Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
E N
I N G E N I E R A
R
C I E N C I A S
I N D U S T R I A L
N
DIRECTORES:
M. EN C. MARIO AGUILAR FERNNDEZ
DR. JUVENAL MENDOZA VALENCIA
MXICO, D.F.
2011
En la Ciudad de Mxico el da 18 del mes de enero del ao 2011, la que suscribe Mariana
Contreras Mndez alumna del Programa de Maestra en Ciencias en Ingeniera Industrial,con
nmero de registro A090228, adscrito a la Seccin de Estudios de Posgrado e Investigacin de
la UPIICSA-IPN, manifiesta que es autora intelectual del presente trabajo de Tesis bajo la
direccin de Mario Aguilar Fernndez y Juvenal Mendoza Valencia, cede los derechos del
trabajo intitulado Estudio sobre la Tecnologa de Grupos y su integracin en la Manufactura
Integrada por Computadora, al Instituto Politcnico Nacional para su difusin, con fines
acadmicos y de investigacin.
Los usuarios de la informacin no deben reproducir el contenido textual, grficas o datos del
trabajo sin el permiso expreso del autor y/o director del trabajo. Este puede ser obtenido
escribiendo a la siguiente direccin maryana_85@hotmail.com. Si el permiso se otorga, el
usuario deber dar el agradecimiento correspondiente y citar la fuente del mismo.
ndice
LISTA DE FIGURAS ........................................................................................................................................ 3
LISTA DE TABLAS ..........................................................................................................................................3
LISTA DE GRFICAS ...................................................................................................................................... 3
LISTA DE ECUACIONES ..................................................................................................................................3
RESUMEN ....................................................................................................................................................4
ABSTRACT ....................................................................................................................................................5
PREFACIO.....................................................................................................................................................6
CAPTULO 1 INTRODUCCIN.........................................................................................................................9
1.1. CONTEXTO
1.1.1.
1.1.2.
1.1.3.
1.1.4.
13
1.2.2.
1.2.3.
28
3.1. IMPULSORES
3.2.
3.3.
3.4.
45
REFERENCIAS ............................................................................................................................................. 77
Lista de figuras
Figura 1 Matriz Incial . ................................................................................................................ 16
Figura 2 Matriz Solucin . .......................................................................................................... 16
Figura 3 Matriz que representa el problema de Formacin de celdas de manufactura . .......... 18
Figura 4 Representacin de las celdas de manufactura por bloques diagonalizados en la matriz
de incidencia ............................................................................................................................... 18
Figura 2 Estructura General del Algoritmo Gentico por Factores de Decisin (AGFD). ....... 48
Figura 3 Representacin Grfica del Mtodo de la Ruleta ........................................................ 51
Figura 4 Esquema de Seleccin y Reproduccin. ....................................................................... 52
Lista de tablas
Tabla 1 Anlisis comparativo de las metodologas. ....................................................................43
Tabla 1 Resultados de Eficiencias y Tiempos obtenidos mediante el AGFD ............................. 65
Tabla 1 Comparacin de resultados obtenidos por el algoritmo propio y dos enfoque ms .....69
Tabla 2 Valores utilizados en los Algoritmos Genticos ............................................................70
Lista de grficas
Grfico 1 Comparacin de los resultados entre las metodologas estudiadas y el AGFD,
elaboracin propia con base en ..................................................................................................70
Lista de ecuaciones
Ecuacin 1 Funcin de Pertenencia para un modelo difuso (21) ............................................... 27
Resumen
La idea fundamental de la Tecnologa de Grupos desde el punto de vista de la manufactura es
crear celdas de produccin en donde cada celda se especialice en producir una familia de
piezas, esto se logra agrupando las piezas en base a la cantidad de operaciones y de mquinas
similares que tienen en comn. El gran problema para cambiar de un diseo de planta
tradicional a uno en el que se aplique la Tecnologa de Grupos consiste en solucionar el
problema de agrupar las piezas en familias.
En este trabajo se construye un algoritmo gentico que soluciona el problema de formacin de
celdas de manufactura. Se propone dentro del algoritmo un esquema de asignacin de piezas
a las celdas de mquinas por medio de factores de decisin que cuantifican la cantidad posible
de eficiencia aportada por cada pieza para as determinar su asignacin por medio de la mayor
eficiencia posible alcanzada. Otras de las caractersticas que hacen diferente este algoritmo a
los dems es que presenta los mejores rasgos que fueron tomados de otras metodologas como
codificacin cromosmica y la eliminacin de heursticos que se tenan que ejecutar por cada
individuo. Se seleccionaron 28 problemas de la literatura y fueron resueltos por medio de esta
metodologa y sus resultados comparados con enfoques afines.
Abstract
The main idea of Group Technology within manufacturing point of view is the creation of
production cells in which each cells specialize itself in producing just one family of parts. This
is achieved through clustering parts and machines based on the quantity of similar operations.
The main problem of switching between a traditional layout to a Group Technology-based
layout is solve the problem of grouping parts into families.
This research builds up a genetic algorithm to solve the cell formation problem. It proposes a
part allocation scheme that assign parts to the machines cells through decision factors that
quantifies each part possible efficiency contribution. Another feature that distinguishes this
proposed algorithm from others is that it gathers the best characteristics from other
methodologies such as chromosomic codification and the removal of local heuristics through
the decision factor contained in the algorithm. 28 problems were selected from the literature
and solved through the proposed algorithm and its results are reported and compared with
similar methods.
Prefacio
La idea de trabajar con algoritmos genticos surgi por un libro (2) que obtuve en el cual
desarrollaban el tema de una manera muy sencilla y bastante alejada del concepto que tena
de que un algoritmo es algo que casi nadie puede idear y que son muy complicados en sus
pasos y en su resolucin. Program, con los pocos conocimientos que obtuve de un curso o dos
de introduccin a la lgica de programacin, uno de los ejemplos del libro y me di cuenta que
en realidad son muy pocas las necesidades de conocimientos en algn lenguaje de
programacin que se necesitan y que a cambio se pueden solucionar problemas complejos
aplicados a cualquier campo de la ciencia. Es por ello que me anim a generar un algoritmo
gentico propio que le diera solucin al problema de formacin de celdas.
La estructura del presente trabajo est basada en los lineamientos cientficos internacionales
establecidos en la norma ISO 7144-86(3). Asimismo el contenido se fundamenta en los
lineamientos descritos en publicaciones internacionales (4, 5), los cuales asientan los
convenios retricos en los que se encuentra inmersa la investigacin cientfica. Tanto la
funcin como el contenido fueron concebidos con tal de respetar las formas del lenguaje y su
estructura, puntos imperativos en la escritura del discurso cientfico.
No obstante, tambin se tom en cuenta los lineamientos que marca esta institucin para
elaborar una tesis de grado asentados en el reglamento de Estudios de Posgrado del IPN (6),
los cuales marcan ciertas directrices que regulan de forma general y esbozando ciertas
mociones para regular todos los trabajos de posgrados desarrollados bajo esta institucin
En este trabajo de investigacin se reconoce generosamente la deuda con los investigadores
que han precedido en el actual tema de tesis por lo que se documenta cuidadosamente cada
fuente, de manera que las contribuciones anteriores reciban su crdito apropiado
La metodologa que se desarroll en este trabajo fue una propuesta propia y tambin tom
aspectos y caractersticas de otras metodologas que se describen en el captulo 2. El captulo 3
desarrolla detalladamente toda la metodologa, por ello, cabe aclarar que en ella los puntos
que estn referenciados a otros autores son los aspectos de esta propuesta que se basaron en
ellos y los puntos que no cuenten con una referencia, conforma el trabajo propio.
Para sustentar la investigacin cientfica se informa al lector que las fuentes de citas o
alusiones tomadas de otros trabajos se encuentran referenciadas por medio del modelo de
referencias bibliogrficas Vancouver,
El modelo Vancouver inici en 1978, con un pequeo grupo de directores de revistas mdicas
generales, que se reunieron informalmente en Vancouver (Columbia Britnica) para
establecer las pautas relativas al formato de los manuscritos enviados a sus revistas. Este
grupo lleg a ser conocido como el Grupo de Vancouver. Sus requisitos de uniformidad para
los manuscritos, incluidos los formatos para las referencias bibliogrficas desarrollados por la
Biblioteca Nacional de Medicina de los Estados Unidos, fueron publicados por vez primera en
1979. El Grupo de Vancouver creci y evolucion para convertirse en el Comit Internacional
de Directores de Revistas Mdicas (CIDRM), que se rene anualmente y que, poco a poco, ha
ido ampliando los temas estudiados.
Todas las referencias bibliogrficas se manejaron con la ayuda del software Endnote X1 y la
edicin del texto se realiz en Word 2007 parte de la suite de software en Microsoft Office
2007. Todos los ttulos principales y subttulos se encuentran en negrillas, la tipografa en
cursiva denota trminos en otros idiomas diferentes al espaol, excepto en los subttulos en
cuarto y quinto nivel que tambin se encuentran en cursiva.
La estrategia de bsqueda consisti en rastrear artculos en bases de datos acadmicas a las
cuales tenemos acceso, entre las principales se encuentran EBSCO, ELSEVIER, Springer,
Scielo y IEEE. En el caso de las revistas usadas las fuentes fueron variadas pero se aprecia que
hubo una prevalencia en tres revistas con reconocimiento internacional como son:
International Journal of Production Research, Production Planning and Control y Computers
& Industrial Engineering.
Por su contribucin, los autores cuyo trabajo destaco ms en esta investigacin fueron
Gonalves, Tunnukij y Murugan; su trabajo ha sido fundamental para ayudarme a desarrollar
un algoritmo gentico con las caractersticas que yo deseaba y para ubicarme dentro del
campo de la inteligencia artificial.
En el captulo 1 se construye un panorama acerca de la Tecnologa de Grupos, su ubicacin
dentro de la manufactura y sistemas de produccin, as como sus beneficios y caractersticas
principales y se plantea el problema general de la Tecnologa de Grupos. Esta proposicin
constituye el parteaguas de todos los mtodos que se han desarrollado hasta la fecha para
solucionarlo y principalmente es la razn de ser de la presente investigacin.
El captulo 2 es una exhaustiva revisin de 3 propuestas que me parecieron atacan el
problema desde la misma perspectiva que yo quiero abordar. Se determinan sus diferencias y
similitudes para poder vislumbrar las posibles reas de oportunidad que desarroll en el
captulo 3. En este captulo se encuentra mi propuesta detallada a profundidad y con todas las
condiciones y requisitos para poder replicarla bajo cualquier otro ambiente.
El captulo 4 contiene las conclusiones a las que se llegaron al evaluar los resultados obtenidos
por esta metodologa. Tambin se compararon con los de otros 2 enfoques y se pudieron
deducir cuestiones interesantes acerca del funcionamiento general de los algoritmos
genticos.
Finalmente quiero agradecer al Instituto Politcnico Nacional en especial a la Unidad
Profesional Interdisciplinaria de Ingeniera y Ciencias Sociales y Administrativas por su apoyo
en la obtencin de la Beca Institucional durante el semestre Julio-Diciembre y al CONACyT
porque tambin pude obtener un apoyo econmico bajo su programa de becas de posgrado.
Captulo 1 Introduccin
En este captulo se muestra un panorama general de la tendencia actual en mtodos para
reslver problemas de Tecnologa de Grupos. Asimismo se retratan los surgimientos de la
Tecnologa de Grupos dentro del campo de la manufactura y su evolucin hacia la aplicacin
en esta rea de los mtodos actuales.
1.1.
Contexto
Dentro del diseo de las configuraciones de los medios de produccin de las empresas
tambin llamados sistemas de manufactura o proceso de produccin, se encuentra una
configuracin denominada distribucin celular o por grupos. El enfoque que se utiliza para
ayudar a la organizacin a distribuirse celularmente es denominada Tecnologa de Grupos.
Comnmente estas clulas se organizan en sistemas complejos que agrupan diferentes
aspectos de la produccin y son llamados Sistemas Integrados de Manufactura (7).
una familia de piezas, esta asociacin de mquina con este objetivo en comn se llama
Manufactura Celular (9).
La disminucin en la cantidad de desecho debido a una parte del costo total del
producto es absorbido en mayor medida por la creciente eficiencia en el trabajo.
los dems departamentos de una empresa. La Tecnologa de Grupos provee un medio para
estructurar y guardar la informacin, tales como los atributos de diseo y manufactura,
procesos, y las capacidades de fabricacin, las cuales son propicias para el anlisis por
computadora. La integracin de las distintos tipos de informacin relacionada con el
inventario de produccin sera virtualmente imposible sin la Tecnologa de Grupos,
consecuentemente la Tecnologa de Grupos es un elemento importante en la integracin
CAD/CAM (11).
1.1.4. Beneficios de la TG
Un beneficio importante de TG es que se mejora la calidad del producto. En primer lugar, los
operadores en un clula producen un conjunto similar de piezas, por lo que se vuelven ms
hbiles en la manufactura de tales piezas. Como resultado de su experiencia, cometern
menos errores. La TG ofrece lotes ms pequeos en las clulas de produccin, por lo que
cuando se cometen errores en un lote completo, se producirn menos piezas con defectos.
Debido a la proximidad de las estaciones de trabajo en una clula de produccin, los
operadores estn generalmente familiarizados con todas las operaciones en la celda; lo cual
les permite darse cuenta de errores en etapas previas del proceso (11).
Muchos factores contribuyen a disminuir el costo unitario de produccin: las celdas con TG
requieren menores tiempos de preparacin y disminuye el manejo de materiales en
comparacin con el trabajo tradicional por lote en el piso de produccin. Aunado a esto, la
menor cantidad de trabajo en proceso requiere menor financiamiento y reduce el inventario,
lo cual libera capital de trabajo. La mejora en la calidad del producto tambin libera capital,
cuando se detectan errores en las primeras etapas del proceso, habr menor cantidad de
unidades a desechar o re-trabajar. Finalmente todas las caractersticas de la TG ayudan a
abatir costos indirectos al reducir los tiempos de diseo de nuevos productos y al mejorar el
proceso de estimacin de costos (11).
La capacidad de produccin se ve incrementada debido principalmente a la disminucin de
los tiempos de preparacin de mquinas. Durante el tiempo de preparacin nada est siendo
producido, as que cuando se alcanza una reduccin en esta actividad, se puede utilizar el
ahorro logrado para la produccin adicional de piezas. Por ejemplo si el porcentaje promedio
de tiempo de utilizacin de una mquina dedicado a la preparacin de la misma disminuye de
10% al 5%, el 5% de tiempo ahorrado puede usarse para producir unidades adicionales (11).
Esta capacidad disponible se puede usar de diversas maneras. Sin ella, las empresas que
operan a toda su capacidad se veran en la necesidad de rechazar rdenes adicionales de
clientes actuales o limitar sus ventas a nuevos clientes, lo cual les llevara a perder posibles
ventas o a perder a sus mismos clientes. Las empresas que satisfacen demandas estacionales
podran ser capaces de incrementar su produccin en los puntos ms altos de demanda a
travs de disminuir el tiempo de preparacin de mquina, en lugar de incrementar su
capacidad por medio de maquinaria extra que permanecera ociosa durante el resto del ao.
Estando en esta posicin las empresas pueden cumplir con sus objetivos de ventas a un costo
total menor, por lo tanto incrementaran su ganancia total.
La TG tambin ayuda a mejorar los niveles de servicio al cliente, lo que conduce a
posicionarse con una nueva o renovada ventaja competitiva. Los siguientes son 5 beneficios
relacionados a los diferentes aspectos del servicio al cliente(11).
1. Disminucin del tiempo de entrega. Cuando se forman celda de TG, los tiempos de
preparacin entre los diferentes tipos de piezas o trabajos se acortan en comparacin
con el trabajo tpico en el taller o por lotes de trabajo.
2. Lotes de trabajo ms pequeos lleva a tener menor cantidad de trabajo en proceso lo
cual reduce la cantidad de material en espera a ser procesado por cada mquina.
3. Menores colas de espera del material conducen a la reduccin del tiempo total del
proceso, disminuyendo as los tiempos de entrega.
4. La reduccin de los tiempos de entrega puede ayudar a las empresas a ser ms
responsable con sus clientes de diversas formas. Cuando los clientes tratan de
minimizar sus niveles de inventario, la capacidad de poder cumplir con menores
tiempos entrega puede ser la diferencia entre mantener a un cliente o perderlo. Cuando
las condiciones del mercado cambian rpidamente, los clientes pueden demandar
envos de producto ms frecuentes, cambios significativos en las especificaciones del
producto, o exigencias similares que puedan alterar el proceso de manufactura. La
reduccin en los tiempos de entrega hace posible acomodar los cambios a peticin del
cliente en el calendario de entregas. Estos cambios a ltima hora se pueden lograr sin
que el productor tenga la necesidad de apoyarse en un inventario mayor de materia
prima o de piezas (incurriendo en mayores costos), debido a que se reduce el ciclo total
de pedido (el tiempo entre que se recibe una orden y esta orden es enviada).
1.2.
En esta seccin se pretende mostrar las aportaciones con las que otros investigadores han
contribuido a la expansin en este campo del conocimiento. Lo que se plantea en este
apartado es un breve recorrido histrico sobre los mtodos que se han empleado para resolver
el problema de formulacin de celdas de trabajo y la forma en cmo han ido cambiando estas
tcnicas hasta llegar a enfoques que combinan mtodos algortmicos de bsqueda y
optimizacin.
Inspeccin visual.
Sistemas de Clasificacin y Codificacin.
Anlisis del Flujo de Produccin.
Inspeccin Visual
En este sistema se van clasificando las piezas a partir del examen de los planos y segn sus
procesos de fabricacin en clases, subclases, grupos, subgrupos, etc. Pueden utilizarse las
dimensiones necesarias hasta la formacin de familias con el grado de semejanza
requerido(16).
La bsqueda por Inspeccin Visual no es usada frecuentemente en las aplicaciones de
Tecnologa de Grupos, debido a que puede llevar a resultados inconsistentes ya que rara vez
dos personas identificarn a un grupo de piezas dentro de la misma familia. Hay muchas
razones para esto, tales como que cada persona tiene una apreciacin diferente de las
capacidades de proceso en una fbrica y reconoce de forma diferente los atributos
significativos de una pieza dada. Por lo tanto este no es un mtodo factible ya que carece de
exactitud y sofisticacin (16).
Sistemas de Clasificacin y Codificacin
El objetivo de la codificacin y clasificacin para la aplicacin de la Tecnologa de Grupos es
explotar las caractersticas similares en el diseo de piezas. El sistema consiste en dos
actividades. Primero a cada parte del subcomponente se le asigna un cdigo basado en un
sistema de clasificacin que describe los diversos atributos de una pieza. Despus se clasifican
las piezas en familias basndose en atributos similares, tales como forma geomtrica, tipo de
material, requerimientos de maquinaria o de tolerancias. Idealmente el sistema de
codificacin debera de incluir tanto los atributos de diseo como los de manufactura de la
pieza(11)
Cuando todas las piezas han sido codificadas, el sistema de codificacin puede ser muy til de
diferentes formas. Por ejemplo, si un proveedor ofrece un descuento sustancial en algn
determinado material. El departamento de compras puede buscar en la base de datos todas
las piezas que utilicen ese tipo de material y evaluar la programacin de la entrega del
producto para anticipar las necesidades en de manufactura. Los ingenieros de diseo tambin
pueden hacer uso de esta base de datos. Se puede usar el cdigo de nueva una pieza para
buscar en la base de datos piezas similares, las cuales pueden eliminar la duplicacin
innecesaria de diseos. An si se necesita un nuevo diseo, sera ms fcil modificar uno
existente, que empezar desde cero (11).
A pesar de que el sistema de codificacin clasificacin basada en Tecnologa de Grupos puede
brindar muchos beneficios, su implementacin conlleva costos y una significativa inversin de
tiempo. Las empresas que se pueden beneficiar ms con este sistema son aquellas que
manejan una gran cantidad de piezas y componentes, o que frecuentemente necesitan disear
piezas.
Al usar un sistema de codificacin y clasificacin las empresas pueden estimar con mayor
precisin los costos para nuevos productos. La mejora en las estimaciones ayuda a reducir la
incertidumbre en las decisiones sobre cuanto cargar a un producto o en cuanto ofrecer un
trabajo. Este sistema hace posible la asignacin de precios competitivos que tambin aseguren
la generacin de una ganancia (11).
Anlisis del Flujo de Produccin
El primer paso para planear un sistema de manufactura es la seleccin de familias de piezas y
grupos de mquinas, (formacin de clulas) (17).Entre los diferentes enfoques usados en la
seleccin de las familias y grupos se encuentra el Anlisis de Flujo de Produccin
(Production Flow Analysis, (PFA)) desarrollado por Burbidge en 1975(9).
Este mtodo, permite formar simultneamente las familias de piezas y los grupos de
mquinas en que deben ser mecanizadas estas familias. Las suposiciones subyacientes en el
enfoque del PFA es que: 1) la mayora de las piezas y mquinas en una empresa ya estn
claramente definidas en familias y grupos; 2) estos grupos y familias se pueden identificar
claramente a travs de un anlisis del ruteo de piezas y de una lista de equipos. Este mtodo
no requiere un sistema de codificacin especial y es relativamente sencillo de
implementar(17).
Se han desarrollado mltiples heursticos para el proceso de formacin de clulas. El
principal objetivo de estos enfoques es la combinacin de las filas y columnas de la matriz de
incidencia pieza-mquina para forma una matriz resultante con los valores de incidencia
formando una diagonal de bloques (17). No obstante, en algunos casos no todos los
componentes de una familia de piezas pueden ser procesados dentro de la misma clula de
trabajo (18).
.
Figura 1 Matriz Incial (9).
A los mtodos vinculados con el PFA se les asocia numerosos algoritmos; los de identificacin
de agrupamientos se basan en una ordenacin matricial hasta obtener bloques diagonales que
identifiquen las asociaciones pieza-mquina; habitualmente surgen problemas por las
soluciones encontradas que dan origen a piezas cuello de botella que requieren de mquinas
que no es posible agrupar en una sola celda; si bien han surgido algoritmos que resuelven esta
cuestin, se convierten en problemas NP(19).
Figura 4 Representacin de las celdas de manufactura por bloques diagonalizados en la matriz de incidencia (9).
Las pocas entidades que se encuentran fuera de la diagonal formada por bloques representan
a las operaciones que se efectuarn fuera de sus celdas asignadas. Estas entidades se llaman
Elementos Excepcionales. La mquina correspondiente a estos elementos es conocida como
una mquina Cuello de Botella. Los valores nulos (ceros) dentro de los bloques diagonalizados
se llaman vacos(10).
En todos los algoritmos y formulaciones de Tecnologa de Grupos, por las caractersticas
intrnsecas de esta filosofa, se desalienta el movimiento intercelular de materiales(20).
La mayora de los mtodos y algoritmos actuales de solucin al problema de Tecnologa de
Grupos utilizan esta formulacin como el punto de partida para la solucin de los algoritmos.
arquitectura. Despus del entrenamiento, la red neuronal debe ser capaz de reconocer y
clasificar aquellos patrones de entrada que nunca haya visto antes. Este aprendizaje se lleva a
cabo principalmente a travs del reajuste de los pesos de interconexin usando ciertos
procesos de aprendizaje, por ejemplo, la funcin de aprendizaje delta, la funcin Hebbiana y
la funcin de aprendizaje competitivo(21).
El aprendizaje supervisado requiere del acoplamiento de cada valor de entrada con un valor
objetivo, el cual representa el valor de salida deseado y un "maestro", que provee la
informacin concerniente al error. En el aprendizaje no supervisado, el conjunto de valores de
entrenamiento consiste solamente en vectores de entrada. Los procedimientos del aprendizaje
no supervisado construyen modelos internos que capturan las regularidades en sus valores de
entrada sin recibir ninguna informacin adicional(21).
Se han desarrollado diferentes tipos de modelos de redes neuronales en la literatura
concerniente a este tipo de redes. Estos modelos se caracterizan por su propiedades, como
estructura de la red (topologa), cmo computa y qu computa la red (propiedad
computacional) y cmo la red aprende a procesar (propiedad de aprendizaje o
entrenamiento).
El nmero de capas, el nmero de neuronas en cada capa y los pesos que se le asignan a las
conexiones se pueden seleccionar de tal forma para que brinden el mejor ajuste al conjunto de
datos.
El gran nmero de unidades de proceso interconectadas proveen a la red neuronal la
habilidad para aprender patrones los complejos de la informacin dada y para generalizar la
informacin aprendida. Su propia naturaleza tolerante a fallas, le otorga a la red la habilidad
de trabajar con informacin incompleta. Su capacidad para otorgar resultados en tiempo real
hacen de los modelos de redes neuronales una gran herramienta de apoyo para crear un
ambiente inteligente de manufactura en la vida real y para solucionar el problema de
agrupamiento pieza-mquina(21).
Algoritmo hormiga
El sistema hormiga consiste en agentes cooperativos (hormigas artificiales) y un conjunto de
reglas para determinar la generacin, actualizacin y uso de la informacin local y global con
el objetivo de encontrar buenas soluciones. Las colonias de hormigas exhiben una conducta
muy interesante. Inclusive con las simples capacidades de una sola hormiga, la conducta de
toda la colonia est altamente estructurada (22).
Hormigas semiciegas realizan individualmente movimientos aleatorios en su vida diaria
dejando un rastro de feromonas. Estos rastros afectan a las otras hormigas predisponiendo la
aleatoriedad de sus decisiones para elegir un camino. El rastro de feromonas eventualmente
se evapora, pero, mientras pasa el tiempo algunos de ellos se intensifican por el ir y venir de
numerosas hormigas entre los puntos de vital importancia. Como resultado algunas de estas
trayectoras se vuelven evidentes. Este fenmeno se simula con un sistema artificial de
hormigas para develar las mejores soluciones(22).
Algoritmo Gentico
Los algoritmos genticos fueron formalmente introducidos por John Holland en 1975 y se
han aplicado en diversos campos como las matemticas, la ingeniera, la biologa y las ciencias
sociales. El algoritmo gentico es un algoritmo de bsqueda basado en la mecnica de la
seleccin natural y la gentica natural. Estos combinan el concepto de sobrevivencia del ms
adaptado con el intercambio estructurado de informacin algo aleatoria para formar
algoritmos de bsqueda que sean robustos. El concepto de Algoritmo Gentico imita el
proceso de evolucin que ocurre en la biologa natural (23).
Este algoritmo empieza generando una poblacin inicial de posibles soluciones, a las cuales se
les refiere como individuos o cromosomas. La alberca gentica de una poblacin dada
contiene una solucin potencial, o una mejor solucin a un problema adaptativo. Esta
solucin no est activa porque la combinacin gentica en la cual recae est dividida entre
varios sujetos. Slo la asociacin de diferentes genomas puede llevar a la solucin. Los
cromosomas evolucionan a travs de iteraciones sucesivas llamadas generaciones. Durante
cada generacin, los cromosomas evolucionan utilizando una medida de adecuacin(23).
Para crear la siguiente generacin, se utilizan operadores de cruce y mutacin para formar
nuevos cromosomas (descendencia). La nueva generacin se forma al seleccionar los
cromosomas ms aptos. Los cromosomas con mejor adecuacin a las condiciones imperantes
tienen mayor probabilidad de ser seleccionados. Despus de varias generaciones, el algoritmo
alcanza el criterio de paro y converge al mejor cromosoma, el cual representa la mejor
solucin encontrada al problema(23).
Qu es una solucin?
bsquedas locales llevadas a cabo en cada iteracin (S). Un parmetro final que necesita ser
especificado al implementar este heurstico, es la probabilidad de aceptar una solucin
inferior en cada iteracin. Tpicamente el valor de esta probabilidad debe acercarse a 0
mientras se aproxima el lmite de iteraciones(24).
Bsqueda Tab
La bsqueda tab (TS) es un procedimiento heurstico de memoria adaptativa propuesto por
Glover en 1986 para la bsqueda de los ptimos globales en problemas de optimizacin
mono-objetivo(26).
TS explora el espacio de soluciones a travs de repetidos movimientos desde una solucin a
la mejor de sus vecinas tratando de evitar los ptimos locales. Para un problema monoobjetivo, TS realiza una bsqueda por entornos en la cual se desplaza en cada iteracin a la
mejor solucin no tab del vecindario de la solucin actual. Los principales atributos de cada
solucin visitada son almacenados en una lista tab por un determinado nmero de
iteraciones para evitar que estas soluciones sean revisitadas, es decir, para evitar ciclos en la
bsqueda por entornos. As, un elemento del vecindario de la solucin actual es declarado
tab (es decir, es prohibido) si alguno de sus atributos est en la lista tab. En general, un
mtodo basado en bsqueda tab requiere de los siguientes elementos (26):
1. Solucin inicial. La bsqueda debe comenzar desde una solucin inicial que podra ser
cualquier solucin admisible que satisfaga las restricciones del problema. Una buena solucin
inicial podra acelerar la bsqueda con el consiguiente ahorro de tiempo. Dicha solucin
puede ser generada aleatoriamente o utilizando funciones vidas o greedy functions
(funciones que incorporan informacin adicional del problema utilizadas como estrategias
para generar puntos de mejor calidad).
2. Movimiento. Un movimiento es un procedimiento aleatorio o determinstico por el que se
genera una solucin admisible a partir de la solucin inicial. Usualmente, este procedimiento
es sencillo para el caso de problemas combinatorios, pero mucho ms complejo para el caso
de problemas de optimizacin continuos.
3. Vecindad. Dada una solucin S, la vecindad N(S) es el conjunto de todas las soluciones
admisibles que pueden ser generadas por la ejecucin de un movimiento sobre la solucin
actual S. Este conjunto suele ser numerables para problemas combinatorios y, en aquellos
casos en los que N(S) sea grande, se suele operar con un subconjunto de ms creativo para
definir N(S).
4. Lista tab. Es un mecanismo de memoria adaptativa que trata de evitar que la bsqueda
entre en un ciclo o quede atrapada en un ptimo local. Una vez que un movimiento, que
genera una nueva solucin, es aceptado, su movimiento inverso se aade a la lista tab y
permanece en sta un nmero determinado de iteraciones. Si el tamao de la lista tab es
pequeo, entonces la bsqueda se intensifica en una determinada rea del espacio, mientras
que si el tamao de la lista es grande se enfatiza la bsqueda en diferentes regiones del
espacio de soluciones.
5. Criterio de parada. En general, la bsqueda termina despus de un nmero determinado de
iteraciones, despus de un tiempo de computacin predefinido o cuando se alcaza un nmero
dado de iteraciones sin mejorar la mejor solucin(26).
No obstante, dentro de un TS se puede encontrar una gran variedad de estrategias destinadas
a mejorar la bsqueda como, por ejemplo, criterios de aspiracin, que admite movimientos
tab si se satisface el criterio de aspiracin (por ejemplo, se mejora el valor de la funcin
objetivo de la mejor solucin encontrada hasta ese momento) con idea de cruzar las barreras
impuestas en las restricciones tratando de encontrar otras zonas factibles ms prometedoras;
fases de intensificacin, que permite concentrar la bsqueda en aquellas zonas ms
prometedoras; fase de diversificacin, que permite desplazarse hacia zonas no exploradas, etc.
Modelos difusos
El trmino de modelos difusos se usa para hacer referencia a los conjuntos difusos o las
matemticas difusas, anlisis de datos difusos, como clasificacin y agrupamiento difuso. Los
fundamentos de cualquier modelo de lgica difusa son los conjuntos difusos. Los conjuntos
difusos como su nombre lo indica, son bsicamente la aplicacin de la teora de clases de
lmites imprecisos. En el concepto convencional de conjuntos, un elemento o es miembro de
ese conjunto o no lo es. Por otro lado, los conjuntos difusos permiten que sus elementos
pertenezcan parcialmente al conjunto. A cada elemento se le asigna un grado de pertenencia
al set, este valor de pertenencia puede ir de 0 (no es un miembro del conjunto) hasta 1 (s es
miembro del conjunto). A la relacin entre los valores de un elemento y su grado de
pertenencia a un conjunto se le llama funcin de pertenencia. Como se mencion
anteriormente, los modelos difusos son adecuados para tratar con la imprecisin que puede
existir en los parmetros de cualquier sistema(21).
El proceso de toma de decisin en un sistema de manufactura a menudo involucra
ambigedades. Considere como ejemplo el contexto del agrupamiento pieza-mquina, y
suponga un conjunto de piezas largas y cortas que se va describir en base al atributo de
"longitud". Si A = {conjunto de piezas cortas}, entonces debido a que la longitud empieza en la
unidad 0 (cm), ubicamos a este nmero como el lmite inferior del conjunto A. El lmite
superior es un poco ms difcil de definir, suponga que el lmite superior del conjunto A es de
3cm. Ahora el problema es, porqu una pieza con una longitud de 3cm se considera como
corta mientras que una pieza de 3.1cm se considerara larga? Obviamente este es un problema
estructural, Aun si el lmite superior se moviera hasta 4cm, problema persistira. Esto lleva a
una inapropiada agrupacin de pieza-mquina. Una forma ms natural de construir con el
conjunto A es relajar la estricta separacin entre las definiciones de corto y largo. Para ser
ms concretos, un conjunto de pequeas piezas se puede definir por medio de una funcin de
pertenencia como se muestra a continuacin(21).
De esta forma, una pieza con una longitud de 3.5cm sera clasificada como corta en un grado e
0.5. Matemticamente es funcin de pertenencia se expresa como:
1 $ ' 3
"#$% .0 + $% 3 , $ ' 4
0 $ - 4
Ecuacin 1 Funcin de Pertenencia para un modelo difuso (21)
para asegurarse de representar fielmente las caractersticas de cada pieza o del proceso de
manufactura(21).
Modelos difusos en los problemas de TG
Los modelos difusos han avanzado en muchas formas y
1.3.
Los logros en el uso y la aplicacin de los algoritmos que se acaban de revisar han sido
alentadores para problemas de tamao mediano y grande,
se ha podido comprobar su
eficiencia y la cercana que ellos alcanzan con la solucin ptima del problema. No obstante
cada uno de ellos tiene limitaciones propias las cuales se est buscando solucionarlas
mediante la hibridacin de los algoritmos, ej. Las versiones difusas del algoritmo gentico o el
algoritmo hormiga, tambin se ha avanzado en combinar las caractersticas comunes y los
fundamentos de funcionamiento de cada algoritmo para crear un algoritmo final a la medida
del problema de TG y en el que se puedan introducir nuevas variables al problema.
Las ltimas investigaciones tratan de incorporar en los modelos de solucin nuevas variables
al problema como el tamao de grupo, la secuencia de las mquinas, la carga asignada a las
mquinas, costos de compra de equipo, modelos con objetivos mltiples, y tasas de utilizacin
de los equipos.
A pesar del avance en el desarrollo de los modelos de cmputo suave (algoritmo hormiga,
algoritmo gentico, recocido simulado, etc.) en los problemas de TG, no se han dejado de lado
los mtodo ms tradicionales de solucin (Programacin Matemtica), se contina
utilizndolos ya que estos dan el ptimo global a los problemas con lo que se puede evaluar la
eficiencia de los dems mtodos. Por ltimo, las investigaciones se han enfocado en la
comparacin de los diferentes mtodos actuales al desarrollar medidas de eficiencia para
calificarlos y puntos comparativos entre ellos para evaluar sus ventajas en la aplicacin.
Sin embargo, los intereses actuales estn enfocados a mejorar el rendimiento de la bsqueda
de optimizacin en trminos de velocidad de convergencia y en una forma de manejar todos
los diferentes criterios usados. Tambin est contemplado analizar y correr ms experimentos
con otros conjuntos de datos (incluidos casos industriales concretos). Las perspectivas a
analizar tambin contemplan el enfoque de la lgica difusa, porque describe mejor la
naturaleza de la informacin disponible acerca de la estabilidad de la piezas.
No obstante, a pesar de la investigacin realizada para obtener las familias de piezas y los
grupos de trabajo, hay pocos estudios acerca del diseo de celdas con el objetivo de minimizar
el movimiento intercelular de piezas, y existen an menos estudios que consideran
parmetros propios de la produccin como por ejemplo: tiempos de proceso, lotes de
produccin, capacidad y duplicidad de las mquinas y restricciones de tipo tecnolgicas y
econmicas. Siguiendo por esta lnea, se podra considerar a la Tecnologa de Grupos no slo
como una metodologa de diseo de un sistema productivo, sino tambin como una
herramienta que puede ser usada para la programacin y la planeacin de las fases de
manufactura.
Desde un punto de vista prctico muchas alternativas emergen, tal como la tasa de utilizacin
de la mquina, el costo de transportar piezas o el costo de duplicar maquinaria se debe tomar
en cuenta al disear las celdas de trabajo. Existe la necesidad de desarrollar un anlisis
sistemtico para identificar los diferentes objetivos y criterios para construir y evaluar las
alternativas.
Por lo tanto, el objetivo de la presente investigacin es disear un algoritmo gentico que
resuelva el problema de formacin de celdas de manufactura, con base en la revisin de
aportaciones previas de fuentes de informacin de alto impacto.
Captulo 2 Mtodo
Este captulo hace una revisin de 3 metodologas que se encontraron en la literatura sobre
Algoritmos Genticos para solucionar un problema de formacin de celdas de trabajo; fueron
seleccionadas porque ofrecen un enfoque orientado mayormente a utilizar algoritmos
genticos, a pesar que combinan otras tcnicas de agrupamiento o algn heurstico
especialmente diseado para tal fin. Otra caracterstica de estas metodologas es que toman
en cuenta slo los puntos bsicos del problema de formacin de celdas, de modo que se
garantiza que la metodologa propuesta en base a la revisin de las aportaciones realizadas
por otras personas pueda ser utilizada en cualquier problema prctico de Tecnologa de
Grupos.
Para terminar con la revisin previa se elabor una seccin que resalta por medio de una tabla
comparativa las diferencias y similitudes entre los 3 enfoques y se agrega su anlisis
correspondiente.
2.1.
Descripcin de Metodologas de Algoritmos Genticos aplicadas a
problemas de Tecnologa de Grupos
La manufactura celular ha emergido como una estrategia de produccin capaz de resolver
ciertos problemas de complejidad y grandes tiempos indirectos de manufactura en sistemas
de produccin por lotes a principios de los 60.
Los algoritmos genticos son un mtodo competitivo que se puede usar para resolver
problemas grandes y que presentan perturbaciones en la entrada de datos. Los algoritmos
genticos encuentran una buena solucin en lugar de encontrar el ptimo global. Una de sus
principales ventajas es que slo requieren de una funcin de adaptacin objetivo o una
funcin de evaluacin. No requieren una representacin matemtica del problema. Los
algoritmos genticos se pueden usar para resolver problemas no lineales definidos en espacios
de bsqueda discretos, continuos o mixtos los cuales pueden ser restringidos o no restringidos
(puede quedar mejor acotados); tambin pueden explorar diferentes regiones y dirigir la
bsqueda hacia regiones ms promisorias del espacio de soluciones
Piezas
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
M1
1
1
0
0
0
1
0
0
0
0
0
M2
0
1
0
0
0
1
0
0
1
0
0
Mquinas
M3 M4 M5
1
0
0
0
0
0
1
1
1
0
0
1
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
1
0
1
M6
0
0
0
1
1
0
0
0
0
1
0
M7
0
0
0
0
1
0
0
1
0
1
0
producido por las llaves aleatorias con el espacio de soluciones del problema original (31).
Una caracterstica importante de las llaves aleatorias es que todas las soluciones producidas
por el operador de cruce son soluciones factibles. Esto se logra al mover la mayor parte del
problema de factibilidad al procedimiento de evaluacin de la adaptacin. Si cualquier vector
de de llaves aleatorias puede ser interpretado como una solucin factible, entonces cualquier
cadena produccin de una combinacin gentica es una solucin factible. A travs de la
dinmica de un algoritmo gentico el sistema aprende la relacin entre los vectores de llave
aleatoria y las soluciones con mejores valores objetivo.
Los cromosomas son vectores conformados por nmeros aleatorios y cada cromosoma est
La posicin de cada gen se usa para determinar el nmero de mquina, mientras que el valor
representa la celda a la cual ser asignada. Las siguientes expresiones son utilizadas para
codificar el cromosoma:
8 .9:;< 1/,
1, , 1.
Nmero de mquinas = 12
Crom= 0.70 0.89 0.12 0.54 0.37 0.78 0.41 0.19 0.94 0.64 0.68 0.31 0.29
2. El heurstico contina calculando de nuevo para las familias de piezas, todos los
posibles valores si una mquina se asignara a determinada familia de pieza.
Nuevamente se calcula la eficacia grupal y si es mayor a la anterior, el heurstico itera
utilizando la nueva agrupacin de celdas de mquinas resultante. Si es menor, el
heurstico se detiene y mantiene la asignacin de mquinas del inicio.
El objetivo de este heurstico es tratar de incrementar en cada iteracin y por cada pieza el
valor de la funcin que evala la calidad de la posible solucin, si es que esa pieza se asignara
a dicha celda.
En resumen el heurstico propuesto hace una comparacin sucesiva entre las celdas con
mquinas y las mejores asignaciones de piezas con las familias de piezas y las mejores
asignaciones de mquinas, hasta encontrar una solucin que no pueda ser superada.
Criterio de evaluacin y de parada
La funcin de adaptacin que se usa es la eficacia grupal, la cual se define como:
? 9 @
A< + A<BCD
A< 6 AEFG
En donde:
A< 1H "
Entre ms cerca est el valor de la eficacia grupal a 1, mejor ser el agrupamiento. Las razones
por las que se escogi a la eficacia grupal para este algoritmo gentico son las siguientes:
Tiene una alta capacidad de diferenciar entre una matriz con buena estructura de una
matriz con una estructura deficiente.
Genera matrices con bloques diagonalizados que son muy atractivas en la prctica.
de cada celda. Sin embargo, no tiene caso agrupar todas las mquinas y todas las piezas
dentro de solo una celda, ni tampoco tiene caso agrupar cada mquina dentro de una sola
celda. Por lo tanto el nmero posible de celdas se define como 2 ' 8 ' min #1 + 1, 0 + 1%.
Representacin Gentica
La representacin cromosmica consiste en tres secciones
1. Seccin de piezas
2. Seccin de mquinas
3. Seccin de grupo
Cada gen en la seccin de piezas y mquinas se conforma de un entero que representa el
nmero de celda. Los nmeros de pieza y mquinas se representan por medio de la posicin
de los genes dentro de la seccin apropiada. Los enteros que representan a los nmeros de
celda en las secciones de piezas y mquinas son slo para informacin porque los operadores
genticos trabajan solamente en la seccin de grupos. La longitud de los cromosomas
individuales puede cambiar ya que el nmero de celdas en cada alternativa puede variar.
9PQR4 S 0 6 S 1 6 S 8
La longitud cromosmica es igual a la suma de las piezas, las mquinas y el nmero de celdas.
El orden en el cual las celdas en la seccin de grupo se enlistan no es de importancia. Esta
representacin permite utilizar el enfoque de agrupamiento pieza-mquina. Tambin permite
aplicar los operadores de cruce y mutacin en la porcin del cromosoma que corresponde a
las celdas. Como resultado los grupos se modifican como un todo, en lugar de modificarse
individualmente
Crom= a b a b b a a a
Mtodo para generar la poblacin inicial
La poblacin inicial se genera aleatoriamente, mediante el siguiente proceso:
1. Se generan 8 celdas de manera aleatoria, en donde C es un entero aleatorio positivo en
donde 2 ' 8 ' 1 + 1 si 1 , 0, de otra forma 2 ' 8 ' 0 + 1.
3. Es entonces que se asignan las piezas y las mquinas a las celdas, para que cada celda
contenga por lo menos una pieza y una mquina.
4. Se repiten los pasos 1-3 has obtener una poblacin del tamao requerido.
Seleccin y Reproduccin
En el esquema de seleccin y reproduccin los cromosomas son seleccionados aleatoriamente
para ser modificados por los operadores de cruce y mutacin, todos los cromosomas tienen la
misma probabilidad de ser seleccionados. Las probabilidades de combinacin y mutacin son
parmetros experimentales previamente especificados.
Los operadores Genticos
En este algoritmo se adoptaron los operadores descritos en Falkenauers 1998, sus operadores
de cruce, mutacin eliminativa y divisiva se adoptaron con modificaciones menores. Estos se
integraron en un proceso de reparacin que rectifica los cromosomas infactibles producidos
por las operaciones genticas. El operador de combinacin incluye dos pasos:
1. Dos padres son aleatoriamente escogidos del padre. Todos los genes del primer padre
se copian inicialmente al primer hijo, de la misma forma poblacin
2. Se generan dos puntos aleatoriamente de la seccin de grupo del cromosoma de cada,
todos los genes del segundo padre se copian al segundo hijo. La seccin cromosmica
del segundo padre comprendida dentro de los puntos de cruce seleccionados se
incrusta dentro del primer hijo, de la misma manera la seccin del primer padre
determinada por los puntos de cruce se incrusta en el segundo hijo. Todas las piezas y
las mquinas que pertenecen a las celdas dentro de la seccin incrustada son heredadas
al cromosoma hijo.
Los pasos para la mutacin son los siguientes:
1. Se escoge un padre de la poblacin aleatoriamente
2. Se verifica el nmero de celdas:
a) Si el nmero de celdas es mayor a 2, se usar el operador de mutacin eliminativa.
Una de las celdas en la seccin de grupo se selecciona de manera aleatoria y todos
sus elementos se eliminan. Los elementos restantes se heredan al hijo.
b) Si el nmero de celdas es menor o igual a dos, se usar el operador de mutacin
divisiva. Con este tipo de operador, una celda que contiene por lo menos dos piezas
y dos mquinas es seleccionada aleatoriamente y luego sta se divide en dos nuevas
2. Verificar el nmero de celdas. El posible nmero de celdas se define como 2 ' 8 '
min #1 + 1, 0 + 1%:
Si el nmero de celdas dentro de los hijos producidos luego del paso 1 es uno,
entonces un nuevo nmero de celda se insertar y las mquinas y piezas que an no
han sido asignadas ser ubicaran en la nueva celda.
Criterio de parada.
El EnGGA termina cuando se han completado un determinado nmero de generaciones. El
resultado final ser la configuracin de celdas representada por el cromosoma con el mayor
valor en la funcin de adaptacin.
Funcin de evaluacin
Cada individuo de la poblacin se evala de acuerdo a la tcnica de agrupamiento por medida
de similitud. Con los centroides formados por cada cromosoma se calculan los coeficientes de
similitud por cada pieza y se asignan a los centroides con los que tuvieron un mayor valor de
similitud, los empates se rompen arbitrariamente.
Despus de formar la solucin final, esta se evala por medio de una funcin que combina la
Eficiencia basada en Tecnologa de Grupos con una medida de cohesin de los miembros de
cada grupo y una eficiencia en los tiempos de preparacin.
T U80A 6 @VW? 6 XYW?
en donde,
T Z Medida de rendimiento
Seleccin y Reproduccin
La probabilidad de seleccin para cada cromosoma se calcula de la siguiente manera:
Yr
s#%
sDRDtu
G
svRDtu S s#%
w<
En donde:
s#% valor de adaptacin para cada cromosoma
Cruce
Los cromosomas que se cruzaran y los puntos de cruce son seleccionados aleatoriamente. El
operador se cruce se controla por medio de la probabilidad llamada probabilidad de cruce y se
le asign un valor de 0.90, tambin se adopt el tipo de cruce monopunto.
La forma ms simple del operador de cruce en los algoritmos genticos es el cruce
monopunto. Este consiste en seleccionar al azar una nica posicin en la cadena de ambos
padres e intercambiar las partes de los padres divididas por dicha posicin. Este operador
produce dos hijos que combinan las propiedades de ambos padres, lo que puede llevar a una
mejora de la adaptacin de los hijos respecto a la de los padres.
Mutacin
En esta metodologa se utiliza la mutacin por cambios. Se generan dos enteros aleatorios
para cada cadena de genes y se intercambian los genes que corresponden a la posicin estos
nmeros. El mismo procedimiento se repite para cada cromosoma que fue seleccionado para
incurrir en el proceso de mutacin.
Criterio de terminacin
El algoritmo finaliza despus de un nmero predeterminado de iteraciones.
for Grouping
manufacturing
cell
enhacenced Manufacturing
cell
Algorithm (28)
formation
(27)
Poblacin
inicial
segn
codificacin
codificacin
establecida
establecida
seleccionada
An evolutionary An
algorithm
for Grouping
manufacturing
cell
enhacenced Manufacturing
Algorithm (28)
formation
(27)
Codificacin
cell
de
la
cadena
la
cual
mquina
ser
asignada.
Largo
cromosoma
Cantidad
celdas
Seleccin
del Fijo, cantidad total variable, depende del Fijo, cantidad de mquinas
de mquinas + 1, nmero de celdas que del problema
161
de variable, .1, 1/
2'8'
#1 + 1, 0 + 1%
aleatoria
e aleatoria,
incorpora
una tendencias
estrategia elitista
sin Seleccin
proporcional
hacia Yr s#%/s_
Operador
Cruce
de Operador de cruce
uniforme
parametrizado
algoritmo
Operador
Mutacin
mutacin
todo el algoritmo.
implementado
travs
la
de
An evolutionary An
algorithm
for Grouping
manufacturing
cell
enhacenced Manufacturing
cell
Algorithm (28)
formation
(27)
creacin de nuevos
individuos en cada
iteracin.
Heurstico para Heurstico
completar
de Ninguno,
la Bsqueda Local,
cromosoma
solucin
es
solucin completa
calculan
coeficientes
de
Ninguno
los
operadores
genticos
Criterio
de Eficacia grupal
Evaluacin
diagonalizados
tiempos
de
Criterio
Parada
de Al
finalizar
nmero
generaciones
celdas
(Eficacia
Grupal)
de de generaciones
generaciones
Captulo 3 Resultados
El captulo 3 est estructurado de forma tal que en la primera seccin se establece en trminos
generales en funcionamiento de cualquier algoritmo gentico, sus caractersticas, parmetros
y necesidades de cdigo. La siguiente seccin detalla todos los aspectos que conforman la
propuesta de este trabajo de investigacin el cual consiste de una metodologa eclctica y una
aportacin propia.
3.1.
Impulsores
Los aspectos que me ayudaron a elegir este tema, fue que al hacer pruebas y programar un
pequeo algoritmo gentico que resolviese una ecuacin lineal obtuve buenos resultados y el
mtodo brindaba buenas oportunidades para implementarlo en un problema de formacin de
celdas de manufactura.
La programacin que requiere este tipo de algoritmo no es muy complicada y con
conocimientos bsicos de lgica de programacin es posible sacar adelante al algoritmo con
cualquier tipo de lenguaje de propsito general.
La revisin de la literatura tambin fue de gran ayuda para orientar mi visin acerca de los
desarrollos en este campo y cmo se ha aplicado en el problema de formacin de celdas. Es
por ello que se pudieron definir y establecer los criterios de investigacin y la ruta a seguir
para cumplir con el objetivo.
la
funcin
de
evaluacin
de
los
dos
desendientes
mutados
Insertar los dos descendientes mutados en la nueva generacin.
Figura 6 Pseudocdigo de un Algoritmo Gentico Simple (1).
Representacin Gentica
Mtodo para generar la poblacin inicial
III.
Funcin de Evaluacin
IV.
V.
VI.
VII.
VIII.
Operadores genticos
Mecanismos para crear generaciones sucesivas
Criterio de parada
Ajuste de parmetros
Inicio
Paro
S
Funcin de Adaptacin
Generar la
Poblacin Inicial
Clculo de la eficiencia
Alcanza criterio
de paro?
= 1
Poblacin
e0 + ev
e + ev
Proceso de Asignacin de
Piezas
C MatrizDeci
sin
ACoefProp + BCoefDen
Cromosoma1
No
Cromosoma2
Operadores Genticos
Operadores de Cruce
Padre(1)
Hijo(1)
Padre(2)
Hijo(2)
Seleccin
CromosomatamPob
Estratega
Elitista
Operadores de Mutacin
Funcin de Adaptacin
Clculo de la
eficiencia
= 1
Seleccin
dirigida por el
Mtodo de la
Ruleta
Padre(1)
Hijo(1)
e0 + ev
e + ev
Figura 7 Estructura General del Algoritmo Gentico por Factores de Decisin (AGFD).
0.7
0.1
0.3
2. Convertir cada gen a un nmero entero que designe la celda que se asigna a dicha
mquina. Empezar con el #1 6 1%isimo gen, convertir este valor a un nmero entero
que se encuentre dentro del rango .2, 1 + 1/, el cual nos dar el total de Celdas para ese
cromosoma #%
> .0,1/ K. .
#% { #1 + 1 6 2%} 6 2
A #%
> x
3. Continuar convirtiendo cada nmero aleatorio del intervalo .0,1/ a su valor equivalente
dentro del Intervalo .1, A/, en donde A es el nmero total de celdas para cada
cromosoma #%, valor que se acaba de obtener del paso anterior.
> .0,1/ K. .
m1
1
m2
6
m3
5
m4
1
m5
4
m6
1
m7
1
m8
5
m9 m10 m11
2
1
2
m12
3
4. Repetir este proceso para cada cromosoma #% de una poblacin de #% elementos, lo
cual origina la poblacin inicial con la que empieza el algoritmo.
3.3.2. Seleccin y Reproduccin
El mtodo de seleccin permite orientar la bsqueda hacia los puntos ms promisorios con la
mayor adaptacin observada hasta el momento. El operador de seleccin genera a partir de la
poblacin actual una poblacin intermedia del mismo tamao, reproduciendo con un mayor
nmero de copias a los individuos ms aptos y eliminando o asignando un nmero menor de
copias a los individuos menos aptos. El operador de seleccin no produce puntos nuevos en el
espacio de bsqueda, sino que determina qu individuos dejarn descendencia y en qu
cantidad en la prxima generacin (39).
Este algoritmo gentico utiliza una regla de supervivencia probabilstica. John Holland
postul que la estrategia ptima de solucin consiste en aumentar exponencialmente el
nmero de copias del mejor individuo observado respecto al peor. Este mtodo se conoce
como seleccin proporcional o por ruleta (39).
Con el mtodo probabilstico o tambin conocido como seleccin sesgada por ruleta, la
adecuacin de un cromosoma en particular determina el tamao de su segmento asignado en
la ruleta. Cuando se generan un nmero aleatorio para seleccionar a los individuos que
pasaran a la siguiente iteracin, anlogamente se produce un giro con la ruleta segmentada
que determinar a la siguiente poblacin en donde los mejores cromosomas tienen un mayor
segmento de la ruleta y por lo tanto una mayor probabilidad de ser seleccionados (28).
f (i )
f
E Z 0
Z S
<
,
< , ,
Elitismo, una medida porcentual para determinar la cantidad de los mejores #% individuos
que se copiaran sin ninguna modificacin a la poblacin de la siguiente iteracin.
El Elitismo mejora la bsqueda local a expensas de la perspectiva global
Por lo tanto debemos utilizar el elitismo cuidadosamente, teniendo en cuenta las
caractersticas del problema. En general, el porcentaje de la poblacin que puede formar parte
de la lite debe ser pequeo, no mayor a un 1 un 2% del tamao de la poblacin. Sin
embargo es una tcnica muy til, que no slo acelera la convergencia, sino que asegura que si
en algn momento de la evolucin del algoritmo hemos alcanzado una buena solucin, sta no
se perder en generaciones posteriores (2).
compara con la tasa de Cruce, si es menor o igual a esta tasa, habr recombinacin, de otra
forma, se mantendr al cromosoma sin ninguna modificacin en la poblacin.
V #%P > 1,2, ,
8 #%P ' WP 8#%
Para cada par de padres que se sometern al proceso de recombinacin gentica, se escoge un
nmero al azar dentro del rango .2, 1/ llamado Punto de Cruce #%, el cual designa la posicin
del gen en donde se cortar la cadena cromosmica para combinar dos trozos de cadenas de
diferentes padres.
V Z | > .2, 1/, k > x
Punto de Cruce = 5
Padre 1
Padre 2
#%P ' WP
10
11
12
10
11
12
Una vez realizado el cruce, se pueden observar inconsistencias entre el nmero de celdas
totales y posiblemente que el valor de algunos genes sobrepase el nmero mximo de celdas
asignado a cada cromosoma. Es por ello que se cre un proceso de reparacin que se aplica
inmediatamente despus de la recombinacin gentica, en este proceso se traduce cada valor
que corresponde a una determinada cantidad de celdas totales a su correspondiente valor de
acuerdo al nuevo nmero de celdas.
$
$ Z $|$ > . 6 1, , + 1/
1
u
1
2
,'
9u
u
9<
9
,'
9u
9u
9u<
9u
,'
9u
9u
9 9
u
0 ' '
# > 1, 2, , %
Hijo 1
Valor incongruente 5 3
Hijo 2
Una vez que se ha finaliza el proceso de reparacin, los cromosomas hijos estn listos para
pasar al siguiente operador.
Hijo 1
Hijo 2
Mutacin.
La mutacin es una permutacin en un bit en un lugar aleatorio de la cadena cromosmica,
permitiendo la alteracin aleatoria del material gentico. La mutacin sirve para evitar la
prdida de diversidad producto de genes que han convergido a un cierto valor para toda la
poblacin, y que por lo tanto no pueden ser recuperados por el operador de cruce (39). Este
operador funciona por medio de un parmetro o probabilidad asignada por el usuario llamada
Tasa de Mutacin (W4 %. Habitualmente la tasa de aplicacin del operador es bastante pequea
comparada con el operador de cruce (2).
En muchos casos la mutacin produce individuos con peor adaptacin que los individuos
originales, ya que la mutacin puede romper las posibles correlaciones entre genes que se
hayan formado con la evolucin de la poblacin. Sin embargo, contribuyen a mantener la
diversidad de la poblacin, que es fundamental para el buen funcionamiento del algoritmo
(2).
La forma en que se realizaron las mutaciones para el Algoritmo Gentico por Factores de
Decisin fue la siguiente:
1. Se genera una probabilidad de mutacin para cada individuo #% de la poblacin y se
compara con la tasa de Mutacin, si la probabilidad es menor a este parmetro se
procede con la mutacin.
8
se generar un nmero aleatorio entero dentro del intervalo .1, + 1/ el cual indicar la
Z {9<, 9 , 9 , . . , 9u }
#%: ' W:
3. Para el gen a mutar #9 % se produce un nuevo nmero aleatorio #% dentro del intervalo
[0, 1], el cual se convertir en un nmero de celda nuevo ( 9H %de acuerdo a la cantidad
total de celdas asignadas para dicho cromosoma #%, de la siguiente manera:
9
#%: ' W:
H
9 9
9
u
1
9u
1
2
,'
9u
9u
9<
9
,'
9u
9u
9u<
9u
,'
9u
9u
0 ' '
# > 1, 2, , %
#%: ' W:
En muchos casos la mutacin produce individuos con peor adaptacin que los individuos
originales, ya que la mutacin puede romper las posibles correlaciones entre genes que se
hayan formado con la evolucin de la poblacin. Sin embargo, contribuyen a mantener la
diversidad de la poblacin, que es fundamental para el buen funcionamiento del algoritmo
(2).
3.3.4.Asignacin de Piezas
Para poder evaluar a la poblacin de soluciones generada, se debe completar la solucin
parcial descrita en los cromosomas, ya que estos slo relacionan a las mquinas con las celdas.
Las piezas an no han sido asignadas a ninguna celda. De esta forma se ha desarrollado un
coeficiente que se calcula para cada pieza respecto a cada celda. Este coeficiente determina la
aportacin individual por pieza a la eficiencia de la solucin global de cada individuo.
El coeficiente total consta de dos coeficientes parciales, la frmula para el primer coeficiente
parcial o Coeficiente de Proporcin es la siguiente:
m
p
j( m, p ) C n , p
1
1
coefProp =
m
p
j( m, p ) p
1
1
C n
n
j( m, p )
j
1
m
( m, p )
C2
M2
M3
C3
M4
C4
M5
M6
C5
M7
C6
M8
M9
P1
P2
P3
P4
P5
P6
P7
P8
P9
Operaciones totales
P10
P11
P12
P13
P14
P15
Total de operaciones
en la mquina 9 = 3
0#2<E,%
de la matriz = 39
Operaciones
por
pieza
Total de operaciones en la
mquinas asignadas a la
#2% #12%
0.205
#3% #39%
C6 =12
El algoritmo procede a realizar el clculo de este coeficiente para cada pieza y cada celda
formada desde la solucin parcial proporcionada por los cromosomas.
El segundo coeficiente, llamado Coeficiente de Densidad, es una medida de densidad de cada
pieza respecto a la mayor rea probable para cada celda, esto es si se asignaran a dicha celda
todas las piezas para que el alto de la celda fuera el mayor posible. Lo anterior se determina
primero calculando el rea de cada celda, que est dada en su dimensin de Anchura por el
nmero de mquinas por cada celda y en la dimensin de alto por la cantidad total de
4
< #4,2% > 8G ,
4
{4
< #4,2% > 8G , }#< > 8G %
. .
#4,2% 1 #4,2% -
j
CoefDen =
( m, p )
C n , p
m
m
j( m, p ) C n , p m C n
1
1
en donde n {1,2,..., N }
s.a.
j( m , p ) = 1 j ( m , p ) > m
C1
M1
C2
M2
M3
C3
M4
C4
M5
M6
C5
M7
C6
M8
M9
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
P12
P13
P14
P15
Ancho de Celda o
nmero de mquinas
#2<E,%
#3%
0.25
#3% #4%
los valores mayores para asignar las piezas a cada celda, los empates se rompen al azar; y as
completar una combinacin de piezas-mquinas-celdas que representar una posible solucin
al problema de formacin de celdas de manufactura.
ACoefProp
m p nc L nc
= M
O
M
m p L m p nc
BCoefDen
m p nc L nc
O
M
= M
m p L m p nc
R 6
6
en donde:
K
Para obtener buenos diseos de celdas de manufactura se debe maximizar la utilizacin de las
mquinas dentro de cada celda y minimizar el flujo intercelular de piezas. Se han identificado
3 enfoques para agrupar los mtodos usados para formar celdas:
Agrupamiento por medio de familias de piezas, que luego agruparan dentro de s a las
mquinas en celdas
Agrupamiento pieza-mquina, el cual forma las familias de piezas y las celdas con
mquinas simultneamente.
M2
P1
M3
M4
M5
M6
1
1
P4
P5
M9
M10
1
1
P3
M8
P2
M7
1
1
1
1
P6
1
1
1
1
P7
P8
1
1
P9
1
1
P10
P11
P12
P13
P14
1
1
1
1
1
1
1
Figura 10 Matriz Inicial, Chan y Milner (1982) (27)
P15
M2
M5
M8
P3
P5
P8
P13
P15
P1
M3
M4
P4
M6
M9
P6
P9
P14
M1
M7 M10
P2
P7
P10
P11
P12
3.4.1. Resultados
Para demostrar el rendimiento del presente algoritmo, ste se program en Visual Basic
Applications (VBA) para Excel Office 2007 y se utiliz una computadora con las siguientes
caractersticas:
Marca
Sistema Operativo
Procesador
Memoria RAM
2 GB
Software
complementario
5 7 hasta matrices de 40 100. Estas matrices han servido de referente en varios artculos y
se tuvo acceso a ellas de forma indirecta a travs de (27).
Se trataron cada una de las 28 matrices de la misma forma y con los mismos parmetros:
Parmetro
Tamao
Valor
de
la 20
Poblacin
Nmero
de 50
Iteraciones
Tasa de Elitismo
20%
Tasa de Cruce
90%
Tasa de Mutacin
25%
King
and
Tiempos
Tamao
Mnimo
Promedio
Mximo
Mnimo
Promedio
Mximo
Nakornchai
57
73.68
73.68
73.68
0.36
0.39
0.42
and
57
65.22
65.22
65.22
0.34
0.36
0.39
(1982)
2
Waghodekar
Sahu
(1984)
3
Seiffodini (1989)
518
79.59
79.59
79.59
0.72
0.76
0.80
Kusiak (1992)
68
76.92
76.92
76.92
0.44
0.46
0.48
711
55.56
58.39
59.26
0.59
0.63
0.67
Boctor (1991)
711
62.50
69.58
70.37
0.61
0.63
0.67
812
54.24
66.89
68.29
0.67
0.73
0.77
Chandrasekaran
820
62.92
79.35
85.25
1.13
1.18
1.28
820
56.88
58.39
58.72
1.08
1.18
1.27
Rajagopalan (1986a)
9
Chandrasekaran
Eficiencia
Tiempos
Tamao
Mnimo
Promedio
Mximo
Mnimo
Promedio
Mximo
Rajagopalan (1986b)
10
1010
62.50
69.43
73.33
0.69
0.74
0.78
11
1015
57.50
86.12
92.00
1.03
1.06
1.14
12
Askin
1424
45.69
56.15
62.69
1.86
2.00
2.09
Subramanian
(1987)
13
2416
38.14
43.13
47.06
2.33
2.42
2.55
14
1630
48.12
55.10
62.59
2.78
2.94
3.06
15
King (1980)
1643
37.65
42.01
51.92
4.09
4.26
4.39
16
Carrie (1973)
1824
39.13
45.06
52.34
2.28
2.50
2.64
17
2020
36.40
38.97
40.23
9.42
10.82
12.06
18
2023
34.36
36.54
38.89
2.64
2.75
2.94
19
Carrie (1973)
2035
46.75
54.38
66.49
3.89
4.17
4.39
20
2035
34.50
42.71
52.31
4.05
4.26
4.56
21
Chandrasekaran
2440
39.86
52.96
66.41
5.08
5.43
5.67
2440
38.19
47.29
51.53
5.14
5.51
5.89
2440
41.01
46.08
52.29
4.92
5.56
6.11
2440
35.66
36.27
36.88
5.27
5.53
5.80
Chandrasekaran
Chandrasekaran
Chandrasekaran
McCormick et al.
2727
33.20
45.43
48.75
3.81
4.05
4.33
26
Carrie (1973)
2846
29.02
34.43
37.67
6.41
7.08
7.59
27
3041
31.94
35.76
39.44
5.86
6.47
6.91
28
Stanfel (1985)
3050
33.13
38.48
44.44
7.64
8.00
8.70
Captulo 4 Discusin
El captulo 4 corresponde al ltimo captulo del trabajo presentado y en l se organizan las
conclusiones del modelo propuesto, se presentan los resultados aplicando el modelo y
tambin se comparan estos con los resultados que se obtuvieron en otras investigaciones, con
esta informacin fue posible concluir y determinar el grado de mejora que se obtuvo con los
cambios que se realizaron en esta metodologa
4.1.Mecanismos Internos
En la forma en la que evolucionan los valores de adaptacin se pueden observar muchos
aspectos interesantes. Uno de ellos es la forma en cmo el algoritmo va alcanzando la solucin
final a travs de todas las iteraciones. Se puede observar que, por la naturaleza del algoritmo,
una vez alcanzada una solucin con un valor alto en su funcin de adaptacin, esta solucin
puede perderse en una iteracin posterior y el algoritmo reporta una disminucin en el valor
de adaptacin de toda una generacin. A travs del tiempo en los resultados de cada iteracin
se pueden observar estas subidas y bajadas, pero la tendencia general es siempre en sentido
de maximizar el valor de la funcin de adaptacin.
Lo anterior es debido a un rasgo de programacin del Algoritmo Gentico por Factores de
Decisin, como se estableci en los puntos 3.3.2 y 3.3.3, este algoritmo maneja el elitismo al
momento de seleccionar a los individuos de entre la poblacin. Sin embargo, tambin los
mejores individuos pueden ser objeto del operador de recombinacin, lo cual desmiembra a
estos individuos superiores del resto y pasan a ser segmentos de cdigo que construyen a
nuevos hijos en una iteracin posterior.
Otro rasgo trascendente al que hay que prestar atencin es cuando a travs de las iteraciones
el algoritmo llega a un resultado del cual no puede moverse sino hasta despus de muchas
generaciones. Frecuentemente se observa que una vez que el algoritmo ha alcanzado cierto
nmero de generaciones y ha obtenido un valor mayor a los anteriores, en varias generaciones
posteriores ese valor se mantiene y al parecer, al algoritmo le cuesta trabajo encontrar otros
puntos en el espacio de soluciones para obtener mejores resultados a los ya obtenidos.
Claramente no se puede establecer que el algoritmo no ha encontrado el ptimo global porque
el valor en el cual se atasca est muy por debajo de la eficiencia esperada y porque
eventualmente el algoritmo encuentra una mejor solucin. Tambin se puede advertir que
este fenmeno es cclico y se puede repetir varias veces en una serie del algoritmo gentico.
De nueva cuenta se advierte que el resultado final del algoritmo est muy ligado al resultado
de la primera iteracin y a la primer poblacin de individuos en general. Si se observan los
resultados de una serie del algoritmo en donde la primer mejor eficiencia haya sido
especialmente un valor alto respecto al promedio, el algoritmo alcanza valores cada vez
mayores en un menor nmero de iteraciones, por lo que se espera que encuentre el ptimo o
un valor cercano al ptimo en una menor cantidad de tiempo. De acuerdo a este
comportamiento, del resultado obtenido en la primera iteracin, los valores siguientes
evolucionaran a partir de ese primer valor y el resultado final del algoritmo est ligado tanto al
proceso de bsqueda del algoritmo gentico como a la calidad de la primer solucin obtenida.
El algoritmo est construido sobre una base de asignacin de celdas y mquinas aleatoria
(citar los puntos en dnde explico esto); y debido a esto se encuentra que existen pocas
soluciones con un nmero elevado de celdas.
La naturaleza del algoritmo que aqu se present es la distribucin de mquinas y piezas
entre un cierto nmero de celdas determinadas para cada individuo de forma completamente
aleatoria y sin ningn tipo de mecanismo que asegure que a cada celda se le va asignar por lo
menos una mquina y una pieza.
De esta forma, nos enfrentamos a un fenmeno en dnde frecuentemente $ nmero de celdas
terminan sin ninguna mquina y por consiguiente sin ninguna pieza adjudicada, debido a esto
el algoritmo tambin cuenta con un mecanismo para eliminar las celdas que se quedaron
vacas, por lo que al finalizar la creacin de una posible solucin; comnmente el nmero
inicial de celdas se ve reducido. Cuando el nmero de celdas al construir la solucin inicial es
un nmero cercano al lmite superior del rango .2, 1 + 1/, tambin es mayor la probabilidad
de que una o ms de sus celdas tengan que ser canceladas por falta de asignacin de
mquinas. Lo anterior crea una tendencia de determinar soluciones vlidas y eficientes dentro
de un rango ms cerrado de nmero de celdas que el establecido inicialmente.
Un rasgo principal de este algoritmo se encuentra en la parte de la codificacin de las posibles
soluciones. Como se explic en el punto 3.3.1 cada cromosoma representa a las mquinas
siendo asignadas a un grupo de celdas para que formen parte de cada grupo de trabajo.
Posteriormente el mtodo de asignacin de piezas har lo suyo con cada pieza. No hay una
razn plausible que impida intercambiar a los elementos para llegar a una solucin al
algoritmo, cualquier mtodo que integre entre sus funciones estas caractersticas sera
tambin un algoritmo vlido.
4.2.Anlisis externo
Para validar la propuesta presentada en esta investigacin se requiere comparar los resultados
obtenidos contra los resultados de las metodologas que se presentaron en el Captulo 2. Se
probaron 28 matrices tomadas de la literatura, no obstante, no estn disponibles los
resultados de todas las matrices para ambas metodologas, pero se cuenta con un nmero
suficiente de valores para mantener la integridad del anlisis comparativo entre las
metodologas de Gonalves(27) y Tunnukij(28) con la metodologa propuesta. Murugan(37)
no reporta resultados de su metodologa utilizando estas matrices, excepto una, por lo que no
fue posible tomar en cuenta para el anlisis.
Eficiencia
Tamao
AGFD
Goncalvez
EnGGA
(27)
(28)
57
73.68
73.68
82.35
57
65.22
62.5
69.57
3 Seiffodini (1989)
518
79.59
79.59
79.59
4 Kusiak (1992)
68
76.92
76.92
76.92
711
59.26
53.13
60.87
6 Boctor (1991)
711
70.37
70.37
70.83
812
68.29
68.3
69.44
820
85.25
85.25
85.25
820
58.72
58.72
58.72
1010
73.33
70.59
1015
92.00
92
1424
62.69
69.86
2416
47.06
69.33
53.26
1630
62.59
52.58
68.99
15 King (1980)
1643
51.92
67.83
57.53
Eficiencia
Tamao
AGFD
Goncalvez
EnGGA
(27)
(28)
16 Carrie (1973)
1824
52.34
54.86
2020
40.23
54.46
2023
38.89
42.96
19 Carrie (1973)
2035
66.49
49.65
77.91
2035
52.31
58.07
57.98
66.41
100
100
51.53
85.11
85.11
52.29
73.51
73.51
36.88
51.97
53.29
54.82
57.73
Matriz 1
2727
48.75
54.27
26 Carrie (1973)
2846
37.67
44.62
3041
39.44
58.48
28 Stanfel (1985)
3050
44.44
59.66
63.31
El grfico siguiente es un comparativo de las eficiencias arrojadas por el mtodo propio y las
otras metodologas con las que se est comparando y que se cuentan con sus respectivos
resultados.
Grfico 1 Comparacin de los resultados entre las metodologas estudiadas y el AGFD, elaboracin propia con base en (27)
Los parmetros que cada algoritmo utiliza estn resumidos en la siguiente tabla:
Valores utilizados en los Algoritmos Genticos
Parmetro
Tamao
Goncalvez(27) EnGGA(28)
de
la 3 * No.
Poblacin
filas
Nmero
de 150
de 100,
AGFD
(Matriz
No.
13 20
1000)
50
50
20%
Iteraciones
Tasa de Elitismo
20%
(-)
Tasa de Cruce
70%
s.
a.
6 '
Tasa
Mutacin
de 30%
De los resultados obtenidos se destaca que hasta la matriz No. 11, los valores son muy
cercanos entre s y en varios de ellos los resultados son los mismos. A partir de la matriz No.
12 en adelante claramente se observa una disparidad de las eficiencias obtenidas por la
metodologa sugerida. Goncalvez(27) y el Tunnukij(28) en tales matrices, obtuvieron altas
eficiencias y los resultados obtenidos por ambos en varios casos son los mismos. Una
caracterstica importante en las matrices en donde no se obtuvieron altas eficiencias o por lo
menos similares a las encontradas por otras metodologas, es su tamao. El tamao mnimo
de estas matrices es de 1424 y las pruebas para cada una de ellas se llevaron a cabo
utilizando los mismos parmetros. El EnGGA de Tunnukij prueba su metodologa de la matriz
13 en adelante con un tamao de poblacin 1000 y 50 iteraciones. En Goncalvez, ejecuta su
algoritmo gentico tomando en consideracin que el tamao de la poblacin es igual a 3 veces
el nmero de filas en cada problema y con 150 iteraciones. Ambos parmetros en estas
metodologas estn muy por encima de nuestros valores para tamao de la poblacin y
nmero de generaciones.
Otro aspecto importante a destacar son los valores que toman los parmetros de Cruce,
Mutacin y Elitismo. Los valores que esta investigacin y las otras metodologas utilizaron
presentan leves diferencias (de valor) pero cuentan con la caracterstica en comn que sus
valores se encuentran dentro de un mismo rango para cada tipo de tasa.
Vale la pena resaltar que a pesar de que todas las metodologas aqu descritas y contra las que
se prob la metodologa propuesta son todos Algoritmos Genticos, las diferencias en cada
uno de sus principales componentes descritos en el punto 2.2 alteran la forma en cmo
producen una solucin a cada problema. La forma en que fueron diseados sus principales
componentes por muy similares que parezcan, contienen diferencias que afectan su forma de
producir soluciones al problema de Formacin de Celdas. La manera en que cada metodologa
aplic el operador de mutacin, por ejemplo, por mucho que mantenga la integridad de la
finalidad de un operador de mutacin, el cdigo de programacin que describe cada operador
no ser el mismo para ninguno de los tres algoritmos. Las funciones propias de cada
algoritmo producen diferentes comportamientos en sus mecanismos internos que afectan la
calibracin que es posible darle a los parmetros de cruce, mutacin y seleccin con los que se
trabajan.
Por lo anterior no es posible establecer un punto de comparacin vlido para evaluar los
resultados en base a las diferencias entre las tasas de mutacin, cruce y seleccin que se
observan en cada metodologa en contraste con los valores para los parmetros de nmero de
iteracin y tamao de Poblacin.
Puede que la forma en la que afectan estos valores a los resultados no sea tan relevante como
los valores para tamao de la poblacin y nmero de iteracin. La evidencia sugiere que
dependiendo del tamao de las matrices, es necesario incrementar el nmero de individuos de
la poblacin y tambin el nmero de iteraciones. Los resultados en donde difieren por mucho
entre la metodologa propuesta y las dems, se presentan en las matrices de mayor tamao y
nos hacen pensar que en las pruebas a este algoritmo no se le dio ni el nmero de iteraciones
suficientes ni tampoco un nmero de individuos por poblacin adecuado. Es por ello que
podemos suponer que incrementando estos valores tambin se incrementa la probabilidad de
encontrar mejores soluciones para la matriz en cuestin.
En conclusin se puede inferir que las diferencias de los resultados de las eficiencias entre
esta metodologa con las dems es que en las matrices de tamao mayor a 1424 es necesario
ejecutar el algoritmo con parmetros de tamao de Poblacin y Nmero de Iteraciones
mayores a los presentados en esta investigacin.
4.3.Aportaciones
Algoritmo Gentico con Factores por Decisin cuenta con su propio mtodo para asignar las
piezas a las celdas de maquinaria ya formadas. Principalmente se basa en calcular la
aportacin a la eficiencia final que cada pieza aportar a dicha celda. Por ello es un mtodo
ms directo que el heurstico propuestos por Gonalves (27) y tambin otorga una mejor
direccin de bsqueda que la representacin en el cromosoma de todas las mquinas y piezas
que conforman la matriz de incidencia.
Un rasgo de programacin del Algoritmo Gentico por Factores de Decisin es que a pesar de
que se maneja el elitismo en el momento de seleccionar a las poblaciones, los mejores
individuos tambin pueden ser objeto del operador de cruce, lo cual desintegra a estos
superindividuos y pasan a ser segmentos cortados de cdigo que constituyen a sus hijos. Por
lo tanto se abre una brecha para generar ajustes o cambios en la programacin del cdigo y
ver qu pasara si se dejaran ntegros a estos individuos para ver el comportamiento general
del Algoritmo Gentico. Pensamos que de hacer vlido este ajuste el algoritmo sera capaz de
evolucionar ms rpidamente hacia mejores valores del espacio de soluciones.
Sin embargo cuando son tratados como actualmente lo hace el algoritmo, podemos notar los
cambios en la adaptacin de los resultados a la funcin objetivo. Ver que existen iteraciones
con un valor menor a la iteracin que le antecede, permitira estudiar de mejor forma su
desarrollo el cual, a pesar de esos tropiezos, siempre retorna valores que vayan mejorando a
travs del tiempo.
celda por medio de la frmula de asignacin. Cmo se discuti en un punto anterior no hay
una razn plausible que impida intercambiar el orden en que se puede proceder a la
formacin de celdas. Se podra empezar primero codificando los cromosomas para que sean
estos los que contengan a las piezas en lugar de las mquinas.
Es por ello que un rea de posible investigacin es estudiar las posibilidades de solucin si se
transponen las matrices para primero generar cromosomas que agrupe a las piezas en familias
de piezas y luego utilizar el mtodo de asignacin con las mquinas para completar la
solucin. Posteriormente se compararan los resultados de cada matriz resuelta por las dos
variaciones del mismo problema. No es necesario hacer ningn cambio al algoritmo, slo
basta con transponer cada matriz para que el cambio en la forma de proceder del algoritmo se
realice de manera automtica. Creemos que se pueden presentar resultados favorables en
matrices en dnde no se lleg a soluciones iguales o superiores a las reportadas en otras
investigaciones. Potencialmente nos podremos preguntar lo siguiente: de qu forma funciona
mejor el algoritmo?, cmo afecta la cantidad de piezas vs la cantidad de mquinas?, Existe
una correspondencia latente a descubrir entre piezas y mquinas.
Especulando acerca de una posible relacin que afecte el funcionamiento del algoritmo entre
mquinas y piezas, esta podra ser en s un objeto de estudio e ir ms all para integrar
tambin en esta relacin a las operaciones y al total de celdas. Lo ideal sera encontrar una
relacin entre todos estos elementos para aprovecharla en beneficio de descubrir una solucin
ptima o cercana al ptimo para el problema de formacin de celdas de manufactura.
Para matrices de mayor tamao (mayores a 24 16 ), en donde este algoritmo no obtuvo los
mejores resultados, otro mtodo propuesto para llegar a mejores soluciones es generar a
travs del algoritmo una solucin parcial no muy buena con pocas celdas y luego separar el
problema por celda y en cada una de ellas volver a aplicar el algoritmo para ir escalando hacia
mejores soluciones. Al final del proceso que se llegara a una solucin con ms celdas que la
solucin inicial. Pensamos que de esta forma se podra incrementar la eficiencia al tomar el
problema y dividirlo en partes generando una solucin dentro de cada celda para al final
agruparlas todas en una solucin global.
Este algoritmo fue validado utilizando ejemplos bien conocidos de la literatura de Formacin
de celdas de manufactura. Considerando los factores de programacin del algoritmo, los
Referencias
1.
2.
3.
(1986).
4.
Wilkinson AM. The scientist's handbook for writing papers and dissertations /
7.
Kamrani AK, Parsaei HR. A methodology for the design of manufacturing systems
Onyeagoro EA. Group technology cell design: a case study. Production Planning &
Control. 1995;6(4):365.
13.
Ivanov EK, Grayson TJ. Group production organization and technology. Business
Publications; 1968.
14.
Mitrofanov SP, Forest Products Lab Madison WIS. Scientific Principles of Group
Petrov VA. Flowline Group Production Planning [By] V. A. Petrov; English Translation
[Of the Russian] by E. Bishop; Technical Advisor and Editor T. J. Grayson. Business
Publications; 1968.
16.
17.
Chen HG, Guerrero HH. A general search algorithm for cell formation in group
Sharif HH, El-Kilany KS, Helaly MA. A Genetic Algorithm Approach to the Group
Vakharia AJ, Chang YL. Cell formation in group technology: a combinatorial search
26.
Morales AAM. Algoritmo Basado en Tab Search para el Clculo del ndice de
27.
Tunnukij T, Hicks C. An Enhanced Grouping Genetic Algorithm for solving the cell
30.
31.
Bean JC. Robust Encodings of OR Problems for Genetic Algorithms. 1995 January 24.
32.
33.
http://www.ncl.ac.uk/nubs/research/researchstudents.htm.
34.
Hicks C. Citywall, Citygate, St James Boulevard, Newcastle upon Tyne, NE1 4JH:
36.
http://www.citindia.com/Administration/Mechanical/Prof%20v%20s.htm.
37.