Lectura Algoritmo Genetico

IJ
ARTCULO
DE
IN
El
tn
DISEO DE UNA DISTRIBUCIN EN PLANTA CON

ALGORITMOS GENTICOS Y BSQUEDA TAB
C<
p1
f
UI
ce
dE
ce
di
QTRo MUNDO POSIBLE
in
SE
Pl
El
Msc. Leila Noyibe Roniire1 Costonedo1, Esp. Oscor Moyorgo Torres2
d(
pi
SE
er
es
RESUMEN
ABSTRACT
Este articulo presenta una comparacin de las heusticas,
Thls art1cte presents a comparison of thc hcuristlcs.
Bsqueda Tab (BT) y Algoritmo Gentico (AGl. que han
Tabu Search (TS) and Genctic Atgorlthm (GA). that
sido propuestas para la solucl6n de problemas complejos
de
opmlzac16n
combinatoria.
en conflguraci6n de
planta. Estas metodologas han obtemdo dlstnbuciones
de departamentos, de calidad superior. evaluadas y

reportadas en ta literatura. Los resultados muestran
qu tcnica tiene mayor nivel de calidad. en ta soluetn
y rapidez computaci onal en problemas de d1stnbuctn d e
have been proposed, for thc sotution of comptex

problems ofcombinatory optimizat1on in facitity layout.
These methodolog1es, have obtained distributlons of

departments of better quahty, evaluatcd and reported
1n hterature. The results show, which technlque has
greater quality level , in the sotut1on and computat1onal
rap1d1ty in problems of space distribut1on in Industrial
El
de
y
m
br
pe
pe
ot:
Fir
espact0s en plantas 1ndustnatcs.
plants.
de
PAL\BRAS CIAVE
KEYWORDS
l.
heunst1cas, Atgontmo Gentico. Bsqueda Tao.
heurostJcs. GenetlC Atgonthm. Tabu Scarch.
La
de
l.
Lo'
Fecha de recepcin del nrt1culo: 23 de llbril de 2008.

fecha de accpu.\c16n del articulo: 22 ac- n1ayo de 2008.
Ingeniera lndustnel. Msc Ingenien& lndu.stnal. Oooonte Tiempo Completo Universidad de La Salle. Docente lnvesugador Un1\iers1dad
1
libre.
Ingeniero lndustnal. Esoc. PtoducclOn Docente Tiempo Completo Escuela Colombiana de Carreras lndustnates.
de
Rgura 1. Etapas del
INTRODUCCIN
GA
a problema de distnbucin en planta es de vital

1mportanc1a para el
manejo de materiales de una
eEvaluacin
compania, ya Que el 40% del costo asociado al
prOducto
nslca
l:
terminado, est1 dado por la distribucin
de los elementos industriales'.
Ubicar los de partamentos
de manera ptima. se
conv1er te en un problema compleo, dada la infinidad
de s01uc1ones Que
con la
variedad
se pueden
de
obtener de acuerdo
comb1nac1ones posibles de
distnbUCIOnes en planta: entonces los algoritmos de
inteligencia artificial del cual se destaca el a lgontmo

gentico, son tcnicas de buSQueda aleatoria. que
Mutac i n
pueden encontrar una solucin ptima global.

El objetivo de este trabajo es
aplicar el software
desarrollado por Garcia (2001), pa ra la distribucin de
plantas 1ndustna1es a partJr de a1gontmos genticos y

se
harfl una comparacin con un problema reportado
en la literatura. en
es
donde la 1ocat1zac1n de la solucin
obtenida con la h eu rstica Bsqueda Tab .
El presente estudio contiene la s ecci n
2, donde se
mOdelo matemt1co utilizado. En la secci n 4. la

breve descr ipci n de la m etodologia usada: seccin
5 se describe la aplieac1n l un caso real reportado
por la literatura bajo la heunstica de bsqueda BT:
postenormente en la seccin 6, los resultados
por
cada
una
de
las
aphcac1ones.
Finalmente, las conclusiones y recomendaciones se

describen en la secc in
7.
soluciones buenas se propagan de una generacin a la

producimos ms
mejores soluciones conforme
generaciones. A
contJnuac1n se
m uestra las diferentes etapas de un GA.

Poblacin Inicial: En la miclac1n de la optimizacin,
el GA
requiere un grupo de soluciones iniciales
(1nc11vleluos
con informacin
gentica), generadas
aieatonamente en concordancia, con una estructura

de los cromosomas previamente definida.
(valuacin: Cada uno de los
1nd1v1duos,
de
la
poblacin
inicial, se evala para obtener el valor de la

funcin objetivo.
1nchv1duos, la seleccin es determinada por 1nd1v1duos
en este arcu
t lo
se
dcscnben a continuacin:
aptos que tienen un valor pequeo dentro de la

funcin obetivo. cuyo resultado es menores valores.
Algunos criterios reconocidos para la seleccin s o n
J. l Algoritmo Gentico
Los Algoritmos Genticos
a la siguiente se obllene.
de tal manera que se du pliq uen ms copias de
l'TILIZADAS F.N F.I F.STUDIO

tratadas
adecuada. de una gcncracl6n
de manera progresiva. mcores s01uc1ones. Es decir. las
Seleccin: Se establecen criterios de seleccin,
1. OEFl.'.\ICIN OE LAS HEURSTICAS
Las metodologas
i
ele soluciones. Cuando el algortmo
se emplea de forma
siguiente y conducen a
definen las heursticas utilizadas en este estudio

y posteriormente en la secci n 3, se describe el
obtenidos
partir de la cual obtenemos la siguiente generaci n ""
la r uleta, en la Que la sig uiente gen erac i n contiene

Jos
funcionan con una familia
de soluciones (conocida como la poblacin
inicial") a
una
individuos, con mayores valores de acuerdo con

bsqueda aleatori a y sel ec c i on es basadas e n
rango s probabilidades.
ISl<r A.A AgenetJC aigonUTn l>l>'oach for ITUtiple entena tacdoty 1a,ou1 aesign.ln(emotional Journal of p<00.oe11on Rcseareh. VOi 36.No.
6. 1998. 1549 1569.
Cruce: Una vez finalizada la operacin de seleccin.
Los ind1v1duos existentes (padres) obtenidos par los
El proceso de optimizacin consiste en explorar las

vecindades de la mejor solucin encontrada hasta el
entenas de seleccin, crean dos nuevos 1ndMduos
momento, movindose a una nueva solucin ptima.
(htos). Para lograr este objetivo se emplea un punto
en la medida en que ella tenga un meor valor de la
de cruce, escogiendo los dos 1ndMduos (padres) y
funcin objetiva. Para evadlf los Ptmos locaes. la
un punto de corte al azar.
BT e\1ta visitar algunas de las soluciones vecinas
las colas del cromosoma
que son las partes despus del punto de corte,
a la solucin ptima actual. considerando que los
se 1ntercamb1an y dos nuevos
1nd1viduos (hijos)
mov1m1entos en el espacio de soluciones que llevan
En cada generacin los mejores
de una solucin a la otra son tabu, de tal forma que
cromosomas son seleccionados para actuar como
ellos no pueden ser aceptidos durante un cierto
son generados.
padres. Este principio se fundamenta en el proceso

de
seleccin de que un buen
padre (solucin)
obtenga una mayor probabilidad de ser seleccionado.

comparada con la de los malos padres.
Mutacin: Probabilidad de mutac in est<lblec1da.
permite que los individuos muten al azar piri generar
un nuevo 1ndiv1duo. En esta etapa se considera la
de ptima local, para el cual no es posible encontrar
solucionesvecinas mejores. la solucin es a macenada
como el mejor ptimo encontrado; postenormente. la
convergencia prematura, aumentando la d1vers1f1cac1on
almacenadas, en la memoria de 1argo plazo. Para
para encontrar el ptimo global.
mayores detalles sobre el algoritmo vase a Glovcr y
nuevo punto d e arranque del algontmo alguna de las
Laguna (1993)'.
El GA es modificado por el usuario de i.lCuerdo con
numero de generaciones; estos parmetros afectan el
puede consultar lslier(1998) una excelente introducc16n,

a los conceptos bsco
i s y algunos avanzados de GA y su
ut1hzacn en problemas de optJm1zac10n.
1.l 8..qucda Tab

La BT es un mtodo heurstico de bsqueda global, en
el espacio de soluciones de un problema, en la cual
una memoria de largo plaio registra las soluciones
visitadas. y obliga a que el proceso de bsqueda visite

de forma detcrminstica soluciones no evaluadas; sin
x.
Cuando el a lg oritmo converge, finalmente, a un punto
soluciones previamente 'IS1tadas que se encuentran
funcionamiento y el uempa de eecuc1n de un GA. El lector
memoria de corto plazo.
el algoritmo cree nuevas reas y lo ayuda a evitar la
tasa de mutacin, la tasa de reproduccin elitista y el
tiempo o un cierto nmero de iteraciones. Para ello,
mcmona de corto plazo es borrada. y se escoge como
las siguientes variables, el tamao de li.l poblacin. la
i,
los movimientos aceptados son almacenados en una
operacin mondica, pues un solo padre. genera un

solo nuevo h10. Este operador de mutacin hace que
X
N
2.
Pa
Cr<
ca
2. MODELO MATEMTICO USADO
1
tra
Para lograr una comparocln entre las heuristicas
me
mencionadas en este articulo se trabaj con el modelo
se
matemtico propuesto par lshcr (1998! ya que su

aplicacin genera grindes beneflCIOS y tiene excelente
respuesta en la localizactn de SOIUC1ones factibles; a
la 1
Ac
continuaci n se muestra una descnpctn del modelo:

Entonces los criterios de opttm1zac1n que conforman
el modelo son los siguientes:
2.1 C.lculo de tlhtancias entre dos mquinas

La condicin inicial de entrada para el modelo es
embargo, es posible hacer el proceso estocstico
el clculo de las distancias entre dos mquinas o
adicionando algunos elementos probab1l1st1cos. En su
estaciones de trabaJo i y j. esta se basa en ccntro1des,
forma tradtcional. la BT opera sobre una cadena binaria
es decir el centro del rea. La dtstanc1a entre ellas
que representa una posible solucin del problema.
est determinada por:
dar
V
i, J
Gk1Y'cr. f
"i Laguna. \4. tt993>. Tabu seatch tn odem Heousuc TechniQUeS for Combinatooal Problcms, Blacio.wt"ll Orlord Sot1ng
fac 11y la)'OUt problems Mth ge<>me-tnc cons.tra1ns using parollel genetJC atgOOt.hms.: e1penrnenta:tion
(1)
<!onde:
i, j lnchces de e staci o nes de trabao

1,2,3.. .... ..n, j 1.2,3..... ...... n
donde
Dimensin donde k
Determ i n ante de lamtnca usada (p= 1 rectilneo ,
d,
x.
x,
1,2.
p = 2 eucli diano) donde p = 1.
Nmero de
Nmero de esta ciones
de
carga por
unidades
carga que
de
sern
transportadas entre la estacin <le trabao 1 y la j.
de trabao.
2.3 M:Lxintlzar el grado de comp"c1nci11 dt: las

rea, de las esracioncs de
rrabajo.
(reculinea)
Coor denada del centroide de la e st aci n de
siguiente factor
la estacin
de trabajo
1 y la j
trabajo 1 en la dimensin k
adecuadas; esto significa que se debe minimizar el
trabajo j en la dim ensin k
S=
donde:
Nmero de d1mens1ones
carga de transporte
Para minimizar e nto n ces la carga de tran sp orte se
ha
la razn entre la
carga Ideal por transportar de u na estacin de tra baj o
i a una estacin de trabajo j y la carga realmente
transportada de la estacin de trabao i a la j. Al
maximizar este factor que siempre est ar entre O y 1,
se obte nd r el efecto contrario que es Ja red u cci n d e
l a carga d e transporte.
--
L, L, c.,f.d,,
n
1 2
I L. t,d,
1-2'
L. L, e,,'d,,
(2)
-1 ,... 2
Ca rga
1, j
I ndices de estacion e s de trab aj o 1,- 1,2,3........

n J= 1,2.3........... n .
(No hay costos de transporte).
Distancia e ntre la estacin de trabao 1 y la J
d1
(rect1hnea).
Lu1
"'
a
I.I.I
(3)
IL.Ia
1
l.lk-1
"
ndice de estaciones
de trab ao I=
Indice de celdas
1,2,3 ... P.
1,2,3 ... .l.
indice de filas en el
plano de diseo de la
Indice de columnas en
el
p l anta.
plano de diseo de
la
planta.
b
Nmero de filas
en
el plano
de dis eo
de
Nmero de rolum n as en el plano de diseo de
Nmero de estaci ones de trabaio.
r
,
Momento del rea de la e staci n
u,,,
p lanta.
de trabajo.
Distancia rectilnea del centroodc de la estacin

K al centro1dc do l a celda p que est
dentro de la estacin de trabao k.
de trabajo
donde:
Ideal
planta.
A continuacin se p<esenta el Factor de carga t :
t=
s:
L, r,
Coordenada d el centro1de de la estacin de
de forma
creado un factor de carga, que es
unl<lad
de transportar una
una uni d ad de longitud entre la estacin de

trabao i y la j.
De esta forma la razn, e ntre el per1metro y el rea.

debe ser mnima, para obtener reas de e staciones
Dista nc ia entre
2.2 i\tinin1i.1...ar la
Costo
f,
1 =
r,
Mome n t o de rea de la estacin de tr abaj o k.
S,
Conjunto de celdas
a...
I n dica dor que es igual a 1 si la celda en la fila i
de la estacin de tr aba jo k.
y la columna J en el plano de diseo esta
en
la
e staci n de trabao k.
1sser A A A&enette atgonUYn app<oaeh f0<mutt1p1e cruena fac1Utyl;l)'()Ut design.lntemationll Journal otproctucuon Re&earch, VOi 36. No.
6.
1998. 1519 . 1569
2.-t
A-t ininti z.ar
diferencia
la
demandadas
entre
las
rea!)
las disponi b les 1>am cada
6) La primera restriccin. prohibe Que una mquina

esto signific a que no se permite sob<epasar las
estaaones de traba)O.
C>t:tcin de trab ajo
Las diferencias entre las reas demandadas y l as

asignadas se mi nimiza, mantenindolas dentro
de los limites
predeterminados. Para m1nim1zar

est as diferencias se presenta el siguiente factor de
7)
A-t.t.I
b
A,.
k
Indice de estaciones de trabaJO 1 - 1. 2. 3 .... 1

Indice de filas e n el plano de diseo de la
planta
ndice de columnas en el plano de diseo de la
plant a
Nmero de filas en el plano de diseo de
planta
NOmero de columnas en el plano de diseo de
plant a
NOmero de estaciones de trabajo
a,
Indicador que es igual a 1 s i la celda en la fila i
y la columna j en el plano de diseo est en la

estacin de trabajo k.
Unificando estos tres criterios se tiene el si guiente

modelo final con funcin o bjetivo y restricciones:
Factor de e arga
sh - Factor de forma Factor de desviacin
n
Ia,, s 1
para todo i y j
A,$
IIa,.
!
' j }
66
A, para todo k
IIIa,.
1
(6)
'
l ja lk-1
S4
dentro
d
'
Seb
AVANCES lnvctiBacin en lngenieria 2008 l\o. 8
4
4.
tal forma que no exce dan el rea total disponible

como parte del requerimiento .
... 1
rea ms deseada para la estac1n de trabajo.
restncc1n. mantiene el nmero de
maquinas de cada estacin de tra baJO,
8) La ter cera restriccin, evala el nmero total de

mqui nas para todas las est acion es de trabajo, de
(4)
Donde:
segunda
IE
rr
mquinas. dentro de una estacin de trabajo.
a,.
III
t:
. ... . , ...
La
de los limites predeterminados. A y A., son los

limites inferiores y superiores para el nmero de
desviacin:
h ..
Q
f
sea compartida por ms de una estacin de trabajo:
(7)
(8)
ut
Este es un problema mulbobetlVo: se recomi en da

por su eficiencia en la bsqueda de soluciones, el
el
de
algoritmo gentico y la Bsqueda Tab.
pe
3.
METODOLOGA
La funcin objetivo del modelo matemtico,
es
multicriterio, debido a que se evalan tres criterios
que son: func in de carga, factor de forma y factor
de desviacin. La comparacin de los resultados
obtenidos frente a esta funcin objetivo es dificil
llevar a cabo dado
que en la lit eratu ra n o se
encuentra aplicacin exacta del modelo presentado

anteriormente; entonces es significativo solo evaluar
la funcin objetiVo con respecto a la minimizacin

de los costos de transpone entre las facilidades,
los flujos de transporte entre l as dependencias y
las distancias entre departamentos. Finalmente. la
funcin objetivo per t inente para la comparacin de
resultados es la siguiente:
n-1
MIN.
(5)
"
t., d,
I Le"
j,.. 2
- 1
(9)
Esta funcin objetivo ser evaluada bajo las

restricciones (5) y (7) del modelo original y la
metodologa usada para la bsqueda de solucin

ser el algoritmo gentico. Los resultados obtenidos
a travs del software desarrollado por Garcla (2001),
gen eran
una base de datos. que permitirn la
construccin de un modelo de diseo de expenmentos
:23. Obteniendo valores altamente confiables, dado
que el AG, localiza soluciones dentro del !\rea de
Para eiecutar el algoritmo, se supuso un elemento
estos modelos
cuadradas. Igualmente, se asumi el ancho de la

banda vertical en dos unidades cuadradas. y el de la
banda horizontal en dos unidades cuadra da s. El rea
total para distnboir los departamentos tiene 10 filas
y 18 col umna s de elementos mm1mos cuadrados. La
matr iz de costos, se t om ar on consideraciones como
un costo unitario de un peso por unidad de carga
tra nsp ortada por una unidad de dist anci a.
fact1b1lrdad y de for ma totalmente aleatoria Entonces.
estadsticos determinan cu!\I es
la combinacin indicada de factores, para generar

meiores soluciones, frente al modelo (9). Despus
se
realrzara un bechmarkmg con litera tura disponible
de aplicaciones heurstica s, como la Bsqueda Tab
aplicada a configuraciones de planta.

4. APLICACIN
4.'I Condiciones iniciales de entrada para el
problema
mnimo cuadrado, con un &rea de 400 unidades
4.l Estructura del cro111os<una 1>or apl icar
cond1c1oncs del problem a descrito

anteriormente, se e va luar el sigu i ente cromosoma:
Para
Para las comparac ion es frente a los resultados, se

utilizar un caso real reportado en la literatura, en
et cual
se
las
Figura 1. Estructura del cromosoma inicial
aplic la BSqueda Tab. en la cual se
desarrolla la configuracl/1 de una planta. conformada

por 7 departamentos cuyas reas y fluJOs se muestran
a continuacin:
Tabla 1. Areas disponibles para los depar tame ntos
-
De p a rt am en t o s
,_
reas
(Unidades cuadrad as)
1
2
3
12000
8000
6000
12000
8000
12000
12000
5
6
7
Los resultados deben estar acorde con las soluciones

reportadas en el artculo; para esto se construye un
nuevo cromosoma basado en las condiciones iniciales
del p roblema:
Figura 2. Estructura cromosoma ln lclal modifi cado
1 2I3I Is1 s1 1l:iol:iol1sl:1113ll:io'3ol91 91
Tabla 2. Matriz de flujos entre dep ar tam entos

por unidad de tiempo (Desde - Hacia)
45
15
25
30
10
25
5
35
20
5
6
6
5
15
10
65
Los genes Que componen al cromosoma se identfi ican

como:
1. Representa la secuenc ia
departamentos; en este caso se precisan
de nme ros.
G1:
35
65
Gen
de
los
a travs
G2: Gen 2. Describe el rea de los depar tamentos .

que tambin se ubican bajo la misma secuencia de
G1.
Domorcuez canos Andrs, oe LOs RIOs G'"""' llelSQuez Juan David, Dlstnbuan de espacios onousv1a1es uS<lndo su-.. Taoo,
Uno.ersldad Nacoonal de Colomboa.
AV/\f\.CCS lnvc.,lRl< 1011 tn lnKt'nll'fl,l 1108 No 8
67
Figura 5. Soluc in encontrada us ando BT
G3: Gen 3. Representa el ancho de cada una de las

bandas de la grilla completa
113333444466667777
113333444466667777
5. RESULTADOS OBTENIDOS
113332444465667777
5.1 Rc>ultadO reportados por el artculo
113322444455667777
Los resultados reportados por el ar tculo son los
111122444455667777
si gu i entes:
111122444455667777
Tabla
113322444455667777
111122245455666707
3. Costos obtenidos para las diferentes
11112222555 5666600
111122225555666600
conf1gurac1ones reportadas.
Mi)todo
C os to
ALDEP
3199.95
CRAFT
2833.5
BT
2024.78
5.2 nesullados obtenido' a partir de algoritmo

gentico
La
herramienta computacional que se traba para la
comparacin de resultados fue Visual Basi<: a travs
de las macros de Excel desarrollada por Garcia (2001).

Los resultados que se obtuvieron rueron validados a
Figura
3. Solucin encontrada
usando el Programa ALDEP
partir del diseo factorial general 2'. para determinar
si los factores tienen erecto importante sobre la

repuesta (funcin objetivo) y asf lograr una soluc16n
00000000000000000000
de mayor calida d. El modelo matemtico del diseo
01122224455666677770
de experimentos es el siguiente:
01122224455666677770
01122224455666677770
01122224455666677770
01122224455666677770
01111444455663377770
01111444455663377770
01111444455663337070
11
t
Efecto del factor fraccin de h1os generados
00000000000000000000
111111111177777777
333222222266777777
333322222266666666
3333222222666666
333324444555555666
444444444555555666
l
c
t
= Efecto del factor rraccln mejores padres
meores padres
111111111177777777
= Media general
111111111177777777
donde:
01111444456
56 3333000
usando el programa CRAFT
<
Y,,.='+ 1 + . + 1, + (1Pl,, + (r1),, + mYl,, + (1py), + &.,., (10)
01111444455663333000
Figura 4. Solucin encontrada
'
por
1=Ef ecto del factor de probabilidad de mutacin

=Componente
aleatorio del error
i = 1. 2
J
1, 2
k = 1, 2
1=1, .... 5
El nmero de rplicas escogi das para el diseo
4444444555555666
factorial 23 es 5, pues es una muestra sufi<:iente para
444444440000055666
la estimacin de los errores experimentales.
E
n
IE
Ir
5. ANOVA
Tabla
"91()\A 'f(lr 'Yl
1. Ho: t1 = t,= t,=O
MA,lct' MO!k
S_.t"e
Ha: al menos t sea diferente de cero
,
3 Ho .11
Jl sea diferente
_,
11'1'.0t'
de cero
t.ack
Pure
rotal
o.tlltH
O.tlJOll
''''
0.14,IJl
01 11t)
Err-o.-)
o.,,,.,,
1.17111
'
.., '
0.147JlS
J.4 3
0.45t1ll
0.041111
o."""""
l.4l1CJ
''J"l
0.0
7)tf<'
O.SOltl
0.1ffl.12'
O.S0'"4
O.llCJt
.s..1oto11
O.J717J7
0.011
'''''1
y genera validez al
procedimiento
de anlisis de vaancia constituyendo una prueba

exacta para las hiptesis de igualdad de medias de
El IWOVA muestra claramente que los factores
El cnteno de rechazo se evaluar bajo un nivel d e

confianza de l 95%.
no
lienen efecto importante sobre la variable respuesta.

confirmando asi la aceptacin de la h1p6tes1s nula
con una confiabtlidad del 95%.
Los noveles y factores utilizados para el desarrollo

del Anllsis de Vanancia se muestran en la siguiente
tabla:
Rnalmente los resultados optlm1za<1os para obtener

el minimo valor en la Funcin obelivo son:
Tabla
Tabla 4: Niveles y factores

por evaluar dentro del modelo
Nivel superior
Fraccin de
Nivel Inf erior
70%
rneores padres
20%
70%
generados por
--1
m oresp
_ ad
"'
re s
-'--'
'--
1l
Probabilidad de
o.oo5
07
mutac in
satisfactorio
en
los
las
errores
07
01
01
07
(17
11575
0 575
10
11
pruebas
de
normalidad. de lo cual podemos decir que se satisface

de que
_!._
se
distribuyen
1ndepend1ente y normalmente con media
cero y
vanancoa constante, pero -Oesconocida. Con estos

supuestos el modelo describe, adecua<Jamente. las
haccicn --:-es --e l ft accon di._1 mut9Cldn1

07
20%
6. Optimizacin de las observaciones
--''----;.
meores hoos
la condicin,
S.47lt77
l7.1SlC1
O.HJOf'J
?1.0''
11,'JJIS
1.11ou
'' '
los tratamientos.
Critt>rio de.- n:ch:vo:
fue
'
"l
l.IMlJt
O,J71Jl1
O.MS4Jl
"
1
"
observaciones
en el modelo.
diseo
"'''"1'
l.tot: l lt
O.J1tJt7
O.OSS4ll
o.1stl
fl'IJICClOfllRVC
'l'l)ll(C10""MUTKIJ
tlltolliCCO,.._"""'"_...
4. H1p6tes1s para las onteraccoones que se presentan
El
1
1
1
'"""""-"
Ha: Al menos una 'I sea diferente de cero
Fraccin de
..
fl!Aea>t_
yz = 1J = O
Factor
.,
"VllCClOft
2. Ho: JI, = JI, = JI =O

Ha: al menos
para el diseo factorlal 2"'
1
L
13
14
O S
07
0575
01
0575
07
07
O02125 O 2200l2905
07
0.7
16
OS
17
0 7
0 57 5
19
02
20
045
21
07
0325
0575
07
07
07
07
0325
22
23
24
25
005375 O 363289165
00375 0.352381593
002125 -O3'1'7402
0005 -O 330'.l66''8
007 -0136
0.325
0575
Y1
O 374196737
07
07
07
07
0575
07
07
o7
07
0575
07
045
15
18
0 07
0.575
07
0005
-O
2!1372822
1
002125 -O2ll07.18A63
00375
-Ol57748104
O 005 -OL!i6SSS&l5
o 05J75 -O'Nm77'32
o05375 -O 25<751&5
007 -023191535
007 -021709186
o 005 -O 220051769
00375
Ollll361447
007 0.195572207
0005
01932135'3
O 0375 O 183115815
o07 o.17769(193<
o 02125 -O159267318
0575 oOSJ75 -O15580313'

0575 o02125 -O1'7695103
OS o05o315 -O 1'?e6'I9
Resultados obtenidos con el software SAS.
AVANCES ltl\l'"'iK.<Ullll' tn h11nitn.1 2ooa No, H
69
En esta tabla se puede observar que para obtener
El menor costo que se obtuvo frente a la ap l icacin
el m1nimo valor de costos. p ar a la funcin objetivo
de algoritmo gentico es de
se debe
utilizar
10% de meiores
70% de fraccin de meiores
padres.
h11os generados por me1ores padres
y una probabtlidad de mutacin de
0.07:
la variable
superior
2291.11366 bastante
al encontrado en ta liter atura para el mismo
caso ba10 la m e todologa de Bsqueda Tab <Bn.
el llempo de ejecucin del software a partir de
respuesta que se observa en la tabla se encuentra
algorrtmo gentico. para la localizacin de l a solucin
aiustada.
es
de
13.546
segundos.
parmetro
i nteresante
de comparacin. pero se desconoce el tiempo de
Nuevamente se hace una
corrida con
5 rplicas
y los
ejecucin de Bsqueda Tab.
resultados que se obtienen son los sigu ientes :
La
Figur a 6. Resultados obtenidos
Fi gu r a 7. Configur acin en planta
en las diferentes cor rid a s
con Algoritmo Gentico
fvnc10n OOJCtlYO11S Corridas.
,,..
,,..
,,..
! 1JM
2>00
mo
,,..
2240
l
Corrida
configu racin que se obtuvo fue la sigui ente:
4 4 4 4 4
4 4 4 4 4
4 4 4 4 4
2 2 2 2 2
2 2 2 2 2
1
1
1
1 1 1 1
1 1 3 3 3
3 3 3 3 3
4 4 4 4 4 4
4 4 4 4 5 5
4 2 2 2 5 5
2 2 2 2 6 6
2 2 1 1 6 6
1 1 1 1 6 6
1 7 7
1 1 1 1 7 7
3 3 3 3 7 7
3 3 3 3 o o
4 4 4
5 5 5
5 5 5
6 6 6
6 6 6
6 6 6
7 7 7
7 7 7
5 5 5 5
5
5
6
6
6
7
7
s 5 5
5
6
6
6
7
7
7 7 7 7 7
o o o o o
7
7
7
7
7
7
7
7
1.
CONCLUSIONES
la solucin obtenida bajo la heuristca deAlgoritmo
Gentico fue superior a la obtenida con BT. pero
quees importante tener en cuenta la funcionalidad

de la configuracin en planta encontrada, aplicada
bao AlDEP
a los procesos de la compaia, debido a que los

costos no e s suficiente herramienta para la toma
GA, y 80 % para el CRAFT. A pesar de que la mejor
de una decisin definitiva. en
solucin encontrada para este caso es
en planta se refiere. Se recomienda medir la
el costo que se obtuvo r e presenta

71%. r espe ct o a la solucinque se obtuvo fren te a
reporta
que
BT. se debe establecer una comp ar ac in
eficiencia del software en diferentes estancias del
al t ie m po de ejecucin de
problema, para obtener unas conclusiones ms
ms rigurosa. en c ua nto
cada
la
cuanto a distribucin
un o de lo s software y a de ms cabe anolar
objetivas.
BIBLIOGRAFA
ARMOUR G. y BUFFA E. A heuristic alg o r ithm and simulation approach to relabve locat1ons fachties. En:
Management Sc1ence, Vol. 9. 1963. 294.309 pp.
OOMINGUEZ cartos An drs . De los Ros Goovann.l VelSQuez JuanDavid. Distnbuc1nde espacoos industriales
usandoBsquedaTab, Universidad Nacional de Colombia.

GARCIA Diana. Algoritmos genticos para distribucin en planta, Tesis de Maestoa. Universidad de los Andes,
1
1
2001.
GOLBERG, D.E. Genetic Algorithms in search. optlmlzation, and machine learning, Addison Wcsley, Bastan.
1989.
ISLICR A.A. A genelic algorithm approach for multiple criteria facility layout design. En: lntcrnatlonal Journal of
Producllon Research, Vol.
36, nme ro6, t998, t5491569 pp.
MONTGOMERY. Douglas. D s
1 usa. 2005.
i e oy an lisis de experimentos. Segunda E dici n, Mxico D.F. l m
TOMPKINS, James. Planeac1n demstalac1ones. Tercera edicin, Mx co
i D.F.. Thomson, 2006.
Pg.35&357.
AVANCES hwc:.llMJUon tn lnto1crJ 1008 No. 8
71

Lectura Algoritmo Genetico

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Lectura Algoritmo Genetico

Uploaded by

Copyright:

Available Formats

IJ

DISEO DE UNA DISTRIBUCIN EN PLANTA CON

QTRo MUNDO POSIBLE

Msc. Leila Noyibe Roniire1 Costonedo1, Esp. Oscor Moyorgo Torres2

Este articulo presenta una comparacin de las heusticas,

Thls art1cte presents a comparison of thc hcuristlcs.

Bsqueda Tab (BT) y Algoritmo Gentico (AGl. que han

Tabu Search (TS) and Genctic Atgorlthm (GA). that

sido propuestas para la solucl6n de problemas complejos

planta. Estas metodologas han obtemdo dlstnbuciones

de departamentos, de calidad superior. evaluadas y

y rapidez computaci onal en problemas de d1stnbuctn d e

have been proposed, for thc sotution of comptex

These methodolog1es, have obtained distributlons of

rap1d1ty in problems of space distribut1on in Industrial

espact0s en plantas 1ndustnatcs.

heunst1cas, Atgontmo Gentico. Bsqueda Tao.

heurostJcs. GenetlC Atgonthm. Tabu Scarch.

Fecha de recepcin del nrt1culo: 23 de llbril de 2008.

Rgura 1. Etapas del

a problema de distnbucin en planta es de vital

manejo de materiales de una

compania, ya Que el 40% del costo asociado al

terminado, est1 dado por la distribucin

de los elementos industriales'.

Ubicar los de partamentos

conv1er te en un problema compleo, dada la infinidad

distnbUCIOnes en planta: entonces los algoritmos de

inteligencia artificial del cual se destaca el a lgontmo

pueden encontrar una solucin ptima global.

desarrollado por Garcia (2001), pa ra la distribucin de

plantas 1ndustna1es a partJr de a1gontmos genticos y

harfl una comparacin con un problema reportado

donde la 1ocat1zac1n de la solucin

obtenida con la h eu rstica Bsqueda Tab .

El presente estudio contiene la s ecci n

mOdelo matemt1co utilizado. En la secci n 4. la

Finalmente, las conclusiones y recomendaciones se

soluciones buenas se propagan de una generacin a la

mejores soluciones conforme

m uestra las diferentes etapas de un GA.

requiere un grupo de soluciones iniciales

aieatonamente en concordancia, con una estructura

(valuacin: Cada uno de los

inicial, se evala para obtener el valor de la

1nchv1duos, la seleccin es determinada por 1nd1v1duos

aptos que tienen un valor pequeo dentro de la

de tal manera que se du pliq uen ms copias de

l'TILIZADAS F.N F.I F.STUDIO

adecuada. de una gcncracl6n

de manera progresiva. mcores s01uc1ones. Es decir. las

Seleccin: Se establecen criterios de seleccin,

1. OEFl.'.\ICIN OE LAS HEURSTICAS

definen las heursticas utilizadas en este estudio

partir de la cual obtenemos la siguiente generaci n ""

la r uleta, en la Que la sig uiente gen erac i n contiene

funcionan con una familia

de soluciones (conocida como la poblacin

individuos, con mayores valores de acuerdo con

Cruce: Una vez finalizada la operacin de seleccin.

Los ind1v1duos existentes (padres) obtenidos par los

El proceso de optimizacin consiste en explorar las

entenas de seleccin, crean dos nuevos 1ndMduos