Este proyecto tiene como objetivo desarrollar un procedimiento de programación de piezas en un entorno productivo formado por máquinas idénticas en paralelo, considerando una función objetivo multicriterio. En el problema tratado, se han considerado dos criterios, ponderados en la función objetivo a través de un parámetro α: el tiempo máximo de permanencia de las piezas en el proceso, Fmax, y el retraso máximo entre las distintas piezas, Tmax. Hallar la solución óptima en problemas de programación requiere un tiempo computacional muy elevado, habitualmente fuera del alcance de un ordenador de sobremesa tipo. En este proyecto se utilizan procedimientos heurísticos y metaheurísticos con la finalidad de obtener soluciones eficientes en un tiempo aceptable. El procedimiento metaheurístico utilizado en el presente proyecto es el algoritmo genético, basado en técnicas evolutivas. En estos algoritmos intervienen distintos operadores, principalmente los de selección, cruce, mutación y regeneración. Para los operadores de cruce y mutación, se han diseñado dos procedimientos para cada uno de ellos, con el fin de experimentar posteriormente y decidir cuales son los mejores. El algoritmo genético renueva su población de manera iterativa mediante la regeneración; en el caso de la población utilizada en la primera iteración (población inicial), se obtiene mediante la aplicación de procedimientos heurísticos, si bien una parte puede obtenerse de manera aleatoria. Se han propuesto cuatro procedimientos heurísticos: basado en SPT, basado en ST, basado en CR y basado en PSK. Los procedimientos descritos se han implementado en el programa DNA Schedule, formalizado mediante la herramienta informática Visual Basic. Se ha parametrizado el problema en función de los datos del mismo (número de piezas, número de máquinas, etc.). Para ello, se han utilizado métodos estadísticos de diseño de experimentos completos y fraccionales, mediante el programa informático Minitab. Se han analizado 10 colecciones (cada colección contiene 10 ejemplares), considerando siete factores de experimentación: tamaño de la población inicial, número de generaciones, tipo de cruce, probabilidad de cruce, tipo de mutación, probabilidad de mutación y heurísticas. Finalmente, se ha analizado el carácter multicriterio de la función objetivo, mediante una completa experiencia computacional sobre 50 colecciones que ha permitido parametrizar el problema en función del parámetro α.