8 muestra este
tipo de bloques horarios que se presentan en la jornada matutina, y de manera similar en la
jornada vespertina.

Figura 8. Bloques horarios para asignaturas de 2 créditos.

Las asignaturas de 4 créditos, tienen establecidos bloques horarios conformados por:

a) Una misma franja horaria y dos dı́as de la semana, los cuales pueden ser a dı́a seguido
o no; los bloques horarios más utilizados para este tipo de asignaturas son: martes(M)
– jueves(J), lunes(L) – miércoles(X) o miércoles(X) – viernes(V), en todas las ban-
das horarias. La Figura 9 presenta una posible distribución de este tipo de bloques
horarios.

Figura 9. Bloques horarios para asignaturas de 4 créditos.

b) Otros bloques horarios que se dan, pero con menor frecuencia, para este tipo de asig-
naturas, ası́ mismo, en todas las bandas horarias son: L – M, L – J, L – V, M – X, M –
V, X – J y J – V, como se aprecia en la Figura 10.
29

Figura 10. Otros bloques horarios para asignatu-

ras de 4 créditos.

c) Franjas horarias distintas y dos dı́as de la semana, consecutivos o no, se dan con muy
poca frecuencia y generalmente son: M – V, X–V, M – J, X – J. Ejemplos de este tipo
de bloques horarios y que existen, actualmente, se pueden observar en la Figura 11, y
son: X de 07:15 – 09:15 y J de 12:00 a 14:00, X de 12:00 – 14:00 y V de 15:00 – 17:00,
o X de 15:00 a 17:00 y V de 19:30 a 21:30.

Figura 11. Franjas horarias distintas – 2 dı́as.

Las asignaturas de 6 créditos, tienen establecidos bloques horarios conformados por:

a) Una misma franja horaria y tres dı́as de la semana; o franjas distintas y tres dı́as de la
semana. Los bloques más utilizados para este tipo de asignaturas con misma banda
horaria son L – X – V, X – J – V y L – M – X, y con menor frecuencia los bloques
horarios M – X – J y M – X – V, como se muestra en la Figura 12.
30

Figura 12. Bloques horarios – asignaturas 6 créditos.

b) Existen también bloques con bandas horarias distintas y 3 dı́as a la semana, por ejem-
plo, M de 12:00 a 14:00 y X - V de 07:15 a 09:15, o X - V de 9:30 a 11:30 y J de 12:00
a 14:00; el caso más extremo de tres dı́as a la semana con tres bandas horarias distintas
se muestra en la Figura 13: L de 9:30 a 11:30, X de 12:00 a 14:00 y V de 07:15 a 9:15.

Figura 13. Ejemplo Bloque horario – bandas distintas.

Asignaturas de 3 créditos, tienen asignados bloques horarios de 180 min. consecutivos

en un solo dı́a. Ejemplo la asignatura Realidad Nacional y Geopolı́tica, del Departamento
DESD, que normalmente se imparte en la banda horaria de 12:00 a 15:00 horas. Otro ejem-
plo que tiene asignados 2 dı́as distintos y horas distintas es la asignatura Biologı́a Vegetal
I, de la Carrera de Ingenierı́a en Biotecnologı́a que se imparte L 07:30 a 09:30 y X 08:15 a
09:15. Ejemplos de asignaturas de 3 créditos se presenta en la Figura 14.

Figura 14. Ejemplo Bloque horario – asignaturas 3

créditos.
31

Asignaturas de 5 créditos, tienen asignados bloques horarios de tres o dos dı́as con bandas
horarias distintas. Por ejemplo la asignatura Quı́mica Orgánica I de la carrera de Biotecno-
logı́a, se imparte en tres dı́as, L - X de 07:15 - 09:15 y V de 07:15 - 08:15. La asignatura
Sistemas Hidráulicos y Neumáticos de la carrera de Mecatrónica se imparte en dos dı́as, X
de 12:00 - 15:00 y J de 07:15 - 09:15. (Ver Figura 15)

Figura 15. Ejemplo Bloque horario – asignaturas 5

créditos.

D. Estudiantes

La Universidad ha albergado a lo largo de su vida institucional a miles de estudiantes de to-

do el paı́s, en la Tabla 6 se detalla el numérico de estudiantes matriculados, en distintos perı́odos
académicos, en el Campus Sangolquı́, modalidad presencial y de acuerdo a los diferentes Depar-
tamentos. (Datos proporcionados por la Unidad de Desarrollo Estudiantil - UDE).

Para los perı́odos octubre 2014 – febrero 2015, el número total de estudiantes matriculados fue
de 6 194, contando con los alumnos del Sistema de Nacional de Nivelación Académica (SNNA);
en el perı́odo abril 2015 – agosto 2015 este número subió a 6 517 estudiantes; y, para el perı́odo
de estudio octubre 2015 – febrero 2016 los estudiantes matriculados suman 7 369 incluyendo, ası́
mismo, a los alumnos de nivelación.
32
Tabla 6
Numérico de estudiantes matriculados por Departamento

El CEAC, con sus cinco programas de carrera, cuenta con el mayor número de estudiantes ma-
triculados en cada uno de los perı́odos. Para el perı́odo octubre 2015 - febrero 2016 el número de
estudiantes inscritos en éste Departamento fue de 2 419. Los Departamentos que le siguen con ma-
yor número de estudiantes son: DEEE con 824 y el DECEM con 748 estudiantes. El Departamento
que registra el menor número de estudiantes inscritos es el DECC con 385 estudiantes.

La Tabla 6 muestra también el número de matriculados en el curso de nivelación, para los tres
perı́odos mencionados, distribuidos de acuerdo a las carreras Técnicas y Administrativas. Se evi-
dencia que, para el perı́odo octubre 2015 - febrero 2016, hay más aspirantes para las carreras
Técnicas (1 027) que para las carreras Administrativas (477).

La Figura 16 muestra porcentajes de estudiantes matriculados en pregrado, por Departamento y,

porcentajes de estudiantes matriculados en nivelación para las carreras Técnicas y Administrativas,
en ese mismo perı́odo. El porcentaje más alto de matriculados lo tiene el CEAC, con un 41.24 %,
33

luego el DEEE y el DECEM con 14.04 % y 12.75 %, respectivamente. Los Departamentos con
menor porcentaje de matriculados son DECV, DECHS y DECC, con aproximadamente el 7 % de
matriculados. En nivelación, el mayor porcentaje de matriculados lo poseen las carrreas Técnicas
con el 68.3 % y las carreras Admistrativas poseen el 31.7 % del total de aspirantes. Una descrip-
ción más detallada del numérico de estudiantes matriculados por cada una de las carreras se puede
ver en el ANEXO 1.

Figura 16. Estudiantes matriculados en Pregrado y en Nivelación.

E. Aulas

El Modelo de Evaluación del Mandato Constituyente No.14 referente a la infraestructura de la

Instituciones de Educación Superior dice:

Infraestructura de la IES, incluye tres indicadores representativos de las instalaciones

adecuadas para facilitar a estudiantes y docentes el desarrollo de las actividades
académicas: las facilidades de Acceso y movilidad para personas discapacitadas, la
existencia de Espacios de bienestar que permitan, de una manera razonable, calificar
a las instalaciones de una IES como un campus universitario, y las facilidades que
la IES ofrece para el desarrollo de las labores de su planta docente tiempo completo
(Oficinas). . .

La Universidad, posee 6 bloques (edificios) de Aulas con un total de 193 aulas, las cuales están
compartidas por todos los cursos de todas las carreras. Los Bloques denominados A, B, C y D
34

son edificios de aulas de cuatro pisos y se utilizan para dictar las clases teóricas de las asignaturas
de cada una de las mallas curriculares de las diferentes carreras. Los Bloques G y H, también de
cuatro pisos, son edificios destinados para laboratorios especializados de computación.

Una consideración particular es que, en los Bloques C y D, algunas de las aulas son utilizadas
para otras actividades, tales como: oficinas, aulas de postgrados, bodegas, laboratorio de educación
infantil y laboratorio de multimedia. Adicionalmente, existen bloques de aulas destinadas para
el Instituto de Idiomas y CAFDER, con 7 y 9 aulas, respectivamente. Además, existen bloques
destinados a laboratorios especializados de los Departamentos DEEE, DECEM, DECV, DECTC y
DECE.

La Tabla 7 muestra el detalle del numérico de aulas de cada uno de los bloques con que cuenta
la Universidad. De las 193 aulas efectivas, 128 son aulas grandes, con una superficie promedio de
65 m2 , cuya capacidad permite entre 30 a 38 estudiantes; 65 son aulas pequeñas, con una superficie
promedio de 42 m2 , cuya capacidad varı́a de 17 a 22 estudiantes. Además, se cuenta con Salas
Auditorio que en ningún caso son utilizadas para clases de pregrado. Con las consideraciones
realizadas para la asignación de aulas destinadas a clases teóricas, en los bloques A, B, C y D, se
cuenta con un total de 141 aulas de las cuales 92 son aulas grandes y 49 son aulas pequeñas.

Tabla 7
Número de Aulas por bloque y caracterı́sticas
35

En la Figura 17, que hace referencia a la utilización de aulas durante el perı́odo octubre 2015 –
febrero 2016, se presentan ejemplos de la subutilización de las aulas en los bloques mencionados.
A partir de esta consideración podemos señalar los siguientes casos:

a) Aulas que son totalmente utilizadas o que tienen sólo 2 o cuatro horas libres durante la
semana, por ejemplo A-106 y B-113.

b) Aulas que están siendo medianamente utilizadas, por ejemplo, A-102 y B-118.

c) Aulas escasamente utilizadas, ejemplo, D-109, D-308, C-111 y C-405.

Los ejemplos mostrados evidencian el desperdicio del recurso fı́sico, sobre todo en los Bloques
C y D. La utilización de todas las aulas de la Institución, en los bloques mencionados, durante
el perı́odo octubre 2015 – febrero 2016, se puede visualizar mediante este tipo de gráficas en el
ANEXO 2.
36

(a) Aulas totalmente utilizadas durante semana laboral.

(b) Aulas medianamente utilizadas durante semana laboral.

(c) Aulas escasamente utilizadas durante semana laboral.

Figura 17. Ejemplos de subutilización de aulas.

La distribución actual de aulas provoca que exista una gran movilidad tanto de docentes como
de estudiantes que tienen que trasladarse de un piso a otro, en el mejor de los casos, o de un
bloque a otro. Esto a más de la pérdida de tiempo evidencia una inadecuada distribución que
afecta significativamente en las actividades académicas. Lo dicho se puede ratificar mediante el
estudio realizado del número de aulas que ocupa cada uno de los departamentos, mismo que revela
las siguientes cifras, presentadas en la Tabla 8.

Tabla 8
No. de Aulas y Bloques utilizados por Departamento, Oct/15 Feb/16

Nota: Los colores respresentan a cada uno de los departamentos

En la tabla se puede observar, por ejemplo, que el CEAC, con sus cinco carreras, atiende a 461
grupos de estudiantes y utiliza un total de 108 aulas distribuidas en todos los bloques; el DECEM
tiene 225 NRC (paralelos o grupos) y utiliza un total de 57 aulas repartidas en los Bloques A,
B, C, y D y, el DEEE con sus dos carreras, apenas atiende a 187 grupos pero utiliza 73 aulas,
de manera similar repartidas en todos los bloques. En este detalle no se incluyen los grupos que
toman asignaturas de apoyo ni asignaturas que requieren de laboratorios; caso contrario, el número
de aulas utilizadas por cada Departamento subirı́a aún más.
38

Capı́tulo 3

3. MARCO TEÓRICO Y METODOLOGÍA

3.1. Modalidad de la investigación

En el presente trabajo se realiza una investigación de enfoque cuantitativo, descriptivo y expli-

cativo, pues a través del análisis de los datos suministrados por la Institución, generados a partir de
condiciones reales, se propone una heurı́stica para encontrar una solución factible al problema de
distribución de aulas y horarios.

En base a la teorı́a de metodologı́a de la investigación cientı́fica planteada por Hernández Sam-

pieri et al [17],

a) Está investigación es de enfoque cuantitativo porque al analizar las bases de datos de perı́odos
anteriores referentes a horarios y distribución de aulas en la Institución y en base a estadı́sti-
cas realizadas, respecto a la utilización de aulas, por cada uno de los departamentos, se
propone un método para mejorar la situación actual.

b) Es descriptivo pues permitió identificar los problemas de programación de horarios y asig-

nación de aulas, de cada una de las carreras de la Universidad, detectando, muchas veces,
incumplimiento de las condiciones y requerimientos de la Institución, e insatisfacción de
alumnos y docentes.

c) Es explicativo porque en base al análisis de la información se pudo detectar situaciones que

influyeron en la situación actual de desperdicio de recursos fı́sicos y humanos.
39

3.2. Fundamentación Conceptual

Según Miranda [26], “En su forma más simple, la programación horaria de cursos asigna cada
curso a un bloque horario y sala de clase considerando una serie de requerimientos y restricciones
que permiten el normal funcionamiento de estas instituciones de educación superior”.

Dentro del tema de programación de horarios y asignación de recursos es necesario definir

términos que son utilizados en el desarrollo de este trabajo, por tal motivo adoptamos algunos
conceptos expuestos por Yépez [38].

Modelo. “Abstracción o representación simplificada de una parte o segmento de la realidad.”

Modelo Matemático de Optimización. “Problema de elegir los valores de las variables de deci-
sión de forma que se maximice (minimice) la función objetivo, sujeta a las restricciones dadas.”

Optimización. “... significa buscar la mejor manera de realizar una actividad, y en términos ma-
temáticos, hallar el máximo o mı́nimo de una cierta función, definida en algún dominio.”

Optimización Heurı́stica:

Optimizar f (x) sujeto a x ∈ X ⊆ Ω,

Dónde:
x representa una solución,
f (x) es la evaluación de una función objetivo arbitraria f,
X es el espacio factible de soluciones, y
Ω es el espacio posible.

Función Objetivo. “Objetivo global de un problema de decisión expresado en forma matemática

en términos de los datos y de las variables de decisión o control”.

Variable de decisión. “Cantidad cuyo valor se puede controlar y es necesario para determinar un
problema de decisión”.

Parámetro. “Información conocida en un problema de decisión.”

Restricción. “Limitación sobre los valores de las variables en un modelo matemático”.

Otros términos, también necesarios para el desarrollo de este trabajo, se puntualizan a continua-
ción:

Restricciones Duras, son condiciones o requerimientos que deben cumplir en forma obligatoria
todos los actores que intervienen en el proceso.

Restricciones Suaves, son condiciones o requerimientos que en lo posible deben cumplirse, sin
embargo, no son de estricto cumplimiento.

Programacion Lineal Entera, es una técnica que se aplica a situaciones de optimización de fun-
ciones lineales, denominadas funciones objetivo, mismas que están sujetas a restricciones expre-
sadas mediante inecuaciones lineales. Si las variables de decisión toman valores enteros estos
problemas se conocen como problemas de programación lineal entera [33], [21], [16], [27].

Tabu Search, o Búsqueda Tabú, “Técnica meta heurı́stica que se basa en una búsqueda local o
por vecindades, moviéndose de manera iterativa a soluciones vecinas hasta conseguir satisfacer un
criterio de parada” [32].

Gestión del Conocimiento, “Gestionar el conocimiento significa gestionar los procesos de crea-
ción, desarrollo, difusión y explotación del conocimiento para ganar capacidad competitiva” [4].

Grupo de Estudiantes. Estudiantes que pertenecen al paralelo p del nivel h de una carrera.

Bloque Horario, es una combinación de franjas o bandas horarias y dı́as de la semana.

3.3. Fundamentación teórica

El modelo que se adopta para dar solución al problema planteado es un hı́brido, basado en
modelos de programación lineal entera, búsquedas Tabú y Gestión del Conocimiento.

Cabe indicar que muchas de las ideas desarrolladas en esta investigación se basan en los trabajos
de Hernández [16], Rodriguez [32], Torres [36] y Gonzales & Trujillo[13].
41

3.3.1. Bases teóricas - Modelo matemático

Para modelar este tipo de problemas cada institución de educación fija su objetivo mediante
una función a la que se requiere minimizar o maximizar. Esta función conocida como Función
Objetivo utiliza variables de decisión que pueden ser binarias o mixtas y están sujetas a condiciones
impuestas por cada institución. Estas variables generalmente representan las restricciones que se
desea cumplir, pero deben estar sujetas a condiciones claramente establecidas para que la solución
sea factible.

El modelo planteado que resuelve el problema de programación de horarios con asignación

simultánea de docentes, busca establecer el horario de cada una de las asignaturas considerando un
nivel de referencia h en un solo bloque horario, es decir, si la asignatura tiene; por ejemplo, cuatro
créditos, esta se programará en la misma banda horaria en dos dı́as no consecutivos.

Bajo las consideraciones expuestas, a continuación, se describen los siguientes conjuntos.

Conjuntos de datos

HS : Conjunto de niveles de referencia o semestres,

ASh : Conjunto de asignaturas del semestre h,
DOC : Conjunto de docentes,
BH : Conjunto de bloques horarios,
DCj ⊆ BH : Conjunto de bloques horarios asignados al docente j,
BL : Conjunto de bloques de aulas (edificios),
ABb : Conjunto de aulas del bloque b,
P Sh : Conjunto de paralelos del nivel h,
APj ⊆ ASh : Conjunto de asignaturas asignadas al profesor j

Los ı́ndices definidos para estos conjuntos son:

Indices

h ∈ HS : Índice de niveles, h = 1, . . . , nh
i ∈ ASh : Índice de asignaturas del nivel h, i = 1, . . . , nash
j ∈ DOC : Índice de docentes, j = 1, . . . , nd
k ∈ BH : Índice de bloques horarios, k = 1, . . . , nk
b ∈ BL : Índice de bloques de aulas, b = 1, . . . , 4
l ∈ ABb : Índice de aulas del bloque b, l = 1 . . . nlb ,
p ∈ P Sh : Índice de paralelos o secciones, p = 1, 2, 3

Los parámetros y variables de decisión utilizados en el modelo son los siguientes:

Parámetros

nh : Número de niveles o semestres, nh = 134,

nash : Número de asignaturas del nivel h, nash ∈ {2, 4, 5, 6, 7, 8, 9, 10},
nd : Número de docentes, nd = 716,
nk : Número de bloques horarios, nk = 185,
nlb : Número de aulas del bloque b, nlb ∈ {41, 35, 39, 26},
ql Capacidad de aulas,
neph Número de estudiantes del paralelo p del nivel h.

Variables de decisión



 1, Si la asignatura i del paralelo p es dictada

Xipjk = por el docente j en el bloque horario k ; ∀h ∈ HS



 0, en otro caso

Representa la decisión de programar las clases de una Asignatura de un paralelo del nivel h, con
un profesor asignado, en un bloque horario determinado.
43



 1, Si el grupo o paralelo p del nivel h se programa

Ypl = en el aula l ; ∀h ∈ HS



 0, en otro caso

Representa la decisión de programar las clases de un Grupo de estudiantes en una aula particular
de un edificio determinado.

Las variables ası́ representadas permiten asignar las distintas clases, en un bloque horario deter-
minado y en un edificio dado. Cabe indicar que uno de los objetivos es disminuir la movilidad de
estudiantes.

Función objetivo

La función objetivo se establece de la siguiente manera:

XXXX
MinZ = Xipjk ; ∀h ∈ HS
i p j k

Restricciones

A continuación se formulan las restricciones adoptadas para este modelo:

1. Disponibilidad horaria de docentes

X X
Xipjk = 0; ∀j ∈ DOC
i∈APj k∈DC
/ j

Esta restricción indica que un profesor no puede realizar clases durante los bloques horarios
en los cuales no tiene disponibilidad.

2. Horario de docentes

X X
Xipjk ≤ 1; ∀j ∈ DOC, ∀p ∈ P Sh ∧ ∀h ∈ HS
i∈APj k∈BH
44

Esta condición indica que las asignaturas dictadas por un profesor no se programen en el
mismo bloque horario.

3. Programación de clases

XX
Xipjk = nash ; ∀i ∈ ASh , ∀j ∈ DOC ∧ ∀h ∈ HS
p k

Esta condición indica que las clases de las asignaturas de cada paralelo se realicen en algun
bloque horario.

4. Cruce de asignaturas de un mismo paralelo del nivel h

X
Xipjk ≤ 1; ∀p ∈ P Sh , ∀k ∈ BH ∧ ∀h ∈ HS
i∈ASh

Esta condición indica que las clases de las asignaturas de un paralelo del nivel h no deben
ser programadas en el mismo bloque horario.

5. Asignación de aulas
X X
Ypl ≤ 1; ∀h ∈ HS
p∈P Sh l∈ABb

Indica que cada paralelo del nivel h no se programe en la misma aula del bloque b, predeter-
minado.

6. Capacidad de aulas

qlb
Ypl ≤ ; ∀b ∈ BL, ∀p ∈ P Sh ∧ ∀h ∈ HS
neph

Indica que el número de alumnos del paralelo p del nivel h, no debe sobrepasar la capacidad
del aula asignada.
45

El Modelo matemático, propuesto para la programación de horarios y asignación de aulas, se

resume a continuación:

XXXX
MinZ = Xipjk ; ∀h ∈ HS
i p j k

Sujeto a las restricciones duras:

X X
Xipjk = 0; ∀j ∈ DOC (1)
i∈APj k∈DC
/ j

X X
Xipjk ≤ 1; ∀j ∈ DOC, ∀p ∈ P Sh ∧ ∀h ∈ HS (2)
i∈APj k∈BH
XX
Xipjk = nash ; ∀i ∈ ASh , ∀j ∈ DOC ∧ ∀h ∈ HS (3)
p k
X
Xipjk ≤ 1; ∀p ∈ P Sh , ∀k ∈ BH ∧ ∀h ∈ HS (4)
i∈ASh
X X
Ypl ≤ 1; ∀h ∈ HS (5)
p∈P Sh l∈ABb

qlb
Ypl ≤ ; ∀b ∈ BL, ∀p ∈ P Sh ∧ ∀h ∈ HS (6)
neph

Considerando las siguientes restricciones suaves:

Evitar en lo posible la movilización de estudiantes y docentes,

Respetar disponibilidad de horarios de los docentes TP,

Evitar en lo posible la existencia de horas libres (horas huecas) entre clase y clase de los
estudiantes, y

Las clases de un mismo paralelo deben ser programadas en una misma aula.
46

3.4. Diseño de la investigación

La solución que se propone en este trabajo consta de dos etapas, en la primera se desarrolla un
algoritmo que da solución a la programación de horarios de cada uno de los grupos de las carreras
de la Universidad, con asignación simultánea de docentes. En la segunda etapa, previamente asig-
nado el bloque de aulas a cada carrera, y tomando como insumo el resultado de la etapa anterior, se
desarrolla otro algoritmo para distribuir y asignar de manera óptima, las aulas para los diferentes
grupos.

3.4.1. Primera Etapa

En esta primera etapa, en base a los planes y mallas curriculares actualizadas de cada carrera,
que se pueden encontrar en el sitio web de la Institución [9] y a la información suministrada, en
unos casos por la Unidad de Desarrollo Educativo (UDE) y en otros por búsqueda propia, después
de un análisis sobre las bases de datos y considerando el conocimiento empı́rico de las autoras, se
desarrolló un método heurı́stico que da solución al problema de la programación de horarios en la
Universidad. Ası́, se empezó desarrollando un algoritmo que progresivamente asigna a cada una de
las asignaturas, por cada nivel, de las carreras, un docente y un bloque horario; verificando en cada
paso que se cumplan las condiciones impuestas, de forma que se minimice la función objetivo.

A. Descripción de datos para desarrollo del algoritmo – primera etapa

a) Semestres o Niveles de referencia - ı́ndice h

Actualmente la Universidad está estructurada en Departamentos y Carreras, todas las carreras

tienen una duración de 9 semestres o niveles de referencia, a excepción de la Licenciatura CAF-
DER que tiene 8. Los niveles de las carreras se representan por el ı́ndice h y se enumeran desde
1 hasta 134, que viene de multiplicar 14 carreras por 9 niveles y sumar los 8 niveles de CAFDER,
es decir, que el ı́ndice h a más de identificar el nivel o semestre, identifica también la carrera a la
que pertenece. Por ejemplo, h = 3 representa el tercer nivel de Ingenierı́a Geográfica, h = 25, el
séptimo nivel de Ingenierı́a Mecánica y h = 78, el sexto nivel de Ingenierı́a en Mercadotecnia.
47

En la Tabla 9 se describen los niveles de referencia hi , i = 1, . . . , 134 con el orden en que se

programó los horarios de cada carrera. Se consideró primero a las carreras Técnicas y luego a las
Administrativas, debido a que sus horarios de funcionamiento están delimitados en la mañana ó en
la tarde; sin embargo, la carrera de Ingenierı́a en Sistemas tiene horarios disponibles durante todo
el dı́a y es por esta razón que se la dejó al final.

Tabla 9
Indice h para representación de carreras y niveles

Las carreras de Ingenierı́a Geográfica e Ingenierı́a Civil tienen en su programa académico sólo
asignaturas de créditos pares, lo que facilita la programación de los horarios porque se ajusta a
las bandas horarias definidas, y es por esta razón que se las eligió en primero y segundo orden,
respectivamente. El resto de carreras Técnicas cuentan además con asignaturas de 3 y 5 créditos,
lo que requiere mayor cuidado en la programación. Las carreras Administrativas que funcionan
en la tarde tienen también asignaturas de créditos pares, pero con menor concentración de grupos
a programar, por lo que se cuenta con mayor número de aulas disponibles de tal forma que se
minimiza el problema de asignación.
48

b) Datos de entrada

Los datos a ser utilizados en la programación de horarios son:

i) Mallas curriculares actualizadas,

ii) Matriz-Semestre M Smxn ,
iii) Matriz-Asignatura M Amxn ,
iv) Matriz-Asignatura-Docente M ADmxn ,
v) Matriz-Docente-Asignatura M DAmxn ,

Matriz – Semestre

Es la primera que contiene la información de los niveles de referencia h. Para cada uno de
éstos se tiene: el nombre de la carrera, número de asignaturas, número total de créditos, número de
créditos teóricos, número de créditos de laboratorio o campo y número estimado de paralelos de
acuerdo al histórico de alumnos. En la Figura 18 se muestra como luce la Matriz - Semestre.

Figura 18. Matriz-Semestre.

Matriz – Asignatura

Esta contiene información de las asignaturas de cada nivel: listado de asignaturas con número de
créditos, número de paralelos a programar de acuerdo a histórico de alumnos, número estimado de
estudiantes, considerando el historial de los dos últimos perı́odos académicos, número de carreras
que poseen esa asignatura, y el total de paralelos que se abrieron en el perı́odo anterior. Este
último permite un parámetro de comparación respecto a la situación actual. En la Figura 19 se
muestra como luce la Matriz- Asignatura.

Figura 19. Matriz-Asignatura.

Matriz-Asignatura-Docente

Esta contiene información de los docentes que dictan cada asignatura del nivel h, el Departamen-
to al que pertenece el nivel h, el código de la asignatura, el tipo de aula que requiere la asignatura,
es decir, si es aula de clase o laboratorio, el número de horas semanales, el o los paralelos o grupos
que se abrieron en el perı́odo anterior, y bloques horarios históricos asignados a cada docente que
imparte dicha asignatura. Ejemplo de cómo luce esta matriz se presenta en la Figura 20.
50

Figura 20. Matriz-Asignatura-Docente.

c) Datos de Salida

Matriz - Docente - Asignatura

Esta contiene inicialmente solo el listado alfabético de los docentes, de la ESPE matriz, con
información de su tiempo de dedicación. Una muestra de como luce al inicio del proceso esta
matriz se presenta en la Figura 21.

Figura 21. Matriz-Docente-Asignatura, inicio de proceso.

Conforme se avanza en la programación de horarios, esta matriz se va llenando con los datos
de asignaturas y bloques horarios que se le asigna al docente y sirve como insumo para generar la
Matriz - Horario Final Carreras. Una vez que se ha completado la programación de horarios para
cada uno de los niveles, la Matriz-Docente-Asignatura luce como se muestra en la Figura 22.
51

Figura 22. Matriz-Docente-Asignatura, final de proceso.

Matriz - Horario Final Carreras

Esta última, al igual que la anterior contiene inicialmente solo formatos vacı́os de la semana
laboral, simulando todas las aulas que se utilizarán en cada uno de los bloques; conforme se avanza
en la programación de los horarios de cada nivel, esta Matriz se va llenando gráficamente con los
nombres de asignaturas y docentes asignados. Una muestra de como luce al inicio del proceso, se
presenta en la Figura 23, y como luce al final del mismo se presenta en la Figura 24.

Figura 23. Horario Final Carreras, al inicio del proceso.

Figura 24. Horario Final Carreras, al final del proceso.

Las matrices antes mencionadas se encuentran contenidas en un archivo Excel llamado “Datos-
Etapa1”, incluido en el ANEXO 3.
53

B. Algoritmo de solución para la programación de horarios

Algorithm 1 PRIMERA ETAPA

1: Seleccionar nivel a programar h
2: if h > 0 then
3: Leer datos del nivel h: nas, nct, np
4: (Matriz - Semestre)
5: a=1
6: if a ≤ nas then
7: Seleccionar asignaturas a programar ashi
8: Leer datos de la asignatura as, nc, np
9: (Matriz - Asignatura)
10: Buscar bloque horario
11: if Cumplen Restricciones then
12: Leer datos de docente de la asignatura
13: (Matriz-Asignatura- Docente)
14: Asignar Docente
15: Generar Matriz - Docente-Asignatura
16: if Cumplen restricciones then
17: Programar Grupo de Estudiantes
18: Generar Matriz - Docente - Asignatura
19: a=a+1
20: else
21: Regresar a Paso 12
22: end if
23: else
24: Regresar a Paso 10
25: end if
26: else
27: Regresar a Paso 1
28: end if
29: else
30: Salir
31: end if

El algoritmo propuesto para dar solución al problema de programación de horarios en la Uni-

versidad, tiene los siguientes pasos:

1. Escoger el nivel de referencia (semestre h)

2. Identificar los datos del semestre h en la Matriz-Semestre:

nas = número de asignaturas de cada nivel

nc = número de créditos totales del nivel a programar. Sirve para consideraciones res-
pecto a la semana laboral

nct = número de créditos teóricos totales del semestre

ncl = número de créditos totales de laboratorio o campo

np = número de paralelos. Este dato es un estimado de acuerdo al histórico del número

de estudiantes.

3. Para cada asignatura ashi del semestre h hacer:

En la Matriz-Asignatura identificar número de créditos para escoger el bloque hora-

rio adecuado. Luego programar el horario, y si existe más de un paralelo, programar
secuencialmente todos los paralelos de esa asignatura en el nivel h.

En la Matriz-Asignatura-Docente identificar al o a los docentes que dictan la asigna-

tura ashi , con su horario histórico, para escoger al docente que se ajuste a este bloque
horario.

Una vez escogido al docente, en la Matriz-Docente-Asignatura proceder a:

i) Identificar tiempo de dedicación del docente.

ii) Verificar si el docente ya tiene asignado otra asignatura y en qué bloque horario.
iii) Programar nueva asignación de bloque horario o escoger nuevo profesor. En cada
paso se debe verificar el cumplimiento de las restricciones.

Si las restricciones se cumplen, asignar horario para la asignatura y el profesor en ese

bloque horario. Esta asignación se debe ver reflejada en la Matriz-Docente-Asignatura
y en la Matriz- Horario Final Carreras.

4. En la Matriz-Horario Final Carreras, verificar el cumplimiento de restricciones suaves, es

decir, que no existan horas huecas en horario para alumnos y en lo posible para profesores.

5. Verificado que se cumplen tanto restricciones duras como suaves, asignar en la Matriz-
Horario Final Carreras para el nivel h.
55

6. Regresar a Paso 1.

La Figura 25 muestra el diagrama de flujo del algoritmo, que da solución a la programación de

horarios en la Universidad, en la primera etapa del proceso.

Figura 25. Diagrama de Flujo - Etapa 1.

3.4.2. Segunda Etapa

En esta segunda etapa se redistribuye y optimiza la asignación de aulas para cada una de las
carreras de la Institución, en base al resultado de la aplicación del algoritmo planteado en la Etapa
1. Para la distribución y asignación de aulas este trabajo utiliza solo las aulas destinadas a clases
teóricas, en los bloques A, B, C y D, considerando, en lo posible, la ubicación de las oficinas
de dirección departamental y laboratorios especializados. Esta consideración ayuda a disminuir
la movilidad de estudiantes y docentes; mejorando el cumplimiento de las restricciones suaves
adoptadas.

A. Descripción de datos para desarrollo del algoritmo – segunda etapa

a) Bloques y pisos asignados a carreras

En base al conocimiento empı́rico y verificación de las ubicaciones correspondientes, se propone

(ver Tabla 10) la siguiente distribución de pisos y bloques de aulas para cada una de las carreras.

Tabla 10
Distribución de Bloques y Pisos a Carreras
57

b) Datos de entrada

Los datos que sirven de insumo para esta segunda etapa son:

i) Matriz- Horario Final Carreras.

ii) Información respecto al detalle de aulas.

Matriz - Horario Final Carreras

Es el resultado del algoritmo aplicado en la Etapa 1, y contiene en forma gráfica una primera
aproximación de la propuesta de horarios para cada una de las carreras de la Universidad, pero sin
asignación de aulas. (Ver Figura 24)

Información de aulas

Información detallada de aulas correspondientes a cada bloque, donde se incluye el código o

nombre del aula, la superficie (grande - pequeña) y el número de pupitres o capacidad instalada.
Un ejemplo de esta información se ve reflejada en la Figura 26.

Figura 26. Ejemplo del detalle de aulas correspondiente al Bloque C.

c) Datos de salida

Una vez que se ha aplicado el algoritmo de la Etapa 2 se obtienen las matrices que se detallan a
continuación:

Horario Final Aulas

Contiene la propuesta de horarios para cada una de las carreras de la Universidad; asignando las
aulas que cumplen con la restricción de capacidad y efectuando los cambios o movimientos para
optimizar el uso de las mismas. Una muestra de cómo luce esta mariz, al final del proceso, se
presenta en la Figura 27.

Nota: Los colores representan los departamentos a los que pertenecen

Figura 27. Horario Final Aulas.

Horario Final Docentes

Es la Matriz-Docente-Asignatura que se obtuvo al final del proceso de la Etapa 1; contiene la

información de asignaturas y bloques horarios asignados a cada docente, considerando la carrera a
la que pertenece. (Ver Figura 22.)

Propuesta Horario Cero

Contiene la información de la propuesta final de horarios y asignación de aulas, ordenado por:

Departamento, Carrera, Nivel y Asignatura. Ejemplo de cómo luce esta matriz se muestra en la
Figura 28.
59

Figura 28. Propuesta Horario Cero.

Las matrices antes mencionadas se encuentran contenidas en un archivo Excel llamado “Datos-
Etapa 2”, incluido en el ANEXO 4.

B. Algoritmo para asignación de aulas

Algorithm 2 SEGUNDA ETAPA

1: Seleccionar Nivel h
2: if h > 0 then
3: Distribución Bloques para nivel: h
4: Distribuir pisos del bloque
5: Leer Datos de nivel y aulas: np, qa
6: p=1
7: if p ≤ np then
8: Buscar aula disponible
9: if Cumple Capacidad then
10: Asignar Aula a Paralelo
11: p=p+1
12: else
13: Regresar a Paso 8
14: end if
15: else
16: Regresar a Paso 1
17: end if
18: else
19: Salir
20: end if

El algoritmo propuesto para asignar las aulas a cada uno de los grupos, tiene los siguientes
pasos:

1. Escoger el nivel de referencia (semestre h)

2. Considerar el bloque y pisos previamente distribuidos para la carrera a la que pertenece el
nivel h,
3. Considerar datos del nivel y de aulas, como número de paralelos programados (np) para ese
nivel y capacidad de aulas previamente distribuidas.
4. Para cada uno de los paralelos o grupos del nivel h buscar aula disponible que cumpla con
restricciones de capacidad.
61

5. Verificado que se cumplen las restricciones de capacidad de aulas, asignar aula al paralelo.
Caso contrario regresar a paso 4.
6. Regresar a Paso 1.

La Figura 29 muestra el diagrama de flujo del algoritmo, que asigna aulas a cada grupo de las
carreras de la Universidad.

Figura 29. Diagrama de Flujo - Etapa 2.

3.4.3. Criterios de programación

A. Para la programación de los horarios en la Etapa 1, se efectuaron consideraciones adecuadas

para que se cumplan las restricciones duras y suaves, con el objetivo de obtener una solución
factible. Los criterios que se adoptaron para este trabajo son los siguientes:

El estudiante o grupo de estudiantes tienen prioridad en esta programación de horarios, es

decir, se busca que se cumplan criterios como movilidad, horas libres, comodidad en aulas,
jornada laboral, etc.

Se programan las asignaturas de cada nivel de las carreras de acuerdo a las mallas vigentes,
sin tomar en cuenta si son horas de clase teórica o laboratorios, con la idea de establecer
el horario de todas las asignaturas de ese nivel en una semana laboral (30 horas). Con este
criterio se cumple la restricción dura de que no exista cruces de horarios entre asignaturas
de un mismo grupo en un nivel determinado.

No se programan horas adicionales de laboratorios fuera de la jornada laboral establecida,

pues no existió la información solicitada, por tal motivo, será responsabilidad de cada uno
de los Departamentos su programación.

Se verifica el número de créditos totales del nivel para considerar o no programación de

clases fuera de la semana laboral. Existen carreras que en sus mallas curriculares tienen
niveles con más de 30 créditos. Especı́ficamente, 4 carreras tienen niveles con 31 créditos,
11 carreras tienen niveles con 32 créditos y una carrera (CAFDER) tiene 1 nivel con 33
créditos, esto dificulta la programación horaria pues si son carreras de la mañana hay que
programar clases en horario de la tarde con lo que se incumple con una de las restricciones
suaves. De manera similar sucede con las carreras de la tarde. En la Tabla 11 se presenta el
detalle del número de niveles por carrera que tienen más de 30 créditos.
63
Tabla 11
Carreras que tienen niveles con más de 30 créditos

Para todos los niveles restantes que tienen máximo 30 créditos, en lo posible, se respetan los
horarios en la mañana para las carreras que funcionan en horario matutino y horarios en la
tarde para las carreras de horario vespertino, excepto asignaturas de apoyo y algunas propias
de cada carrera que se dictan fuera de horario. Esto último puede deberse a la disponibilidad
de docentes TP o por disponibilidad de laboratorios.

Existen asignaturas que tienen paralelos extras en un mismo nivel. Esto, generalmente se
debe a la capacidad de los laboratorios o a que el número de alumnos es mayor al promedio
en el resto de asignaturas de ese nivel. Si ocurre alguno de estos casos, se programan los
paralelos extras fuera de la jornada laboral.

Se programan primero los horarios de las carreras Técnicas, debido a que sus horarios de
funcionamiento están delimitados en la mañana y hay mayor concentración de estudiantes,
64

es decir, mayor cantidad de grupos a programar. Una vez efectuado esto, se programan los
horarios de las carreras Administrativas, que en su mayorı́a funcionan en la tarde. La carrera
de Ingenierı́a en Sistemas tiene horarios disponibles durante todo el dı́a y es por esta razón
que se la programó al final.

Dentro de las carreras Técnicas se programan primero los horarios para las carreras de Inge-
nierı́a Geográfica e Ingenierı́a Civil puesto que en sus mallas solo contienen asignaturas de
créditos pares (excepto Realidad Nacional y Geopolı́tica que tiene 3 créditos), lo que facilita
la programación de los horarios, pues se ajusta a las bandas horarias definidas.

Se programa en primer lugar a docentes TP, respetando su tiempo de dedicación y su dis-

ponibilidad de horario, procurando minimizar el número de dı́as que deben venir6 . En lo
posible se ha respetado esta disponibilidad, excepto en los casos en que el estudiante tiene
muchas horas libres entre clase y clase.

En segundo lugar se considera al docente TC, que puede estar programado en cualquier
horario, es decir, se programa a los docentes TC en bloques horarios de lunes a viernes en
todas las bandas horarias, dentro de su jornada laboral7 .

Se preferirá asignar las horas de clase al docente TC, en lugar del docente TP, cuando el
primero requiera completar su carga horaria.

Se considera que cada docente tiene establecido previamente las asignaturas de su preferen-
cia, es decir, las que puede impartir; por lo tanto, se procura mantener esta misma asignación
de cursos.

Para asignaturas que tienen dos o tres sesiones por semana, se procura mantener al menos
un dı́a de diferencia entre clase y clase, es decir, en lo posible las clases de asignaturas con
4 o más créditos tendrán al menos un dı́a de por medio, evitando clases a dı́as consecutivos.
6
La programación ha considerado la siguiente premisa: El docente TP tiene que ajustarse al horario de la Institu-
ción, y no la Institución adaptarse al horario del docente.
7
A criterio personal de las autoras, el docente TC es quien debe ajustarse de manera que el horario del grupo de
estudiantes no contenga horas libres entre clase y clase.
65

Con esta consideración se definen los siguientes bloques horarios de acuerdo al número de
créditos de las asignaturas y, que han sido adoptados en la programación de los horarios:

a) Asignaturas de 4 créditos: se programan en bloques horarios conformados por una

misma franja horaria y dos dı́as de la semana,

M – J, L – X, X – V con mayor intensidad, y L – J, L – V, M – V con menor intensidad.

En casos excepcionales y por evitar horas huecas para los estudiantes se ha programado
clases de asignaturas de 4 créditos en bandas horarias distintas. Por ejemplo, la asig-
natura Matemática II, del tercer nivel de Ingenierı́a en Mercadotecnia, se programó J
de 17:15 a 19:15 y V de 19:30 a 21:30. La Figura 30 muestra los bloques horarios para
asignaturas de 4 créditos, adoptados para esta propuesta.

Figura 30. Bloques horarios - asignaturas 4 créditos.

b) Asignaturas de 6 créditos: se programan generalmente en bloques horarios conforma-

dos por una misma franja horaria y tres dı́as de la semana: L – X – V. Existen carreras
que tienen más de dos asignaturas de 6 créditos en el mismo nivel.

• Si son 3 asignaturas con esa condición se buscan además otras opciones, pero en la
misma banda horaria: L – X – J, L – M – J, M – X – V o M – J – V. La Figura
31 muestra los bloques horarios para asignaturas de 6 créditos, adoptados para esta
propuesta.
66

Figura 31. Bloques horarios - asignaturas 6 créditos.

Ejemplo de esta programación, las carreras de Ingenierı́a Mecánica y Mecatrónica tie-

nen, en 2do. nivel, 3 asignaturas de 6 créditos, se programaron 2 asignaturas en L – X
– V y la otra en M – J – V.

• Si son 4 asignaturas de 6 créditos en el mismo nivel, caso que se presenta, por ejem-
plo, en 2do. y 3er. nivel de las carreras de Ingenierı́a Electrónica, se debe escoger
opciones con franjas horarias distintas. En este caso se programaron de la siguiente
manera:
M – J – V de 07:15 a 09:15, L – M – J de 09:30 a 11:30, L – X – V de 12:00 a 14:00,
y L de 07:15 a 09:15 y X – V de 9:30 a 11:30. La figura 32 muestra este ejemplo de 4
asignaturas de 6 créditos en el mismo nivel.

Figura 32. Ejemplo nivel con 4 asignaturas de 6 créditos.

c) Asignaturas de 3 créditos: tienen asignados a bloques horarios de 180 min. conse-

cutivos en un solo dı́a. Ejemplo de este hecho es la asignatura Realidad Nacional y
Geopolı́tica, del DESD, que normalmente se imparte en la banda horaria de 12:00 a
15:00 horas. O tienen asignados 2 dı́as distintos y bandas horarias distintas. En es-
ta propuesta se utilizaron 11 bloques horarios distintos de 180 min. consecutivos en
67

un solo dı́a, y 19 bloques horarios distintos conformados por dos dı́as de la semana y
bandas horarias distintas.

d) Asignaturas de 5 créditos: tienen asignados bloques horarios de tres o dos dı́as con
bandas horarias distintas. Ası́ mismo en esta propuesta se utilizaron 10 bloques hora-
rios distintos de 2 dı́as a la semana y franjas horarias distintas de 180 y 120 minutos;
y, 17 bloques horarios distintos de 3 dı́as a la semana con 2 franjas horarias de 120
minutos y otra de 60 minutos.

En niveles que tienen asignaturas de 3 y 5 créditos, se programa de manera que se completen

bandas horarias. Pueden ser dos asignaturas de 5 créditos, o 2 asignaturas de 3 créditos, o 1
asignatura de 3 y otra de 5 créditos, en tales casos se completan bandas horarias. Ejemplo
de esta programación se puede apreciar en la Figura 33.

Figura 33. Ejemplo Nivel con asignaturas de 3 y 5 créditos.

Para las asignaturas de apoyo, estas se programan en varias carreras, en el mismo horario,
con el mismo profesor, es decir se debe compartir una asignatura entre dos carreras. Este
hecho fundamentalmente ocurre por la disponibilidad de los docentes o por falta del recurso
humano.

Para la programación de los horarios, se da prioridad a las asignaturas propias de carrera y

luego a las de apoyo, empezando con las de 4 créditos si estas son más que las de 6 créditos;
al final se programan las de 2 créditos y es el orden en que aparecen en la Matriz-Asignatura.

En lo posible no se programan cursos de 14:00 a 15:00 horas, pues se considera este perı́odo
de receso, excepto asignaturas que requieren de laboratorio o tienen 3 o 5 créditos.
68

B. Para la asignación de aulas en la Etapa 2, se efectuaron las siguientes consideraciones:

Se distribuyen las aulas de bloques (edificios) para cada carrera, considerando en lo posible
la ubicación de las oficinas de dirección departamental y laboratorios especializados, de
forma que exista la menor movilidad para el estudiante y para el docente.

Se asignan aulas a cada uno de los grupos de cada nivel dentro del bloque correspondiente,
tomando en cuenta la capacidad de las mismas. De esta manera se cumple con la restricción
de respetar la capacidad de las aulas. Cabe destacar que generalmente para los últimos ni-
veles de cada carrera se ocupan aulas pequeñas debido a que el numérico de estudiantes es
menor.

Se programan las asignaturas, de cada grupo, de un nivel determinado en una misma aula,
excepto cuando el número de créditos de ese nivel sobrepase el máximo de 30 créditos.
De esta manera, una aula no puede estar asignada, al mismo tiempo, a más de un grupo o
paralelo. Con esto se minimiza el desplazamiento de los estudiantes, que solo tendrán que
cambiar de aula si la asignatura requiere laboratorios o es una asignatura de campo.

Las horas adicionales de un mismo grupo, que existen por división del número de estu-
diantes, en alguna asignatura que requiera laboratorios o que tiene exceso de alumnos, se
programan en aulas diferentes y en horarios diferentes, pero en el mismo edificio y, en lo
posible, en el mismo piso; manteniendo el criterio de minimizar la movilidad.

Se organizan las asignaturas de 3 y 5 créditos de manera de optimizar el uso de aulas, progra-

mando en su mayorı́a en dos sesiones de 2 y 3 horas. En ocasiones especiales, se programa
en dos sesiones de 2 horas y una sesión de 1 hora.

Si algún grupo tiene paralelos extras de alguna asignatura, este se programa en aulas com-
partidas con otros paralelos de la misma condición, de manera que el aula pueda ser utilizada
al máximo.

La asignación de aulas se hace, además, procurando combinar o ajustar horarios de la mañana

con los de la tarde, es decir, si alguna de las carreras de la mañana tiene asignado un bloque
69

horario en la tarde, se busca dentro del piso previamente asignado una aula que esté libre
en ese bloque horario y que esté asignada a otro grupo de la tarde. Por ejemplo, en el aula
A-403 se combina el horario de los paralelos 1 y 2 de 3er nivel de Ingenierı́a Civil con el
paralelo 1 de 5to. de Ingenierı́a en Finanzas; otro ejemplo, en el aula A-404 se combinan
los paralelos 1 y 2 de 4to. Nivel de Ingenierı́a Civil con el paralelo 2 del 5to. Nivel de In-
genierı́a en Finanzas. De esta manera se optimiza la utilización de las aulas, con lo que se
liberan aulas que inicialmente estaban subutilizadas. La Figura 34 muestra un ejemplo de
aulas compartidas.

Figura 34. Ejemplo de aula compartida.

3.4.4. Subetapas para la programación de horarios y asignación de aulas.

Con la información suministrada de los horarios vigentes en oct 2015 - feb 2016 se elabora
un registro de la utilización de las aulas de la Universidad. Aquı́ se puede apreciar, según
los horarios de cada NRC y según colores asignados a cada Departamento de la ESPE, las
aulas que están siendo utilizadas en su totalidad y aquellas que están siendo subutilizadas.
Este registro, sin embargo, no provee información respecto al docente asignado ni carrera a
la que pertenece dicho grupo, pero si da cuenta de que las aulas están compartidas por todos
los Departamentos y, además que los grupos de cada Departamento están repartidos en todos
los bloques.

Se programa mediante el algoritmo desarrollado, el horario de cada grupo de las carreras

Técnicas que funcionan en la mañana, en el orden ya explicado y contenido en la Tabla 9,
verificando siempre que se cumplan las restricciones adoptadas.

Se continua la programación de los horarios de los grupos de carreras Administrativas que

funcionan tanto en la mañana como en la tarde y; finalmente, se programan los grupos de la
Carrera de Ingenierı́a en Sistemas.

Una vez terminado el proceso de la Etapa 1, se obtiene una primera propuesta de horario que
cumple con restricciones duras y restricciones suaves, con los datos de asignaturas y bloques
horarios que se le asigna al docente. Estas dos propuestas de horario están contenidas en las
matrices “Horario Final - Carreras” y “Horario Final – Docentes”.

Se realizan ajustes sucesivos para mejorar la propuesta inicial de horario de forma que se
vayan cumpliendo algunas de las restricciones suaves que no necesariamente se cumplieron
en la Etapa 1. Se puede verificar, por ejemplo, que existe una presencia mı́nima de horas
huecas entre clase y clase, para los estudiantes.
71

Se distribuyen las aulas de cada piso y bloque a cada carrera, de acuerdo a lo expuesto
anteriormente y que está detallado en la Tabla 10.

Se asignan las aulas a cada grupo según el número de estudiantes, de manera que se cumpla
con la restricción de capacidad de las mismas, y procurando combinar o ajustar horarios de
la mañana con los de la tarde. Un ejemplo de esto es, en el aula A-105 se combina el horario
de 6to nivel de Ingenierı́a en Biotecnologı́a con 9no de Ingenierı́a en Finanzas.

Existen casos en los que sólo en una asignatura el número de estudiantes inscritos es superior
a la del resto de asignaturas del nivel; esto se debe, generalmente, a la presencia de alumnos
que repiten la materia, o por que ésta se comparte con estudiantes de otra carrera. En estos
casos se hacen reasignaciones de aulas buscando una nueva, para esa asignatura del grupo,
en el mismo bloque y en lo posible en el mismo piso.

Se inicia la optimización de uso de aulas, procurando combinar o ajustar horarios de la

mañana con los de la tarde y utilizando espacios disponibles en aulas de los Bloques A y B
para liberar aulas del Bloque C, generalmente, subutilizadas en la tarde. Ejemplo de esto es,
Aula C-307 de 9no nivel de Ingenierı́a Mecatrónica, con las asignaturas Gestión de Calidad
y Productividad, L - X de 15:00 a 17:00, y; Diseño y Evaluación de Proyectos, M - J de
15:00 a 17:00, se trasladan a aulas A-103 y A-308 respectivamente. Esta optimización del
espacio fı́sico, lamentablemente, incumple la restricción de menor movilidad, pero libera de
la subutilización a una aula y optimiza el uso de otra.

Se combinan niveles de la misma carrera en una sola aula; por ejemplo, comparten Aula
C-112 los niveles 4to, 5to y 8vo de Ingenierı́a Mecatrónica, y Aula C-407 los niveles 6to de
Ingenierı́a Mecatrónica y, 6to y 7mo de Ingenierı́a Mecánica. Esto es posible por el número
de estudiantes y la distribución de los horarios.

Se distribuyen aulas en el Bloque D, para asignaturas teóricas de Ingenierı́a de Sistemas, que

lo requieren, combinando varios niveles en una misma aula; por ejemplo, comparten Aula
D-106 los niveles 6to, 8vo y 9vo de Ingenierı́a de Sistemas.
72

Se ubican en los Bloques G y H, las asignaturas de las distintas carreras que requieren labo-
ratorios especializados de computación, pero sin ningún criterio especifico de distribución
puesto que no se conocen los equipos de cada laboratorio. De esta manera las aulas de cada
grupo estarán libres para ser asignadas a algún otro grupo que lo requiera, optimizando ası́
el uso de las aulas.

Una vez terminado el proceso de la Etapa 2, se obtiene una propuesta de horario con asig-
nación de aulas, que cumple con restricciones establecidas, ésta se presenta en la Matriz
Horario Final Aulas.
73

Capı́tulo 4

4. RESULTADOS DE LA INVESTIGACIÓN

En este capı́tulo se presentan los resultados que dan respuesta a las principales interrogantes de
este trabajo de investigación, lo que conduce a cumplir con los objetivos especı́ficos planteados. Se
explican las reformas que se hicieron a los resultados obtenidos en la primera etapa, para mejorar la
programación inicial de horarios, de manera que se verifique el cumplimiento de las restricciones
propuestas. Se exponen también los ajustes sucesivos realizados en la distribución inicial de aulas,
de tal forma de optimizar su uso y; finalmente, se presenta una comparación de los resultados
obtenidos al final de este proceso, con la situación actual de la Institución en lo que a distribución
de aulas se refiere.

4.1. Análisis de los resultados

En esta sección se hace un análisis de: la información referente a la utilización de aulas en

perı́odos anteriores, los resultados obtenidos al aplicar los algoritmos de las Etapas 1 y 2, con lo
que se logra responder a las preguntas de investigación planteadas en los objetivos especı́ficos de
este trabajo de investigación.

4.1.1. Resultados Objetivo 1.

En consideración a lo planteado en el Objetivo 1: “Identificar los problemas que tiene la Institu-

ción, en cuanto a la distribución de aulas”, se hizo un análisis de la información, en particular, se
analizó el perı́odo octubre 2015 – febrero 2016, en los bloques de aulas destinados a clases teóricas
y laboratorios especializados de computación. Un ejemplo del análisis se muestra en la Tabla 12,
74

donde se detallan los porcentajes de utilización8 de las aulas de los Bloques A y B, tanto en la
jornada matutina como en la vespertina. Se puede observar que de las 41 aulas del Bloque A, en la
mañana, 21 están siendo utilizadas al 100 %, 17 están entre el 50 y 90 % de utilización y 1 utiliza
apenas el 13 % de las horas laborables, es decir, está desocupada la mayor parte del tiempo. En
la tarde, por el contrario, solo hay 3 aulas utilizadas al 100 %, 30 aulas entre el 70 y 90 % de su
utilización y 5 aulas cuyo uso está entre 30 y 60 %, situación se repite en las aulas del Bloque B.

Se debe considerar, sin embargo, que en los Bloques A y B hay la mayor concentración de aulas
utilizadas y, sólo 4 aulas del Bloque A lo están en su totalidad durante la semana laboral, a saber
A-103, A-106, A-201 y A-208. No sucede igual con los bloques C y D donde el porcentaje de
desocupación es mucho mayor. La Tabla 13 puntualiza el porcentaje de utilización de las aulas en
los bloques C y D, evidenciando la subocupación del recurso fı́sico.

Se puede observar que, de las 26 aulas efectivas del Bloque D, en la mañana, ninguna se utiliza
al 100 %, 14 están entre el 30 y 66,67 % de utilización y 6 utilizan menos del 30 % de las horas
laborables, cabe resaltar que en este bloque solo el aula D111 está utilizada casi en su totalidad
(93,33 %) y el aula D-106 por el contrario se utiliza en un 6,66 % lo que equivale a que se ocupa
solo dos horas a la semana y el resto de tiempo pasa desocupada. En la tarde 14 aulas son utilizadas
por el SNNA para los cursos de nivelación, situación similar que se repite en el Bloque C, donde
solo el aula C-310 está ocupada en su totalidad con clases de pregrado.

En el ANEXO 2 se puede apreciar gráficamente esta subutilización de las aulas sobre todo en
de los Bloques C y D. Tablas similares de la utilización de aulas detallando, además, el número
de horas usadas, el número de horas desocupadas y sus porcentajes respectivos se presentan en el
ANEXO 5.
8
El porcentaje de utilización de cada aula se obtiene en base al número de horas que ésta permanece ocupada, en
una semena laboral de 30 horas, sin considerar las horarios establecidos de recesos.
75
Tabla 12
Porcentaje de uso de aulas, Bloques A y B
76
Tabla 13
Porcentaje de uso de aulas, Bloques C y D
77

4.1.2. Resultados Objetivo 2.

En consideración a lo planteado en el Objetivo 2: “ Desarrollar un algoritmo que proporcione

una solución al problema de programación de horarios de cada nivel de las diferentes carreras de
la Universidad”, se realizó dicho algoritmo, para dar respuesta a la pregunta de investigación: ¿Se
puede desarrollar una nueva metodologı́a, que resuelva el problema de generación de horarios y
que cumpla las restricciones y necesidades requeridas por la Universidad?

Para responder a esta pregunta de investigación se aplicó el algoritmo descrito en la primera

etapa, considerando los criterios de programación y, se obtuvo la Matriz - Horario Final Carreras,
que es a la vez el insumo necesario para la Etapa 2, pues contiene en forma gráfica una primera
aproximación de la propuesta de horarios para cada una de las carreras de la Universidad, pero sin
asignación de aulas.

En la Figura 35 se presenta un ejemplo de horario para el paralelo 2, del segundo nivel de

la carrera de Ingenierı́a Geográfica, (IG) y para el paralelo 1 del tercer nivel de la carrera de
Ingenierı́a en Mercadotecnia (IM), que se obtuvieron luego de aplicar el algoritmo de la Etapa 1.
Cabe indicar que el segundo nivel de IG tiene 30 créditos, y 8 asignaturas, por lo cual el nivel
se puede programar en una semana laboral completa; por otra parte, el tercer nivel de IM tiene
en total 32 créditos y 8 asignaturas, por lo que el mismo no se puede programar en una semana
laboral establecida de 30 horas, y es ası́ que los 2 créditos restantes tienen que ser programados en
la mañana.

En el ejemplo de este objetivo, en color amarrillo se representa a la carrera de la mañana y en

color durazno a la carrera de la tarde. Esta asignación nos permite identificar asignaturas de la
mañana programadas en la tarde, lo cual puede deberse a que el número de créditos de ese nivel
sobrepasa el máximo de 30 créditos o, por disponibilidad del docente o, de los laboratorios. En el
caso de IM y debido a que la asignatura adicional es de computación, se incluye una nota donde
indica el nombre de la asignatura, nombre del docente y bloque horario.
78

Figura 35. Ejemplo 1 - Horario obtenido en Etapa 1.

En la parte superior del cuadro se etiqueta el nivel-paralelo y el nombre de la carrera de los

grupos de la mañana, y a la derecha del mismo se etiqueta el nombre de la carrera y el nivel-
paralelo de los grupos de la tarde. La etiqueta “nivel-paralelo” da información respecto al nivel, h,
al que corresponde la carrera y al paralelo, p, de ese nivel. En este ejemplo h2p2 indica el segundo
nivel (h2) y paralelo 2 (p2) de IG; por otro lado, h75p1 indica el tercer nivel (h75) y paralelo 1
(p1) de IM. El nivel se puede obtener consultando la Tabla 9 donde están asignados los ı́ndices
h para cada carrera, ahı́ se puede observar que IM pertenece al intervalo [73, 81] con lo que h75
corresponderı́a al tercer nivel de dicha carrera. Sin embargo, una manera fácil de saber a qué nivel
corresponde el ı́ndice h, siempre que se tenga clara la carrera, es sumando sus dı́gitos hasta obtener
un número con un solo dı́gito, es decir,

7 + 5 = 12 ⇒ 1+2=3

Esta regla se cumple para todas las carreras excepto para Ingenierı́a en Sistemas (IS), en donde,
se debe sumar 1 a la suma final de los dı́gitos; por ejemplo, h130 corresponderı́a al 5to nivel de IS,
pues,
1+3+0=4 ⇒ 4+1=5
79

Otro ejemplo de los horarios obtenidos al final de la Etapa 1 se muestra en la Figura 36, donde se
observa el horario de los paralelos 1 y 2 del tercer nivel de Ing. Civil, es decir, h12p1 y h12p2. En
este caso el paralelo 2 está formado por las horas adicionales del mismo grupo, las cuales existen
por división del número de estudiantes, en las asignaturas Mecánica de Suelos y Topografı́a de la
Edificación. Las horas se programan en la tarde para que no existan cruces con las otras asignaturas
del mismo grupo. Y para diferenciarlas del paralelo 1 se escriben en color rojo, tanto la etiqueta
como los nombres de las asignaturas y sus docentes. Por otra parte, en color azul se representaran,
en general, las asignaturas de computación que se dictan en laboratorios y que más tarde serán
espacios disponibles en las aulas.

Figura 36. Ejemplo 2 - Horario obtenido en Etapa 1.

En el ANEXO 4 se presenta la Matriz - Horario Final Carreras, con todos los horarios progra-
mados, como parte del archivo Datos Etapa 2.

4.1.3. Resultados Objetivo 3.

En consideración a lo planteado en el Objetivo 3: “Distribuir y asignar de manera adecuada las

aulas de la Universidad, en base al resultado de la aplicación del algoritmo planteado”, se desarrolló
también un algoritmo que da solución al problema de distribución de aulas, dando respuesta a la
pregunta de investigación: ¿Se puede distribuir, en forma óptima, las aulas de los diferentes bloques
80

y pisos, para cada una de las carreras de la Institución, que mejore la situación actual?

Para responder a esta pregunta, aplicando el algoritmo correspondiente a la segunda etapa y

considerando los criterios de programación antes detallados; ası́ como, la asignación previa de
bloques y pisos para cada carrera y la capacidad de las aulas, se obtuvo la primera versión de la
distribución de aulas que aparece en la Matriz - Aulas - v0, contenida en un archivo provisional
llamado “transiciones-horario”, que no se incluye en los anexos de este trabajo pues solo sirvió
como base para obtener la versión “Horario Final Aulas”.

En esta primera versión solo se ubicó en los bloques y pisos correspondientes a los grupos,
programados en la primera etapa, sin realizar ningún ajuste.

En las Figuras 37 y 38 se presentan ejemplos de la primera distribución de aulas en los Bloques

A y B, con los colores establecidos para cada departamento. Ası́, en el Bloque A se distingue la
etiqueta de Ingenieria en Biotecnologı́a, en color verde y; en el Bloque B la etiqueta de Ingenierı́a
Electrónica en Automatización y Control, en color celeste. En los Bloques C y D las etiquetas
de las carreras Ingenierı́a Mecánica e Ingnierı́a en Administración Turı́sitica y Hotelera, con sus
respectivos colores.

Figura 37. Ejemplo 1 Aulas-v0.

Figura 38. Ejemplo 2 Aulas-v0.

Además se distribuyó aulas en el Bloque D para asignaturas de la carrera de Ingenierı́a en Siste-

mas que lo requieren, combinando varios niveles en una misma aula; por ejemplo, comparten Aula
D-106 en la mañana primer nivel paralelo 1 y en la tarde los niveles 6to, 8vo y 9vo de Ingenierı́a
en Sistemas, lo que se puede apreciar en la Figura 39.

Figura 39. Ejemplo 3 Aulas-v0.

Se ubican en los Bloques G y H, las asignaturas de las distintas carreras que requieren labora-
torios especializados de computación, pero sin ningún criterio especı́fico de distribución, puesto
que no se contó con la información oportuna y adecuada de los equipos de cada laboratorio. En al
Figura 40 se observa un ejemplo de esta situación.
82

Figura 40. Ejemplo 4 Aulas-v0.

En la Tabla 14, según el modelo propuesto, se detalla el número de aulas grandes y pequeñas de
acuerdo a los requerimientos de cada carrera matutina; y, de manera similar, en la Tabla 15 para
las carreras vespertinas.

Tabla 14
Número de aulas requeridas en la mañana, según modelo
83
Tabla 15
Número de aulas requeridas en la tarde, según modelo

En las dos últimas tablas se puede observar que tanto en la mañana como en la tarde existen
carreras que requieren más aulas pequeñas que grandes; por ejemplo, Biotecnologı́a requiere 12
aulas pequeñas y sólo 4 aulas grandes, sucede lo mismo en Geográfica, Educación Infantil, Merca-
dotecnia y Comercio Exterior. La necesidad total de aulas pequeñas según el modelo es de 61 para
la mañana y 25 para la tarde; sin embargo los datos que se muestran en la Tabla 7, el número total
de aulas pequeñas en los Bloques A, B, C y D son apenas 48, es decir, el requerimiento de aulas
pequeñas es mayor en 13 aulas. Este hecho obliga a asignar grupos pequeños en aulas grandes. La
situación en la tarde no reviste ningún problema puesto que se necesitan solo 69 aulas, 44 grandes
y 25 pequeñas, para cubrir con la demanda de estudiantes.

En una segunda versión de la distribución de aulas que aparece en la Matriz - Aulas-v1, del
mismo archivo provisional, se realizan ajustes sucesivos a la distribución inicial de aulas, empren-
diendo de esta manera el proceso de optimización en el uso de las aulas. En particular se presenta
dos tipos de optimización:

i) Se procura combinar horarios de la mañana con los de la tarde y utilizar espacios disponibles
en aulas de los Bloques A y B para liberar aulas del Bloque C, subutilizadas en la tarde.
Lamentablemente se incumple parcialmente la restricción de movilidad para las asignaturas
de apoyo; sin embargo, las asignaturas propias de carrera se asignan a aulas del mismo
bloque y en lo posible del mismo piso.
Para ejemplificar este hecho consideramos la asignatura Diseño y Evaluación de Proyectos,
84

de séptimo nivel de Biotecnologı́a, programada en el bloque horario L - X de 15:00 a 17:00

en el aula A-206. Optimizando espacio, se traslada al aula A-107 del cuarto nivel de la misma
carrera, es decir, se mantiene en el mismo edificio y solo cambia de piso, con lo que se libera
el aula A-206 en la tarde. (Ver Figura 41)

Figura 41. Ejemplo 1 Aulas-v1.

En la Figura 42 se presenta otro ejemplo de los ajustes realizados para optimizar el uso
de aulas; en 9no. nivel de Mecatrónica, la asignatura Gestión de Calidad y Productividad
programada en el bloque horario L-X de 15:00 a 17:00 y la asignatura Diseño y Evaluación
de Proyectos programada en el bloque horario M – J de 15:00 a 17:00, del aula C-307 se
trasladan a las aulas A-308, del segundo nivel de Finanzas, y A-103 del primer nivel de
Comercial, respectivamente.

Figura 42. Ejemplo 2 Aulas-v1.

ii) Se combinan niveles de la misma carrera en una sola aula; por ejemplo, los niveles 4to, 5to y
8vo de Mecatrónica, y los niveles 6to de Mecatrónica y 6to y 7mo. de Mecánica, comparten
las aulas C-112 y C-407, respectivamente. Esto se puede observar en la Figura 43.

Figura 43. Ejemplo 3 Aulas-v1.

Ejemplos adicionales de ajustes realizados para optimizar el uso de aulas son:

a) La asignatura Diseño y Evaluación de Proyectos de 8vo. Nivel de Mecánica, programada L

– X de 15:00 a 17:00 del aula C-213 se traslada al aula B-312 de Comercio Exterior.
b) La asignatura Liderazgo de 6to nivel de Mecánica, programada M de 15:00 a 17:00, se
traslada del aula C-209 al aula B-110 de Mercadotecnia.

Estos y más refinamientos se pueden visualizar en la Matriz - Horario Final Aulas, la cual contie-
ne en forma gráfica la propuesta de horarios para cada una de las carreras de la Universidad. En el
ANEXO 4 se presenta la Matriz - Horario Final Aulas, como parte del archivo Datos Etapa 2, que
contiene la propuesta final de programación de horarios y distribución de aulas en la Universidad
de las Fuerzas Armadas ESPE. Adicionalmente se presenta la Matriz - Propuesta Horario Cero,
que contiene la información de la propuesta final de horarios y asignación de aulas, en el formato
manejado por la Institución, es decir, la información ordenada por: Departamento, Carrera, Nivel,
Asignatura (Ver Figura 28).

4.2. Discusión de los resultados

En esta sección se hace un análisis de la información que se tenı́a antes y la que se consiguió
después de la aplicación del modelo propuesto, en lo que se refiere a: número de grupos o paralelos
86

programados, distribución y uso de las aulas, horarios de grupos de estudiantes y de docentes, ası́
como también de los bloques horarios utilizados.

4.2.1. Número de paralelos

Se programó un número adecuado de paralelos para cada nivel de las distintas carreras de la
Universidad, de acuerdo al histórico del número de estudiantes y del número de paralelos abiertos
en perı́odos anteriores; sin embargo, en muchos casos este número debió disminuirse puesto que
el numérico de estudiantes no justificaba programar el mismo número de paralelos abiertos en
perı́odos anteriores.

Por ejemplo, para la asignatura Microbiologı́a I de la carrera de Ingenierı́a en Biotecnologı́a, que

tenı́a un total de 43 estudiantes en el perı́odo octubre 2016 - febrero 2017, se abrieron 4 paralelos
de 10, 12 , 10 y 11 estudiantes, con el mismo profesor, y, para la asignatura Redes Industriales de
la carrera de Ingenierı́a en Automatización y Control, que tenı́a 73 alumnos en el mismo perı́odo
mencionado, se abrieron 5 paralelos de 18, 18, 13, 11 y 13 estudiantes respectivamente; sin ser
asignaturas que necesiten de laboratorio, pues en la información utilizada para este proyecto estas
asignaturas se dictan en aulas de los Bloques A, B y D; consideramos que, en el primer caso no es
necesario abrir 4 sino solo 2 paralelos de 21 y 22 alumnos, y, para el segundo caso, asi mismo, no
es necesario 5 sino solo 3 paralelos de 24, 24 y 25 estudiantes. Esta posible distribución de número
de alumnos puede ser la estándar en la Institución.

Situaciones similares se exponen en el ANEXO 6, donde se detalla el número de paralellos

abiertos, para cada asignatura, en los perı́odos octubre 2015 - feb 2016, y octubre 2016 - febrero
2017, y además los paralelos necesarios según el modelo; para los Departamentos DECEM, DEEE
y DECV, que presentan el mayor número de estos casos.

Consideraciones como estas provocan que exista una reducción del número de paralelos progra-
mados, lo que conlleva a una disminución de la carga horaria de muchos docentes.
87

4.2.2. Uso de aulas.

El estudio realizado respecto del número de aulas que ocupa cada uno de los Departamentos,
detallado en la Tabla 8, revela que existe una “mala” distribución de las aulas de clases teóricas.
Con la aplicación del modelo propuesto se logró reducir el número de aulas que utiliza cada uno
de los Departamentos. Estas cifras del antes y después se presentan en la Tabla 16, donde se
detalla la situación actual y la propuesta, respecto a los Bloques y número de aulas utilizados por
Departamento.

Tabla 16
Bloques y número se aulas usadas, antes y después de la aplicación del modelo

Se puede ver que en todos los Departamentos se disminuyó considerablemente el número de

aulas usadas, ası́ como también que ya no están distribuidas en todos los bloques sino concentradas.

Por mencionar los casos más significativos: el DECEM, que usaba 57 aulas repartidas en todos
los bloques, con el modelo utilizan 28 aulas y solo en el Bloque C. El DEEE con el modelo pasa
de utilizar 73 aulas a 24 y sólo en el Bloque B. Los resultados restantes se pueden observar en la
Tabla 16.

Es importante destacar que los Departamentos DECC y DECHS no tienen un parámetro real
de comparación puesto que, las aulas utilizadas en el DECC incluı́an las usadas por otros Depar-
tamentos que requieren laboratorios, y el modelo determinó que se necesitan 7 aulas de clases
teóricas y 12 aulas de laboratorio propias de la carrera. En cuanto al DECHS utilizaban 94 aulas,
88

pero muchas de ellas son clases de apoyo para todas las carreras; por lo tanto, no existe un núme-
ro preciso de aulas que utiliza la carrera en sı́, según el modelo solo requieren 11 aulas para la
Licenciatura en Educación Infantil.

4.2.3. Horario de Grupos de Estudiantes

De acuerdo a lo información recopilada y analizada actualmente existe una gran movilidad de los
estudiantes; con la aplicación del modelo, se puede asegurar que los nuevos horarios son compactos
y prácticamente se minimiza la movilidad, puesto que cada grupo tiene asignado una sola aula
y solo tienen que trasladarse para recibir asignaturas que requieren de laboratorios o trabajo de
campo, y para materias que se comparten con otras carreras. Ejemplos que verifican lo mencionado
se muestran en la Figura 44.

Figura 44. Horario de grupos de estudiantes.

En esta figura se puede observar el horario de los grupos:

a) h20p2, paralelo 2 del 2do. nivel de Ingenierı́a Mecánica, no tienen horas huecas, reciben
casi todas sus clases en el aula C-206 y solo tienen que trasladarse a los laboratorios de
89

computación los J de 09:30 a 11:30 y los L - X - V de 12:00 a 14:00.

b) h91p2, paralelo 2 del 1er. nivel de Ingenierı́a en Comercio Exterior, ası́ mismo reciben casi
todas sus clases en el aula B-311 y solo se movilizan los L - X de 17:15 a 19:15 por la
asignatura Computación Avanzada.

Existen sin embargo, grupos que tienen horas huecas, pero son solo dos casos, a saber, el 5to
nivel de Ingenierı́a en Biotecnologı́a que tienen 2 horas libres el lunes de 09:30 a 11:30, y el 4to
nivel, también de Ingenierı́a en Biotecnologı́a, que tiene una hora libre el lunes de 10:30 a 11:30,
debido a la disponibilidad de los docentes. Este hecho se observa en la Figura 45.

Figura 45. Horas Huecas en horario estudiantes.

Una de las restricciones suaves adoptadas en el modelo fue que: “ Un estudiante no debe tener
solo una clase en un dı́a”; sin embargo, y debido muchas veces a la disponibilidad de los docentes
TP, sobre todo de las asignaturas de apoyo, o porque el número de créditos del nivel programado
es de 26 o 32 créditos, existen 11 grupos de estudiantes (9.3 %), de un total de 118 grupos progra-
mados, que deben asistir solo por dos horas en un dı́a, 4 de estos por el número de créditos y 7 por
90

la disponibilidad del docente, es decir, apenas el 5,9 % de los grupos de estudiantes programados
incumple con esta restricción. La Figura 46 muestra ejemplos de estos grupos.

Figura 46. Ejemplos Horarios con 2 horas en un dı́a.

En esta figura se puede observar el horario de los grupos:

a) h102p1, paralelo 1 del 3er. nivel de Ingenierı́a en Administración Turı́sitica y Hotelera, tie-
nen 26 créditos totales por lo que deben asistir solo por dos horas el dı́a viernes.

b) h113p1, paralelo 1 del 5to. nivel de la Licenciatura en Educación Infantil, deben asistir solo
por dos horas el dı́a viernes, por mantener misma banda horaria y cumplir la restricción de
dı́a de por medio en asignaturas que tienen más de una sesión en la semana.

4.2.4. Horario de docentes.

Se hizo un estudio de los horarios de cada uno de los 716 docentes que laboran en la ESPE
matriz, observándose que sobre todo los docentes TP:
91

i) debı́an asistir a laborar todos los dı́as de la semana,

ii) tenı́an horas libres entre clase y clase,
iii) no se respetaba el receso de 14:00 a 15:00, y
iv) muchas veces venı́an 2 horas en la mañana y dos horas en la tarde.

En este trabajo de investigación se programó a los docentes TP respetando, en lo posible, su

tiempo de dedicación y su disponibilidad de horario y procurando reducir el número de dı́as que
deben asistir, pero recordando que el estudiante o grupo de estudiantes tienen prioridad en esta
programación y tomando en cuenta que es el docente quien tiene que ajustarse al horario de la
Institución y no la Institución adaptarse al horario del docente.

En muchos casos se logró mejorar su situación de horarios, en otros se mantuvo el mismo horario
y en algunos casos se obtuvieron horarios con mayor dispersión, ésto último se produce por evitar
horas libres entre clase y clase para los grupos de estudiantes.

En general, se puede decir que el horario de los docentes TC permaneció sin variaciones; sin
embargo, existen casos en que aparentemente se desmejora el horario de éste, pero hay que consi-
derar que el docente TC puede estar programado en cualquier bloque horario, sin importar si tiene
o no tiene horas huecas, siempre y cuando se mantenga en su jornada laboral. (Ver Figura 47)

Figura 47. Ejemplo Horario de Docente TC antes y después del modelo.

En este ejemplo, el docente tenı́a dos horas libres entre clase y clase, venı́a 3 dı́as a la semana, y
no se respetaba el receso de 14:00 a 15:00; ahora viene todos los dı́as de la semana, tiene 2 horas
92

huecas en dos dı́as, pero se respeta el receso y está dentro de su jornada laboral.

En las Figuras 48, 49 y 50 se muestran ejemplos de Docentes TP a quienes se les mejoró su

horario después de la aplicación del modelo.

Figura 48. Ejemplo 1 - Horario de Docente TP, mejorado.

El docente en este primer ejemplo tenı́a que asistir los 5 dı́as de la semana y dos dı́as solo por
dos horas. Con la propuesta se logró que asista solo 3 dı́as con la misma carga horaria.

Figura 49. Ejemplo 2 - Horario de Docente TP, mejorado.

En este ejemplo, el docente venı́a a laborar 4 dı́as, tenı́a 2 horas libres entre clase y clase en dos
dı́as de la semana, y venı́a desde las 15:00 hasta las 21:30, con la propuesta se eliminan las horas
huecas y viene solo 2 dı́as a la semana de 15:00 a 21:30.
93

Figura 50. Ejemplo 3 - Horario de Docente TP, mejorado.

Finalmente en este ejemplo, el docente laboraba todos los dı́as, tenı́a horas libres entre clase y
clase y, 4 dı́as venı́a solo por dos horas. Con la propuesta viene solo dos dı́as a la semana, con la
misma carga horaria y ya no tiene horas libres.

En la Figura 51 se muestran ejemplos donde se evidencia una clara dispersión de los horarios
del docente después de la aplicación de la propuesta, esto generalmente para obtener compacidad
en los horarios de los grupos de estudiantes.

Figura 51. Ejemplo de Docentes TP, con dispersión horaria.

El docente en el primer ejemplo tenı́a que asistir 4 dı́as de la semana y dos dı́as solo por dos
horas. Con la propuesta lamentablemente tiene que asistir los 5 dı́as y 4 de ellos sólo por 2 horas.
En el segundo ejemplo, el docente venı́a solo 3 dı́as, ahora tiene que asistir los 5 dı́as.
94

La Figura 52 muestra 2 ejemplos donde se evidencia que los horarios, después de la aplicación
de la propuesta, no sufrieron cambios, o los mismos no son significativos. Casos como estos se
dieron porque convenı́a a la programación horaria de los estudiantes y cumplı́a también con la dis-
ponibilidad del docente y los criterios de programación adoptados. En el ANEXO 7 se presentan
los horarios individuales de los docentes antes y después de la propuesta.

Figura 52. Ejemplo de Docentes TP con horario sin modificación.

Es importante resaltar que de los 716 docentes, a 615 se les asignó carga horaria en función
del histórico de los perı́odos anteriores, pero en concordancia con los criterios de programación
arriba mencionados. De lo expuesto anteriormente, con la aplicación del modelo, 113 docentes
(18.4 %) mejoraron su distribución horaria, 457, (73.3 %) mantuvieron o no se modificaron signi-
ficativamente y, tan solo 45 docentes (7.3 %) evidencian mayor dispersión respecto a sus horarios
de perı́odos anteriores.

Los 101 docentes de diferencia, no constan en esta propuesta de horarios, en parte debido a que:

no se programó docentes que dictan asignaturas de laboratorios adicionales, fuera de horario,

se excluyeron de la programación a docentes, por la reducción de paralelos antes menciona-

da,
se conoce “extraoficialmente” que se encuentran cursando maestrı́as y doctorados, pero no
se tiene ninguna información al respecto, y
no se consideró a los docentes que pertenecen a la Modalidad de Educación a Distancia,
o a docentes que laboran en el IASA I, que, sin embargo, están incluı́dos en el listado de
docentes de la información utilizada para este proyecto.

Como ya se mencionó, se asignó carga horaria a los docentes, en función del histórico de los
perı́odos anteriores, pero en concordancia con los criterios de programación adoptados, es ası́ que:

95 docentes no tenı́an carga asignada en perı́dos anteriores y tampoco están considerados en

esta propuesta.
186 docentes disminuyeron su carga horaria, en parte debido a la reducción paralelos de
ciertas asignaturas y, en parte, debido a que no se programaron horas adicionales de labora-
torios.
6 docentes TP no fueron programados en esta propuesta porque no se programo laboratorios
extras fuera de horario y, por la reducción de paralelos, ya que se dio preferencia a los
docentes TC que debı́an completar su carga horaria asignada.

4.2.5. Bloques Horarios

Los bloques horarios establecidos antes de la propuesta, en lo que tiene que ver con asignaturas
de 4 y 6 créditos, eran:

Una misma franja horaria y dos o tres dı́as de la semana, los cuales podı́an ser a dı́a seguido o
no; bandas horarias distintas y dos o tres dı́as de la semana, consecutivos o no. Para el modelo se
adoptaron bloques horarios, que cumplan con la restricción suave “Si una clase se lleva a cabo más
de una vez a la semana siempre habrá por lo menos un dı́a en medio”, es ası́ que:
96

A. Para asignaturas de 4 créditos: se adoptaron bloques horarios conformados por una misma
franja horaria y dos dı́as de la semana, con al menos un dı́a de por medio; solo en casos
excepcionales y por evitar horas huecas para los estudiantes se programaron asignaturas de
4 créditos en bandas horarias distintas.

B. Para asignaturas de 6 créditos: se adoptaron bloques horarios conformados por una misma
franja horaria y tres dı́as de la semana, L - X - V; sin embargo, si son 3 asignaturas de 6
créditos en el mismo nivel se buscan además otras opciones, pero en la misma banda horaria,
y en casos extremos donde son 4 asignaturas de 6 créditos en el mismo nivel, se debe escoger
opciones con franjas horarias distintas.

La Figura 53 muestra los bloques horarios con una misma franja horaria, para asignaturas de 4
y 6 créditos, antes y después de la propuesta.

(a) Bloques horarios para asignaturas de 4 créditos.

(b) Bloques horarios para asignaturas de 6 créditos.

Figura 53. Bloques horarios antes y después de la aplicación del modelo.

Capı́tulo 5

5. CONCLUSIONES Y RECOMENDACIONES

5.1. Conclusiones
En este proyecto de investigación se desarrolló un método heurı́stico que cumple con las nece-
sidades y requerimientos de la Institución, para obtener la programación de horarios y, asignar de
manera óptima las aulas para cada uno de los niveles o grupos de las carreras de la Universidad.

Se realizó un análisis de los datos relacionados a horarios de tres perı́odos anteriores, para iden-
tificar los problemas que tiene la Institución, en cuanto a la distribución de aulas; y, se buscó dar
solución a este problema de horarios en dos etapas: en la primera, mediante el desarrollo de un
algoritmo que organiza las clases de cada una de las asignaturas y los docentes de cada grupo, para
los diferentes niveles de cada una de las carreras; y, en la segunda, ası́ mismo mediante el desarrollo
de un algoritmo, que asigna las aulas a cada uno de los grupos programados, observando siempre
el cumplimiento de las restricciones adoptadas y las condiciones requeridas por la Institución.

Luego del análisis de la información del uso de aulas, se detectó que existe una subutilización
de las mismas en los diferentes bloques; ası́, se pudo observar que a pesar de que en los Bloques A
y B hay la mayor concentración de aulas utilizadas, sólo 4 del Bloque A se utilizaban durante todo
el dı́a en la semana laboral, a saber A-103, A-106, A-201 y A-208; en el Bloque B ninguna estaba
utilizada completamente y en los Bloques C y D se evidencia un claro desperdicio de los recursos
fı́sicos de la Institución. Con el modelo, sobre todo, las aulas de los Bloques A y B estan casi en
su totalidad ocupadas.

Antes de la aplicación del modelo solo existı́an 2 aulas totalmente libres, D-102 y D-206, pero
muchas aulas estaban ocupadas solo por 2 o 4 horas a la semana, por ejemplo la C-405; con la
aplicación del modelo se logró liberar muchas de esas aulas subutilizadas, y es ası́ que, 5 aulas del
Bloque A, 4 del Bloque B, 14 del Bloque C y, 12 del Bloque D estan totalmente libres en la tarde;
98

y, 6 aulas en los Bloques C y D están libres durante todo el dı́a, a saber C-408, D-304, D-305,
D-307, D-308 y D-309. Además, 30 aulas de los bloques C y D están programadas para los cursos
de nivelación, 8 en la mañana y 23 en la tarde.

Los horarios de todos los grupos programados, están distribuidos cada uno en una aula distinta,
aún antes de iniciar el proceso de optimización de las aulas; sin embargo, se determinó que existen
aulas completamente libres, con lo que se puede inferir que la Institución cuenta con el recurso
fı́sico suficiente para atender la demanda de estudiantes.

El estudio realizado respecto del número de aulas que ocupa cada uno de los Departamentos,
revela que existe una “mala” distribución de las aulas de clases teóricas. Con la aplicación del
modelo se logró reducir considerablemente el número de aulas que utiliza cada uno de los Depar-
tamentos y estan agrupadas en uno solo Bloque.

La distribución actual de aulas provocaba que existiera una gran movilidad tanto de docentes
como de estudiantes, que tenı́an que trasladarse de un piso a otro, o de un bloque a otro para atender
a sus clases. Con la aplicación del modelo se logró que las clases de cada grupo de estudiantes se
efectuara en una sola aula, ubicada en las cercanı́as de las oficinas de dirección departamental y
laboratorios especializados, reduciendo significativamente el traslado innecesario.

En muchos casos se programaron asignaturas que debı́an ser compartidas entre dos carreras,
debido a la falta del recurso humano de ciertas asignaturas, tanto de apoyo como de formación
profesional, es ası́ que existen 60 cursos de asignaturas compartidas, lo que provoca que se incum-
pla de cierta manera la restricción de movilidad.

La información de aulas y la constatación de su capacidad mediante observación in situ, deter-

minó que hay más aulas grandes que pequeñas, pero nuestra propuesta evidencia la necesidad de
más aulas pequeñas que grandes, es por esta razón que en algunos casos se programaron aulas con
mayor capacidad para grupos pequeños.

Se programó un número adecuado de paralelos para cada nivel de las distintas carreras de la
Universidad, de acuerdo al histórico del número de estudiantes y del número de paralelos abiertos
en perı́odos anteriores, sin embargo, en muchos casos este número debió disminuirse puesto que
99

el numérico de estudiantes no justificaba programar el mismo número de paralelos abiertos en

periodos anteriores.

Se asignó carga horaria a los docentes, en función del histórico de los perı́odos anteriores, pero
en concordancia con los criterios de programación adoptados, es ası́ que, existen docentes a quienes
se les diminuyó su carga horaria debido, a la reducción de paralelos de ciertas asignaturas y, a que
no se considera, en este trabajo, la programación de horas adicionales de laboratorios.

Es importante destacar que este modelo de programación de horarios seguirá cumpliendo su

objetivo en caso de un rediseño curricular, puesto que serı́a suficiente actualizar las matrices de
datos de entrada, referente a nombre de asignaturas, número de créditos, etc.; tampoco se verı́a
alterado si hay cambios en la nómina de docentes.

Finalmente, cabe indicar que esta investigación es el resultado de las competencias adquiridas en
la MEMAT y guarda coherencia con algunos de los objetivos planteados en la misma, tales como:
trabajar en proyectos de investigación innovadores que buscan optimizar y tomar decisiones ade-
cuadas; actualizarse en fundamentos teóricos y en el manejo de herramientas computacionales que
permiten desarrollar algoritmos en la búsqueda de soluciones eficientes de problemas de ingenierı́a
y otras disciplinas cientı́ficas, con el fin de potenciar la actividad del docente investigador.

5.2. Recomendaciones

La información suministrada y recopilada para este trabajo de investigación no fue completa,

oportuna o confiable, razón por la que se pudo caer en errores de programación. Es recomendable
que para un trabajo de esta envergadura se cuente con toda la información necesaria y que sea
oportuna y confiable.

En función de los resultados del presente trabajo, se sugiere su aplicación en la planificación del
nuevo perı́odo académico, con el propósito de verificar el ahorro de recursos y adaptar o mejorar
el modelo, si fuese necesario, a las condiciones que se vayan dando a futuro en la Institución.
100

5.3. Trabajos a Futuro

Esta investigación puede ser modificada estableciendo nuevos requerimientos o condiciones de

la Institución, ası́ por ejemplo en lugar de minimizar la movilidad de estudiantes, se puede consi-
derar disminuir la movilidad del docente.

El modelo presenta el algoritmo y diagrama de flujo con el que se programaron los horarios de
los grupos de cada carrera, queda abierta la posibilidad de que a futuro se lo implemente mediante
un lenguaje de programación que automatice el proceso.
101

ANEXOS

Anexo 1: Número de Estudiantes matriculados por cada una de las carreras

Anexo 2: Utilización de aulas en el perı́odo octubre 2015 - febrero 2016. (archivo).

Anexo 3: Archivo Datos Etapa 1.

Anexo 4: Archivo Datos Etapa 2.

Anexo 5: Porcentajes de ocupación de aulas.

Anexo 6: Número de paralelos, antes y después de la propuesta.

Anexo 7: Horarios individuales de docentes, antes y después de la propuesta.

102

Referencias

[1] F. L. A LEJANDRO A RITO AND S. L UIS -A RGENTINA, Algoritmos de optimización basados

en colonias de hormigas aplicados al problema de asignación cuadrática y otros problemas
relacionados, Universidad Nacional de San Luis Facultad de Ciencias Fı́sico Matemáticas y
Naturales Departamento de Informática, San Luis–Argentina, (2010).

[2] M. V. A ÑAZCO M ALDONADO , C. A NT ÓN , AND H. L IZARDO, Aplicación de búsquedas

tabú y grasp para la resolución de un problema de calendarización de horarios de clase en
universidades, Master’s thesis, Quito, (2016).

[3] S. E. BARRETO BARROS AND L. A. L ÓPEZ V ILLAVICENCIO, Algoritmo para gestión de

horarios de la facultad de ingenierı́a de la universidad de cuenca, B.S. thesis, (2013).

[4] M. B ELLINZA , N. G. BARRERA , S. C. S IRTORI , AND W. R. M ERCADO, Gestión del co-

nocimiento: Aproximaciones teóricas, Clı́o América, 5 (2011), p. 257.

[5] F. E. C ANCELO , P. N. C ABABIE , G. BARRERA , AND D. L ÓPEZ D E L UISE, Un nuevo

enfoque para asignación óptima de múltiples recursos, (2009).

[6] CES, Reglamento de carrera y escalafón docente, estatuto ufa, (2015).

[7] M. D ELGADO AND G. H ERN ÁNDEZ P E ÑALVER, Juegos para colorear grafos, (2008).

[8] M. D ORIGO , M. B IRATTARI , AND T. S TUTZLE, Ant colony optimization, IEEE computatio-
nal intelligence magazine, 1 (2006), pp. 28–39.

[9] ESPE, Web institucional, ([Link]).

[10] K. F LORES M U ÑOZ AND G. BAQUERIZO, Implantación de una heurı́stica para resolver el
problema de coloramiento de grafos aplicado a la planificación de horarı́os de una institu-
ción educativa, (2013).

[11] J. F. F RANCO , E. M. T ORO , AND R. A. G ALLEGO, Problema de asignación óptima de

salones resuelto con búsqueda tabú., ingenierı́a y desarrollo, (2008).
103

[12] E. G ONZALEZ AND P. C ORT ÉS, Un algoritmo de búsqueda tabú para generar el calendario
de exámenes de la nueva facultad de ciencias de la educación, Departamento de organización
Industrial y Gestión de empresas. Escuela técnica Superior de Ingenieros. Universidad de
Sevilla. Sevilla, España, (2012).

[13] L. J. G ONZ ÁLEZ ROBLES AND L. A. T RUJILLO S ALAZAR, Modelo de gestión del conoci-
miento para la programacón de horarios en universidades, B.S. thesis, (2011).

[14] M. A. G UERRA C UBILLOS , E. H. PARDO Q UIROGA , AND R. E. S ALAS RUIZ, Problema

del school timetabling y algoritmos genéticos: una revisión., Revista Vı́nculos, 10 (2013).

[15] S. H ERNANDEZ , P. M ILLADO , AND M. L. I VANISSEVICH, Optimización del espacio áulico

mediante algoritmos genéticos, in X Workshop de Investigadores en Ciencias de la Compu-
tación, (2016).

[16] R. A. H ERN ÁNDEZ C AMPOS, Programación de horarios de clases y asignación de salas en

la facultad de ingenierı́a de la universidad diego portales, (2008).

[17] R. H ERN ÁNDEZ S AMPIERI , C. F ERN ÁNDEZ C OLLADO , AND P. BAPTISTA L UCIO, Meto-
dologı́a de la investigación . méxico, df, (2010).

[18] J. D. J OHNSTON BARRIENTOS, Aplicación de algoritmos genéticos para la asignación de

carga académica en instituciones de educación superior, PhD thesis, Universidad Autónoma
de Nuevo León, (2000).

[19] O. L. L ONDO ÑO PALACIO , L. F. M ALDONADO G RANADOS , AND L. C. C ALDER ÓN V I -

LLAF Á ÑEZ , Guı́as para construir estados del arte, (2014).

[20] P. L ÓPEZ, El método de búsqueda tabú para la programación de horarios, Universidad de

Sonora, (2000).

[21] P. M ATEO AND D. L AHOZ, Modelos de investigación operativa, programación lineal entera,
(2009).
104

[22] J. M. M EJ ÍA AND C. PATERNINA, Asignación de horarios de clases universitarias mediante

algoritmos evolutivos, Revista Educación en Ingenierı́a, 5 (2012), pp. 140–149.

[23] J. M. M EJ ÍA C ABALLERO ET AL ., Asignación de horarios de clases universitarias mediante

algoritmos evolutivos., Master’s thesis, Maestrı́a en Ingenierı́a Industrial, (2009).

[24] E. M ENENDEZ A LONSO, Metaheurı́ optimización colonia de hormigas, (recuperado en

2016).

[25] E. M ERA M ENENDEZ, Algoritmos evolutivos aplicados a la generación de horarios para

colegio, Master’s thesis, QUITO/EPN/1999., (1999).

[26] A. J. M IRANDA, Modelos de optimización para la programación de horarios y asignación

de salas de clase en universidades, (2014).

[27] J. L. M ORALES E SPINOZA, Desarrollo de una aplicaci on para calendarizar el campeona-

to ecuatoriano de f utbol profesional por medio de una aproximacion heuristica utilizando
programacion entera, B.S. thesis, ESPOL, (2012).

[28] R. O JEDA, Programación lineal para la asignación de personal a horarios de trabajo: El

caso de una empresa de atención telefónica en méxico.

[29] F. P ITOL R EYES, Uso de algoritmos evolutivos para resolver el problema de asignación
de horarios escolares en la facultad de psicologı́a de la universidad veracruzana, Master’s
thesis, Universidad Veracruzana., (2011).

[30] J. R AMIREZ RODR ÍGUEZ, Extensiones del problema de coloración de grafos, PhD thesis,
Universidad Complutense de Madrid, (2001).

[31] G. E. R ESTREPO AND L. F. M ORENO V EL ÁSQUEZ, Modelo para la asignación de recursos

académicos en instituciones educativas utilizando la técnica metaheurı́stica, búsqueda tabú,
Revista Avances en Sistemas e Informática, 8 (2011).

[32] J. RODR ÍGUEZ G ARC ÍA, Análisis de algoritmos basados en colonia de hormigas en proble-
mas de camino mı́nimo, Master’s thesis, (2010).
105

[33] J. J. RUZ, Introducción a la programación matemática, Master’s thesis, (2010).

[34] A. S ALDA ÑA C ROVO , C. O LIVA S AN M ART ÍN , AND L. P RADENAS ROJAS, Modelos de
programación entera para un problema de programación de horarios para universidades,
Ingeniare. Revista chilena de ingenierı́a, 15 (2007), pp. 245–259.

[35] P. L. S ILVA A RTIEDA AND V. O. VALENCIA M OYA, Desarrollo de un método para la

resolución de problemas de calendarización utilizando el enfoque optimización de colonia
de hormigas, B.S. thesis, QUITO/EPN/2010, (2010).

[36] C. T ORRES OVALLE ET AL ., Programación de horarios y asignación de aulas de clases

universitarias., Master’s thesis, Universidad de la Sabana., (2013).

[37] P. A. W OLFF ROJAS, Modelos de programación matemática para asignación de pabellones

quirúrgicos en hospitales públicos, (2012).

[38] V. Y EPEZ P IQUERAS, Modelos matemáticos de optimización, (2013).

También podría gustarte

Optimización de Horarios Educativos
Aún no hay calificaciones
Optimización de Horarios Educativos
11 páginas
Diseño de Escuela Secundaria JEC
Aún no hay calificaciones
Diseño de Escuela Secundaria JEC
66 páginas
Tesis de Maestria - MagnoEdwinCalizaya Version 07
Aún no hay calificaciones
Tesis de Maestria - MagnoEdwinCalizaya Version 07
127 páginas
Pensamiento Matemático II: Curso Avanzado
Aún no hay calificaciones
Pensamiento Matemático II: Curso Avanzado
8 páginas
Optimización del Horario Estudiantil
Aún no hay calificaciones
Optimización del Horario Estudiantil
16 páginas
Metodologías Activas en Educación STEM
Aún no hay calificaciones
Metodologías Activas en Educación STEM
56 páginas
01 Tesis Doctoral Neyling
Aún no hay calificaciones
01 Tesis Doctoral Neyling
182 páginas
Sistema Experto para Gestión de Horarios
Aún no hay calificaciones
Sistema Experto para Gestión de Horarios
65 páginas
Propuesta Didáctica para TDAH en Matemáticas
Aún no hay calificaciones
Propuesta Didáctica para TDAH en Matemáticas
59 páginas
Optimización de Carga Horaria Escolar
Aún no hay calificaciones
Optimización de Carga Horaria Escolar
145 páginas
Diseño de Planta Industriales Eje 3
Aún no hay calificaciones
Diseño de Planta Industriales Eje 3
12 páginas
Tesis Título Y.... Sección 1 de 10-04-2018
Aún no hay calificaciones
Tesis Título Y.... Sección 1 de 10-04-2018
10 páginas
Planeación Clase A Clase - 2024-2 Cálculo Integral
Aún no hay calificaciones
Planeación Clase A Clase - 2024-2 Cálculo Integral
9 páginas
Informe Final de Actividades de Práctica Docente
Aún no hay calificaciones
Informe Final de Actividades de Práctica Docente
278 páginas
Evaluación Acreditación Medicina CACES
Aún no hay calificaciones
Evaluación Acreditación Medicina CACES
95 páginas
Plan Académico de Matemática 2017
Aún no hay calificaciones
Plan Académico de Matemática 2017
432 páginas
Curso de Matemática para Formación Docente
Aún no hay calificaciones
Curso de Matemática para Formación Docente
8 páginas
Cálculo Diferencial: Plan de Estudios 2008
Aún no hay calificaciones
Cálculo Diferencial: Plan de Estudios 2008
18 páginas
Modelo de Asignación de Aulas Eficiente
Aún no hay calificaciones
Modelo de Asignación de Aulas Eficiente
22 páginas
Informe de Acreditación Matemáticas 2023
Aún no hay calificaciones
Informe de Acreditación Matemáticas 2023
273 páginas
Aprendizaje de Números Enteros en 8° Grado
100% (1)
Aprendizaje de Números Enteros en 8° Grado
85 páginas
Requisitos para Trabajo de Grado
Aún no hay calificaciones
Requisitos para Trabajo de Grado
22 páginas
Estrategias Didácticas en Matemática Básica
Aún no hay calificaciones
Estrategias Didácticas en Matemática Básica
27 páginas
Escuela Superior Politécnica de Chimborazo
Aún no hay calificaciones
Escuela Superior Politécnica de Chimborazo
84 páginas
M1 Matemática
Aún no hay calificaciones
M1 Matemática
6 páginas
Metodología para Ecuaciones Lineales en Séptimo
Aún no hay calificaciones
Metodología para Ecuaciones Lineales en Séptimo
73 páginas
Syllabus de Investigación de Operaciones I
Aún no hay calificaciones
Syllabus de Investigación de Operaciones I
10 páginas
Syllabus de Investigación de Operaciones I
Aún no hay calificaciones
Syllabus de Investigación de Operaciones I
10 páginas
Progre Aplicaciones de Pensamiento Matematico Cincook
Aún no hay calificaciones
Progre Aplicaciones de Pensamiento Matematico Cincook
10 páginas
Requisitos para Trabajo de Grado en Consultoría
Aún no hay calificaciones
Requisitos para Trabajo de Grado en Consultoría
22 páginas
Desempeño sísmico de edificio de 5 niveles
Aún no hay calificaciones
Desempeño sísmico de edificio de 5 niveles
153 páginas
PROGRAMA de Matemàtica 2 Semestre
Aún no hay calificaciones
PROGRAMA de Matemàtica 2 Semestre
6 páginas
Planeacion de Matematicas IV 2° 25
Aún no hay calificaciones
Planeacion de Matematicas IV 2° 25
18 páginas
Requisitos para Trabajo de Grado
Aún no hay calificaciones
Requisitos para Trabajo de Grado
23 páginas
Optimización de Asignación de Salones UAQ
Aún no hay calificaciones
Optimización de Asignación de Salones UAQ
142 páginas
Guía para Trabajo de Grado en Consultoría
Aún no hay calificaciones
Guía para Trabajo de Grado en Consultoría
23 páginas
Formato de Tesis UPN 2025
Aún no hay calificaciones
Formato de Tesis UPN 2025
13 páginas
Módulos Tutoriales en Matemática 1
Aún no hay calificaciones
Módulos Tutoriales en Matemática 1
130 páginas
Guía Instruccional para Matemática I
Aún no hay calificaciones
Guía Instruccional para Matemática I
275 páginas
Emilyn Tesis Titulo 2018
Aún no hay calificaciones
Emilyn Tesis Titulo 2018
131 páginas
Optimización de Horarios en UTMACH
Aún no hay calificaciones
Optimización de Horarios en UTMACH
8 páginas
Optimización de Asignación de Clases
Aún no hay calificaciones
Optimización de Asignación de Clases
13 páginas
Pensum Matematicas 09 10
Aún no hay calificaciones
Pensum Matematicas 09 10
1 página
Formato 3. Presentación de Informe Técnico - Consultoría - ACTIVIDAD-1
Aún no hay calificaciones
Formato 3. Presentación de Informe Técnico - Consultoría - ACTIVIDAD-1
27 páginas
Rendimiento de BIM vs Métodos Tradicionales
Aún no hay calificaciones
Rendimiento de BIM vs Métodos Tradicionales
229 páginas
Proyectos Integradores en Educación Media
Aún no hay calificaciones
Proyectos Integradores en Educación Media
56 páginas
Optimización de Horarios en Educación
Aún no hay calificaciones
Optimización de Horarios en Educación
6 páginas
Silabo-Cálculo I-c-sello-2024-II
Aún no hay calificaciones
Silabo-Cálculo I-c-sello-2024-II
10 páginas
Luis Fernando Tojin Us
Aún no hay calificaciones
Luis Fernando Tojin Us
78 páginas
Informe de la Tercera Fase Docente
Aún no hay calificaciones
Informe de la Tercera Fase Docente
32 páginas
Informe de Práctica de Daiana Jiménez
Aún no hay calificaciones
Informe de Práctica de Daiana Jiménez
34 páginas
Geometría Analítica en el NMS IPN
Aún no hay calificaciones
Geometría Analítica en el NMS IPN
18 páginas
Diagnóstico y Plan de Acción Educativa
Aún no hay calificaciones
Diagnóstico y Plan de Acción Educativa
26 páginas
Métodos de Redes en Investigación de Operaciones
Aún no hay calificaciones
Métodos de Redes en Investigación de Operaciones
33 páginas
Juegos y Coordinación Motriz Escolar
Aún no hay calificaciones
Juegos y Coordinación Motriz Escolar
70 páginas
Razonamiento Combinatorio en Estudiantes
Aún no hay calificaciones
Razonamiento Combinatorio en Estudiantes
60 páginas
Planeación Didáctica Cálculo Integral
Aún no hay calificaciones
Planeación Didáctica Cálculo Integral
27 páginas
Evaluación de Bases de Datos
Aún no hay calificaciones
Evaluación de Bases de Datos
6 páginas
Sistema Difuso para Satisfacción del Cliente
Aún no hay calificaciones
Sistema Difuso para Satisfacción del Cliente
97 páginas
ABDXXXX1
100% (4)
ABDXXXX1
5 páginas
ABDXXXX5
100% (1)
ABDXXXX5
6 páginas
ABDXXXX5
100% (1)
ABDXXXX5
6 páginas
Modelo Relacional y Diseño de Bases de Datos
Aún no hay calificaciones
Modelo Relacional y Diseño de Bases de Datos
7 páginas
ABDXXXX2
0% (1)
ABDXXXX2
5 páginas
Modelo Relacional y Diseño de Bases de Datos
Aún no hay calificaciones
Modelo Relacional y Diseño de Bases de Datos
7 páginas
ABDXXXX1
100% (4)
ABDXXXX1
5 páginas
ABDXXXX2
0% (1)
ABDXXXX2
5 páginas
Modelo Relacional y Diseño de Bases de Datos
Aún no hay calificaciones
Modelo Relacional y Diseño de Bases de Datos
7 páginas
Evaluación de Bases de Datos
Aún no hay calificaciones
Evaluación de Bases de Datos
6 páginas
ABDXXXX5
100% (1)
ABDXXXX5
6 páginas
ABDXXXX2
0% (1)
ABDXXXX2
5 páginas
ABDXXXX1
100% (4)
ABDXXXX1
5 páginas
Evaluación de Bases de Datos
Aún no hay calificaciones
Evaluación de Bases de Datos
6 páginas
Medidas de Seguridad en Servidores
100% (5)
Medidas de Seguridad en Servidores
6 páginas
Modelo Relacional y Diseño de Bases de Datos
Aún no hay calificaciones
Modelo Relacional y Diseño de Bases de Datos
7 páginas
ABDXXXX2
0% (1)
ABDXXXX2
5 páginas
ABDXXXX1
100% (4)
ABDXXXX1
5 páginas
Evaluación de Bases de Datos
Aún no hay calificaciones
Evaluación de Bases de Datos
6 páginas
Evaluación de Sistemas Operativos y Archivos
0% (2)
Evaluación de Sistemas Operativos y Archivos
5 páginas
ABDXXXX5
100% (1)
ABDXXXX5
6 páginas
Partes de Un Servidor PDF
Aún no hay calificaciones
Partes de Un Servidor PDF
1 página
Resultados de La Pregunta
100% (1)
Resultados de La Pregunta
6 páginas
Respuestas Examen Servidores
50% (8)
Respuestas Examen Servidores
138 páginas
Medidas de Seguridad en Servidores
100% (5)
Medidas de Seguridad en Servidores
6 páginas
Sistema de Archivo de SO
Aún no hay calificaciones
Sistema de Archivo de SO
1 página
Respuestas Examen Servidores
50% (8)
Respuestas Examen Servidores
138 páginas
Resultados de La Pregunta
100% (1)
Resultados de La Pregunta
6 páginas
Automatización: Toma de Datos y Planificación
Aún no hay calificaciones
Automatización: Toma de Datos y Planificación
48 páginas
Como Programar y Cargar Un Programa en Una Nexys 2 (FPGA)
Aún no hay calificaciones
Como Programar y Cargar Un Programa en Una Nexys 2 (FPGA)
26 páginas
Evolución de Lenguajes de Programación
Aún no hay calificaciones
Evolución de Lenguajes de Programación
2 páginas
Programas básicos en FoxPro: guía práctica
Aún no hay calificaciones
Programas básicos en FoxPro: guía práctica
2 páginas
Guia Didactica PHP - 5 PDF
Aún no hay calificaciones
Guia Didactica PHP - 5 PDF
67 páginas
Flujos de Potencia Por Gauss Seidel
Aún no hay calificaciones
Flujos de Potencia Por Gauss Seidel
9 páginas
Presentación de PowerPoint Sobre La Arquitectura MVC
Aún no hay calificaciones
Presentación de PowerPoint Sobre La Arquitectura MVC
17 páginas
HTML 2
Aún no hay calificaciones
HTML 2
2 páginas
Características de Los Problemas de Programación Dinámica
Aún no hay calificaciones
Características de Los Problemas de Programación Dinámica
5 páginas
ENSAMBLADOR X86-Capitulo-Gratis
Aún no hay calificaciones
ENSAMBLADOR X86-Capitulo-Gratis
44 páginas
Nissan Inmo
80% (10)
Nissan Inmo
25 páginas
Manual para Aprender Mas de Pseint
Aún no hay calificaciones
Manual para Aprender Mas de Pseint
112 páginas
Dron Militar con Granadas de Gas
Aún no hay calificaciones
Dron Militar con Granadas de Gas
39 páginas
Clase19 Progra Mixta
Aún no hay calificaciones
Clase19 Progra Mixta
5 páginas
Horario Clases Ingeniería Sistemas 2024
Aún no hay calificaciones
Horario Clases Ingeniería Sistemas 2024
1 página
Capitulo 7
100% (1)
Capitulo 7
4 páginas
Ejercicios de Programación en Java
Aún no hay calificaciones
Ejercicios de Programación en Java
11 páginas
Proyecto Final Silla Mesedora
100% (5)
Proyecto Final Silla Mesedora
44 páginas
Trabajo Practico de Pseint
Aún no hay calificaciones
Trabajo Practico de Pseint
5 páginas
Programación de TLC con Flex y Bison
Aún no hay calificaciones
Programación de TLC con Flex y Bison
32 páginas
Formato JSON: Intercambio de Datos Eficiente
Aún no hay calificaciones
Formato JSON: Intercambio de Datos Eficiente
6 páginas
Ejemplo Algoritmo A Asterisco
100% (1)
Ejemplo Algoritmo A Asterisco
8 páginas
Introducción a Árboles AVL
Aún no hay calificaciones
Introducción a Árboles AVL
5 páginas
Curso de Autómatas Programables 60h
Aún no hay calificaciones
Curso de Autómatas Programables 60h
5 páginas
Mapa Mental - Software y Servicios de Internet
Aún no hay calificaciones
Mapa Mental - Software y Servicios de Internet
1 página
Reglas de Codd Motores de Base de Datos
100% (3)
Reglas de Codd Motores de Base de Datos
28 páginas
Optimización de Distribución y Producción
Aún no hay calificaciones
Optimización de Distribución y Producción
25 páginas
Práctica de Microcontroladores: Encendido de LEDs
Aún no hay calificaciones
Práctica de Microcontroladores: Encendido de LEDs
13 páginas
Acceso A Datos
Aún no hay calificaciones
Acceso A Datos
10 páginas
Procedimientos Almacenados
Aún no hay calificaciones
Procedimientos Almacenados
18 páginas