ARTÍCULO CIENTÍFICO, VOL. 1, NO.

1, JUNIO 2018 1

Aplicación de algoritmo genético para la mejora del tiempo de

ciclo con una restricción de presupuesto

Bolaños J. David1, Céspedes S. Jairo2, Fernández V. Michael3, Ferrer F, Manuel4

1
Carné universitario: B31039, correo electrónico: david.bolanosjimenez@ucr.ac.cr
2
Carné universitario: B02396, correo electrónico: jairo.cespedes@ucr.ac.cr
3
Carné universitario: B23973, correo electrónico: michael.fernandezvega@ucr.ac.cr
4
Carné universitario: B22542, correo electrónico: manuel.ferrer@ucr.ac.cr
Escuela de Ingeniería Industrial, Universidad de Costa Rica, San Ramón, Alajuela, Costa Rica

The current development of computer systems and
the constant evolution and progress of new simulation
and optimization techniques offer a wide range of
possibilities for the development of engineering
solutions. The genetic algorithm is a heuristic tool used
to find exact or approximate solutions to optimization
and search problems. In this document, this technique is
used to reduce the cycle time of a productive process
considering a budget constraint.
(optimality criteria methods; OCM); y c) algoritmos de
búsqueda heurística.(Camp, Pezeshk, & Cao, 1998)
Los algoritmos de búsqueda heurística son
métodos de optimización que no requieren una relación
explícita entre la función objetivo y las restricciones. Un
conjunto de valores aleatorios para una función objetivo

Index Term s— Metaheurística, Algoritmos genéticos se ajusta a través de un procedimiento evolutivo y,

(GA), programación matemática, métodos de criterios de
óptimos (OCM)
I. RESUMEN
El desarrollo actual de los sistemas informáticos, y
la constante evolución y progreso de nuevas técnicas de
simulación y optimización ofrecen un amplio marco de
posibilidades para el desarrollo de soluciones en
ingeniería. El algoritmo genético es una herramienta
metaheurística utilizada para solucionar problemas de
optimización y búsqueda. En este documento esta técnica
se utiliza para reducir el tiempo de ciclo de un proceso
productivo considerando una restricción presupuestaria.
II. INTRODUCCIÓN
En ingeniería generalmente las técnicas
optimización se pueden clasificar en: a) programación
matemática; b) métodos de criterios de óptimos
posteriormente, cualquier violación de las restricciones se
refleja en cada iteración.(Andrab, Hekmat, & Yusop,
2017)
Los algoritmos evolutivos (AE) son una rama de la
computación evolutiva (EC). La EC generalmente se
define como una herramienta informática que permite
resolver problemas reales mediante la simulación de los
mecanismos evolutivos presentes en la naturaleza. Se
basa principalmente en una población, reglas de
transición probabilísticas y aplica directamente los
objetivos del usuario como una "aptitud".(Hu et al., 2015)
Los algoritmos informáticos basados en el proceso
de evolución natural se han encontrado capaces de
producir mecanismos de búsqueda muy potentes y
de robustos.(Lagaros, Papadrakakis, & Kokossalakis, 2002)
La programación genética es una forma de
desarrollar algoritmos cuando no se cuenta con una
ARTÍCULO CIENTÍFICO, VOL. 1, NO. 1, JUNIO 2018
fórmula establecida. Los matemáticos/programadores
pueden encontrar fácilmente algoritmos para resolver
problemas que tratan con 5 o más variables, pero cuando
las incógnitas aumentan a 10, 20, 50 o más variables, el
problema se vuelve casi imposible de resolver.(Márquez
Delgado, Ávila Rondón, Gómez-Elvira González, &
Herrera Márquez, 2012)
Los AE funcionan simultáneamente con una
población de individuos, cada uno de los cuales
representa un punto de búsqueda en el espacio de
variables de diseño de posibles soluciones para un
problema determinado. Estos métodos se pueden
implementar fácilmente en problemas de optimización
continuos, discretos y mixtos con pequeñas adaptaciones.
Además, el formato abierto para las declaraciones
de restricciones y la posibilidad de definir múltiples
escenarios representa una invaluable herramienta para el
desarrollo y optimización de soluciones para problemas
de ingeniería.
Este documento aborda e implementa uno de los
algoritmos de búsqueda heurística más conocidos:
Algoritmo genético. En este caso la herramienta GA se
utiliza para la reducción del tiempo de ciclo de operación
en una empresa de manufactura con una limitante de
presupuesto.
En la primera sección se presenta una revisión
teórica de los conceptos asociados con GA, luego se
plantea y desarrolla de manera clara el problema al que se
busca dar solución. Posteriormente, se presenta el
desarrollo de la solución y los resultados obtenidos.
Finalmente se presentan las conclusiones
recomendaciones derivadas al completar este documento.
III. ALGORITMO GENETICO
El algoritmo genético es un método de búsqueda
heurístico adaptativo basado en la genética de
2
poblaciones. Fue introducido por John Holland a
principios de los años setenta.(Kumar, Husian, Upreti, &
Gupta, 2010)
El GA está basado en la hipótesis de Darwin sobre
la selección natural y genética. Es un campo activo e
innovador que consiste en la evaluación, prueba y error
para alcanzar soluciones deseables a problemas en áreas
como: neurona-robótica, medicina, finanzas, banca,
etc.(Neelima & Sarma, 2017)
El GA es una versión altamente abstracta de los
procesos evolutivos, para desarrollar soluciones a
problemas específicos. Cada GA opera en una población
de cromosomas artificiales. Cada cromosoma representa
una solución a un problema y tiene un estado físico, es
decir un número real que representa una medida de cuán
buena es la solución para un problema en
particular.(McCall, 2005)
Existe varios tipos de variaciones, como la
programación basada en algoritmos genéticos y las
secuencias genéticas multiobjetivos.
II-A. ESTRUCTURA
Un GA se construye a partir de distintos componentes.
Esto ofrece una importante ventaja, ya que implica que se
pueden adaptar e implementar fácilmente a una gran
variedad de problemas. De acuerdo con McCall (2005)
los principales componentes son:
a) Codificación cromosómica: Un GA manipula
poblaciones de cromosomas, que son
representaciones de cadenas de soluciones a un
y problema en particular. Un cromosoma es una
abstracción de un cromosoma de ADN biológico.
Cualquier representación particular usada para un
problema dado se conoce como la codificación GA
del problema.
ARTÍCULO CIENTÍFICO, VOL. 1, NO. 1, JUNIO 2018
b) Función de aptitud: La función de aptitud física es un
cálculo que evalúa la calidad del cromosoma como
una solución a un problema en particular.
c) Selección: Una GA utiliza la aptitud como un
discriminador de la calidad de las soluciones
representadas por los cromosomas de una población.
El componente de selección está diseñado para usar
la aptitud para guiar la evolución de los cromosomas
mediante presión selectiva. Los cromosomas se
seleccionan para la recombinación en función del
estado físico, aquellos con una mejor forma física
deberían tener una mayor posibilidad de selección.
Usualmente la selección se realiza con reemplazo, lo
que significa que los cromosomas altamente
adecuados tienen la posibilidad de ser seleccionados
más de una vez o incluso recombinados con ellos
mismos. En la literatura se encuentran gran variedad
de técnicas de selección, en este documento se utiliza
el método de Roulette, uno de los más utilizados
debido a su sencillez.
d) Recombinación: es el proceso por el cual los
cromosomas seleccionados se combinan para formar
miembros de una población sucesora. La idea es
simular la mezcla de material genético que puede
ocurrir cuando los organismos se reproducen. Dado
que la selección para la recombinación está sesgada a
favor de una mayor aptitud, el saldo de
probabilidades es que los cromosomas más altamente
adaptados evolucionarán. Hay dos componentes
principales los operadores de cruce y los operadores
de mutación.
• El operador de cruce representa la mezcla de
material genético de dos cromosomas primarios
seleccionados para producir uno o dos
cromosomas. Después de que se seleccionan dos
cromosomas parentales para la recombinación,
3
un número aleatorio en el intervalo [0, 1] se
genera con una capacidad de mezcla única y se
compara con un "índice cruzado". Si el número
aleatorio es mayor, no se produce cruzamiento. o
ambos padres pasan sin cambios a la siguiente
etapa o recombinación. Si la tasa de cruce es
mayor o igual que el número aleatorio, se aplica
el operador de cruce. Un operador de cruce
comúnmente utilizado es el cruce de un punto. Se
elige un punto de cruce entre 0 y n con
probabilidad uniforme.
• Los operadores de mutación actúan sobre un
cromosoma individual para invertir uno o más
valores de alelos. En el caso de los cromosomas
de cadena de bits, el operador de mutación
normal se aplica a cada posición en el
cromosoma.
• Los operadores de mutación generan un número
aleatorio en el intervalo [0,1] con probabilidad
uniforme y se compara con una "tasa de
mutación" predeterminada. Si el número
aleatorio es mayor que la tasa de mutación, no se
aplica mutación en esa posición. Si la tasa de
mutación es mayor o igual que el número
aleatorio, el valor del alelo se cambia de 0 a 1 o
viceversa. Las tasas de mutación son típicamente
muy pequeñas.
Los operadores genéticos no son deterministas en su
comportamiento. Cada uno ocurre con una cierta
probabilidad y el resultado exacto del cruce o la
mutación tampoco es determinista.
II-B. METODOLOGÍA
El proceso inicia con un conjunto de soluciones
llamadas población, que habitualmente se generan
aleatoriamente. El GA lleva a cabo un proceso de
ARTÍCULO CIENTÍFICO, VOL. 1, NO. 1, JUNIO 2018 4

selección y recombinación basada en la aptitud física para

producir una población sucesora. Durante la IV. PLANTEAMIENTO DEL PROBLEMA
recombinación, los cromosomas originales se seleccionan Para el desarrollo de este documento y de manera
y su material genético se recombina para producir nuevos general se considera un proceso productivo lineal y
cromosomas que luego pasan a la población sucesora. consecutivo. La organización ha realizado estudios de
Estos procesos se repiten hasta que se genera una tiempo de ciclo y ha definido hasta n oportunidades de
población sucesora completa, la próxima generación. El mejora para cada una de las n operaciones de la línea.
tamaño de la población se conserva a lo largo de cada Cada optimización cuenta con un costo asociado, en la
generación. (Kumar et al., 2010) mayoría de los casos mientras mayor es la mejora en el
A medida que este proceso se itera, una secuencia tiempo de ciclo de la operación, mayor es el costo
de generaciones sucesivas evoluciona y la aptitud asociado. A continuación, se muestra la Figura 1, que
promedio de los cromosomas tiende a aumentar hasta que representa la situación previamente descrita.
se alcanzan los criterios de detención apropiados; un
Operación Operación
número de generaciones, convergencia a una solución, Operación I II ... n
presupuesto asignado o la generación de una solución que Mejora 1.1 Mejora 2.1 Mejora n.1
...
$A $D $G
satisface por completo un conjunto de restricciones. De
Mejora 1.2 Mejora 2.2 Mejora n,2
...
esta manera, un GA "evoluciona" en teoría a la mejor $B $E $H

solución para un problema determinado.(McCall, 2005) ... ... ... ...

Gran variedad de GA han sido introducidos en
estudios de optimización. Sin embargo, y de acuerdo con
Andrab et al. (2017) un diseño común es:
1. Generar aleatoriamente una población inicial que
incluya cromosomas M.
2. Calcular la aptitud, F(m), para todos los cromosomas
en M.
3. Crea la población evolucionada en base a:
• Seleccionar según aptitud proporcional dos
cromosomas, m1 y m2.
• Aplicar la función de cruce a m1 y m2 para
producir un nuevo cromosoma (m3)
• Aplicar la función de mutación a m3 para
producir m'.
• Agregar m' a la próxima población.
4. Reemplazar la población actual con la nueva.
5. Si no se han alcanzado las restricciones, repita el
procedimiento desde el paso 2.
Mejora 1.n Mejora 2.n Mejora n.n
...
$C $F $F
Figura 1. Proceso productivo.
Fuente: Elaborado por autores.
Sin embargo, la organización no cuenta con
recursos infinitos, por lo que se ha establecido un
presupuesto máximo para el desarrollo de la mayor
cantidad de optimizaciones posibles, que generen un
mayor beneficio al desempeño global del proceso.
Para el desarrollo del algoritmo se utilizan varios
conjuntos de datos obtenidos para ser aplicados a un
proceso de fabricación de sirope en presentación de 700
ml, cada una de la posibles mejoras aplicables a las
estaciones de trabajo no afectan el tiempo de ciclo de las
estaciones anteriores ni posteriores y se utilizan valores
determinísticos para los tiempos de ciclo asociados a cada
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.

•Etiquetado de Botellas En la etapa de selección de individuos mas aptos

para el cruzamiento y provenientes de la muestra inicial
•Preparación de materia prima
de padres se utilizó el método de selección de tipo
•Llenado de marmita
Roulette, en esta primera fase el criterio utilizado para la
•Mezclado y cocción selección fue la del tiempo generado por cada uno de
•Enfriamiento de mezcla estos, ya que a menor tiempo mayor calidad en los genes

•Llenado y empaque de PT del individuo y mayor deseabilidad de heredar sus genes

a la siguiente generación. Para calcular la probabilidad de
Figura 2. Proceso de producción Sirope 700 ml. selección de los individuos dándole una mayor

Fuente: Elaborado por autores. probabilidad de selección a los de mayor calidad se utiliza
Para cada operación se han definido 6 la siguiente ecuación:

oportunidades de mejora, cada una con su respectivo #()* − #$ + 1

!(#$ ) = (1)
∑ #$
costo asociado. Estos datos se muestran en los Anexo 1,
Donde #$ es el tiempo de ciclo del i-ésimo
Anexo 2 y Anexo 3.
individuo y #()* es el tiempo de ciclo máximo
Este es un problema que puede ser resuelto
encontrado en la muestra de individuos.
mediante técnicas de optimización de programación
Por consiguiente, dado que se busca minimizar el
matemática, no obstante, al ser un problema que se puede
tiempo de ciclo asociado como se muestra en la ecuación
ampliar hasta n operaciones con n oportunidades de
(1), se procede a encontrar el tiempo de mayor duración
mejora. Se opta por utilizar la herramienta de
dentro de la muestra de padres potenciales. Para esto a
optimización metaheurística GA, debido a sus beneficios
cada individuo se le resta el tiempo mayor encontrado en
asociados al costo de poder computacional.
la iteración y se le sumo una unida, esto para que aquellos
individuos con menores tiempos de ciclo tengan mayor
V. SOLUCION A LA PROBLEMATICA
puntaje y por lo tanto probabilidad de selección. Por ende,
Para la solución del problema planteado se procede
los individuos con mayores tiempos de ciclo tendrán
a definir el entorno de programación a utilizar, en este
menores probabilidades de selección.
caso las 3 opciones a considerar fueron Phyton, R y VBA,
Una vez generada la muestra de padres mas aptos
siendo esta ultima la opción seleccionada para el
para heredar sus genes, se realiza el cruzamiento de
desarrollo del algoritmo, debido a la necesidad de
individuos consecutivos a partir de una posición aleatoria
verificar que las distintas secciones del código
entre 0 y 5, la posición 0 no genera cruzamiento entre
funcionaban adecuadamente.
padres, mientas que en las posiciones de 1 a 5 si ocurre a
Dentro del entorno de programación seleccionado
partir de una posición generada aleatoriamente.
y utilizando a su vez una hoja de calculo de Microsoft
Una vez obtenido el nuevo grupo de individuos se
Excel para el almacenamiento de datos generados por el
procedió a mutar un 10% de ellos en una posición
aleatoria y de nuevo se calculo el tiempo de ciclo
ARTÍCULO CIENTÍFICO, VOL. 1, NO. 1, JUNIO 2018
generado y el costo de inversión asociado para cada uno,
se aplico una segunda función Fitness asociada a la
restricción de inversión máxima de 5 millones o a una
función denominada como función de defunción de los
individuos aptos y se eliminan los individuos que
generaban un inversión mayor al presupuesto planteado
para el problema, estos individuos eliminados fueron
sustituidos por una copia del individuo con mejor ajuste
a la segunda función fitness y de esto finalmente se
genero el grupo de individuos que pasaría a la siguiente
iteración del algoritmo.
El algoritmo se itero 2000 veces. De los individuos
generados por iteración, el individuo con mejor resultado
en la segunda función Fitness, su costo de inversión
asociado y el tiempo de ciclo se almacenaron y se
analizan con el fin de estudiar el comportamiento de las
generaciones.
Se encontró que en promedio los individuos que mejor se
ajustaban a la función de eliminación obtuvieron entre
todos un promedio de inversión cercano a los ₡3 000 000
con una desviación estándar de ₡600
aproximadamente, mientras que el tiempo de ciclo
generado por los mismo se promedia en 17800 segundos
con una desviación de 787, estos resultados comparados
con la inversión máxima permitida y con el tiempo de
ciclo de la línea productiva sin ninguna mejora aplicada
nos muestra que en promedio el algoritmo lograra con un
61,1% de la inversión máxima permitida una mejora
promedio en el tiempo de ciclo de 13,5%.
De los resultados obtenidos se espera que las
curvas de los parámetros objetivo de tiempo total y
presupuesto utilizado se estabilicen a medida que corran
las iteraciones del algoritmo, sin embargo podemos ver
en la grafica a continuación que al menos para las
primeras 50 iteraciones se presenta una disminución en el
costo asociado llegando a un punto mínimo pero que
6
después de esto se tiende a crecer de nuevo, por
cuestiones de espacio no se presenta la curva de las 2000
iteraciones sin embargo este tipo de comportamiento
parece repetirse con el paso de las iteraciones.
Gráfica 1. Inversión necesaria (50 iteraciones)
Inversión necesaria por los mejores individuos de cada
iteración para las primeras 50 ieraciones
5000000
INVERSION NECESARIA
4000000
3000000
2000000
1000000
0
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
Fuente: Elaborado por autores.
Por otro lado, el comportamiento del tiempo de
ciclo total generado por el mejor individuo de cada
iteración se muestra en la grafica siguiente en donde cabe
recalcar un pico máximo para las mismas 50 iteraciones
iniciales y que coincide con el pico mínimo encontrado
para la curva de inversión.
Gráfica 2. Tiempo de ciclo generado (50 iteraciones)
000 Tiempo de ciclo generado por los mejores individuos de cada
iteración para las primeras 50 iteraciones
25000
TIEMPO TOTAL GENERADO
20000
15000
10000
5000
0
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
Fuente: Elaborado por autores.
De las graficas anteriores se decide entonces
contraponer ambas curvas, en este punto se normalizan
ambos grupos de datos generados para así poder
comparar de mejor manera ambas curvas dado que las
escalas de los datos no lo permiten y de esto se genera el
siguiente grafico que nos muestra una aproximación del
comportamiento encontrado en casos de algoritmos
multifunción en donde la mejora de una de las dos
ARTÍCULO CIENTÍFICO, VOL. 1, NO. 1, JUNIO 2018 7

funciones implica casi automáticamente empeorar el

Frontera de Pareto
resultado de la otra. 21000
La ecuación que se utiliza para normalizar los datos 20000

de tiempo de ciclo y costo de inversión de los mejores 19000

Tiempo (s)
individuos de cada iteración es la siguiente: 18000

#$ − / 17000
(1)
0 16000

En donde X es el tiempo de ciclo o costo de 15000

₡- ₡1,000,000₡2,000,000₡3,000,000₡4,000,000₡5,000,000
inversión del mejor individuo de la i-ésima iteración, / es Costos

la media de los datos de los mejores individuos y 0 es la

Figura 3. Frontera de Pareto
desviación estándar. A continuación, se presenta la
Fuente: Elaborado por autores.
gráfica de con los datos de tiempo de ciclo e inversión
Este resultado muestra que la mejor solución
contrapuestos para los mejores individuos por iteración.
Gráfica 3. Comparativa normalizada de Tiempo de ciclo e Inversión
considerando tiempo y costos, reduce el tiempo de ciclo
(100 iteraciones) hasta aproximadamente los 16000 segundos, lo que
Comparativa normalizada de Tiempo de ciclo e Inversión representa una mejora de hasta un 25% respecto al tiempo
4

3 de ciclo actual. La inversión para alcanzar esta mejora es

2
apenas superior a los 4 millones, lo que genera un ahorro
1

0 de hasta un 20% respecto a presupuesto inicial.

10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
1
4
7

100

-1

-2
Además, la frontera de Pareto amplía las
-3
posibilidades para la toma de decisiones. Inicialmente el
-4

-5 objetivo era obtener el mejor rendimiento de la inversión

Total Inversion Tiempo Obtenido

propuesta. Sin embargo, ahora es posible evaluar

Fuente: Elaborado por autores.
En la grafica anterior se agregan las primeras 100
iteraciones del algoritmo en donde se muestra el
comportamiento descrito con anterioridad, en esta
contraposición de curvas normalizadas se repiten los
opuestos de tiempos bajos e inversiones altas, así como
curvas inversas muy similares.
Finalmente, con los datos obtenidos se elaboro un
frente de Pareto. El mismo se muestra a continuación:
alternativas que se adapten a las necesidades reales de la
organización. Por ejemplo, si se considera un escenario
donde la demanda actual y futura requiere una mejora no
mayor al 15%, es posible evaluar según el frente de Pareto
cuales posibilidades y costos de inversión se adaptan de
mejor manera.
VI. CONSIDERACIONES
Los consideraciones o supuestos considerados para
la aplicación del GA en este problema se desglasan a
continuación:
• Tiempos de ciclo determinísticos.
• La tanda de transferencia para cada operación es igual
al tamaño del lote y son iguales para cada operación.
ARTÍCULO CIENTÍFICO, VOL. 1, NO. 1, JUNIO 2018
• El PQR del producto a analizar es secuencial.
• Existe la demanda suficiente como para considerar la
optimización del proceso.
• Las mejoras de cada una de las operaciones son
independientes del resto de estaciones de trabajo.
VII. CONCLUSIONES
Las herramientas metaheurísticas ofrecen una
importante posibilidad para el desarrollo de soluciones en
el área de ingeniería. En este caso inicialmente se buscaba
identificar un óptimo relativo, sin embargo, los resultados
obtenidos permitieron el desarrollo de un frete de Pareto,
una herramienta que amplia el marco de posibilidades
para la toma de decisiones.
En este tipo de problema y considerando la
restricción presupuestaria, el algoritmo considera dos
objetivos al momento de minimizar la función. Lo que
permitió generar un frente de Pareto.
VIII. RECOMENDACIONES
• Abordar el problema desde una perspectiva
multiobjetivo, ya que en la vida real los factores que
afectan este tipo de problemas consideran mucho más
variables de las que se contemplan en la investigación
presente.
• Para futuras investigaciones se pueden considerar la
optimización de los parámetros del algoritmo
genético, tales como: operador de mutación, cantidad
de iteraciones y cantidad de cromosomas de la
población inicial para identificar los valores de estas
variables que se den mejores resultados en el contexto
que abarca el problema.
• Se pueden abordar problemas que consideren un PQR
con un diseño distinto al propuesto, por ejemplo,
operaciones paralelas, y procesos secundarios que
alimentan la operación principal.
8
• Es importante validar los resultados con alguna otra
herramienta heurística.
BIBLIOGRAFÍA
Andrab, S. G., Hekmat, A., & Yusop, Z. Bin. (2017). A
Review: Evolutionary Computations (GA and PSO)
in Geotechnical Engineering. Computational Water,
Energy, and Environmental Engineering, 06(02),
154–179.
https://doi.org/10.4236/cweee.2017.62012
Camp, C., Pezeshk, S., & Cao, G. (1998). Optimized
Design of Two-Dimensional Structures Using a
Genetic Algorithm. Journal of Structural
Engineering. https://doi.org/10.1061/(ASCE)0733-
9445(1998)124:5(551)
Hu, Y., Liu, K., Zhang, X., Su, L., Ngai, E. W. T., & Liu,
M. (2015). Application of evolutionary computation
for rule discovery in stock algorithmic trading: A
literature review. Applied Soft Computing Journal,
36, 534–551.
https://doi.org/10.1016/j.asoc.2015.07.008
Kumar, M., Husian, M., Upreti, N., & Gupta, D. (2010).
Genetic Algorithm: Review and Application.
International Journal of Information Technology
and Knowledge Management, 2(2), 451–454.
Retrieved from
http://www.csjournals.com/IJITKM/PDF 3-
1/55.pdf
Lagaros, N. D., Papadrakakis, M., & Kokossalakis, G.
(2002). Structural optimization using evolutionary
algorithms. Computers & Structures, 80(7), 571–
589. https://doi.org/10.1016/S0045-
7949(02)00027-5
Márquez Delgado, J. E., Ávila Rondón, R. L., Gómez-
Elvira González, M. Á., & Herrera Márquez, C. R.
(2012). Algoritmo genético aplicado a la
ARTÍCULO CIENTÍFICO, VOL. 1, NO. 1, JUNIO 2018 9

programación en talleres de maquinado Genetic

algorithm applied to scheduling in machine shops.
Ingeniería Mecánica, 15(3), 201–212.
McCall, J. (2005). Genetic algorithms for modelling and
optimisation. Journal of Computational and
Applied Mathematics, 184(1), 205–222.
https://doi.org/10.1016/j.cam.2004.07.034
Neelima, C., & Sarma, S. S. V. N. (2017). Load balancing
approach of genetic algorithm for balancing and
equal distribution of budget asset values in finance
transactions. Proceedings of the 2017 2nd IEEE
International Conference on Electrical, Computer
and Communication Technologies, ICECCT 2017.
https://doi.org/10.1109/ICECCT.2017.8117863
ARTÍCULO CIENTÍFICO, VOL. 1, NO. 1, JUNIO 2018 10

ANEXOS

Anexo 1. Mejoras en porcentaje por operación.

Mejora Porcentaje de mejora para tiempo de ciclo

Etiquetado Preparación de Llenado de Mezclado y Enfriamiento Llenado y

de Botellas materia prima marmita cocción de de mezcla empaque
de PT

0 100,0% 100,0% 100,0% 100,0% 100,0% 100,0%

1 50,0% 91,0% 85,0% 93,0% 82,0% 83,0%
2 86,0% 82,0% 89,0% 78,0% 83,0% 94,0%
3 74,0% 88,0% 99,0% 77,0% 88,0% 83,0%
4 66,0% 90,0% 83,0% 91,0% 81,0% 84,0%
5 56,0% 98,0% 90,0% 75,0% 87,0% 84,0%
6 62,0% 84,0% 99,0% 91,0% 81,0% 85,0%
Tiempo 3840,00 2340,00 3720,00 3420,00 4620,00 2640,00
promedio (s)

Anexo 2. Mejoras en tiempos por operación.

Porcentaje de mejora para tiempo de ciclo

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

Anexo 3. Costos según mejora.

Porcentaje de mejora para tiempo de ciclo

Mejora
Etiquetado de Preparación de Llenado de Mezclado y Enfriamiento de Llenado y
Botellas materia prima marmita cocción de mezcla empaque de PT

0 ₡0.00 ₡0.00 ₡0.00 ₡0.00 ₡0.00 ₡0.00

1 ₡777 367.00 ₡679 581.00 ₡212 124.00 ₡1 855 803.00 ₡500 637.00 ₡1 007 296.00
2 ₡1 316 285.00 ₡749 334.00 ₡973 388.00 ₡151 585.00 ₡837 872.00 ₡1 788 130.00
3 ₡551 411.00 ₡456 107.00 ₡446 663.00 ₡881 776.00 ₡1 492 203.00 ₡854 085.00
4 ₡1 412 680.00 ₡987 871.00 ₡1 009 532.00 ₡1 472 162.00 ₡1 292 023.00 ₡927 887.00
5 ₡1 863 588.00 ₡1 532 239.00 ₡1 389 734.00 ₡1 870 891.00 ₡1 494 935.00 ₡981 994.00
6 ₡564 350.00 ₡145 824.00 ₡1 878 584.00 ₡641 957.00 ₡1 543 085.00 ₡1 875 204.00