DISTRIBUCIN DE PLANTA PARA UNA OFICINA BANCARIA POR MEDIO DE ALGORITMOS GENTICOS

GINA SIRLENY ROJAS BERNAL

UNIVERSIDAD DE LOS ANDES FACULTAD DE INGENIERIA DEPARTAMENTO DE INGENIERIA INDUSTRIAL SANTAF DE BOGOT, D.C. 2005

DISTRIBUCIN DE PLANTA PARA UNA OFICINA BANCARIA POR MEDIO DE ALGORITMOS GENTICOS

GINA SIRLENY ROJAS BERNAL

Proyecto de Grado para optar por el ttulo de Ingeniera Industrial

ASESOR JOS FIDEL TORRES, PH.D. Profesor Asociado Departamento de Ingeniera Industrial Universidad de los Andes

UNIVERSIDAD DE LOS ANDES FACULTAD DE INGENIERIA DEPARTAMENTO DE INGENIERIA INDUSTRIAL SANTAF DE BOGOT, D.C. 2005

A mis padres, por ensearme a vivir. A Dios, por permitirnos alcanzar nuestros sueos. Y a Javier, por ser la vela que me dio la marea.

AGRADECIMIENTOS

El autor expresa sus agradecimientos a:

Mi asesor de tesis y maestro, Jos Fidel Torres, Ph. D., quien me gui y motiv a lo largo de este proyecto.

El profesor Elicer Gutirrez, por su direccin y el tiempo que cedi a la lectura y evaluacin de este documento.

Ing. Camilo Snchez, por los valiosos aportes que recib de su parte.

Mis amigos Enrique Kook y Gina Angueyra, de quienes nunca me ha faltado su apoyo.

Todos aquellos que participaron activamente en el desarrollo de este trabajo.

TABLA DE CONTENIDO

1. INTRODUCCIN ............................................................................................... 11 1.1 ANTEDECEDENTES................................................................................... 12 1.2 DESCRIPCION DEL PROBLEMA ............................................................... 13 1.3 CONSIDERACIONES SOBRE LA OFICINA BANCARIA ............................ 13 1.5 OBJETIVOS................................................................................................. 15 1.5.1 Objetivo General ................................................................................... 15 1.5.2 Objetivos especficos ............................................................................ 16 2. MARCO TERICO ............................................................................................ 17 2.1 PROBLEMA DE CONFIGURACIN DE PLANTA....................................... 17 2.1.1 OBJETIVOS DE UNA BUENA CONFIGURACIN DE PLANTA .......... 18 2.1.2 PRINCIPIOS BSICOS DE LA DISTRIBUCIN DE PLANTA.............. 19 2.1.2.1 Principio de la integracin de conjunto ........................................... 19 2.1.2.2 Principio de la mnima distancia recorrida ...................................... 19 2.1.2.3 Principios de la circulacin o flujo de materiales............................. 19 2.1.2.4 Principio del espacio cbico ........................................................... 20 2.1.2.5 Principio de la satisfaccin y de la seguridad ................................. 20 2.1.2.6 Principio de la flexibilidad ............................................................... 20 2.1.3 TIPOS DE DISTRIBUCIN DE PLANTA .............................................. 21 2.1.3.1 Distribucin por posicin fija ........................................................... 21 2.1.3.2 Distribucin por proceso ................................................................. 22 2.1.3.3 Distribucin por producto ................................................................ 22 2.1.3.4 Distribucin celular ......................................................................... 23 2.1.3.5 Ventajas y limitaciones de los tipos bsicos de distribucin ........... 24 2.1.4 MTODOS PARA EL DISEO DE DISTRIBUCIONES EN PLANTA ... 26 2.1.4.1 Procedimiento de Distribucin de planta de Apple ......................... 26 2.1.4.3 Procedimiento de Distribucin de planta de Reed .......................... 27 2.1.4.4 Procedimiento Sistemtico de Distribucin de planta (SLP) de Muther ........................................................................................................ 28 2.1.4.4.1 Anlisis del Flujo de materiales................................................ 29 2.1.4.4.2 Relaciones entre actividades ................................................... 31 2.1.4.4.3 Diagrama de relacin de actividades ....................................... 31 2.1.4.4.4 Necesidades de espacio .......................................................... 33 2.1.4.4.5 Espacios disponibles................................................................ 33 2.1.4.4.6 Diagrama de relacin de espacios ........................................... 34 2.1.4.4.7 Desarrollo de Soluciones ......................................................... 34 2.1.4.4.8 Evaluacin y seleccin ............................................................. 35

2.1.5 DISTRIBUCIN DE PLANTA AYUDADA POR COMPUTADORA ....... 36 2.1.5.1 CRAFT............................................................................................ 39 2.1.5.2 BLOCPLAN..................................................................................... 39 2.1.5.3 MIP ................................................................................................. 40 2.1.5.4 Enfriamiento Simulado (SA) ........................................................... 43 2.1.5.5 Bsqueda Tab .............................................................................. 44 2.2 ALGORITMOS GENTICOS....................................................................... 46 2.2.1 Caractersticas de los Algoritmos Genticos......................................... 46 2.2.2 Etapas de los Algoritmos Genticos ..................................................... 48 2.2.3 Aplicacin de AG para distribucin en planta........................................ 50 3. ALGORITMO GENTICO PARA EL PROBLEMA DE CONFIGURACIN DE PLANTA ................................................................................................................. 52 3.1 RECOLECCIN DE DATOS ....................................................................... 52 3.1.1 Medicin de las dimensiones de las oficinas y los departamentos ....... 52 3.1.2 Medicin de flujos ................................................................................. 53 3.2 DESCRIPCIN DEL MODELO ................................................................... 55 3.3 REPRESENTACIN DE LA SOLUCIN..................................................... 56 3.4 REALIZACIN DEL ALGORITMO .............................................................. 58 3.4.1 Parmetros de Entrada ......................................................................... 58 3.4.2 Estructura.............................................................................................. 59 3.4.3 Poblacin Inicial .................................................................................... 60 3.4.4 Funcin Objetivo y su evaluacin.......................................................... 60 3.4.5 Estrategia de seleccin ......................................................................... 62 3.4.6 Estrategia de cruce ............................................................................... 62 3.4.7 Estrategia de mutacin ......................................................................... 64 3.4.8 Estrategias de reparacin ..................................................................... 65 3.5 AG PARA LA CONFIGURACIN DE PLANTA DE UNA OFICINA VIRGEN66 3.5.1 Parmetros del modelo ......................................................................... 66 3.5.2 Poblacin Inicial .................................................................................... 67 3.6 DISEO DE EXPERIMENTOS.................................................................... 68 3.6.1 Oficina 1 ................................................................................................ 70 3.6.2 Oficina 2 ................................................................................................ 73 3.6.3 Oficina 3 ................................................................................................ 75 3.6.4 Oficina 4 ................................................................................................ 77 3.6.5 Oficina 5 ................................................................................................ 80 3.7 DISTRIBUCIONES DE PLANTA FINALES.................................................. 82 3.7.1 Oficina 1 ................................................................................................ 82 3.7.2 Oficina 2 ................................................................................................ 85 3.7.3 Oficina 3 ................................................................................................ 86 3.7.4 Oficina 4 ................................................................................................ 89 3.7.5 Oficina 5 ................................................................................................ 91 3.8 VALIDACIN DEL MODELO....................................................................... 94 4. CONCLUSIONES ............................................................................................... 95 4.1 PROYECTOS FUTUROS ............................................................................ 97 5. BIBLIOGRAFA .................................................................................................. 98 6

ANEXOS.............................................................................................................. 100 Anexo 1: Manual del Usuario para Opt-DOB ................................................... 100 Anexo 2: Resultados obtenidos para la Funcin Objetivo de todas las instancias ......................................................................................................................... 105 Anexo 3: Datos ................................................................................................ 108

LISTA DE FIGURAS

Figura 1: Distribucin de planta por posicin fija. Figura 2: Distribucin de planta por proceso. Figura 3: Distribucin de planta por producto. Figura 4: Distribucin de planta por proceso. Figura 5: Esquema general del mtodo S.L.P. Figura 6: Tabla de relaciones entre actividades. Figura 7: Diagrama de relacin de actividades. Figura 8: Diagrama de relacin espacios correspondiente al de relacin de actividades de la figura 7. Figura 9: Diagrama del algoritmo de SA. Figura 10: Diagrama del algoritmo de Bsqueda tab. Figura 11: Estructura general de un algoritmo gentico. Figura 12: Formato de la matriz de calificacin. Figura 13: Distribucin de planta correspondiente a la representacin de la solucin propuesta. Figura 14: Medicin de distancia por mtrica rectilnea. Figura 15: Ejemplo de convergencia del algoritmo Figura 16: Relacin entre FO, Combinacin de parmetros y 200 iteraciones para la instancia 1. Figura 17: Relacin entre FO, Combinacin de parmetros y 1000 iteraciones para la instancia 1 Figura 18: Relacin entre FO, Combinacin de parmetros y 50 iteraciones para la instancia 2

Figura 19: Relacin entre FO, Combinacin de parmetros y 50 iteraciones para la instancia 2 Figura 20: Relacin entre FO, Combinacin de parmetros y 50 iteraciones para la instancia 3. Figura 21: Relacin entre FO, Combinacin de parmetros y 1000 iteraciones para la instancia 3. Figura 22: Relacin entre FO, Combinacin de parmetros y 25 iteraciones para la instancia 4. Figura 23: Relacin entre FO, Combinacin de parmetros y 1000 iteraciones para la instancia 4. Figura 24: Relacin entre FO, Combinacin de parmetros y 100 iteraciones para la instancia 5. Figura 25: Relacin entre FO, Combinacin de parmetros y 1000 iteraciones para la instancia 5. Figura 26: Configuracin actual, funcin objetivo y departamentos de la oficina 1. Figura 27: Configuracin propuesta, funcin objetivo y departamentos para la oficina 1. Figura 28: Configuracin actual, funcin objetivo y departamentos de la oficina 2. Figura 29: Configuracin propuesta, funcin objetivo y departamentos para la oficina 2. Figura 30: Configuracin actual, funcin objetivo y departamentos de la oficina 3. Figura 31: Configuracin propuesta, funcin objetivo y departamentos para la oficina 3. Figura 32: Configuracin actual, funcin objetivo y departamentos de la oficina 4. Figura 33: Configuracin propuesta, funcin objetivo y departamentos para la oficina 4. Figura 34: Configuracin actual, funcin objetivo y departamentos de la oficina 5. Figura 35: Configuracin propuesta, funcin objetivo y departamentos para la oficina 5.

LISTA DE TABLAS

Tabla 1: Ventajas y limitaciones de los tipos bsicos de distribucin Tabla 2: Escala de los planos de cada oficina Tabla 3: Convenciones para las combinaciones de parmetros. Tabla 4: Comparacin entre la distribucin actual y la mejor encontrada por el algoritmo para cada oficina en trminos de su F.O.

10

1. INTRODUCCIN

El problema de configuracin de planta se encuentra presente en diversos mbitos productivos de los sectores de manufactura y servicios. La configuracin de planta determina cmo los activos fijos tangibles de una actividad son el mejor soporte para la realizacin del objetivo de la misma [5]. A partir de esto, la importancia sobre la buena configuracin de planta radica en la mejora directa sobre la actividad productiva; as, una solucin adecuada para este problema puede representar mejoras en el rendimiento productivo y ahorros en trminos monetarios para la entidad que la aplique. El problema abordado en este proyecto es el de distribucin de planta para una oficina bancaria, el cual ha sido muy poco tratado en la literatura acadmica, por lo que este trabajo puede catalogarse como novedoso. En concreto, por medio de esta tesis, se busca establecer una configuracin de planta ptima para cuatro oficinas de una red bancaria de la ciudad de Bogot. Dada la complejidad del problema, se escogi una tcnica metaheurstica de solucin. La tcnica seleccionada fue Algoritmos Genticos. La implementacin fue codificada en Visual Basic. La primera parte de este trabajo muestra una introduccin al problema, incluyendo consideraciones sobre la oficina bancaria, la segunda parte presenta las bases tericas del tema de configuracin de planta y los algoritmos genticos, la tercera parte contiene la descripcin de la implementacin del algoritmo gentico para resolver el modelo que representa el problema, el diseo del cromosoma que representa la solucin, las estrategias que se utilizaron dentro del algoritmo, la descripcin de la herramienta desarrollada para establecer el diseo de planta para una oficina virgen, el diseo de experimentos para evaluar la eficiencia del 11

programa realizado, el planteamiento de las distribuciones de planta finales, el anlisis de los resultados obtenidos y una comparacin entre la distribucin actual y la mejor distribucin encontrada por medio de la metaheurstica mencionada, en trminos de la funcin objetivo, con el objetivo de validar el modelo; y por ltimo la cuarta parte presenta las conclusiones de este proyecto. Como anexos se presentan el manual de usuario de la herramienta desarrollada, los resultados obtenidos de las instancias consideradas y los datos usados para el proyecto.

1.1 ANTEDECEDENTES
Hasta el momento el problema de configuracin de planta se ha estudiado por medio de diferentes metaheursticas las cuales menciono mas adelante, especficamente se ha estudiado usando algoritmos genticos para solucionarlo. Desde entonces se ha probado que es una metaheurstica muy til para resolver este problema, dado que se han hecho comparaciones de los resultados arrojados por esta con otros algoritmos como la Heurstica Golany(1989), el promedio CRAFT[5] y ha arrojado mejores resultados que estos ltimos.[1] Adicional a esto cabe anotar que en la Universidad se han elaborado varios proyectos con respecto a este tema que han mostrado la robustez de los algoritmos genticos usados para solucionar el problema de la configuracin de planta, entre ellas se encuentran: Redistribucin de planta hogar juvenil campesino, Duarte Paiba, Juan Carlos Modelaje de distribucin de planta para industrias Viba Ltda., Carrin Rivas, David Configuracin de planta por medio de algoritmos genticos, Garca Pinilla, Diana Configuracin y rediseo de planta, Cuervo Ripe, Jenny.

12

1.2 DESCRIPCION DEL PROBLEMA

El proyecto est dirigido a establecer una configuracin de planta ptima para cuatro oficinas bancarias, de una red de esta ndole de la ciudad de Bogot. Las oficinas fueron escogidas por ser representativas de diferentes tipos de sucursales. El proceso de seleccin estuvo a cargo de un equipo de personas que hace parte de la gerencia comercial de la institucin bancaria. La primera de las cuatro oficinas de la entidad financiera que se estudiar, consta de dos plantas, por lo que para el desarrollo de este trabajo, cada una de stas se considerar como una oficina independiente. De manera que de aqu en adelante se manejarn cinco oficinas que sern las instancias del problema.

1.3 CONSIDERACIONES SOBRE LA OFICINA BANCARIA [7][16]

Dado que la oficina bancaria no es un sistema de produccin y montaje, que es a lo que la mayora de los textos de consulta hacen referencia, se deben tener en cuenta sus diferencias y similitudes con los sistemas industriales. Para el caso especfico de las oficinas se debe alcanzar un equilibrio adecuado entre los objetivos de comunicacin y control Como es el caso del rea donde se relacionan cajeros y asesores con los clientes , por una parte, e intimidad o asilamiento por otra En el caso de los procesos que tienen que ver con la bveda y entrega de montos importantes de dinero. En las que se puede denominar distribuciones en planta tradicionales, el equilibro entre los objetivos contrapuestos se alcanza mediante puestos de trabajo aislados para ciertos empleados y reas abiertas para otros. En las distribuciones convencionalmente consideradas cada puesto de trabajo debe estar equipado de forma adecuada para las funciones que tiene asignadas

13

(telfono, Terminal, ordenador, etc.). Tradicionalmente, el equipo de un puesto de trabajo administrativo tena un bajo coste, pero actualmente la inversin, aunque no alcanza en general ni mucho menos la correspondiente a un puesto de trabajo industrial, puede ser considerable; por otra parte, la utilizacin de los equipos suele ser baja. De estas consideraciones surge un concepto, el de centro de actividad, que da lugar a un nuevo enfoque de las distribuciones en planta en oficinas, del cual son escasas hasta ahora las realizaciones prcticas. Se trata de crear reas con funciones especficas: reuniones, recepcin de visitas, fotocopias, terminales, etc. Los empleados disponen de un puesto base propio, pequeo y poco equipado, y se desplazan de unos a otros centros de actividad a medida que su trabajo se lo exige. Algunos inconvenientes de este tipo de solucin parecen evidentes, pero la utilizacin de los equipos ser ms alta y, por consiguiente, la inversin, ms reducida [7]. Dada la importancia de la atencin al cliente en la oficina bancaria, tambin deben hacerse algunas consideraciones al respecto. Dado que el sector servicios es muy heterogneo es difcil realizar afirmaciones que valgan de manera general. Dentro de la oficina bancaria la circulacin de materiales no es mayor, a diferencia de la circulacin de personas, por esta razn la oficina debe ser confortable para sus usuarios y ha de garantizar la intimidad en las actividades que tienen lugar en la instalacin. Tambin debe satisfacer exigencias estticas y ergonmicas como las que se citan en el siguiente prrafo.

A partir de los requerimientos de seguridad y servicio al cliente, una oficina bancaria deber tener en cuenta las siguientes restricciones de diseo: 1. Configuracin en una Planta Rectangular 2. La zona de cajas debe estar al frente de la puerta 3. La oficina deber ser ms larga que ancha, para dejar espacio de colas al frente de la zona de cajas.

14

4. Los elementos de servicio al cliente, tales como Mesa de consignacin, sillas de espera, etc., deben estar alrededor del hall el cual es el rea destinada para el flujo de clientes , a la izquierda o la derecha. 5. La zona de asesoras debe estar idealmente a la derecha de la puerta, por motivos ergonmicos. 6. El gerente comercial debe estar cercano a la puerta, preferiblemente a la derecha, al lado de la zona de asesoras (Los modelos dieron esta configuracin como ptima en la mayora de los casos) 7. La bveda debe estar atrs de los cajeros, y no debe estar accesible al hall, ni tener muros colindantes con la calle, ni a ninguno de los lados de la oficina 8. Los elementos de trabajo de cajeros y asesoras (impresoras, archivador de chequeras, lmparas UV, etc.) deben estar al lado de ellos y no ser accesibles al hall. 9. La cafetera y los baos deben estar al fondo de la oficina, lejos de los objetos de trabajo. [16]

1.5 OBJETIVOS

1.5.1 Objetivo General

Plantear un modelo ptimo de distribucin de planta para cuatro oficinas bancarias de una red de esta ndole de la ciudad de Bogot, a travs de una implementacin computacional por medio de una tcnica metaheurstica, con el fin de aumentar la eficiencia en el funcionamiento de la misma. La metaheurstica seleccionada fue Algoritmos Genticos. Para lograr lo expuesto anteriormente se requiere:

15

1.5.2 Objetivos especficos

1. Construir el marco terico requerido para el desarrollo del proyecto. Las actividades a desarrollar son: Obtener informacin general sobre el problema. Recopilar informacin terica relacionada con los tipos de diseo de planta. Investigar los mtodos clsicos y ayudas computacionales para solucionar el problema. 2. Definir la matriz de distancias entre localidades y la matriz de percepcin o de flujo entre departamentos para la oficina bancaria, que son datos necesarios para resolver el problema de configuracin de planta. Para ello es necesario: Conseguir los planos de las oficinas de la red a las que se les realizar el estudio. Obtener las medidas correspondientes a las dimensiones de las oficinas y a los departamentos con la escala adecuada. Establecer las restricciones de espacio como zonas prohibidas, restricciones de forma, etc. Obtener las encuestas realizadas a los gerentes de la entidad bancaria sobre la deseabilidad de cercana entre departamentos para cada oficina. Interiorizar el conocimiento adquirido.

3. Adecuar el modelo de configuracin de planta a las restricciones y requerimientos de la entidad. Para ello es necesario:

16

Implementar un algoritmo basado en algoritmos genticos que tenga en cuenta las condiciones especficas de la entidad. Correr el modelo y obtener la configuracin de planta que ste arroje para cada oficina estudiada. Validar el modelo.

4. Establecer las distribuciones de planta finales. Analizar el comportamiento del algoritmo para las diferentes variaciones de parmetros y las soluciones que este arroja. Diagramar la distribucin de planta final.

2. MARCO TERICO
2.1 PROBLEMA DE CONFIGURACIN DE PLANTA
El problema de configuracin de planta consiste en distribuir de manera ptima todos los departamentos que intervengan en un proceso productivo, en bsqueda de la economa de los recursos disponibles tales como: espacio y tiempo. Un departamento o facilidad en el contexto de configuracin de planta es una entidad fsica que facilita el desarrollo de algn trabajo. Por ejemplo: Una celda de manufactura o una mquina. Segn Root y Rakshit (1993), el rea es la nica caracterstica comn para todas las facilidades [2]. El rea que cada facilidad ocupe o se desee que ocupe, en el caso especfico de los departamentos, determinar gran parte de las restricciones del modelo que represente el problema. Los datos mnimos que se requieren para dar solucin al problema son: Nmero de departamentos, dimensiones fsicas de la planta, rea por departamento, matriz de flujos entre departamentos, y los costos de transporte por unidad. La matriz de

17

flujos puede cambiarse por una matriz de percepcin donde se representa la deseabilidad de cercana entre departamentos. Los costos de transporte pueden ser hallados por medio de la multiplicacin entre el flujo y la distancia para cada par de departamentos. Como solucin del problema se obtiene la posicin ptima de cada departamento dentro de la planta, el rea ptima de cada departamento y los costos ptimos de transporte.

2.1.1 OBJETIVOS DE UNA BUENA CONFIGURACIN DE PLANTA [4]:

De manera general se busca hallar una ordenacin de las reas de trabajo y el equipo, que sea la ms econmica para el trabajo, al mismo tiempo que la ms segura y satisfactoria para los empleados 1. Adicional a esto, se quiere planear una distribucin que logre los objetivos de localizacin y de diseo. [5] En especfico, para alcanzar las ventajas de la buena configuracin de planta que son traducidas en la disminucin de los costos de produccin, se busca: Incremento de la produccin. Reduccin de riesgos para la salud y aumento de la seguridad para los trabajadores. Elevacin de la moral y satisfaccin del obrero Satisfaccin del trabajador. Disminucin de los retrasos en la produccin. Ahorro de rea ocupada. Reduccin del material del proceso. Mayor utilizacin de la maquinaria, de la mano de obra y/o de los servicios.
1

Acortamiento del tiempo de servicio o fabricacin. Disminucin de congestin. Mayor facilidad de ajuste a los cambios de condiciones.

MUTHER, Richard. DISTRIBUCION EN PLANTA. Ordenacin racional de los elementos de produccin industrial. Cuarta ed. 1981

18

Reduccin del trabajo administrativo y del trabajo indirecto en general. Logro de una supervisin ms fcil y mejor. Disminucin del riesgo para el material o su calidad. [5]

2.1.2 PRINCIPIOS BSICOS DE LA DISTRIBUCIN DE PLANTA

2.1.2.1 Principio de la integracin de conjunto Una buena distribucin integra a los factores que influyen dentro de la actividad de la planta: los hombres, los materiales, la maquinaria, las actividades auxiliares, en una unidad de conjunto, de manera que cada uno de ellos se est relacionando con los otros, para cada conjunto de condiciones de seguridad y operativas. 2.1.2.2 Principio de la mnima distancia recorrida Dado que todo proceso industrial implica movimiento de material, y por ms que se intente disminuirlo no es posible suprimirlo del todo, es siempre mejor la distribucin que permite que la distancia a recorrer por el material entre operaciones sea la ms corta. Dado que dichos traslados no aaden ningn valor al producto, se busca el ahorro de los mismos reduciendo las distancias que el material deba recorrer, de manera que se tratar de colocar las operaciones sucesivas inmediatamente adyacentes unas a otras. 2.1.2.3 Principios de la circulacin o flujo de materiales Este es un complemento del principio de la mnima distancia recorrida, ya que se busca una distribucin que ordene las reas de trabajo de manera que cada operacin o proceso est en el mismo orden o secuencia que se transforman tratan o montan los materiales. Se debe tener en cuenta que no deben existir retrocesos o movimientos transversales, para que no se presente congestin con otros materiales o piezas del mismo conjunto. Lo anterior no limita el movimiento 19

del material a una forma lineal, los recorridos en zigzag, en crculo o en U, tambin son propios de buenas configuraciones. En resumen el concepto de circulacin es un progreso constante hacia la finalizacin del trabajo, minimizando las interrupciones, interferencias o congestiones. 2.1.2.4 Principio del espacio cbico Todos los agentes que intervienen dentro de la actividad de la planta ocupan tres dimensiones por lo que todas deben ser tenidas en cuenta a la hora de realizar la configuracin. De la misma manera el movimiento de los mismos puede darse en estas tres, por lo que se busca un aprovechamiento del espacio libre en todo el plano tridimensional. 2.1.2.5 Principio de la satisfaccin y de la seguridad Dos factores fundamentales para el buen desarrollo del trabajo son la satisfaccin de los empleados y la seguridad. El primero trae muchos otros beneficios como la disminucin de costos de operacin y una moral mas elevada por parte de los empleados. El segundo es de gran importancia en una distribucin y en algunas ocasiones vital, ya que nunca una distribucin podr ser efectiva si los trabajadores estn expuestos a riesgos o accidentes. 2.1.2.6 Principio de la flexibilidad Dada la rapidez con que evolucionan los diferentes campos que respectan a la empresa, como las comunicaciones, el transporte, etc., sta debe tener la habilidad para cambiar rpidamente tanto el diseo del producto, proceso, equipo, produccin o fechas de entrega, para evitar faltas en los pedidos y por ende prdida de los clientes. Por esta razn se busca una distribucin que permita el ajuste y reordenamiento de la misma con rapidez, menores costos e inconvenientes.

20

2.1.3 TIPOS DE DISTRIBUCIN DE PLANTA

[4] [5]

Los tres elementos bsicos de la produccin son: los hombres, los materiales y la maquinaria; si los tres estuvieran estacionarios no podra haber produccin en un sentido industrial, el estudio sobre la distribucin inicia analizando cules de estos elementos deben moverse y la relacin entre ellos: Movimiento de material: El material es el elemento ms comnmente movido, ste se mueve de una estacin a otra en el orden en que deben realizarse las operaciones. Movimiento del hombre: Los operarios se mueven de una estacin a otra en el orden en que deben realizarse las operaciones y realizando las mismas sobre cada pieza del material. Movimiento de maquinaria: El operario mueve herramientas o mquinas para operar sobre una pieza grande. Movimiento de material y de hombres: El operario se mueve con el material y realiza una operacin sobre cada estacin. Movimiento de material y de maquinaria: Tanto los materiales como la maquinaria se desplazan hacia los hombres quienes realizan las operaciones. Movimiento de hombres y de maquinaria: Los trabajadores se mueven junto con la maquinaria hacia el elemento sobre el cual estn operando. Movimiento de materiales, hombres y maquinaria: Todos los elementos se mueven, puede ser costoso e innecesario. A partir de lo anterior se muestran los cuatro tipos clsicos de distribucin:

2.1.3.1 Distribucin por posicin fija En este tipo de distribucin por posicin, el material permanece en un lugar fijo; las herramientas, la maquinaria, hombres y otros materiales concurren al producto que se est elaborando. (Ver Figura1).

21

Figura 1: Distribucin de planta por posicin fija.

2.1.3.2 Distribucin por proceso Tambin es llamada distribucin por funcin donde todas las operaciones de un mismo tipo de proceso estn agrupadas. (Ver Figura 2).

Figura 2: Distribucin de planta por proceso.

2.1.3.3 Distribucin por producto Esta distribucin tambin es llamada como produccin en lnea o en cadena, en sta el material est en movimiento. Las mquinas o entidades que intervienen en

22

la elaboracin del producto final estn dispuestas una inmediatamente al lado de la siguiente y estn ordenadas en la secuencia de las operaciones del proceso. (Ver Figura 3).

Figura 3: Distribucin de planta por producto.

2.1.3.4 Distribucin celular

[5]

Este tipo de distribucin, no es considerada entre las bsicas ya que es una combinacin de las mencionadas anteriormente. Las celdas de manufactura agrupan mquinas, empleados, materiales, herramientas, material, y equipo para producir familias o partes de productos. Los beneficios mas importantes de la manufactura celular son alcanzados cuando las celdas de manufactura son diseadas, controladas y operadas usando los conceptos y tcnicas de Just In time (JIT), Total Quality Management (TQM), y Total Employee Involvement (TEI). (Ver Figura 4).

23

Figura 4: Distribucin de planta por proceso.

La configuracin de planta constituye entonces una combinacin o variaciones entre los cuatro tipos expuestos anteriormente. 2.1.3.5 Ventajas y limitaciones de los tipos bsicos de distribucin [5]

Distribucin por posicin fija Ventajas 1. El movimiento del material es reducido 2. Cuando se hace uso del acercamiento del equipo, la continuidad de las operaciones y la responsabilidad son resultados 3. Provee oportunidades de enriquecimiento del trabajo 4. Promueve el orgullo y la calidad Limitaciones 1. Aumenta el movimiento del personal y del equipo 2. Puede duplicado 3. Requiere 4. Requiere general 5. Puede resultar en aumento personal con mayores habilidades supervisin resultar equipo

24

porque un individuo puede realizar todo el trabajo 5. Altamente flexible; pueden acomodarse cambios en el diseo del producto y el volumen de produccin

del

espacio de

mayor en y la

cantidad proceso 6. Requiere

trabajo control de

coordinacin cercanos en la programacin produccin

Distribucin por producto o en lnea Ventajas 1. Resultan lneas de flujo planas, simple y lgicas 2. Resultan inventarios de trabajo en proceso pequeos 3. El tiempo total de produccin por unidad es corto 4. La manipulacin de material requerida es reducida 5. Se requieren de menos habilidades para el personal 6. Es posible un control simple de la produccin 7. Puede ser usado equipo especializado Distribucin por proceso Ventajas 1. Incrementa maquinaria 2. El equipo puede ser usado para un propsito general 3. Altamente flexible en la ubicacin de equipo y personal la utilizacin de Limitaciones 1. Aumento requerimientos de para los el Limitaciones 1. Una parada de mquina detiene la lnea 2. Si el diseo del producto cambia, la distribucin actual se vuelve obsoleta 3. La estacin mas lenta marca el paso de la lnea 4. Es requerida supervisin resulta en general 5. Usualmente mayor inversin en equipos

manejo del material 2. Ser requiere un control de la produccin mas complicado 3. Aumento del trabajo en

25

4. La

manipulacin

del

material

es

proceso 4. Lneas de produccin mas largas 5. Se requieren mayores habilidades para acomodar diversidad de tareas

reducida 5. Diversidad de tareas para el personal 6. Es posible la supervisin especializada

Tabla 1: Ventajas y limitaciones de los tipos bsicos de distribucin

2.1.4 MTODOS PARA EL DISEO DE DISTRIBUCIONES EN PLANTA

[5] Se han desarrollado diferentes procedimientos para facilitar las distribuciones en planta. Estos procedimientos pueden ser clasificados en dos grandes categoras: Tipo constructivo: Los mtodos que pertenecen a esta categora desarrollan configuraciones de planta partiendo desde cero. Tipo Mejora: Estos mtodos generan configuraciones alternativas basadas en una configuracin existente. A continuacin se muestran algunos de los procedimientos clsicos para resolver el problema. Los conceptos de stos han sido tiles para la creacin de muchas de las metodologas propuestas en la actualidad.

2.1.4.1 Procedimiento de Distribucin de planta de Apple Segn Apple [6] el diseador de plantas debe seguir un procedimiento ordenado. La mayora de las veces sin hacer caso del tipo de facilidades, el proceso de diseo debe seguir de manera cercana la siguiente secuencia de pasos:

26

1. Obtener los datos bsicos del problema. 2. Analizar los datos bsicos obtenidos. 3. Disear el proceso productivo. 4. Planear el patrn de flujo de material. 5. Considerar un plan general de manejo de materiales. 6. Calcular los requerimientos del equipo. 7. Planear estaciones de trabajo individuales. 8. Seleccionar un equipo especfico de manejo de materiales. 9. Coordinar lo grupos de operaciones relacionadas. 10. Disear las interrelaciones de las actividades. 11. Determinar los requerimientos de almacenamiento. 12. Planear actividades auxiliares y de servicio. 13. Determinar los requerimientos de espacio. 14. Asignar actividades al espacio total. 15. Considerar tipos de edificio. 16. Construir la distribucin maestra. 17. Evaluar, ajustar y revisar la distribucin con las personas apropiadas. 18. Obtener aprobaciones. 19. Instalar la distribucin. 20. Realizar un seguimiento a la implementacin de la distribucin.

2.1.4.3 Procedimiento de Distribucin de planta de Reed

[5]

Reed recomend el siguiente plan de ataque sistemtico para la planeacin y preparacin de a distribucin. 1. Analizar el producto o productos que sern elaborados 2. Determinar el proceso requerido para manufacturar el producto 3. Preparar cartas de planeacin de la distribucin

27

4. Determinar las estaciones de trabajo 5. Analizar los requerimientos de las reas de almacenamiento 6. Establecer los anchos mnimos para los pasillos de la planta 7. Establecer los requerimientos de la oficina 8. Considerar departamentos para el personal y servicios 9. Listar los servicios de la planta 10. Hacer provisin para la futura expansin Para Reed las cartas de planeacin de la distribucin son el paso ms importante del proceso de distribucin. stas contienen la siguiente informacin: 1. El flujo del proceso, incluyendo operaciones, transporte, almacenamiento, e inspecciones. 2. Tiempos estndar para cada operacin. 3. Seleccin y balance de mquinas. 4. Seleccin y balance de m ano de obra. 5. Requerimientos del manejo de materiales.

2.1.4.4 Procedimiento Sistemtico de Distribucin de planta (SLP) de Muther [5] [7] Muther desarroll un procedimiento para realizar la distribucin de planta que l denomin Procedimiento Sistemtico de distribucin de planta o SLP. El esquema general de ste puede observarse en la Figura 5. El procedimiento consta de tres fases, la primera de ellas es el anlisis, la cual inicia con la recoleccin de la informacin necesaria sobre productos, cantidades, procesos y servicios. La primera fase tiene cinco pasos:

28

2.1.4.4.1 Anlisis del Flujo de materiales Este es un aspecto que aunque no es el nico que se debe tener en cuenta es clave en el planteamiento del problema. Para la realizacin del estudio se debe partir de la descripcin del proceso, para lo que existen diferentes herramientas que pueden ser utilizadas segn las necesidades del caso: Diagrama de Acoplamiento: Destaca los subconjuntos que se van formando y reuniendo hasta obtener el producto. Diagrama analtico de operaciones del proceso: Incluye los smbolos de transporte y de demora. Su representacin es libre y puede ser similar al diagrama de operaciones.

29

Figura 5: Esquema general del mtodo S.L.P. Diagrama multiproducto: Es conveniente utilizarlo cuando hay muchos productos, ya que permite tener una visin conjunta de los procesos correspondientes a diversos productos.

30

Matrices: Destaca los desplazamientos entre centros de actividad. Cada fila y columna representan una actividad. Diagramas de recorrido y diagramas de hilos: Pueden ser utilizados sobre una distribucin existente. Estos dan informacin sobre las trayectorias, las frecuencias de utilizacin de los diversos puntos de paso y la posibilidad de interferencias entre distintos flujos.

2.1.4.4.2 Relaciones entre actividades Lo que se debe tener en cuenta a la hora de realizar un estudio de configuracin de planta no slo es el recorrido de los elementos materiales sino cualquier relacin que exista al interior del sistema productivo. Dentro de lo anterior se encuentran las relaciones entre actividades las cuales pueden ser representadas en buena forma por medio de una tabla como la de la Figura 6. En ella se encuentra la simbologa recomendada por Muther. Gracias a este tipo de representacin de una matriz simtrica (en la que los elementos de la diagonal son nulos) se ahorra espacio y se omiten las redundancias.

2.1.4.4.3 Diagrama de relacin de actividades Con la informacin recolectada hasta el momento ya se puede iniciar la configuracin de planta. Los dos pasos anteriores convergen a la realizacin del diagrama de relacin de actividades. En l se representa grficamente cada centro de actividad sin tener en cuenta el rea que cada uno requiera. Los smbolos utilizados son unidos por medio de lneas simples o mltiples que representan la importancia de la relacin entre ellos (puede ser expresada por medio del nmero de lneas, color, grosor o nmeros junto a la lnea de unin). Para mayor ilustracin ver Figura 7.

31

Recepcin Ventas Direccin Secretara Fotocopias Almacn Biblioteca Servicios Sala de reuniones
Cdigo Definicin

A E I O U X
Cdigo

Absolutamente necesaria Especialmente importante Importante Ordinaria No importante Indeseable

Definicin

1 2

Supervisin Contacto Frecuente

Figura 6: Tabla de relaciones entre actividades.

32

Figura 7: Diagrama de relacin de actividades.

2.1.4.4.4 Necesidades de espacio Para este momento se requiere estimar la superficie necesaria para cada departamento o centro de actividad. La forma como se determine las necesidades de superficie debera ser precisa porque en general el espacio es caro, pero no se debe ser en extremo justo, ya que es conveniente asignar cierto margen. Existen diversos procedimientos para realizar la estimacin que se est tratando y la escogencia entre ellos depende del grado de detalle que se le quiera aadir al estudio.

2.1.4.4.5 Espacios disponibles Una vez obtenida la estimacin sobre el rea que se requiere para cada departamento, se debe comparar esta informacin con el espacio del que se dispone en la actualidad. Si no concuerdan entre s se debe realizar un ajuste de una de ellas o ambas. La segunda fase de ste mtodo es la bsqueda, sus principales pasos son:

33

2.1.4.4.6 Diagrama de relacin de espacios Una vez se tenga la informacin mencionada anteriormente y se hayan realizado los ajustes necesarios, se puede dar lugar a la representacin grfica de los centros de actividad y de las relaciones de actividad, por medio de un diagrama similar al de relacin de actividades, con la diferencia de que en ste todos los grficos se realizan a escala y pueden tener la forma que se considere adecuada para cada departamento. Un ejemplo de esta herramienta es mostrado a continuacin en la Figura 8.

Figura 8: Diagrama de relacin espacios correspondiente al de relacin de actividades de la figura 7.

2.1.4.4.7 Desarrollo de Soluciones Una representacin de cada una de las posibles soluciones es el diagrama de relacin de espacios. La comparacin que se realice entre estas posibles distribuciones debe tener en cuenta aspectos que posiblemente se hayan relegado desde el principio y que pueden resultar muy difciles de tener en cuenta desde el

34

principio de las consideraciones que se realizaron ya que posiblemente restrinjan el modelo en extremo. Algunos ejemplos de los aspectos mencionados son: caractersticas constructivas de los edificios, orientacin, usos del suelo en las reas vecinas, recursos financieros, equipos de manutencin, vigilancia, horarios de trabajo, seguridad, etc. Siendo esta ltima, la seguridad de las personas y los equipos, una de las consideraciones ms importantes, para lo cual se deben tener en cuenta las siguientes observaciones: Los accesos, pasillos y salidas sean amplios y bien sealizados. Los operarios no estn cerca de zonas peligrosas. Exista un acceso conocido y fcil para los equipos de emergencia. No haya elementos puntiagudos, cortantes, etc. en las reas de trabajo y en las de circulacin. En general, el desarrollo de soluciones es un proceso que demanda creatividad, y aquellos que las plantean (los diseadores de la distribucin de planta) deben hacer uso del mtodo y la experiencia. La tercera fase es seleccin la cual consta de un solo paso:

2.1.4.4.8 Evaluacin y seleccin Una vez se han desarrollado las alternativas sobre la distribucin, se realiza la seleccin entre ellas. De manera general en este punto intervienen personas que no han hecho parte del estudio hasta el momento, por lo que una presentacin que muestre claramente lo que se propone es determinante para el buen desarrollo del proyecto. Para esto se debe hacer uso de los diagramas vistos anteriormente o maquetas que puedan ser modificadas rpida y econmicamente, planos, representaciones en una pantalla de computador, entre otras.

35

Algunos criterios para la eleccin de distribuciones en planta son (Vallhonrat y Corominas, 1991): Facilidad de expansin Flexibilidad Eficacia en la manipulacin de materiales Utilizacin del espacio Seguridad Condiciones de trabajo Aspecto, valor promocional Adaptacin a las estructuras orgnicas Utilizacin de los equipos Facilidad de supervisin y control Inversin Coste de funcionamiento

2.1.5 DISTRIBUCIN DE PLANTA AYUDADA POR COMPUTADORA [5]

Los algoritmos computacionales son herramientas que pueden incrementar significativamente la productividad del planeador de la distribucin y la calidad de la solucin final gracias a la generacin y evaluacin numrica de un gran nmero de alternativas de distribucin en un corto tiempo. Cabe anotar que los algoritmos que se encuentran actualmente no reemplazan el juicio ni la experiencia humana, y por lo general no capturan las caractersticas cualitativas de la distribucin. La mayora de los algoritmos pueden ser clasificados por el tipo de datos de entrada que requieren, algunos pueden recibir solamente datos de tipo cualitativo, mientras que otros aceptan datos de tipo cuantitativo. La clasificacin de los algoritmos tambin puede realizarse por el tipo de funcin objetivo, hay dos tipos bsicos de funciones objetivos: 36

Minimizar la suma de flujos, tiempos y distancias: Es similar a la correspondiente al problema cuadrtico de asignacin. Sean : m : Nmero de departamentos fij : Flujo del departamento i al j (expresado en nmero de cargas unitarias movidas por unidad de tiempo) cij : Costo de mover una unidad de carga, una unidad de distancia desde el departamento i al departamento j El objetivo es minimizar el costo por movimiento entre departamentos por unidad de tiempo, puede ser expresado matemticamente as:

min Z = f ij cij d ij
i =1 j =1

(1)

Donde dij es la distancia del departamento i al j. De manera general dij es medida por medio de mtrica rectilnea entre los centroides de los departamentos.

Maximizacin del puntaje de adyacencia: Es basada en la suma del puntaje de adyacencia, el cual es calculado como la suma de los flujos entre los departamentos que son adyacentes en la distribucin. Sea:

1 si el departamento i y j son adyacentes (tienen un borde comn) xij = 0 En otro caso El objetivo es maximizar el puntaje de adyacencia que es: (2)

max Z =

f
i =1 j =1

ij

x ij

37

As como con la anterior ecuacin (2) se compar el puntaje de adyacencia entre dos distribuciones, tambin es aconsejable calcular la eficiencia relativa por medio del puntaje normalizado de adyacencia, el cual vara entre 0 y 1, toma el valor de uno cuando todos las parejas de departamentos con flujo positivo entre ellos son adyacentes en la distribucin. Matemticamente se expresa de la siguiente manera:

f
Z=
i =1 j =1 m m i =1 j =1

ij

xij
ij

Los algoritmos en mencin tambin pueden ser clasificados de acuerdo al formato que usan para representar distribucin. Existen dos clasificaciones en relacin a este aspecto: Discreta: el rea de cada departamento es aproximada a un nmero discreto de cuadrillas. Continua: El rea de los departamentos no est alineada con la cuadrilla por lo que no es recomendable para construcciones rectangulares. Por ltimo los algoritmos de distribucin pueden ser clasificados de acuerdo a su funcin primaria: Algoritmos de mejora: Empiezan con una configuracin inicial y buscan mejorar la funcin objetivo correspondiente por medio de cambios a la distribucin. Algoritmos de construccin: Crean la distribucin partiendo desde cero, existen aquellos que pueden asumir las dimensiones del edificio dadas o aquellos que no.

38

A continuacin se presentan diferentes algoritmos para la distribucin de planta.

2.1.5.1 CRAFT CRAFT (Computer Relative Allocation Facilities Technique) es una de las primeras tcnicas conocidas para la configuracin de planta en la literatura. El costo de la distribucin se haya por medio de la ecuacin (1). Los departamentos nos estn restringidos a formas rectangulares y la representacin que usa es del tipo discreta. Los pasos de este algoritmo son: 1. Empieza con una distribucin inicial, que representa la distribucin inicial, pero tambin puede representar la distribucin hecha por otro algoritmo. 2. Determina los centroides de los departamentos en la distribucin inicial. 3. Calcula la distancia rectilnea entre parejas de centroides de departamentos y guarda los valores en una matriz de distancia. 4. Se calcula el costo de la distribucin inicial (Ecuacin 1). 5. Intercambia 2 o 3 departamentos e identifica el mejor intercambio, que ser el que represente una mayor disminucin en costo de la distribucin. 6. Actualiza la informacin de acuerdo al mejor intercambio encontrado y termina la primera iteracin. 7. Empieza la siguiente iteracin con tomando como solucin inicial la mejor distribucin que encontr en la iteracin anterior. La solucin obtenida es conocida como distribucin 2-opt (3-opt) ya que 2 formas (tres formas) de intercambios pueden reducir el costo de la distribucin.

2.1.5.2 BLOCPLAN BLOCPLAN ubica los departamentos en bandas, cada uno es ubicado en una banda por lo que tienen forma rectangular, usa una tabla de relacin entre ellos

39

para representar el flujo como dato de entrada, el costo de la distribucin tambin es medido por medio de la ecuacin (1) o la ecuacin de adyacencia (2). Adicional a esto, el algoritmo determina el nmero de bandas y el ancho de las mismas, usa representacin continua y suele ser usado tanto como algoritmo constructivo como de mejora. El algoritmo primero asigna cada departamento a una de las bandas, luego calcula el ancho apropiado de la banda dividiendo el rea total de los departamentos en esa banda por la longitud del edificio. La distribucin completa es formada gracias al clculo del ancho de cada banda tal como se describi y organizando los departamentos en cada banda de acuerdo a una secuencia especfica. 2.1.5.3 MIP El problema de configuracin de planta puede ser formulado como un problema de programacin mixta entera (Mixed Integer Programming, MIP) si todos los departamentos se asumen como rectangulares. Este algoritmo usa representacin continua, su funcin objetivo es basada en la distancia (Ecuacin 1) y de manera general es del tipo constructivo. Las dimensiones de los departamentos son tratadas como variables de decisin. Teniendo en cuenta lo anterior el problema puede ser formulado as (Montreuil, 1987): Parmetros del problema: Bx = Longitud del edificio (medida a lo largo de la coordenada X) By = Ancho del edificio (medida a lo largo de la coordenada Y) Ai = rea del departamento i Lli = Lmite inferior de la longitud del departamento i Lui = Lmite superior de la longitud del departamento i Wli = Lmite inferior del ancho del departamento i Wui = Lmite superior del ancho del departamento i 40

M = un nmero grande

Variables de decisin:

i = Coordenada X del centroide del departamento i. i = Coordenada Y del centroide del departamento i
Xi = Coordenada X del lado izquierdo (u oeste) del departamento i Xi = Coordenada X del lado derecho (o este) del departamento i Yi = Coordenada Y del lado inferior (o sur) del departamento i Yi = Coordenada Y del lado superior (o norte) del departamento i Zxij = 1 si el departamento i est estrictamente a la derecha (al este) del departamento j y 0 en otro caso Zyij = 1 si el departamento i est estrictamente arriba (al norte) del departamento j y 0 en otro caso

El departamento i estara estrictamente a la derecha del departamento j si y solo si Xj Xi, De igual manera, e departamento i estara estrictamente al norte del departamento j si y solo si Yj Yi. Se garantiza que dos departamentos no se sobreponen ya que estn separados en la coordenada X y Y. Lo anterior conduce al siguiente modelo:

Minimizar Z = Sujeto a: Lli

i j

fij * Cij * i j + i j

(3)

(Xi- Xi)

Lui

(4)

41

Wli

(Yi-Yi)

Wui i
i i
i

(5) (6) (7) (8) (9) (10) (11) (12) (13) (14) (15)
i y j , i j

(Xi-Xi)(Yi-Yi) = Ai 0 0

Xi Yi

Xi Bx Yi

By

i = 0.5 Xi + 0.5 Xi i= 0.5 Yi + 0.5 Yi

Xj Xj + M (1- Zxij) Yj

i
i

i y j , i j i y j , i j

Yj+M (1- Zyij )

Zxij + Z x ji + Zyij + Zyji

1 i y j , i < j
i

i , i

Xi, Xi, Yi, Yi

Zxij, Zyij, entero {0, 1}

(16)

La funcin objetivo dada por la ecuacin 3, es la funcin objetivo mostrada en la ecuacin (1), las restricciones (4) y (5) aseguran que la longitud y el ancho de cada departamento no supere los lmites, la restriccin (6) expresa el rea requerida por cada departamento, las restricciones (7) y (8) aseguran que los lados de cada departamento estn definidos apropiadamente y que cada departamento est localizado dentro del piso de la planta en las coordenadas X y Y, (9) y (10) definen las coordenadas X y Y respectivamente del centroide de cada departamento. La restriccin (11) asegura que el departamento i est estrictamente a la derecha de j y se activa cuando Zxij = 1, (12) cumple el mismo propsito de la anterior pero en la coordenada Y, (13) garantiza que dos

42

departamentos no se traslapen. Finalmente (14) y (15) son las restricciones de no negatividad y (16) designa las variables binarias. El anterior modelo puede ser resuelto por medio de herramientas

computacionales, sin embargo los resultados pueden ser garantizados cuando se trabaja con un intervalo de 7-8 departamentos. La ventaja de este modelo es que la solucin resultante est garantizada entre 5% a 10% del ptimo [8].

2.1.5.4 Enfriamiento Simulado (SA) SA (Simulated Annealing) es una metaheurstica relativamente nueva, fue formulado por Kirkpatrick, Gelat & Vecchi en 1983. Los conceptos fundamentales detrs de SA estn basados en una analoga entre mecnica esttica problemas de optimizacin combinatoria. Mecnica estadstica es la disciplina central de la fsica de la materia condensada, una serie de mtodos para analizar propiedades agregadas de un gran nmero de tomos encontrados en muestras de materia lquida o slida (Kirkpatrick, 1983). Una de las claves de esta disciplina es el estado de la materia de acuerdo a como su temperatura es gradualmente reducida hasta alcanzar el punto de congelamiento. De esta manera la analoga relacionada con SA es el enfriamiento de los materiales, donde los tomos presentan movimiento hasta que la materia llega al punto de enfriamiento. De esta manera se realiza la bsqueda de la solucin al problema de optimizacin combinatoria que se est resolviendo usando un parmetro de control, que es la temperatura, partiendo de una solucin inicial y una temperatura inicial. A continuacin se muestra un diagrama del algoritmo para un problema de minimizacin [9]:

43

Figura 9: Diagrama del algoritmo de SA.

2.1.5.5 Bsqueda Tab [10] La bsqueda Tab parte de una solucin actual, a partir de esto inicializa la lista tab y realiza la bsqueda de mejores soluciones en la vecindad de la solucin

44

inicial teniendo en cuenta las movidas prohibidas que se encuentran en la lista, tal y como se muestra en el siguiente esquema:

Figura 10: Diagrama del algoritmo de Bsqueda tab.

Los conceptos claves en la bsqueda tab son: Memoria a corto plazo: La lista tab es actualizada con poltica FIFO. El objetivo de esto es evitar caer en ptimos locales. Criterio de aspiracin: pasa por alto una movida tab si sta movida genera una mejor solucin que el mejor ptimo actual. Intensificacin: Realiza una bsqueda local alrededor de la solucin actual (movidas tab). Diversificacin: Realiza una bsqueda por fuera de las restricciones de la lista tab.

45

2.2 ALGORITMOS GENTICOS

[1][2] [3][11]

Los algoritmos genticos (AG) son tcnicas de bsqueda aleatoria dirigida [11]. Fueron inventados por John Holland, profesor de la Universidad de Michigan, quien public su artculo Adaptation in Natural and Artificial Systems en 1975. Surgen como una forma alternativa a los mtodos de gradientes, los cuales resultan imprcticos al realizar bsquedas en un espacio n-dimensional cuando se presentan mltiples ptimos relativos [3]. Son inspirados en los procesos de evolucin y seleccin natural, de manera que sus operadores basados en mtodos evolutivos, actan sobre los individuos pertenecientes a cada generacin para encontrar soluciones que representen mejoras en la funcin objetiva. Los individuos (pertenecientes a la poblacin) dentro de un AG son soluciones factibles del problema La poblacin es un subconjunto del espacio solucin y el tamao (nmero de individuos que posea) depende del problema que se est tratando. Cada individuo de la poblacin es representado por medio de un cromosoma, el cual es una mezcla de smbolos conocidos como genes. Los dos mtodos bsicos de representacin de los individuos son: Vectores de nmeros binarios Vectores de nmeros enteros o reales

2.2.1 Caractersticas de los Algoritmos Genticos

Segn Kook (2004) los algoritmos genticos se caracterizan por:

[3]

Estocsticos: Las transformaciones dadas para el proceso de bsqueda de la solucin y el paso de una generacin a otra son probabilsticas. De Bsqueda mltiple: El proceso es realizado simultneamente en un conjunto de cromosomas, lo cual permite que no se llegue a una solucin nica, sino posiblemente a varias con un costo similar en un perodo

46

relativamente corto de tiempo; Incrementando con ello la probabilidad de hallazgo de mltiples soluciones diferentes. Exploratorios: De todos los algoritmos estocsticos, los algoritmos genticos son los que realizan una mayor exploracin al subespacio de posibles soluciones. Independientes de los Parmetros Iniciales: La convergencia del algoritmo es relativamente independiente de la poblacin inicial, a menos que sta sea realmente degenerada. Esto es particularmente cierto en poblaciones relativamente grandes, escogidas de forma aleatoria. Robustez Paramtrica: El xito del algoritmo depende de la codificacin de los parmetros; No de los parmetros en s. Si la representacin de los datos y las operaciones de cruce y seleccin han sido bien escogidas, es muy difcil que el algoritmo no converja. Esto es particularmente bueno para problemas muy complejos, en los que no existen criterios para escoger una poblacin inicial en particular: Si el algoritmo est bien diseado, converger ms o menos rpidamente a una solucin relativamente aceptable. Paralelismo intrnseco: Independientemente de su implementacin, los algoritmos genticos exploran el espacio en forma paralela. Independencia del Problema: El algoritmo gentico no est ligado con el problema particular. Esto hace al algoritmo bastante robusto, por ser til para cualquier problema, pero a la vez dbil, por no estar especializado en ninguno. Estas caractersticas, permiten considerar los algoritmos genticos como un buen mtodo de solucin para el problema.

47

2.2.2 Etapas de los Algoritmos Genticos

[11] [12] [13]

A continuacin se presenta el esquema general de las etapas de un AG:

Figura 11: Estructura general de un algoritmo gentico. Poblacin inicial: El proceso de optimizacin parte de un conjunto de soluciones iniciales que aplican para el problema tratado. Pueden usarse cromosomas generados aleatoriamente o usar soluciones conocidas previamente del problema. Evaluacin de la funcin objetiva en la poblacin actual: Cada individuo de la poblacin es evaluado para hallar el valor de la funcin objetivo. A aquellos que violen restricciones del problema pueden ser penalizados en su funcin objetivo. De acuerdo a la obtencin de la F.O. puede determinarse cules son los individuos mas adaptados, segn sea el caso de minimizacin (F.O. baja) o maximizacin (F.O. alta).

48

Seleccin de los individuos ms adaptados: Los individuos que representan una mejor solucin (en trminos de la F.O.) son aquellos que tienen mayor probabilidad de reproducirse. Existen diferentes criterios de seleccin como el de ruleta donde cada individuo tiene una probabilidad de reproducirse proporcional a su grado de adaptacin, y el de rango que tiene en cuenta el rango del mejor ajuste a la funcin objetiva y no la magnitud de esta. Cruce: Este operador diferencia los algoritmos genticos de otros algoritmos de optimizacin. Se realiza con el objetivo de crear por lo general- dos nuevos individuos (hijos) a partir de dos individuos existentes (padres) seleccionados por el criterio de seleccin establecido para el algoritmo. Por lo general se usa cruce por un punto. A continuacin se muestran diferentes tipos de cruce [11]: o Cruce por un punto: Padre 1: 1 0 0 0 1 0 0 1 1 1 1 Padre 2: 0 1 1 0 1 1 0 0 0 1 1 Hijo 1: Hijo 2: 10001100011 01101001111

o Cruce por dos puntos: Padre 1: 1 0 1 0 0 0 1 1 0 1 0 Padre 2: 0 1 1 0 1 1 1 1 0 1 1 Hijo 1: 1 0 1 0 1 1 1 1 0 1 0 Hijo 2: 0 1 1 0 0 0 1 1 0 1 1 o Cruce cclico: Padre 1: 1 2 3 4 5 6 7 8 9 Padre 2: a b c d e f g h i

49

Hijo 1: 1 b 3 d e f 7 h 9 Hijo 2: a 2 c 4 5 6 g 8 i o Cruce uniforme: Padre 1: 1 0 1 0 0 0 1 1 0 1 0 Padre 2: 0 1 1 0 1 1 1 1 0 1 1 Patrn: 1 1 0 1 0 0 1 1 0 1 0 Hijo 1: 1 0 1 0 1 1 1 1 0 1 1 Hijo 2: 0 1 1 0 0 0 1 1 0 1 0 Mutacin: Previamente definida una probabilidad de mutacin, a cada individuo le es cambiado uno o varios genes de manera aleatoria. Dado que de un solo padre se genera un nuevo hijo, esta operacin es llamada mondica. Este operador permite una mayor exploracin y evitar la cada en ptimos locales. Cabe anotar que una probabilidad de mutacin muy alta puede generar demasiada aleatoriedad dentro del algoritmo dificultando as el hallazgo de una buena solucin.

2.2.3 Aplicacin de AG para distribucin en planta [2] [14]

Por medio de algoritmos genticos es posible conseguir buenas distribuciones a partir de una bsqueda guiada sobre una pequea fraccin del espacio de soluciones, aunque tienen el problema de la dificultad en codificar los individuos o soluciones factibles y de disear las estrategias de bsqueda, en las que es fundamental la asignacin de los parmetros especficos del problema, como por ejemplo las probabilidades de cruzamiento, mutacin o reproduccin y el tamao de la poblacin, aunque el problema ms grave es el de la gestin de las restricciones del problema (Michalewicz, 1994). Islier (1998), presenta un algoritmo gentico en el que se divide los centros de actividad en un nmero de celdas de superficie unitaria y se valoran la forma tomada por cada actividad y por

50

el conjunto, as como los costes de transporte en el proceso productivo, obteniendo resultados aceptables. [15]. A continuacin se presentan consideraciones generales del modelo propuesto por Islier, las cuales no se tratarn con profundidad dado que este modelo no aplica para el problema tratado en este proyecto. Segn Islier, el primer criterio de optimizacin para el problema de configuracin de planta para una fbrica de manufactura es minimizar la carga de transporte, el segundo es maximizar el grado de compactacin de las reas de las estaciones de trabajo o departamentos y el tercero es minimizar la diferencia entre las reas demandadas y las disponibles para cada estacin de trabajo o departamento2, a continuacin se presenta una descripcin de cada uno de ellos: 1. Minimizar la carga de transporte: [1] La carga de transporte se puede calcular utilizando la informacin de flujo, unidades de carga y las distancias rectilneas entre los centroides de las estaciones de trabajo. Matriz de flujo Matriz de distancias Matriz de costos unitarios Por este motivo los datos de entrada para lograr minimizar la carga de transporte son:

El flujo representa el nmero de unidades de carga que son transportadas de un sitio de trabajo a otro en un periodo de tiempo, los costos unitarios representan los costos de mover una unidad de carga por unidad de longitud de un departamento a otro; a su vez, las distancias en una planta de manufactura representan la separacin de los centroides de un departamento a otro.
2

ISLIER A.A. A genetic algorithm approach for multiple criteria facility layout design, International Journal of Production Research, Vol.36, No.6, 1998, 1549-1569.

51

2. Maximizar el grado de compactacin de las reas de las estaciones de trabajo [1]: Consiste bsicamente en encontrar la forma ms adecuada para disear las formas que tendrn las diferentes estaciones de trabajo de una compaa. Esto con el fin de evitar prdidas de espacio y diseos que generen incomodidad para realizar el trabajo. 3. Minimizar la diferencia entre las reas demandadas y disponibles [1]: Se busca que por medio de la aclaracin de cules son las reas mnimas, mximas y deseadas de cada departamento, se logre minimizar la desviacin del rea de cada estacin de trabajo con respecto a lo deseado.

3. ALGORITMO GENTICO PARA EL PROBLEMA DE CONFIGURACIN DE PLANTA

Para dar solucin al problema descrito se us la metaheurstica de Algoritmos Genticos, la cual se program en Visual Basic para Excel. En este captulo se describir el proceso llevado a cabo para la elaboracin del algoritmo, la herramienta que se desarroll para solucionar una variacin del problema y los resultados obtenidos.

3.1 RECOLECCIN DE DATOS

3.1.1 Medicin de las dimensiones de las oficinas y los departamentos

A lo largo de este trabajo se le llamar departamentos a los diversos elementos que integran el proceso productivo de la oficina bancaria.

52

Las medidas de la oficina y de los departamentos correspondientes a cada sucursal estudiada fueron obtenidas a partir de los planos suministrados por la entidad bancaria. A partir de estos, se realizaron las mediciones correspondientes al ancho y largo de las oficinas y departamentos, conservando la escala de cada plano. Las escalas utilizadas se relacionarn a continuacin: Oficina Escala 1 2 3 4 5 1:100 1:100 1:125 1:150 1:50

Tabla 2: Escala de los planos de cada oficina Se consideraron los departamentos principales en cada oficina; es decir, aquellos que participan en la finalidad productiva del banco. Se asumieron algunas medidas de departamentos pequeos que no se especificaban en el plano, como el tarjetero. Y se hicieron algunas generalidades sobre la forma de la oficina cuando esta no era totalmente rectangular, como en el caso de la oficina 4.

3.1.2 Medicin de flujos

A partir de entrevistas realizadas a los gerentes comerciales y operativos de la red bancaria se obtuvieron encuestas en las cuales se calific la importancia relativa de la cercana entre los departamentos de las oficinas. Las cuales tienen el siguiente formato:

53

Depto. 1 Depto. 2 Depto. 3 Depto. N-1 Depto. N Depto. 1 Depto. 2 Depto. 3 Depto. N-1 Depto. N

Figura 12: Formato de la matriz de calificacin. Este formato es una variacin del diagrama de relacin de actividades propuesto por Muther. Las casillas en blanco se llenan con la calificacin que los gerentes consideren pertinente entre 0 y 5 bajo las siguientes convenciones: 5 = Completamente necesario que estn situados muy cerca 4 = Es especialmente importante que estn situados cerca una de la otra 3 = Es importante que estn situados cerca una de la otra 2 = No es muy importante que estn situados cerca una de la otra 1 = No es importante que estn situados cerca una de la otra 0 = Es indeseable que estn situados cerca una de la otra Esta matriz de calificacin, que desde ahora llamaremos matriz de percepcin, es anloga a la medicin del flujo; ya que as, como entre mayor es el flujo entre dos departamentos mayor es la deseabilidad de cercana entre ellos, entre mayor sea la importancia (o deseabilidad) de que estn situados cerca, mayor ser la calificacin en la matriz de percepcin. Dado que la encuesta fue realizada a dos gerentes (comercial y operativo) por oficina, se necesitaba concordar la informacin de estas dos matrices, por lo que se hizo un promedio entre ellas, y cuando la diferencia entre los dos valores era superior a 3 un experto defini la calificacin.

54

3.2 DESCRIPCIN DEL MODELO

El modelo propuesto por Islier no se aplica al problema que se est tratando en este proyecto, dado que si bien se quiere minimizar la carga de trabajo, no se posee una matriz unitaria de costos; por otra parte, se tiene un rea fija para cada departamento, ya que las dimensiones de los mismos son establecidas desde el principio del proceso del diseo de la configuracin, a diferencia del modelo de Islier donde se establecen reas mnimas y mximas deseadas de cada departamento. Por lo que se propone el siguiente modelo: Dada la naturaleza del problema la Funcin Objetivo es:
FO = [ f (i, j ) * d (Z (i ), Z ( j ) )]
i j

i, j [1, N ]
Sujeto a: No se traslapen (sobrepongan) los departamentos entre s.

Donde: N es el nmero de departamentos.

f (i, j ) Representa el flujo entre el departamento i y el departamento j.

d (Z (i), Z ( j ) ) Representa la distancia entre los centroides de los rectngulos (o

las posiciones) donde quedaron ubicados el departamento i y el departamento j de acuerdo a la asignacin definida por el cromosoma. Dicha distancia es medida usando la mtrica rectilnea as:
d ij = xi x j + yi y j i, j [1, N ]

55

Donde:
d ij xi yi xj
yj

Es la distancia entre los departamentos i y j Es la coordenada horizontal del centroide del departamento i. Es la coordenada vertical del centroide del departamento i. Es la coordenada horizontal del centroide del departamento j. Es la coordenada vertical del centroide del departamento j.

3.3 REPRESENTACIN DE LA SOLUCIN

La solucin al problema planteado ser representada por el siguiente cromosoma Z:
Z(1) Z(2) Z(3) Z(4) Z(5) Z(6) Z(7) Z(8) Z(9) Z(10) Z(N-3) Z(N-2) Z(N-1) Z(N)

Costado Oriente

Costado Norte

Costado Occidente

Costado Sur

Parte trasera

Z (i ) = Departamento asignado en el orden i.

i [1, N ]
N = Nmero de departamentos.

El cromosoma est dividido en cinco partes, las primeras cuatro representan los costados de la oficina (Oriente, Norte, Occidente y Sur), la quinta representa los departamentos a los que el cliente no tiene acceso directo y se encuentran en la parte trasera de la oficina. Cada una de las primeras cuatro partes del cromosoma contiene los nmeros de los departamentos en el orden en que son ubicados; se est realizando un llenado en el orden del movimiento de las manecillas del reloj. La quinta parte contiene los nmeros de los departamentos ubicados en la parte trasera de la oficina, en forma de columnas, que van de izquierda a derecha y son llenadas de arriba hacia abajo. Para mayor ilustracin, a continuacin se muestra un ejemplo: 56

El siguiente cromosoma:
1 3 2 13 14 9 12 12 16 11 6 4 5 8 7 10 18 17

Representa la distribucin:

Costado Norte

Atrs

14 13 2

12 15

16 11

10

17

Costado Oriente

18 6

3 7 1 8 5 4

Costado Sur

Occidente

Figura 13: Distribucin de planta correspondiente a la representacin de la solucin propuesta.

Dada la forma de representacin de la solucin, cada departamento solo es asignado en el ordenamiento de la planta una sola vez; adicional a esto, a lo largo del algoritmo se garantiza que los individuos de la poblacin no violan la restriccin de sobre-posicin de los departamentos, ya que a partir del cromosoma que se tiene, se hallan las nuevas coordenadas de los departamentos, y posteriormente con esta informacin se realiza la nueva distribucin.

57

3.4 REALIZACIN DEL ALGORITMO

El AG realizado para disear la distribucin de planta de las oficinas bancarias, parte de la configuracin actual de stas. Adems, se tienen en cuenta los departamentos que no deben ser cambiados de posicin, como la puerta principal de la sucursal y el cajero automtico. Tambin se conservan las dimensiones de los departamentos que se encuentran en la configuracin actual.

3.4.1 Parmetros de Entrada

Los parmetros que recibe referentes a la oficina, son: Nmero de Objetos que deben ir fijos Nmero de objetos no fijos Dimensin de la oficina en el sentido de la coordenada Y Dimensin de la oficina en el sentido de la coordenada X Matriz de flujos entre departamentos Para cada departamento recibe: o Nombre o Coordenada en X de la esquina superior izquierda o Coordenada en Y de la esquina superior izquierda o Dimensin del departamento en el sentido de la coordenada Y o Dimensin del departamento en el sentido de la coordenada X o 1 Si el departamento debe ir fijo y 0 de lo contrario o Costado de la Oficina en el que debe ir ubicado (Oriente, Norte, Occidente, Sur o Parte trasera) Los parmetros que recibe para la ejecucin del algoritmo gentico son: Nmero de iteraciones 58

Tamao de la poblacin Probabilidad de Mutacin Porcentaje de mejores Porcentaje de generados por mejores

3.4.2 Estructura
El programa est construido de la siguiente manera: 1. Se genera una poblacin inicial de tamao n, es decir; se generan n cromosomas de manera aleatoria, donde n es el tamao de la poblacin. Para realizar las corridas del algoritmo se us un tamao de poblacin de 100. 2. Evala el costo total de cada individuo, penalizando a aquellos que violan una restriccin. 3. Organiza los individuos de menor a mayor costo. Guarda el mejor costo encontrado en cada iteracin y su correspondiente cromosoma, el cual pasar inmediatamente a la siguiente generacin. 4. Encuentra el grupo de mejores que tienen menores costos (lite). El primer individuo que corresponde a la lite es aquel que pertenece a la anterior generacin y tiene el menor costo asociado. 5. Se escogen dos cromosomas aleatoriamente dentro del grupo de mejores cromosomas y se cruzan a travs de la estrategia que se explica detenidamente mas adelante, hasta completar el tamao de la poblacin que corresponda al porcentaje de generados por mejores. 6. El resto de la poblacin requerida para completar el tamao de la poblacin para cada generacin se genera a travs de la escogencia aleatoria de dos individuos dentro de la poblacin de padres (incluyendo a la lite) y cruzarlos con la estrategia escogida anteriormente. 7. Se realiza la mutacin a la poblacin como se explica mas adelante.

59

8. Para la nueva poblacin generada se realiza lo enunciado en el punto 2 y desde all se repite el algoritmo el nmero de veces correspondiente al nmero de generaciones que se desean. Al finalizar el nmero de iteraciones, el programa arroja de manera grfica la mejor solucin encontrada a lo largo de todas las generaciones, junto con una tabla de convenciones para identificar los departamentos que se encuentran en el diagrama y la funcin objetivo correspondiente a la solucin.

3.4.3 Poblacin Inicial

Como solucin inicial para cada oficina, se tom el cromosoma que representaba la distribucin actual. A cada una de las partes de este cromosoma se le realiza un nmero aleatorio de intercambios entre departamentos, siempre y cuando estos no hayan sido asignados previamente como fijos por parte del usuario. A partir de este proceso se genera un nuevo cromosoma, que junto con otros generados de la misma forma conforman la poblacin inicial. De esta manera se generan cromosomas factibles como poblacin inicial, ya que no se repite ningn departamento y los elementos fijos de la oficina no son cambiados de lugar.

3.4.4 Funcin Objetivo y su evaluacin

La funcin objetivo del problema, tal y como es mostrada en el modelo, consiste en la suma de la multiplicacin del flujo entre departamentos por la distancia rectilnea entre los centroides de estos. Tal como se mencion anteriormente, el flujo para este trabajo, es reemplazado por la deseabilidad de cercana entre departamentos, medida por medio de una matriz de percepcin que era llenada por los gerentes operativo y comercial de la entidad financiera y posteriormente se realizaba una conciliacin entre sus

60

diferentes percepciones que se plasmaba en una matriz final que fue la utilizada para este proyecto. Esta matriz entra como parmetro al algoritmo. La distancia rectilnea entre los centroides de los departamentos es hallada de la siguiente manera:

Se hallan las coordenadas para la esquina superior izquierda de cada departamento. A partir de estas coordenadas y las dimensiones de cada departamento se hallan sus centroides. Se halla la distancia entre cada par de departamentos sumando la separacin de sus centroides en las coordenadas X y Y, como se muestra a continuacin:

dep. i

dep. j

Figura 14: Medicin de distancia por mtrica rectilnea.

La distancia entre el departamento i y el departamento j ser: X + Y Una vez se tienen los datos necesarios para evaluar la funcin objetivo se hacen los clculos correspondientes.

61

3.4.5 Estrategia de seleccin

Como estrategia de seleccin uso el elitismo, de manera que una vez generada la poblacin, se evala el costo de cada individuo. Se toma el porcentaje de mejores (Este es un parmetro variable para el diseo de experimentos) y evala la cantidad de individuos de la poblacin que representa un menor costo, este grupo de cromosomas es llamado la lite. A partir de esto se genera la siguiente poblacin escogiendo dos cromosomas aleatoriamente dentro de la lite, que se cruzan de manera uniforme, generando hijos, esto se hace hasta completar el tamao de la poblacin que corresponda al porcentaje de generados por mejores (El cual es un parmetro variable para el diseo de experimentos). El resto de la poblacin requerida para completar el tamao de la poblacin para cada generacin se genera a travs de escoger aleatoriamente dos individuos dentro de la poblacin de padres (incluyendo a la lite) y cruzarlos con la estrategia escogida anteriormente. El mejor individuo, en trminos de costo, de una generacin pasa intacto a la siguiente.

3.4.6 Estrategia de cruce

La estrategia de cruce utilizada es uniforme donde se obtiene un vector patrn el cual es un vector de unos y ceros generado de manera aleatoria. A partir de all se multiplican los dgitos del vector patrn por los dgitos del primer pap y los dgitos del segundo pap son multiplicados por los dgitos del vector resultado de la resta entre un vector de unos y el vector patrn. A partir de esto se obtiene el primer hijo, para obtener el segundo hijo, se multiplica el primer padre por el vector resultado de la resta entre un vector de unos y el vector patrn, y el segundo padre se multiplica por el vector patrn.

62

Ejemplo para la primera parte del cromosoma: Patrn:

0 0 1 0 1

Vector opuesto: Es el vector resultado de restar al valor del arreglo patrn el nmero 1:

1 1 0 1 0

Padre 1:

1 3 2 13 14

Padre 2:

13 1 14 3 2

Padre 1 por Vector Patrn: 0 0 2 0 14 Padre 2 por Vector opuesto: 13 1 0 3 0 Padre 1 por Vector opuesto: 1 3 0 13 0

63

Padre 2 por Vector Patrn: 0 0 14 0 2 Hijo 1: 13 1 2 3 14 Hijo 2: 1 3 14 13 2

Se escogi esta estrategia ya que as los departamentos de cada costado se conservarn en ese lado despus del cruce, de esta manera se evita la reorganizacin del cromosoma una vez aplicado este operador.

3.4.7 Estrategia de mutacin

Para cada cromosoma se genera un nmero aleatorio que es comparado con la tasa de mutacin (La cual es el tercer parmetro variable para el diseo de experimentos), si el nmero aleatorio generado es menor que la tasa de mutacin entonces este individuo es mutado, de lo contrario no. El operador de mutacin funciona de la siguiente manera: Se obtienen dos nmeros aleatorios entre 1 y el nmero de departamentos que pertenecen a la parte del cromosoma que se est mutando, e intercambia las posiciones en esa parte del cromosoma correspondientes a estos nmeros. La mutacin se hace para cada una de las cinco partes del cromosoma y solo se intercambian departamentos si estos no han sido asignados como fijos dentro de la configuracin previamente por el usuario; as se garantiza que los cromosomas siguen siendo factibles despus de la mutacin, por lo que a este operador no es necesario realizarle reparacin. Ejemplo: Para una parte del cromosoma que debe ser mutada:

64

2 3 4 5 1

No. Aleatorio 1: 2 No. Aleatorio 2: 5 Significa que intercambiamos el contenido de la posicin 2 con el de la posicin 5, se verifica si los departamentos de estas dos posiciones deben estar fijos, si la respuesta es negativa se obtiene como resultado:

2 1 4 5 3

3.4.8 Estrategias de reparacin

Como se explic anteriormente el operador de mutacin no necesita ser reparado. Despus de realizar el cruce entre dos cromosomas, se verifica que los hijos generados sean factibles, de manera que ningn departamento est ausente dentro del cromosoma, si el cromosoma necesita reparacin en alguna de sus partes, se reemplaza el primer repetido por el primer ausente entre los departamentos que pertenezcan a esa parte. A continuacin se muestra un ejemplo:

Cromosoma que debe ser reparado:

13

14

12

12

16

11

10

65

Cromosoma reparado:

13

14

12

15

16

11

10

3.5 AG PARA LA CONFIGURACIN DE PLANTA DE UNA OFICINA VIRGEN

Para establecer la distribucin de la planta de una oficina desde cero, se propuso una metaheurstica basada en AG similar a la anterior. La construccin, los operadores y la forma en como es arrojada la solucin para este algoritmo son iguales a los explicados en el algoritmo anterior, excepto en la generacin de la poblacin inicial, la cual se explicita ms adelante. La explicacin detallada sobre el manejo de la herramienta se encuentra en el Anexo 1: Manual del Usuario.

3.5.1 Parmetros del modelo

Los parmetros del modelo son: De la oficina:

66

o Nombre de la oficina o Costado en el que va la entrada o Dimensiones de Frente y Fondo o Nmero de departamentos De los departamentos: o Nombre o Dimensiones de frente y fondo o Ubicacin relativa a la entrada De los flujos: o Deseabilidad de proximidad entre cada pareja de departamentos

Del Algoritmo gentico: Si el usuario no desea usar los parmetros recomendados para el algoritmo gentico debe ingresar: o Nmero de iteraciones o Tamao de la poblacin o Probabilidad de Mutacin o Porcentaje de mejores o Porcentaje de generados por mejores

3.5.2 Poblacin Inicial

Debido a que este algoritmo no parte de una configuracin actual, no se tiene una solucin inicial para el problema, de manera que se gener aleatoriamente, teniendo en cuenta los costados a los que pertenece cada departamento, segn la informacin ingresada previamente por el usuario.

67

3.6 DISEO DE EXPERIMENTOS

[17]

Con el objetivo de establecer la mejor combinacin de parmetros de entrada para el algoritmo, se desea realizar un diseo factorial 33. Donde los factores son: Probabilidad de Mutacin Porcentaje de mejores Porcentaje de generados por mejores

El nmero de iteraciones para la corrida del programa se escogi por medio de grficos que muestran la convergencia del algoritmo como el que se muestra en la Figura 14, se tom un valor grande en relacin al valor promedio de convergencia en bsqueda de mejores soluciones.

Comportamiento del algortimo - Oficina 1

4580,00

4560,00

4540,00

4520,00

Valor de F.O.

4500,00

4480,00

4460,00

4440,00

4420,00

4400,00 0 50 100 150 200 250

Nmero de iteraciones

Figura 15: Ejemplo de convergencia del algoritmo

68

Los niveles correspondientes a los factores son: Probabilidad de Mutacin: 0.01, 0.05 y 0.1. Porcentaje de mejores: 0.2, 0.45 y 0.7. Porcentaje de generados por mejores: 0.3, 0.6 y 0.8.

Los valores escogidos fueron acordados junto con el asesor de tesis y son producto de experiencias anteriores con el uso de los algoritmos genticos. Tal como enuncia Montgomery (1991), el uso de la particin para probar formalmente dentro del diseo de experimentos que no hay diferencias en las medias de los tratamientos requiere que se satisfagan ciertos supuestos. Especficamente estos supuestos son que el modelo describe de manera adecuada las observaciones, y que los errores siguen una distribucin normal e independiente con media cero y varianza 2 constante pero desconocida. No es prudente confiar en el anlisis de varianza hasta haber verificado estos supuestos [17]. A partir de lo anterior se realiz la corrida del programa para las cinco instancias estudiadas y todas las variaciones de parmetros propuestas. De los resultados obtenidos, Ver Anexo 2., era claro que para cualquier combinacin de parmetros se obtena el mismo valor para la F.O., lo cual nos deja ver que no hay cambios que puedan observarse en la respuesta de salida; de esta manera, identificar las razones que los produce, lo cual es el motivo para la realizacin del diseo de experimentos, pierde sentido. Se decidi hacer el anlisis del efecto de las combinaciones de parmetros grficamente, para lo cual se diagram el valor de la media, el mnimo y el mximo encontrado a lo largo de 30 experimentos, contra las combinaciones de parmetros (Ver tabla 4), para cada oficina.

69

Combinacin de parmetros

PGE 1 = 0,3 PE 1 = PE 2 = PE 3 = 0,2 0,45 0,7 1 2 3

Combinacin de parmetros

PGE 1 = 0,3 PE 1 = PE 2 = PE 3 = 0,2 0,45 0,7 10 11 12 PGE 1 = 0,3 PE 1 = PE 2 = PE 3 = 0,2 0,45 0,7 19 20 21

Combinacin de parmetros

PM 1 = 0,01 PGE 2 = 0,6 PE 1 = PE 2 = PE 3 = 0,2 0,45 0,7 4 5 6 PM 2 = 0,05 PGE 2 = 0,6 PE 1 = PE 2 = PE 3 = 0,2 0,45 0,7 13 14 15 PM 3 = 0,1 PGE 2 = 0,6 PE 1 = PE 2 = PE 3 = 0,2 0,45 0,7 22 23 24

PE 1 = 0,2

PGE 3 = 0,8 PE 2 = PE 3 = 0,45 0,7 7 8 9

PGE 3 = 0,8 PE 1 = PE 2 = PE 3 = 0,2 0,45 0,7 16 17 18 PGE 3 = 0,8 PE 1 = PE 2 = PE 3 = 0,2 0,45 0,7 25 26 27

Tabla 3: Convenciones para las combinaciones de parmetros. Adicional a esto, se quiere realizar una comparacin del comportamiento del algoritmo para dos nmeros de iteraciones diferentes para cada instancia.

3.6.1 Oficina 1
La siguiente grfica muestra el valor de la funcin objetivo para la oficina 1, frente a todas las combinaciones de parmetros, para 200 iteraciones.

70

Comportamiento del Algoritmo frente a la Variacin de parmetros: Of. 1, 200 iter.

4700,000

4650,000

4600,000 Valor de F.O.

4550,000

Media Mnimo Mximo

4500,000

4450,000

4400,000 0 3 6 9 12 15 18 21 24 27 30 Variacin de parmetros

Figura 16: Relacin entre FO, Combinacin de parmetros y 200 iteraciones para la instancia 1.

De la anterior grfica para 200 iteraciones, puede verse que para las primeras combinaciones de parmetros se presentan variaciones importantes para el mayor valor encontrado de la Funcin Objetivo a lo largo de todos los experimentos, por lo que para una probabilidad de mutacin de 0.01 (la ms pequea que se consider) y los dems niveles de porcentaje de mejores y porcentaje de generados por mejores, existe la posibilidad de caer en ptimos locales. Por otra parte, puede verse que en las 27 combinaciones se encontr el mismo mnimo, de lo que se puede afirmar que representa un ptimo, pero sin certeza de que este sea global. Por ltimo se nota una estabilidad dentro del comportamiento de la media frente a las variaciones. A continuacin, se presenta el valor de la funcin objetivo para la oficina 1, frente a todas las combinaciones de parmetros, para 1000 iteraciones.

71

Comportamiento del Algoritmo frente a la Variacin de parmetros: Of. 1, 1000 iter.

4700,000

4650,000

4600,000 Valor de F.O.

4550,000

Media Mnimo Mximo

4500,000

4450,000

4400,000 0 3 6 9 12 15 18 21 24 27 30 Variacin de parmetros

Figura 17: Relacin entre FO, Combinacin de parmetros y 1000 iteraciones para la instancia 1 La anterior grfica, muestra claramente que para todas las combinaciones de parmetros se encuentra el mismo valor mximo, mnimo y media a lo largo de todos los experimentos, para 1000 iteraciones. El valor mnimo obtenido es igual al correspondiente a 200 iteraciones. Por lo que se concluye que para un nmero grande de iteraciones, el algoritmo siempre encontrar el mnimo conocido, para cualquier combinacin de parmetros. De acuerdo a lo observado para esta instancia puede afirmarse que el algoritmo es robusto, ya que a pesar de las variaciones en el nmero de iteraciones, tanto la media como el valor mnimo obtenido presentan gran estabilidad frente a las variaciones de los parmetros. Unido a esto, el valor mximo que se obtenga para un nmero grande de experimentos puede variar de acuerdo al nmero de iteraciones, por lo que se debe tener en cuenta que de la combinacin de 72

parmetros de 10 en adelante resulta ms conveniente para la corrida del algoritmo.

3.6.2 Oficina 2
La figura 18 muestra el valor de la funcin objetivo para la oficina 2, frente a todas las combinaciones de parmetros, para 50 iteraciones.

Comportamiento del Algoritmo frente a la Variacin de parmetros: Of. 2, 50 iter.

700,000

600,000

500,000

Valor de F.O.

400,000

300,000

Media Mnimo Mximo

200,000

100,000

0,000 0 3 6 9 12 15 18 21 24 27 30 Variacin de parmetros

Figura 18: Relacin entre FO, Combinacin de parmetros y 50 iteraciones para la instancia 2

En la anterior grfica puede verse que para todas las combinaciones de parmetros se encuentra el mismo valor mximo, mnimo y media a lo largo de todos los experimentos, para 50 iteraciones. Por lo que se concluye que para un nmero relativamente pequeo de iteraciones, el algoritmo siempre encontrar el mnimo conocido, para cualquier combinacin de parmetros. Puede verse que en 73

las 27 combinaciones de parmetros se encontr el mismo mnimo, de lo que se puede afirmar que representa un ptimo, pero sin certeza de que este sea global. A continuacin, se presenta el valor de la funcin objetivo para la oficina 2, frente a todas las combinaciones de parmetros, para 1000 iteraciones.

Comportamiento del Algoritmo frente a la Variacin de parmetros: Of. 2, 1000 iter.

700,000

600,000

500,000

Valor de F.O.

400,000

300,000

Media Mnimo Mximo

200,000

100,000

0,000 0 3 6 9 12 15 18 21 24 27 30 Variacin de parmetros

Figura 19: Relacin entre FO, Combinacin de parmetros y 50 iteraciones para la instancia 2 En igual forma que para la figura 18, se observa que para todas las combinaciones de parmetros se encuentra el mismo valor mximo, mnimo y media a lo largo de todos los experimentos, para 1000 iteraciones. El valor mnimo obtenido es igual al correspondiente a 50 iteraciones. De manera que no se requiere de un nmero alto de iteraciones para que el algoritmo encuentre el mnimo conocido, para cualquier combinacin de parmetros. Un factor que influye en este hecho es el tamao de este problema: 8 departamentos.

74

Como pudo verse para esta instancia el algoritmo conserva su robustez, ya que la media, el valor mnimo y el valor mximo se conservan a lo largo de todas todos los experimentos, a pesar de las variaciones en el nmero de iteraciones y parmetros. Cualquier combinacin de parmetros resulta conveniente para este caso.

3.6.3 Oficina 3

75

A continuacin, se presenta el valor de la funcin objetivo para la oficina 3, frente a todas las combinaciones de parmetros, para 50 iteraciones.

Comportamiento del Algoritmo frente a la Variacin de parmetros: Of. 3, 50 iter.

4280,000

4270,000

4260,000

4250,000 Valor de F.O. Media Mnimo Mximo

4240,000

4230,000

4220,000

4210,000

4200,000 0 3 6 9 12 15 18 21 24 27 30 Variacin de parmetros

Figura 20: Relacin entre FO, Combinacin de parmetros y 50 iteraciones para la instancia 3. Para este caso puede verse que se presentan variaciones para el valor mximo obtenido a lo largo de los experimentos para diferentes combinaciones de parmetros, en especial para las 9 primeras. En particular, para las primeras 4 se obtiene el mismo valor, por lo que se puede pensar que stas no son recomendables para la corrida del algoritmo ya que posiblemente se puede obtener como resultado un ptimo local. A pesar de esto, el mnimo que se encuentra para todas las combinaciones es el mismo, y la media muestra un comportamiento estable. Resultara conveniente realizar la corrida del algoritmo para esta instancia para un nmero mayor de iteraciones. Lo cual se muestra a continuacin:

76

Comportamiento del Algoritmo frente a la Variacin de parmetros: Of. 3, 1000 iter.

4280,000

4270,000

4260,000

4250,000 Valor de F.O. Media Mnimo Mximo

4240,000

4230,000

4220,000

4210,000

4200,000 0 3 6 9 12 15 18 21 24 27 30 Variacin de parmetros

Figura 21: Relacin entre FO, Combinacin de parmetros y 1000 iteraciones para la instancia 3. La figura 21, a diferencia de la anterior, muestra claramente que para todas las combinaciones de parmetros se encuentra el mismo valor mximo, mnimo y media a lo largo de todos los experimentos, para 1000 iteraciones. El valor mnimo obtenido es igual al correspondiente a 50 iteraciones. El cual, al igual que en las anteriores ocasiones, no se puede afirmar que es un ptimo global. De acuerdo a lo anterior, puede afirmarse que para esta instancia resulta recomendable correr el algoritmo para un nmero grande de iteraciones, de esta manera se garantizar la obtencin de la mejor solucin conocida. A pesar de los diferentes nmeros de iteraciones, la media presenta estabilidad frente a las variaciones de los parmetros y el mnimo encontrado se conserva.

3.6.4 Oficina 4

77

La siguiente grfica muestra el valor de la funcin objetivo para la oficina 4, frente a todas las combinaciones de parmetros, para 25 iteraciones.

Comportamiento del Algoritmo frente a la Variacin de parmetros: Of. 4, 25 iter.

3720,000 3718,000 3716,000 3714,000 3712,000 Valor de F.O. 3710,000 3708,000 3706,000 3704,000 3702,000 3700,000 3698,000 0 3 6 9 12 15 18 21 24 27 30 Variacin de parmetros Media Mnimo Mximo

Figura 22: Relacin entre FO, Combinacin de parmetros y 25 iteraciones para la instancia 4. De la anterior grfica para 25 iteraciones, puede verse que para las primeras combinaciones de parmetros se presentan variaciones de cerca de 20 unidades, para el mayor valor encontrado de la Funcin Objetivo a lo largo de todos los experimentos, por lo que para una probabilidad de mutacin muy pequea y los dems niveles de porcentaje de mejores y porcentaje de generados por mejores, existe la posibilidad de caer en ptimos locales. Por otra parte, puede verse que en las 27 combinaciones se encontr el mismo mnimo, de lo que se puede afirmar que representa un ptimo, pero sin certeza de que este sea global. El conjunto conformado desde la combinacin 13 en adelante es recomendable.

78

A continuacin, se presenta el valor de la funcin objetivo para la oficina 4, frente a todas las combinaciones de parmetros, para 1000 iteraciones.

Comportamiento del Algoritmo frente a la Variacin de parmetros: Of. 4, 1000 iter.

3720,000 3718,000 3716,000 3714,000 3712,000 Valor de F.O. 3710,000 3708,000 3706,000 3704,000 3702,000 3700,000 3698,000 0 3 6 9 12 15 18 21 24 27 30 Variacin de parmetros Media Mnimo Mximo

Figura 23: Relacin entre FO, Combinacin de parmetros y 1000 iteraciones para la instancia 4. La anterior grfica, muestra que para todas las combinaciones de parmetros se encuentra el mismo valor mximo, mnimo y media a lo largo de todos los experimentos, para 1000 iteraciones. El valor mnimo obtenido es igual al correspondiente a 25 iteraciones. Por lo que se concluye que para un nmero grande de iteraciones, el algoritmo siempre encontrar el mnimo conocido, para cualquier combinacin de parmetros para esta instancia. Frente a las variaciones en el nmero de iteraciones, tanto la media como el valor mnimo obtenido presentan gran estabilidad frente a las variaciones de los parmetros. Unido a esto, el valor mximo que se obtenga para un nmero grande

79

de experimentos puede variar de acuerdo al nmero de iteraciones, por lo que se debe tener en cuenta que de la combinacin de parmetros de 13 en adelante resulta ms conveniente para la corrida del algoritmo.

3.6.5 Oficina 5
La figura 18 muestra el valor de la funcin objetivo para la oficina 2, frente a todas las combinaciones de parmetros, para 50 iteraciones.

Comportamiento del Algoritmo frente a la Variacin de parmetros: Of. 5, 100 iter.

2820,000

2800,000

2780,000

Valor de F.O.

2760,000

2740,000

Media Mnimo Mximo

2720,000

2700,000

2680,000 0 3 6 9 12 15 18 21 24 27 30 Variacin de parmetros

Figura 24: Relacin entre FO, Combinacin de parmetros y 100 iteraciones para la instancia 5. Esta grfica muestra que para esta instancia se producen muchas variaciones para el valor mximo encontrado en las primeras 10 combinaciones, y algunas otras para las combinaciones 16 y 17, y una variacin importante para la 25. Aunque el mnimo encontrado para los 27 casos es el mismo y la media conserva estabilidad se recomendara evaluar esta instancia para un mayor nmero de 80

iteraciones, de lo contrario, posiblemente se obtenga un ptimo local como solucin.

Comportamiento del Algoritmo frente a la Variacin de parmetros: Of. 5, 1000 iter.

2820,000

2800,000

2780,000

Valor de F.O.

2760,000

2740,000

Media Mnimo Mximo

2720,000

2700,000

2680,000 0 3 6 9 12 15 18 21 24 27 30 Variacin de parmetros

Figura 25: Relacin entre FO, Combinacin de parmetros y 1000 iteraciones para la instancia 5. A diferencia de todos lo casos anteriores donde se utilizaron 1000 iteraciones, la figura 21 refleja que para todas las combinaciones de parmetros se encuentra el mismo valor mximo, mnimo y media a lo largo de todos los experimentos, excepto para dos casos. Lo cual lleva a pensar que el hecho de que se use un nmero alto de generaciones no es un mtodo infalible para obtener siempre la mejor solucin conocida. Por otra parte, el valor mnimo obtenido es igual al correspondiente a 100 iteraciones, lo cual es la mejor solucin conocida hasta el momento. La media se comporta de manera estable.

81

La observacin del comportamiento de esta instancia, permiti llegar a la conclusin de que un nmero grande de iteraciones, junto con la aplicacin del conjunto conformado desde la combinacin 10 en adelante; es decir, una probabilidad de mutacin superior a 0.05 y todos los dems niveles del porcentaje de mejores y el porcentaje de generados por mejores, arrojar muy buenas soluciones al problema estudiado.

3.7 DISTRIBUCIONES DE PLANTA FINALES

Para establecer las distribuciones de planta finales para cada una de las oficinas estudiadas, se realizar una comparacin entre las configuraciones actuales y los mejores diseos de planta arrojados por el algoritmo a lo largo de todas las iteraciones y todos los experimentos, en trminos de la funcin objetivo y los parmetros de diseo y seguridad para la oficina bancaria, comentados en el primer captulo de este documento. Las configuraciones de planta que arroja el algoritmo son aproximaciones sobre la distribucin fsica ptima de la misma, de manera que son ayudas para el diseador del layout y en ningn momento pretenden ser una representacin exacta en el sentido arquitectnico del piso de la planta.

3.7.1 Oficina 1
Esta oficina es completamente rectangular, al igual que los departamentos que en ella se encuentran. A continuacin se muestran la configuracin actual, su funcin objetivo y los departamentos considerados dentro del estudio de esta oficina.

82

17

14

13

12

16 3

15

10

18

6 11

Convenciones 1 2 3 4 5 6 7 8 9 Depsito Archivo Cafeteria UPS comunicaciones Bveda Gerente Comercial AsesoresComerciales y Archivador chequeras Ejecutivos Junior Director Operativo Auxiliar Operativo

F.O. =

4751,8

10 Cajas 11 Cajero Automtico 12 Dispensador 13 Multilinea 14 Capitalizadora 15 Entrada 16 Mesa consignaciones 17 Sillas de espera 18 Baos

Figura 26: Configuracin actual, funcin objetivo y departamentos de la oficina 1.

83

Ahora se presenta la mejor configuracin arrojada por el algoritmo:

14 13 17 16 12 1 4 15 10 5 18 7 11 6 9 3 8

Convenciones 1 2 3 4 5 6 7 8 9 Depsito Archivo Cafeteria UPS comunicaciones Bveda Gerente Comercial AsesoresComerciales y Archivador chequeras Ejecutivos Junior Director Operativo Auxiliar Operativo

F.O. =

4413,05

10 Cajas 11 Cajero Automtico 12 Dispensador 13 Multilinea 14 Capitalizadora 15 Entrada 16 Mesa consignaciones 17 Sillas de espera 18 Baos

Figura 27: Configuracin propuesta, funcin objetivo y departamentos para la oficina 1.

Realizando una comparacin entre las dos distribuciones presentadas, puede verse que en la distribucin actual, la bveda colinda con un muro de la oficina, lo cual es una violacin a una de las restricciones de diseo expresadas en el tem 1.3. Ligado a esto, puede verse que la distribucin propuesta por el algoritmo no presenta esta infraccin, por lo que en trminos de seguridad es mejor. Por otra 84

parte, la funcin objetivo es mejorada en un 7.13%, lo cual indica que el layout propuesto no solo es mejor en cuanto a restricciones de diseo, sino que satisface de una mejor manera las necesidades de proximidad entre los departamentos que lo requieren, lo cual se ver reflejado en mayor agilidad y mejores condiciones de servicio al cliente.

3.7.2 Oficina 2
Esta es la instancia mas pequea dentro de las consideradas en este trabajo, nicamente tiene 8 departamentos por lo que las opciones de distribucin no son muy variadas. La planta se trabaj omitiendo dos reas correspondientes al costado oriente y occidente que actualmente no son utilizadas. A continuacin se muestran la configuracin actual, su funcin objetivo y los departamentos considerados dentro del estudio de esta oficina.

Convenciones 3 1 1 2 3 4 7 6 8 5 F.O. = 622,4 2 4 5 6 7 8 Cajas AsesoresComerciales y Archivador chequeras Bveda Dispensador Multilinea Entrada Mesa consignaciones Sillas de espera

Figura 28: Configuracin actual, funcin objetivo y departamentos de la oficina 2.

85

Mejor configuracin arrojada por el algoritmo:

Convenciones
3 1

1 2 3 4

Cajas AsesoresComerciales y Archivador chequeras Bveda Dispensador Multilinea Entrada Mesa consignaciones Sillas de espera

5
4 2 6

6 7

8 F.O. = 617,1

Figura 29: Configuracin propuesta, funcin objetivo y departamentos para la oficina 2.

Al igual que en el caso anterior, la bveda de la distribucin actual colinda con un muro de la oficina, pero debido al reducido tamao de sta, no es posible otra solucin, lo cual puede observarse en la configuracin propuesta que tambin presenta esta contravencin. La opcin para esta oficina es blindar el muro vecino de la bveda. En general pueden observarse pequeos cambios entre una configuracin y otra, debido al tamao reducido de la misma, pero con la configuracin propuesta se logra una mejora del 0.85% para la funcin objetivo, por lo que trminos de costo el layout propuesto es mejor.

3.7.3 Oficina 3
Esta es una de las plantas grandes, con 16 departamentos. No fueron tenidos en cuenta los lockers ni el cuarto de aseo dentro de la configuracin, por no ser parte importante de la actividad productiva del banco. La siguiente grfica muestra la

86

configuracin actual, su funcin objetivo y los departamentos considerados dentro del estudio de esta oficina.

10

3 4

16

14 13 15

11 1

12

F.O. =

4322,75
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

C onvenciones A rchivo C afetera C om unicaciones B veda G erente C om ercial Inform adoras y archivador chequeras E jecutivos C om erciales D irector O perativo S ubdirector O perativo A uxiliar O perativo C ajas C ajero A utom tico C apitalizadora E ntrada M esa consignaciones B aos

Figura 30: Configuracin actual, funcin objetivo y departamentos de la oficina 3.

87

Mejor configuracin arrojada por el algoritmo:

10

9 4

16 1 3

14 15 13 5

11 2

12

F.O. =

4207,25
1 2 3 4 5 6 7 8 9

Convenciones Archivo Cafetera Comunicaciones Bveda Gerente Comercial Informadoras y archivador chequeras Ejecutivos Comerciales Director Operativo Subdirector Operativo

10 Auxiliar Operativo 11 Cajas 12 Cajero Automtico 13 Capitalizadora 14 Entrada 15 Mesa consignaciones 16 Baos

Figura 31: Configuracin propuesta, funcin objetivo y departamentos para la oficina 3. En trminos generales, la configuracin actual es un diseo ergonmico y no viola condiciones de seguridad, la configuracin propuesta cumple estas mismas

88

condiciones, con la ventaja de que mejora la funcin objetivo en un 2.67%, por esta razn el diseo realizado por medio del algoritmo es mejor que el actual.

3.7.4 Oficina 4
La planta de esta oficina no es del todo rectangular, por lo que se hicieron generalizaciones reduciendo algunos espacios, para hacer la representacin de la distribucin de esta instancia. Adicional a esto, el acceso principal se encuentra sobre una esquina de la planta, por lo que se ingres al algoritmo como un rectngulo, que a escala, abarca el rea que en la realidad est comprometida con la entrada. A continuacin se muestran la configuracin actual, su funcin objetivo y los departamentos considerados dentro del estudio de esta oficina.

14 13 3

9 1215

16 11 4

10

2 1

F.O. =

3765,275

89

Convenciones 1 2 3 4 5 6 7 8 9 Archivo Boveda Comunicaciones Gerente Comercial Asesores y archivador chequeras Director Operativo Auxiliar Operativo Cajas 1 Cajero Automtico

10 Cafetera 11 Ejecutivos Comerciales 12 Dispensador 13 Telefono multilinea 14 Entrada 15 Mesa consignaciones 16 Sillas de espera

Figura 32: Configuracin actual, funcin objetivo y departamentos de la oficina 4.

Mejor configuracin arrojada por el algoritmo:

14 13 3

16 15 12 11 4

10

2 8 1

F.O. =

3700,375

90

C onvenciones 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 A rchivo B oveda C om unicaciones G erente C om ercial A sesores y archivador chequeras D irector O perativo A uxiliar O perativo C ajas 1 C ajero A utom tico C afetera E jecutivos C om erciales D ispensador T elefono m ultilinea E ntrada M esa consignaciones S illas de espera

Figura 33: Configuracin propuesta, funcin objetivo y departamentos para la oficina 4.

La configuracin actual de esta oficina presenta inconvenientes ergonmicos y de seguridad, ya que las cajas no se encuentran directamente frente a la entrada y la bveda se encuentra contra un muro que est sobre la calle. Por esta razn una distribucin radicalmente diferente en estos dos aspectos sera conveniente. El programa implementado, da una solucin similar a la configuracin actual, ya que ste no cambia los departamentos de costado, que es lo que solucionara los problemas que se presentan actualmente. Bajo las mismas condiciones, la distribucin propuesta mejora la actual, gracias a una disminucin de la funcin objetivo en 1.72%.

3.7.5 Oficina 5
Esta oficina tiene un rea muy pequea, cabe anotar que la escala de este plano es 1:50 (ver Tabla 2), por lo que las opciones sobre posibles diseos son muy reducidas. Adicional a esto, no tiene una forma completamente rectangular, por lo

91

que el rea donde no se podan ubicar departamentos se ingreso al algoritmo como una zona prohibida representada en un departamento fijo.

Convenciones

15

1 2

Archivo Cafetera Comunicaciones Tarjetero Bveda Gerente Comercial Informadoras Director Operativo Cajas

10 8 11 14 7 13 2 5 12 9 3 1

3 4 5 6 7 8 9

10 Cajero Automtico 11 Dispensador 12 Entrada 13 Archivadorchequeras

14 Mesa consignaciones 15 Zona prohibida

F.O. =

2860,425

Figura 34: Configuracin actual, funcin objetivo y departamentos de la oficina 5.

Mejor configuracin arrojada por el algoritmo:

92

Convenciones

15

1 2

Archivo Cafetera Comunicaciones Tarjetero Bveda Gerente Comercial Informadoras Director Operativo Cajas

10 8 14 11 6

2 5 13

3 4 5 6

7 8 9

10 Cajero Automtico

12 9

11 Dispensador 12 Entrada 13 Archivadorchequeras

14 Mesa consignaciones 15 Zona prohibida

F.O. =

2702,125

Figura 35: Configuracin propuesta, funcin objetivo y departamentos para la oficina 5.

Ambas distribuciones cumplen con las condiciones de seguridad mencionadas anteriormente, por lo que la mejora del diseo propuesto radica en una disminucin del 5.53% en la funcin objetivo. A lo largo de esta evaluacin, que se realiz con el objetivo de establecer las mejores distribuciones para cada oficina, se encontraron configuraciones que mejoraban la funcin objetivo y/o integraban condiciones de diseo, que el layout

93

actual no consideraba. Hasta este punto, dichas configuraciones son denominadas buenas, pero es necesario realizar una evaluacin financiera, por parte de la entidad, a los proyectos que se requieran llevar a cabo para realizar las transformaciones de las oficinas. De esta manera se determinar la viabilidad de las propuestas.

3.8 VALIDACIN DEL MODELO

Al ser este un problema poco tratado hasta el momento, no se dispone de libreras de problemas para comparar las soluciones que stas exponen con las arrojadas por el algoritmo propuesto en este proyecto. Por esta razn se validar el modelo realizando una comparacin entre la funcin objetivo que representa las configuraciones actuales de las oficinas y la funcin objetivo de las soluciones arrojadas por el programa. En la siguiente tabla se relacionan el nmero de departamentos, los valores obtenidos para las funciones objetivo para las distribuciones actuales y las mejores distribuciones encontradas por medio del algoritmo para cada oficina; siendo estas dos ltimas medidas de la misma manera y por lo tanto comparables.

Oficina 1 2 3 4 5

No. de deptos. 18 8 16 16 15

F.O. Dist. F.O. Dist. Porcentaje Actual Encontrada de Mejora 4751,900 4413,050 7,13% 622,400 617,100 0,85% 4322,750 4207,250 2,67% 3765,275 3700,375 1,72% 2860,425 2702,125 5,53%

Tabla 4: Comparacin entre la distribucin actual y la mejor encontrada por el algoritmo para cada oficina en trminos de su F.O.

De lo anterior, puede verse claramente que en todas las instancias tratadas se mejor la funcin objetivo del problema. De lo que se deduce, que el algoritmo es capaz de disear mejores distribuciones a pesar de las limitaciones de espacio y nmero de soluciones factibles que un problema pequeo, en trminos de nmero de departamentos, pueda representar. De esta manera queda validado el modelo. 94

4. CONCLUSIONES

La falta de exploracin a la hora de desarrollar un proyecto de re-distribucin de planta puede ser muy poco beneficiosa, ya que en este caso tender a imponerse la distribucin actual, lo que conlleva a avances limitados en la solucin del problema que se est tratando. Gracias a la caracterstica exploratoria de los AG, se pueden lograr distribuciones de planta confiables, en sectores orientados a servicios como las oficinas bancarias. As, los algoritmos genticos han probado nuevamente su eficiencia para resolver el problema. Los resultados y propuestas planteados en este proyecto, son producto de la aplicacin de mtodos de Investigacin Operativa, lo cual es un acercamiento cientfico a la solucin de problemas en el sector de servicios, que a pesar de su tamao, tal como enuncia Vallhonrat (1991), sigue siendo objeto en ocasiones de una gestin artesanal. La configuracin de planta de una oficina bancaria tiene un gran nmero de restricciones que estn directamente ligadas con el servicio, condiciones de seguridad y caractersticas fsicas del edificio, por lo que los grados de libertad se reducen y se disminuye el espacio de soluciones factibles. Por esta razn resulta conveniente tener un grupo de posibles buenas soluciones, para que a partir de estas se elija la distribucin final. La decisin sobre el diseo de layout ms adecuado es un problema multicriterio, por lo que se debe recurrir a las tcnicas de anlisis financiero, la experiencia y la intuicin de acuerdo a la importancia que la empresa o entidad le otorgue a cada una.

95

Un nmero alto de generaciones no es un mtodo infalible para obtener siempre la mejor solucin conocida. As, en la bsqueda de buenas soluciones para el problema estudiado, se recomienda utilizar un nmero grande de generaciones, junto con una probabilidad de mutacin superior a 0.05. El algoritmo realizado presenta gran flexibilidad, ya que partiendo de una configuracin actual se pueden considerar objetos fijos, zonas prohibidas, y limitaciones sobre el contorno de la oficina, asumiendo a estas dos ltimas como un departamento fijo dentro de la planta. Dado que el nmero de soluciones factibles, es proporcional al tamao del problema, para instancias con un mayor nmero de departamentos, se podrn lograr mejoras de la funcin objetivo que representa la distribucin actual, superiores a las obtenidas. Los diseos de distribuciones de planta obtenidos por medio del algoritmo gentico, son mejores en trminos de las restricciones de diseo citadas al principio de este trabajo, y satisfacen de una mejor manera la deseabilidad de cercana entre los departamentos que deben estar prximos; estando esta ltima, representada en la funcin objetivo del modelo planteado. De acuerdo a lo observado durante el desempeo del algoritmo en cada instancia, puede afirmarse que el algoritmo es robusto, ya que a pesar de las variaciones en el nmero de iteraciones y de parmetros de entrada, la media presenta una notable estabilidad y en todos los casos se obtuvo el mnimo conocido para cada instancia del problema.

96

4.1 PROYECTOS FUTUROS

La investigacin futura deber ser orientada a construir modelos robustos que solucionen el problema de distribucin de planta en una oficina bancaria teniendo en cuenta otras restricciones que no fueron consideradas en este trabajo, tales como: Oficinas que tengan varios pisos. Planta de la oficina no rectangular Tamao de planta variable Tamao de planta desconocido Zonas prohibidas dentro del hall destinado para los clientes reas mnimas y mximas para los departamentos Diseo tridimensional est el uso de otras

Como alternativas sobre la metodologa de solucin

metaheursticas como Enfriamiento Simulado, Bsqueda Tab e Hbridos que integren heursticas como bsqueda local, para aumentar la exploracin y evitar soluciones que correspondan a ptimos locales. Adicional a esto, resulta interesante resolver el problema con enfoque multiobjetivo, generando una familia de soluciones en la frontera eficiente. Y por ltimo extender la aplicacin a cualquier otro tipo de entidad de servicios.

97

5. BIBLIOGRAFA

[6] APPLE, James M. Plant layout and material handling. Tercera ed. 1977 [12] CARRIN, D. (2003). Modelaje de distribucin de planta para industrias Viba Ltda. Tesis de pregrado no publicada. Universidad de los Andes, Bogot, Colombia. [8] CUERVO, J. (2002).Configuracin y rediseo de planta, Tesis de pregrado no publicada. Universidad de los Andes, Bogot, Colombia. [13] DUARTE, J. C. (2004). Redistribucin de planta hogar juvenil campesino. Tesis de pregrado no publicada. Universidad de los Andes, Bogot, Colombia. [1] GARCA, D. (2001). Configuracin de planta por medio de algoritmos genticos. Tesis de maestra no publicada. Universidad de los Andes, Bogot, Colombia. [2] ISLIER A.A. A genetic algorithm approach for multiple criteria facility layout design, International Journal of Production Research, Vol.36, No.6, 1998, 15491569 [3] KOOK, W. (2004). Anlisis de Estado del arte en algoritmos genticos. Tesis de pregrado no publicada. Universidad de los Andes, Bogot, Colombia. [14] MICHALEWICZ, Zbigniew. Genetic algorithms + data STRUCTURES = evolution programs, New York: Springer. Tercera ed. 1996 [17] MONTGOMERY, Douglas C. Diseo y anlisis de experimentos. 1991

98

[4] MUTHER Richard. Distribucin en planta. Ordenacin racional de los elementos de produccin industrial, Cuarta ed. 1981

[15] Salas, M., Cubero A., Hervs M., Prez A., & Sanz T. (Sin Fecha). Aproximacin al diseo de distribucin en planta por medio de algoritmos tradicionales y genticos. Recuperado el 17 Julio 2005, del Sitio Web de la Universidad de Zaragoza: <http://www.unizar.es/aeipro/finder/METODOLOGIA %20> DE%20PROYECTOS/AA06.htm> [5] TOMPKINS J.A., WHITE J., BOZER Y., FRAZELLE E., TANCHOCO J. y TREVINO J. Facilities Planning, John Wiley & Sons Inc. 1996 [11] TORRES, F. (2005). Presentacin Algoritmos Genticos. Curso Modelos de Sistemas Logsticos. Universidad de los Andes, Bogot, Colombia. [10] TORRES, F. (2005). Presentacin Bsqueda Tab. Curso Modelos de Sistemas Logsticos. Universidad de los Andes, Bogot, Colombia. [9] TORRES, F. (2005). Presentacin Simulated Annealing. Curso Modelos de Sistemas Logsticos. Universidad de los Andes, Bogot, Colombia. [16] TORRES, F., RIAO, G. y SARMIENTO A. (2005). Estudio de Colas y distribucin Fsica en Multibanca Colpatria. Documento no publicado. Universidad de los Andes, Bogot, Colombia. [7] VALLHONRAT Joseph M. y COROMINAS Albert. Localizacin, distribucin en planta y manutencin. 1991

99

ANEXOS

Anexo 1: Manual del Usuario para Opt-DOB

Ingreso de datos Al ingresar al programa, aparecer lo siguiente:

Pulse el botn Ingresar Datos y saldr un formulario que tiene cuatro pestaas.

100

Primera pestaa: Oficina Ingrese el Nombre de la Oficina, el Punto cardinal hacia donde est dirigida la entrada, las dimensiones en metros del frente, fondo y el nmero de departamentos. A continuacin haga clic sobre la siguiente pestaa.

Segunda pestaa: Departamentos Para el ingreso de datos sobre los departamentos tenga en cuenta que: 1. La suma de las reas de los departamentos no debe exceder el rea total de la planta 2. Las dimensiones deben ser ingresadas en metros 3. La entrada es un departamento, al que se le pueden asignar medidas pequeas. 4. La primera de las dimensiones que se pide, corresponde a la longitud del departamento en el sentido del eje Y y la segunda en X.

101

5. La ubicacin de los departamentos debe seleccionarse con respecto a la entrada. La Parte trasera corresponde al rea donde el cliente no tiene acceso, generalmente est ubicada detrs de las cajas. 6. Las dimensiones de los departamentos no deben exceder la longitud del costado donde se encuentran A continuacin haga clic en la siguiente pestaa.

Tercera Pestaa: Flujos Aqu se llena la informacin sobre la deseabilidad de cercana entre departamentos, por lo que aparecer cada pareja de ellos junto con una opcin a la derecha, donde podr seleccionar la deseabilidad de proximidad entre ellos, tal y como se muestra en la siguiente figura

Si desea cambiar los parmetros del algoritmo gentico haga clic en la siguiente pestaa, de lo contrario presione Ejecutar y obtendr la configuracin de planta para si oficina.

102

Pestaa 5: Avanzadas Aqu podr cambiar parmetros para el algoritmo gentico, tal como se muestra en la siguiente figura, si desea conservar los parmetros sugeridos de clic en Usar valores recomendados. A continuacin presione Ejecutar para obtener la distribucin de planta de su oficina.

Salida de Resultados Una vez se presiona el botn Ejecutar deber esperar un tiempo, que depender del nmero de departamentos de la oficina y el nmero de iteraciones. Si alguno de estos dos (o ambos), es un parmetro muy grande, es posible que la pantalla de su computador se ponga en blanco. Dentro de un tiempo prudencial, aparecer en la hoja Plano, el diseo de planta encontrado por la aplicacin.

103

Podr observar un esquema del plano de la oficina, las convenciones para los departamentos y el valor de la funcin objetivo que representa esa configuracin. Esta ltima, puede ser usada como criterio para comparar diferentes soluciones. Entre mas pequeo el valor de F.O., la distribucin satisface mejor la deseabilidad de proximidad entre departamentos.

104

Anexo 2: Resultados obtenidos para la Funcin Objetivo de todas las instancias

Oficina 1
PM 1 = 0,01 PGE 1 = 0,3 PGE 2 = 0,6 PGE 3 = 0,8 PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = PE 3 = PE 2 = PE 1 = 0,2 0,2 0,45 0,7 0,2 0,45 0,7 0,45 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 Media 0,000 0,000 0,000 Desviacin Est 0,000 0,000 0,000 0,000 0,000 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 Mnimo Mximo 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 Combinacin de parmetros 1 2 3 4 5 6 7 8 PM 2 = 0,05 PGE 1 = 0,3 PGE 2 = 0,6 PGE 3 = 0,8 PE 2 = PE 3 = PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = PE 1 = 0,2 0,45 0,7 0,2 0,45 0,7 0,2 0,45 Media 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 Desviacin Est 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Mnimo 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 Mximo 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 Combinacin de parmetros 10 11 12 13 14 15 16 17 PM 3 = 0,1 PGE 1 = 0,3 PGE 2 = 0,6 PGE 3 = 0,8 PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = 0,2 0,45 0,7 0,2 0,45 0,7 0,2 0,45 Media 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 Desviacin Est 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Mnimo 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 Mximo 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 4413,050 Combinacin de parmetros 19 20 21 22 23 24 25 26

PE 3 = 0,7 4413,050 0,000 4413,050 4413,050 9

PE 3 = 0,7 4413,050 0,000 4413,050 4413,050 18

PE 3 = 0,7 4413,050 0,000 4413,050 4413,050 27

Oficina 2
PGE 1 = 0,3 PE 1 = PE 2 = 0,2 0,45 617,100 617,100 Media 0,000 0,000 Desviacin Est Mnimo 617,100 617,100 Mximo 617,100 617,100 Combinacin de parmetros 1 2 PM 1 = 0,01 PGE 2 = 0,6 PE 1 = PE 2 = 0,2 0,45 617,100 617,100 0,000 0,000 617,100 617,100 617,100 617,100 4 5 PGE 3 = 0,8 PE 3 = PE 2 = PE 3 = PE 1 = 0,2 0,7 0,45 0,7 617,100 617,100 617,100 617,100 0,000 0,000 0,000 0,000 617,100 617,100 617,100 617,100 617,100 617,100 617,100 617,100 6 7 8 9

PE 3 = 0,7 617,100 0,000 617,100 617,100 3

105

PGE 1 = 0,3 PE 2 = PE 3 = PE 1 = 0,2 0,45 0,7 Media 617,100 617,100 617,100 Desviacin Est 0,000 0,000 0,000 Mnimo 617,100 617,100 617,100 Mximo 617,100 617,100 617,100 Combinacin de parmetros 10 11 12

PGE 1 = 0,3 PE 1 = PE 2 = 0,2 0,45 Media 617,100 617,100 Desviacin Est 0,000 0,000 Mnimo 617,100 617,100 Mximo 617,100 617,100 Combinacin de parmetros 19 20

PE 3 = 0,7 617,100 0,000 617,100 617,100 21

PM 2 = 0,05 PGE 2 = 0,6 PE 1 = PE 2 = 0,2 0,45 617,100 617,100 0,000 0,000 617,100 617,100 617,100 617,100 13 14 PM 3 = 0,1 PGE 2 = 0,6 PE 1 = PE 2 = 0,2 0,45 617,100 617,100 0,000 0,000 617,100 617,100 617,100 617,100 22 23

PE 3 = 0,7 617,100 0,000 617,100 617,100 15

PGE 3 = 0,8 PE 1 = PE 2 = 0,2 0,45 617,100 617,100 0,000 0,000 617,100 617,100 617,100 617,100 16 17

PE 3 = 0,7 617,100 0,000 617,100 617,100 18

PE 3 = 0,7 617,100 0,000 617,100 617,100 24

PGE 3 = 0,8 PE 1 = PE 2 = 0,2 0,45 617,100 617,100 0,000 0,000 617,100 617,100 617,100 617,100 25 26

PE 3 = 0,7 617,100 0,000 617,100 617,100 27

Oficina 3
PM 1 = 0,01 PGE 1 = 0,3 PGE 2 = 0,6 PGE 3 = 0,8 PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = PE 3 = PE 2 = PE 1 = 0,2 0,2 0,45 0,7 0,2 0,45 0,7 0,45 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 Media 0,000 0,000 0,000 Desviacin Est 0,000 0,000 0,000 0,000 0,000 Mnimo 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 Mximo 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 Combinacin de parmetros 1 2 3 4 5 6 7 8 PM 2 = 0,05 PGE 1 = 0,3 PGE 2 = 0,6 PGE 3 = 0,8 PE 2 = PE 3 = PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = PE 1 = 0,2 0,45 0,7 0,2 0,45 0,7 0,2 0,45 Media 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 Desviacin Est. 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Mnimo 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 Mximo 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 Combinacin de parmetros 10 11 12 13 14 15 16 17

PE 3 = 0,7 4207,250 0,000 4207,250 4207,250 9

PE 3 = 0,7 4207,250 0,000 4207,250 4207,250 18

PGE 1 = 0,3 PE 1 = PE 2 = 0,2 0,45 Media 4207,250 4207,250 Desviacin Est 0,000 0,000 Mnimo 4207,250 4207,250 Mximo 4207,250 4207,250 Combinacin de parmetros 19 20

PE 3 = 0,7 4207,250 0,000 4207,250 4207,250 21

PM 3 = 0,1 PGE 2 = 0,6 PE 1 = PE 2 = 0,2 0,45 4207,250 4207,250 0,000 0,000 4207,250 4207,250 4207,250 4207,250 22 23

PGE 3 = 0,8 PE 3 = PE 1 = PE 2 = PE 3 = 0,7 0,2 0,45 0,7 4207,250 4207,250 4207,250 4207,250 0,000 0,000 0,000 0,000 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 4207,250 24 25 26 27

106

Oficina 4
PM 1 = 0,01 PGE 1 = 0,3 PGE 2 = 0,6 PGE 3 = 0,8 PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = PE 3 = PE 2 = PE 1 = 0,2 0,2 0,45 0,7 0,2 0,45 0,7 0,45 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 Media 0,000 0,000 0,000 Desviacin Est 0,000 0,000 0,000 0,000 0,000 Mnimo 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 Mximo 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 Combinacin de parmetros 1 2 3 4 5 6 7 8 PM 2 = 0,05 PGE 1 = 0,3 PGE 2 = 0,6 PGE 3 = 0,8 PE 2 = PE 3 = PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = PE 1 = 0,2 0,45 0,7 0,2 0,45 0,7 0,2 0,45 Media 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 Desviacin Est 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Mnimo 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 Mximo 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 Combinacin de parmetros 10 11 12 13 14 15 16 17 PM 3 = 0,1 PGE 1 = 0,3 PGE 2 = 0,6 PGE 3 = 0,8 PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = 0,2 0,45 0,7 0,2 0,45 0,7 0,2 0,45 Media 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 Desviacin Est 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Mnimo 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 Mximo 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 3700,375 Combinacin de parmetros 19 20 21 22 23 24 25 26

PE 3 = 0,7 3700,375 0,000 3700,375 3700,375 9

PE 3 = 0,7 3700,375 0,000 3700,375 3700,375 18

PE 3 = 0,7 3700,375 0,000 3700,375 3700,375 27

Oficina 5
PM 1 = 0,01 PGE 1 = 0,3 PGE 2 = 0,6 PGE 3 = 0,8 PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = PE 3 = PE 2 = PE 1 = 0,2 0,2 0,45 0,7 0,2 0,45 0,7 0,45 2702,125 2702,125 2702,125 2702,125 2705,300 2702,125 2705,300 2702,125 Media 0,000 0,000 0,000 Desviacin Est 0,000 17,390 0,000 17,390 0,000 Mnimo 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 Mximo 2702,125 2702,125 2702,125 2702,125 2797,375 2702,125 2797,375 2702,125 Combinacin de parmetros 1 2 3 4 5 6 7 8 PM 2 = 0,05 PGE 1 = 0,3 PGE 2 = 0,6 PGE 3 = 0,8 PE 2 = PE 3 = PE 1 = PE 2 = PE 3 = PE 1 = PE 2 = PE 1 = 0,2 0,45 0,7 0,2 0,45 0,7 0,2 0,45 Media 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 Desviacin Est 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Mnimo 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 Mximo 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 Combinacin de parmetros 10 11 12 13 14 15 16 17

PE 3 = 0,7 2702,125 0,000 2702,125 2702,125 9

PE 3 = 0,7 2702,125 0,000 2702,125 2702,125 18

107

PGE 1 = 0,3 PE 1 = PE 2 = 0,2 0,45 Media 2702,125 2702,125 Desviacin Est 0,000 0,000 Mnimo 2702,125 2702,125 Mximo 2702,125 2702,125 Combinacin de parmetros 19 20

PE 3 = 0,7 2702,125 0,000 2702,125 2702,125 21

PM 3 = 0,1 PGE 2 = 0,6 PE 1 = PE 2 = 0,2 0,45 2702,125 2702,125 0,000 0,000 2702,125 2702,125 2702,125 2702,125 22 23

PGE 3 = 0,8 PE 3 = PE 1 = PE 2 = PE 3 = 0,7 0,2 0,45 0,7 2702,125 2702,125 2702,125 2702,125 0,000 0,000 0,000 0,000 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 2702,125 24 25 26 27

Anexo 3: Datos
A continuacin se presentan los datos utilizados en este proyecto en forma de archivo plano. El nombre de cada archivo corresponde al nmero de la oficina y al tamao de la instancia. Las medidas estn en metros. El formato para la lectura de cada archivo es: El primer nmero corresponde al nmero de departamentos. Los dos nmeros siguientes corresponden a las medidas en metros de frente y fondo de la oficina respectivamente. Posteriormente se observa una matriz de datos que corresponden a los departamentos. Cada fila corresponde a los datos del departamento i. Las columnas corresponden de izquierda a derecha a: la coordenada en X de la esquina superior izquierda, la coordenada en Y de la esquina superior izquierda, la longitud del fondo, la longitud del frente, condicin (1 si es fijo, 0 d.l.c.), nombre, y costado donde se encuentra (1: Occidente, 2: Norte, 3: Oriente, 4: Sur, 5: Parte trasera). Por ltimo se observa la matriz correspondiente a los flujos entre departamentos. El valor de la posicin (i, j) corresponde al flujo entre el departamento i y el departamento j.

108

OF1_DEP18 18 9 24,7 21 21 18,5 18,5 0 5,3 10 18,5 13,6 16,2 0 9 7 5,3 0 10 3,8 21 5 0 6,1 0 4,4 6,2 6,2 6,5 6,5 0 7,1 0 0 0 1,9 0 0 2,05 2 3,5 1 2,5 5,4 4,05 3,6 1,5 2,4 2,2 5,4 1 1 1 3,4 1 1,4 2,05 1,5 2,05 0,5 1,5 2,5 2,8 2,8 1,5 2,3 6,5 2 1 1 1 2,2 1 1,2 2,7 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 Depsito Archivo Cafetera UPS comunicaciones Bveda Gerente Comercial AsesoresComerciales y Archivador chequeras Ejecutivos Junior Director Operativo Auxiliar Operativo Cajas Cajero Automtico Dispensador Multilnea Capitalizadora Entrada Mesa consignaciones Sillas de espera Baos 5 5 5 5 1 4 4 5 4 3 1 2 2 2 1 2 2 5

109

0 0,5 0,5 1 1 3,5 1,5 2,5 3 2 0,5 0,5 0,5 0 0,5 1 1 0

0 0 0 0,5 0,5 0,5 0,5 1 0 0,5 1 0 0 0 0,5 1 0

0 1 1 1 1 3 2,5 1 1,5 0,5 1 0 0 0,5 0 0

0 0,5 0,5 0,5 4 1 5 0 0,5 0 0 0 0 0 0

0 4,5 4,5 3 1,5 1,5 0,5 4 2 0,5 3,5 2 3 5

0 4,5 3 2 4 0,5 5 3,5 0,5 4,5 2 5 5

0 3 1 2,5 0,5 4,5 2,5 0,5 3 0,5 5 5

0 5 4 1 3,5 0 0 0 0 0,5 5

0 5 0 5 0 0 0 0 0,5 5

0 0 2 0 0,5 0 3,5 1 5

0 0 0,5 0,5 4 0,5 0,5 0

0 1 0,5 4 5 1 0

0 0,5 5 0 0 0

0 2 1 0,5 0

0 5 4,5 0

0 5 0

0 0

110

OF2_DEP8 8 8,2 10,4 5,7 5,7 8,2 0 5,2 0 0 3,7 0 4 5 2 0 0 3,5 1 0 5,6 0 5,7 7,7 6,2 4,5 7,7 2,5 2 2,2 0,5 0,5 0,5 0,5 1,5 5,6 2,5 2,6 0,5 0,5 2 1,2 0,5 0 0 0 0 0 1 0 0 Cajas AsesoresComerciales y Archivador chequeras Bveda Dispensador Multilnea Entrada Mesa consignaciones Sillas de espera 3 3 5 1 4 1 1 4

0 1 1 3,5 4,5 2 5

0 0,5 0 0 0 0

0 1 4 5 1

0 5 0 0

0 5 4,5

0 5

111

OF3_DEP16 16 8,5 24 20,2 20,2 17,3 17,3 2,8 3,2 0 12,2 10,8 8 15,2 0 5,2 0 5,7 17,3 2,6 0 0 4,8 5,3 0 0 0 0 0 2,8 5,5 7,7 3,3 7,7 2,4 3,5 3,4 2 1,3 2,5 4,8 2,7 2,8 1,4 2 2,4 0,3 0,5 0,3 2,4 2,6 5,6 2,5 1,5 0,6 2,8 2,3 1,9 2,5 2,5 2,5 5,3 2,8 0,5 2 0,3 2,1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 Archivo Cafetera Comunicaciones Bveda Gerente Comercial Informadoras y archivador chequeras Ejecutivos Comerciales Director Operativo Subdirector Operativo Auxiliar Operativo Cajas Cajero Automtico Capitalizadora Entrada Mesa consignaciones Baos 5 5 5 5 4 2 2 2 2 2 3 1 4 1 4 5

112

0 1,5 2 1 1 3 1 3 3 3,5 3 1 0 1 1 0

0 1 0,5 2 2 2 1 1 1 1 1 0 1 1 0

0 1 1 1 1 3 3 3 3 3 0 1 1 0

0 0 2 0,5 3 3 2 5 1 0 1 1 0

0 4 4 1 1 1 0,5 0,5 0 3,5 2 5

0 4 2,5 2,5 2,5 3 1 0 3 2 5

0 1 1 1 1 1 0 3 2 5

0 4,5 4,5 4,5 2 0 1 1 5

0 4,5 4,5 2 0 1 1 5

0 2,5 1 0 1 1 5

0 1 0 1 1,5 5

0 0 4 1 0

0 0 0 0

0 3 0

0 0

OF4_DEP16 16 5,5 17

113

0 0 0 12,7 7,8 12,9 12 1,5 3,5 14,6 12,7 5,8 0 0 6,5 10,1 0 4 1 1 1,5 4 4 4,5 0,5 0,5

3,9 2,6 1,3 1,5 3,3 3,9 4,3 3,5 0 4 1 0 0,9 0 0 1,1

1,23 1,23 1,1 1,7 3,45 1,6 0,85 6,4 1,1 1,1 1,7 0,5 1 3,5 0,5 1,55

1,2 1,2 1,5 1,4 2 1,4 1 1,8 0,9 1,4 1,4 0,5 0,6 1 0,5 0,5

0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0

Archivo Bveda Comunicaciones Gerente Comercial Asesores y archivador chequeras Director Operativo Auxiliar Operativo Cajas Cajero Automtico Cafetera Ejecutivos Comerciales Dispensador Telfono multilnea Entrada Mesa consignaciones Sillas de espera

1 1 1 3 4 3 4 4 2 5 3 2 1 1 2 2

0 2 0,5 0 4,5 3,5 5 0,5 0,5

0 1,5 0 4,5 4 3,5 1 0,5

0 5 4,5 4 0,5 0,5 0,5

0 3,5 4,5 5 2 0,5

0 5 4,5 1 0,5

0 3 2 0,5

0 1,5 0,5

0 0,5

114

1 0 1 0 0 2

1 2 1 0 0,5 0,5

1 1 0 1 1 1

5 0,5 2 3 1,5 3

4 2 3 3,5 1 5

3 2 2 2,5 1 0,5

2 2 0,5 2 0,5 0,5

0,5 1,5 1 4 3 0,5

1 0,5 5 4 1 0,5

2 1 1 1 1 1

0 1 1 3,5 0,5 3,5

0 1 1 1 0,5

0 4 2 0

0 2 4

0 4

OF5_DEP_15 15 20,3 11,1

8,2 8,2 8,2 9,1 8,2 4,2 4 4 4 0

3,3 8,1 11,6 13,4 10,5 0 7,5 5,1 11,3 0

2,2 2,2 2,2 1,5 1,7 4 2,9 2,9 2,8 4,1

4,2 1 1,8 5,9 1,2 3,3 3,8 2,4 8 3,3

0 0 0 0 0 0 0 0 0 1

Archivo Cafetera Comunicaciones Tarjetero Bveda Gerente Comercial Informadoras Director Operativo Cajas Cajero Automtico

5 5 5 5 5 3 3 3 3 1

115

1,2 0 8,2 0 8,2 0 0,5 0,5 1 1 3,5 1,5 1,5 2,5 3 2 0,5 0,5 0 0

3,3 4,6 6,3 3,8 0

0,5 0,25 1 0,75 2,2

0,5 13,5 0,5 0,65 3,3

0 1 0 0 1

Dispensador Entrada Archivadorchequeras Mesa consignaciones Zona prohibida

1 1 5 1 5

0 0 0 0,5 0,5 0,5 0,5 0,5 0,5 0 0,5 1 0 0

0 1 1 1 1 1 3 3 1 1,5 0,5 1 0

0 0,5 0,5 0,5 0,5 4 4 5 0 0,5 0 0

0 4,5 4,5 4,5 3 3 1,5 0,5 4 1 0

0 4,5 4,5 3 3 4 0,5 5 1 0

0 4,5 1 1 3 0,5 4,5 0,5 0

0 3 3 2,5 0,5 4,5 0,5 0

0 4,5 4 1 3,5 1 0

0 4 2 4 0 0

0 0 2 0,5 0

0 0 1 0

0 0,5 0

0 0

116