Professional Documents
Culture Documents
Siendo W
j
el peso que se da a cada una de las restricciones y v
j
(c, t) una variable dicotmica
que vale '1' si la restriccin c es violada por la solucin t y '0' en caso contrario; asimismo, en esta
frmula se suponen todas las penalizaciones positivas, en caso contrario podra suceder que el
fitness fuese negativo y no se podra utilizar dicha funcin para calcularlo. Con estas aclaraciones,
se puede deducir que la solucin proporcionada por la funcin es 1, si y slo si, son satisfechas
todas las limitaciones, en caso contrario su valor es menor que la unidad.
La fase de seleccin de los criadores presenta algunas peculiaridades, se utiliza una
seleccin del tipo 'elitismo + ruleta'. Su funcionamiento se basa en el empleo del mtodo de la ruleta
para la seleccin de las tres cuartas partes de los criadores, y el resto est compuesto por los mejores
resultados obtenidos hasta el instante actual, los cuales son introducidos directamente en los
criadores.
Los operadores genticos utilizados para este tipo de problema no tienen peculiaridades
destacables, para el cruce se suele utilizar el ' cruce simple', aunque en algunas ocasiones tambin se
utiliza el 'cruce uniforme'; en cuanto a la mutacin, el mtodo ms utilizado es la 'mutacin
numrica estacionaria' (Goldberg,89). En los parmetros de los AGs, la principal caracterstica es
que las frecuencias de cruce y de mutacin no son fijas, sino que varan linealmente.
15
Otra de las aportaciones realizadas por Fang en su tesis (Fang,92) es la modificacin de la
funcin de fitness. Esta modificacin se basa en que cuando se llega a un determinado nivel de
evolucin, las soluciones tienen unos valores muy prximos entre si, por lo cual el algoritmos
gentico deja de evolucionar; para solventar este problema se suelen utilizar tcnicas de escalado,
en concreto la tcnica que mejores resultados ofrece es el 'escalado inverso al cuadrado'. La
formula de fitness resultante al aplicar esta tcnica es la siguiente:
f(t) =
1
1 + Wv (c, t)
j j
j
2
En base a estas ideas diferentes autores Corne (Corne et al,94) y Ross (Ross et al,94) han ido
introduciendo sus variantes. La principal aportacin de Corne es la utilizacin de un cromosoma de
longitud triple, pues en sus trabajos incorpora ms restricciones, la principal de ellas es la limitacin
del nmero de aulas disponibles. En su codificacin, cada uno de los exmenes lo representa por
medio de tres genes, siendo el significado de cada uno de ellos: instante de celebracin, clases que
se deben reservar para el examen y profesorado encargado de vigilarlo.
Los trabajos de Ross se han centrado en disminuir el tiempo de clculo del fitness. La
solucin que Ross propone se basa en la utilizacin de la llamada 'delta evolucin'. La aportacin de
este enfoque se basa en considerar simultneamente dos planificaciones horarias 'g' y 'h', que se
diferencian solamente en unas pocas restricciones 'D'. El fitness de 'g' es igual al de 'h', salvo en lo
referente a las restricciones 'D', si se conoce el fitness de g, el clculo del fitness de h es
inmediato por medio de la frmula:
f (h) = f (g) - Wv (c, g) + Wv (c, h)
j j
j D
j j
j D
Otra forma distinta de establecer la planificacin es la propuesta por Burke (Burke et al,95).
La base de su mtodo es la utilizacin de dos algoritmos heursticos, el primero se encarga de
encontrar una serie de exmenes que se puedan realizar en el intervalo que se este analizando y el
segundo se encarga de comprobar si existen aulas disponibles en esa fecha; estos algoritmos se
utilizan para todos los intervalos temporales disponibles. El funcionamiento se puede ver en la
figura 3:
16
Algoritmo 1:
Seleccin de examenes.
Algoritmo 2:
Seleccin de aulas.
Siguiente periodo
Anterior periodo
Figura 3: Explicacin de la heurstica empleada (Burke et al,95).
La clave del funcionamiento de este enfoque se encuentra en la generacin de la poblacin
inicial, sta se genera en dos fases:
Generar una ordenacin aleatoria de los exmenes.
En funcin de esta ordenacin y empezando en el primer intervalo de tiempo, comenzar a
realizar la planificacin de los exmenes.
Como fcilmente se puede deducir, en esta fase inicial se produce una planificacin factible
pero no se limita el nmero de intervalos temporales disponibles; como consecuencia de ello, el
vector de soluciones generado es muy largo.
En este planteamiento, la misin del AG es conseguir disminuir la dimensin del vector de
soluciones, para lo cual se utilizan los operadores genticos, principalmente el cruce. Su
funcionamiento es de la siguiente forma:
Los exmenes que estn en ambos padres, se transfieren a los hijos de forma automtica.
Para completar la planificacin de este periodo, se procede a seleccionar, de forma aleatoria,
entre los dos padres otros exmenes de forma que la ocupacin de las aulas sea ptima.
En esta evolucin, el papel de la mutacin se limita a seleccionar exmenes de periodos
posteriores al presente e incorporarlos en el presente. El fitness de estos problemas depende de:
La longitud del genotipo.
El nmero de conflictos entre exmenes en periodos consecutivos.
4. Conclusiones
En este trabajo, se ha analizado el principio de funcionamiento de los algoritmos genticos, as
como algunas de sus aplicaciones en el entorno industrial. En concreto se han descrito aplicaciones
17
para la resolucin de los problemas de secuenciacin, planificacin de turnos y viajante de
comercio. De cada uno de estos problemas se han comentado las principales tcnicas para
abordarlos con AG, as como los operadores, tanto de cruce como de mutacin, ms utilizados.
Referencias bibliogrficas
Bierwirth, C. (1995). "A generalized permutation approach to job-shop scheduling with genetic
algorithms". Or Spektrum N 17, pp: 87-92.
Brady, RM. (1985). Optimization strategies gleaned form biological evolution, Nature, 317, pp:
804-806.
Burke, EK; Elliman, DG. y Weare, RF. (1995). "A Hybrid Genetic Algorithm for Highly
Constrained Timetabling Problems" Departament of Computer Science. University of Nottingham.
Nottingham, UK.
Cheng, R.; Mitsuo, G. y Tsujimura, Y. (1999). A tutorial survey of job-shop scheduling problems
using genetic algorithms, part II: hybrid genetic search strategies. Computers & Industrial
Engineering, 36, pp: 343-364.
Colorni, A.; Dorigo, M. y Maniezzo, V. (1990). Genetic Algorithms An Highly Constrained
Problems: The Time-Table Case. Proceedings of the First International Workshop on Parallel
Problem Solving from Nature, Dortmund, Germany, Lecture Notes in Computer Science 496,
Springer- Verlag, pp: 55-59.
Corne, D.; Ross, P. y Fang, H-L. (1994). "Fast Practical Evolutionary Timetabling". In Proceedings
of the AISB Workshop on Evolutionary Computation. Springer Verlang. pp: 336-344.
Davis, L. (1985). "Job-shop scheduling with genetic algorithms". In Proc. Int. Conf. on GAs, pp:
136-140.
Dorndorf, U. y Pesch, E. (1995). "Evolution based learning in a job shop scheduling environment".
Computers & Operations Research N22, pp: 25-40.
Fang, H-L. (1992). Genetic algorithms for scheduling. MSc Dissertation. Department of Artificial
Intelligence. University of Edinburgh.
Fang,HL; Ross, P. y Corne, D. (1993). "A promising genetic algorithm approach to job-shop
scheduling, rescheduling, and open-shop scheduling problems". Chap. 118. In: Proceedings of the
Fifth International Conference On Genetic Algorithms. p:375-382.
18
Goldberg, DE. (1989). Genetic Algorithms in Search, Optimization and Machine Learning.
Addison- Wesley.
Goldberg, DE. y Lingle, R. (1985). Alleles, Loci, and the TSP. En the First International
Conference on Genetic Algorithms, Lawrence Erlbaum Associates, Hillsdale, NJ. pp. 154-159.
Holland, JJ. (1975) Adaptation in Natural and Artificial Systems, University of Michigan Press.
Koza, JR (1992). Genetic Programming: On the Programming of Computers by Means of Natural
Selection. The MIT Press.
Lawler, EL.; Lenstra, JK.; Rinnooy Kan, A.H.G. y Shmoys, DB. (1985). The travelling Salesman
Problem: A Guided Tour of Combinatorial Optimization. Wiley, Chichester.
Michalewicz, Z. (1996). Genetic Algorithms + Data Structures = Evolution Programs. Springer
Verlag. 3 Edicin.
Nakano, R y Yamada, T. (1991). "Conventional Genetic Algorithm for Job Shop Problems". In
Belew et al. (eds.), pp: 474-479.
Oliver IM, Smith DJ y Holland JRC (1987). A Study of Permutation Crossover Operators on the
Travelling Salesman Problem. En the Second International Conference on Genetic Algorithms,
Lawrence Erlbaum Associates, Hillsdale, NJ. pp. 224-230.
Ross, P.; Corne, D. y Fang, H-L, (1994). "Improving Evolutionary Timetabling with Delta
Evaluation and Directed Mutation". En Parallel Problem Solving from Nature III. Springer
Verlang.
Storer, RH.; Wu, SD. y Vaccari, R. (1992). "Local Search in Problem Space for Sequencing
Problems". En Fandel, G.; Gulledge, T. y Jones, A. (1992) New Directions for Operations Research
in Manufacturing. Springer Verlag, Berlin Heidelberg. pp:587-597.
Syswerda, G. (1991). "Schedule Optimizacion Using Genetic Algorithms". En Davis, L. (1991).
Handbook of Genetic Algorithms. Van Nostrand Reinhold, New York, pp: 332-349.