Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1, JUNIO 2018 1
The current development of computer systems and (optimality criteria methods; OCM); y c) algoritmos de
the constant evolution and progress of new simulation
and optimization techniques offer a wide range of búsqueda heurística.(Camp, Pezeshk, & Cao, 1998)
possibilities for the development of engineering Los algoritmos de búsqueda heurística son
solutions. The genetic algorithm is a heuristic tool used
to find exact or approximate solutions to optimization métodos de optimización que no requieren una relación
and search problems. In this document, this technique is
used to reduce the cycle time of a productive process explícita entre la función objetivo y las restricciones. Un
considering a budget constraint. conjunto de valores aleatorios para una función objetivo
fórmula establecida. Los matemáticos/programadores poblaciones. Fue introducido por John Holland a
pueden encontrar fácilmente algoritmos para resolver principios de los años setenta.(Kumar, Husian, Upreti, &
problemas que tratan con 5 o más variables, pero cuando Gupta, 2010)
las incógnitas aumentan a 10, 20, 50 o más variables, el El GA está basado en la hipótesis de Darwin sobre
problema se vuelve casi imposible de resolver.(Márquez la selección natural y genética. Es un campo activo e
Delgado, Ávila Rondón, Gómez-Elvira González, & innovador que consiste en la evaluación, prueba y error
Herrera Márquez, 2012) para alcanzar soluciones deseables a problemas en áreas
Los AE funcionan simultáneamente con una como: neurona-robótica, medicina, finanzas, banca,
población de individuos, cada uno de los cuales etc.(Neelima & Sarma, 2017)
representa un punto de búsqueda en el espacio de El GA es una versión altamente abstracta de los
variables de diseño de posibles soluciones para un procesos evolutivos, para desarrollar soluciones a
problema determinado. Estos métodos se pueden problemas específicos. Cada GA opera en una población
implementar fácilmente en problemas de optimización de cromosomas artificiales. Cada cromosoma representa
continuos, discretos y mixtos con pequeñas adaptaciones. una solución a un problema y tiene un estado físico, es
Además, el formato abierto para las declaraciones decir un número real que representa una medida de cuán
de restricciones y la posibilidad de definir múltiples buena es la solución para un problema en
escenarios representa una invaluable herramienta para el particular.(McCall, 2005)
desarrollo y optimización de soluciones para problemas Existe varios tipos de variaciones, como la
de ingeniería. programación basada en algoritmos genéticos y las
Este documento aborda e implementa uno de los secuencias genéticas multiobjetivos.
algoritmos de búsqueda heurística más conocidos:
Algoritmo genético. En este caso la herramienta GA se II-A. ESTRUCTURA
utiliza para la reducción del tiempo de ciclo de operación Un GA se construye a partir de distintos componentes.
en una empresa de manufactura con una limitante de Esto ofrece una importante ventaja, ya que implica que se
presupuesto. pueden adaptar e implementar fácilmente a una gran
En la primera sección se presenta una revisión variedad de problemas. De acuerdo con McCall (2005)
teórica de los conceptos asociados con GA, luego se los principales componentes son:
plantea y desarrolla de manera clara el problema al que se a) Codificación cromosómica: Un GA manipula
busca dar solución. Posteriormente, se presenta el poblaciones de cromosomas, que son
desarrollo de la solución y los resultados obtenidos. representaciones de cadenas de soluciones a un
Finalmente se presentan las conclusiones y problema en particular. Un cromosoma es una
recomendaciones derivadas al completar este documento. abstracción de un cromosoma de ADN biológico.
Cualquier representación particular usada para un
III. ALGORITMO GENETICO problema dado se conoce como la codificación GA
El algoritmo genético es un método de búsqueda del problema.
heurístico adaptativo basado en la genética de
ARTÍCULO CIENTÍFICO, VOL. 1, NO. 1, JUNIO 2018 3
Gran variedad de GA han sido introducidos en Mejora 1.n Mejora 2.n Mejora n.n
...
$C $F $F
estudios de optimización. Sin embargo, y de acuerdo con
Andrab et al. (2017) un diseño común es:
1. Generar aleatoriamente una población inicial que Figura 1. Proceso productivo.
incluya cromosomas M. Fuente: Elaborado por autores.
2. Calcular la aptitud, F(m), para todos los cromosomas Sin embargo, la organización no cuenta con
en M. recursos infinitos, por lo que se ha establecido un
3. Crea la población evolucionada en base a: presupuesto máximo para el desarrollo de la mayor
• Seleccionar según aptitud proporcional dos cantidad de optimizaciones posibles, que generen un
cromosomas, m1 y m2. mayor beneficio al desempeño global del proceso.
• Aplicar la función de cruce a m1 y m2 para Para el desarrollo del algoritmo se utilizan varios
producir un nuevo cromosoma (m3) conjuntos de datos obtenidos para ser aplicados a un
• Aplicar la función de mutación a m3 para proceso de fabricación de sirope en presentación de 700
producir m'. ml, cada una de la posibles mejoras aplicables a las
• Agregar m' a la próxima población. estaciones de trabajo no afectan el tiempo de ciclo de las
4. Reemplazar la población actual con la nueva. estaciones anteriores ni posteriores y se utilizan valores
5. Si no se han alcanzado las restricciones, repita el determinísticos para los tiempos de ciclo asociados a cada
procedimiento desde el paso 2. estación de trabajo, esto con el fin de tener una primera
ARTÍCULO CIENTÍFICO, VOL. 1, NO. 1, JUNIO 2018 5
aproximación del modelo que pueda resolver la algoritmo se procedió a realizar la programación de este
problemática planteada, la operación cuenta con 6 tareas: en función de la teoría existente de algoritmos genéticos.
Fuente: Elaborado por autores. probabilidad de selección a los de mayor calidad se utiliza
Para cada operación se han definido 6 la siguiente ecuación:
generado y el costo de inversión asociado para cada uno, después de esto se tiende a crecer de nuevo, por
se aplico una segunda función Fitness asociada a la cuestiones de espacio no se presenta la curva de las 2000
restricción de inversión máxima de 5 millones o a una iteraciones sin embargo este tipo de comportamiento
función denominada como función de defunción de los parece repetirse con el paso de las iteraciones.
individuos aptos y se eliminan los individuos que Gráfica 1. Inversión necesaria (50 iteraciones)
generaban un inversión mayor al presupuesto planteado Inversión necesaria por los mejores individuos de cada
iteración para las primeras 50 ieraciones
para el problema, estos individuos eliminados fueron
5000000
INVERSION NECESARIA
4000000
3000000
a la segunda función fitness y de esto finalmente se
2000000
0
iteración del algoritmo. 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
ITERACION
El algoritmo se itero 2000 veces. De los individuos
generados por iteración, el individuo con mejor resultado Fuente: Elaborado por autores.
en la segunda función Fitness, su costo de inversión Por otro lado, el comportamiento del tiempo de
asociado y el tiempo de ciclo se almacenaron y se ciclo total generado por el mejor individuo de cada
analizan con el fin de estudiar el comportamiento de las iteración se muestra en la grafica siguiente en donde cabe
generaciones. recalcar un pico máximo para las mismas 50 iteraciones
Se encontró que en promedio los individuos que mejor se iniciales y que coincide con el pico mínimo encontrado
ajustaban a la función de eliminación obtuvieron entre para la curva de inversión.
todos un promedio de inversión cercano a los ₡3 000 000 Gráfica 2. Tiempo de ciclo generado (50 iteraciones)
con una desviación estándar de ₡600 000 Tiempo de ciclo generado por los mejores individuos de cada
iteración para las primeras 50 iteraciones
aproximadamente, mientras que el tiempo de ciclo
25000
20000
10000
con la inversión máxima permitida y con el tiempo de
5000
Tiempo (s)
individuos de cada iteración es la siguiente: 18000
#$ − / 17000
(1)
0 16000
100
-1
-2
Además, la frontera de Pareto amplía las
-3
posibilidades para la toma de decisiones. Inicialmente el
-4
• El PQR del producto a analizar es secuencial. • Es importante validar los resultados con alguna otra
• Existe la demanda suficiente como para considerar la herramienta heurística.
optimización del proceso.
• Las mejoras de cada una de las operaciones son BIBLIOGRAFÍA
independientes del resto de estaciones de trabajo. Andrab, S. G., Hekmat, A., & Yusop, Z. Bin. (2017). A
Review: Evolutionary Computations (GA and PSO)
VII. CONCLUSIONES in Geotechnical Engineering. Computational Water,
Las herramientas metaheurísticas ofrecen una Energy, and Environmental Engineering, 06(02),
identificar un óptimo relativo, sin embargo, los resultados Camp, C., Pezeshk, S., & Cao, G. (1998). Optimized
una herramienta que amplia el marco de posibilidades Genetic Algorithm. Journal of Structural
restricción presupuestaria, el algoritmo considera dos Hu, Y., Liu, K., Zhang, X., Su, L., Ngai, E. W. T., & Liu,
permitió generar un frente de Pareto. for rule discovery in stock algorithmic trading: A
literature review. Applied Soft Computing Journal,
ANEXOS
Mejora Llenado y
Etiquetado Preparación de Llenado de Mezclado y Enfriamiento
empaque
de Botellas materia prima marmita cocción de de mezcla
de PT
0 3840.00 2340.00 3720.00 3420.00 4620.00 2640.00
1 1920 2129.4 3162 3180.6 3788.4 2191.2
2 3302.4 1918.8 3310.8 2667.6 3834.6 2481.6
3 2841.6 2059.2 3682.8 2633.4 4065.6 2191.2
4 2534.4 2106 3087.6 3112.2 3742.2 2217.6
5 2150.4 2293.2 3348 2565 4019.4 2217.6
6 2380.8 1965.6 3682.8 3112.2 3742.2 2244
ARTÍCULO CIENTÍFICO, VOL. 1, NO. 1, JUNIO 2018 11
Mejora
Etiquetado de Preparación de Llenado de Mezclado y Enfriamiento de Llenado y
Botellas materia prima marmita cocción de mezcla empaque de PT