Un Algoritmo Memtico basado en PSO para la programacin de produccin en una fbrica de flujo continuo.

Bo Liu Ling !ang " #i$%ui &in 'esumen( )ste art*culo propone un algoritmo memtico +MA, eficiente basado en la optimi-acin de enjambre de part*culas +particle s.arm optimi-ation $ PSO, para el problema de la permutacin de la programacin de produccin en una fbrica de flujo continuo +P/SSP, con el objeti0o de reducir al m*nimo el tiempo m1imo de reali-acin el cual es un problema t*pico de tiempo polinomial +2P, no determinista " de optimi-acin combinatorial compleja. )n el algoritmo memtico basado en PSO +PSOMA, propuesto tanto los operadores de b3s4ueda PSO como algunos operadores especiales de b3s4ueda local estn dise5ados para e4uilibrar la e1ploracin " la capacidad de e1plotacin. )n particular el PSOMA aplica el mecanismo e0oluti0o de b3s4ueda PSO 4ue se caracteri-a por mejoras indi0iduales cooperacin de poblacin " competencia para lle0ar a cabo una e1ploracin efecti0a. Por otra parte el PSOMA utili-a 0arias b3s4uedas locales de adaptacin para reali-ar la e1plotacin. Primero para 6acer 4ue se adecue PSO a resol0er P/SSP una regla de 0alor de orden$alineado basada en una representacin de cla0e aleatoria es presentada para con0ertir los 0alores de posicin continua de part*culas a permutaciones de trabajo. Segundo para generar un enjambre inicial con cierta calidad " di0ersidad la famosa 6eur*stica 2a.a-$)nscore$%am +2)%, se incorpora en la iniciali-acin de poblacin. 7ercero para e4uilibrar las capacidades de e1ploracin " e1plotacin despus de la operacin estndar de b3s4ueda PSO una tcnica nue0a de b3s4ueda local llamada insercin 2)%89 se aplica probabil*sticamente a algunas buenas part*culas seleccionadas mediante el uso de un mecanismo de rueda de ruleta con una probabilidad espec*fica. :uarto para enri4uecer los comportamientos de b3s4ueda " e0itar la con0ergencia prematura una b3s4ueda local de recocido simulado +simulated annealing $ SA, con m3ltiples 0ecindades diferentes se 6a dise5ado e incorporado en el PSOMA. Mientras tanto una estrategia efecti0a de aprendi-aje adaptati0a meta$Lamarc;iana se emplea para decidir 4u 0ecindad se utili-ar en la b3s4ueda local SA. Por 3ltimo para mejorar a3n ms la capacidad de e1plotacin una b3s4ueda local por parejas se aplica despus de la b3s4ueda SA. Los resultados de la simulacin basados en pruebas comparati0as demuestran la eficacia de PSOMA. Adems los efectos de algunos parmetros de optimi-acin de rendimiento tambin son discutidos. Trminos Clave Aprendi-aje adaptati0o meta$lamarc;iano algoritmo memtico +MA, optimi-acin de enjambre de part*culas +PSO, permutacin de programacin de produccin en una fbrica de flujo continuo.

INTRODUCCION La programacin de la produccin juega un papel cla0e en los sistemas de fabricacin de una empresa para mantener la posicin competiti0a en los mercados 4ue cambian rpidamente. Para tener en cuenta este factor es importante desarrollar tecnolog*as " enfo4ues a0an-ados de fabricacin " programacin 4ue sean eficaces " eficientes. )l problema de la programacin de produccin de fabrica de flujo continuo +/SSP, es una clase de problema ampliamente estudiado basado en ideas recogidas de la ingenier*a 4ue en la actualidad representa casi una cuarta parte de los sistemas de produccin( l*neas de montaje e instalaciones de ser0icios de informacin " 4ue se 6a ganado la reputacin de ser dif*cil de resol0er. :omo una simplificacin de la /SSP la permutacin /SSP +P/SSP, es decir 4ue la secuencia de procesamiento de todos los trabajos es la misma para todas las m4uinas el reducir al m*nimo el tiempo de reali-acin m1imo +es decir el ma;espan, es un problema complejo t*pico bien estudiado no determinista " de tiempo polinomial +2P,. <ebido a su importancia tanto en teor*a como en aplicaciones de ingenier*a es importante desarrollar mtodos eficaces " eficientes para la P/SSP. <esde el trabajo pionero de &o6nson la P/SSP 6a recibido un trabajo considerable de in0estigacin terica computacional " emp*rica. Para tener en cuenta la dificultad de la P/SSP una cantidad considerable de tcnicas de optimi-acin se 6an propuesto. Sin embargo debido a la complejidad de P/SSP las tcnicas de solucin e1acta como ramificacin " acotamiento +branc6 and bound, " la programacin matemtica slo son aplicables a problemas de pe4ue5a escala. Por tanto se 6an propuesto 0arias 6eur*sticas inclu"endo 6eur*sticas constructi0as 6eur*sticas de mejoramiento " sus 6*bridos +a 0eces llamados algoritmos memticos +memetic algorit6ms $ MA,,. La 6eur*stica constructi0a forma un programa 0iable desde el principio sobre todo para resol0er problemas de programacin de dos " de tres m4uinas. Sin embargo las cualidades de la solucin de la 6eur*stica constructi0a no son satisfactorias aun4ue el proceso es mu" rpido. Los resultados e1perimentales mostraron 4ue la 6eur*stica 2a.a-$)nscore$%am +2)%, es una de las mejores 6eur*sticas constructi0as actuales. La 6eur*stica de mejoramiento comien-a desde una un conjunto de soluciones generadas por algunos generadores de secuencias " trata de mejorar la solucin mediante la aplicacin de un conocimiento de problema espec*fico para apro1imarse al ptimo =global= o =subptimo=. La 6eur*stica de mejoramiento se basa generalmente en meta6eur*sticas tales como el recocido simulado +SA, algoritmos genticos +A>, b3s4ueda tab3 +7S, programacin e0oluti0a " b3s4ueda por 0ecindad 0ariable +?2S,. Las 6eur*sticas de mejoramiento pueden obtener soluciones bastante satisfactorias pero a menudo consumen muc6o tiempo " dependientes de parmetros. 'ecientemente las 6eur*sticas 6*bridas 6an sido un tema candente en campos como en la informtica como en la in0estigacin operacional. Se supone 4ue combinando las caracter*sticas de los diferentes mtodos de manera complementaria se puede dar lugar a 6erramientas de optimi-acin ms robustas " eficaces. )n particular es bien sabido 4ue el rendimiento de los algoritmos e0oluti0os se puede mejorar mediante la combinacin de b3s4uedas locales

dependientes del problema. Algoritmos memticos +MA, pueden ser considerados como la unin de una b3s4ueda global basada en la poblacin " las mejoras locales 4ue se inspiran en los principios dar.inianos de la e0olucin natural " la nocin de <a.;ins de Meme definido como la unidad de e0olucin cultural 4ue es capa- de mejoras locales. %asta a6ora los algoritmos memticos +MA, 6an obtenido amplia in0estigacin sobre una 0ariedad de problemas tales como el problema del 0iajante de comercio el problema de la biparticin de grafos el problema de asignacin cuadrtica las redes m0iles " problemas de programacin. )n MA@s diferentes estudios se 6an centrado en cmo lograr una combinacin ra-onable de b3s4uedas globales " locales " en cmo 6acer un buen e4uilibrio entre la e1ploracin " e1plotacin. 'ecientemente una ar4uitectura multiagente meta6eur*stica fue presentada como marco conceptual " prctico para el dise5o de MA@s. 7radicionalmente la ma"or*a de MA@s se basan en el uso de un 3nico algoritmo e0oluti0o para e1ploracin a ni0el global apro1imada " una 3nica b3s4ueda local para buenas mejoras a ni0el local. Algunos estudios recientes sobre la eleccin de b3s4uedas locales 6an demostrado 4ue su eleccin afecta de manera significati0a la eficiencia de la b3s4ueda. :on el fin de e0itar los efectos negati0os de la b3s4ueda local incorrecta Ong " Aeane acu5aron el trmino =aprendi-aje meta$lamarc;iano= para introducir la idea de eleccin adaptati0a de memes m3ltiples durante una b3s4ueda de algoritmo memtico en el esp*ritu de aprendi-aje lamarc;iano " en problemas de optimi-acin continua resueltos satisfactoriamente por el algoritmo memtico propuesto con m3ltiples b3s4uedas locales. )n BCDE una clasificacin de adaptacin de memes en algoritmos memticos adaptati0os fueron presentados sobre la base del mecanismo utili-ado " del ni0el de conocimiento 6istrico en los memes empleados as* como en las propiedades de con0ergencia global de MA@s adaptati0os 4ue se anali-aron por medio de cadenas finitas de Mar;o0. Adems un estudio reali-ado en BFGE se enfoca en el marco del algoritmo memtico sustituto$asistido para problemas computacionalmente costosos " problemas de dise5o robusto. Para un solo objeti0o P/SSP los algoritmos memticos "a se 6an in0estigado en muc6os estudios. )n B9CE un operador de fusin cru-ado de m3ltiples pasos 4ue lle0a una b3s4ueda local fue introducido en algoritmos genticos. )n B9HE un 6*brido de algoritmo gentico fue desarrollado mediante la sustitucin de la mutacin con recocido simulado " mediante la aplicacin de 0arias operaciones de cruce a las subpoblaciones. )n B9IE un sistema de colonia de 6ormigas fue propuesto el cual fue refor-ado con una b3s4ueda local rpida para dar soluciones de alta calidad. )n B9JE dos 0ersiones 6*bridas de algoritmos genticos fueron presentadas es decir recocido simulado gentico " b3s4ueda local gentica donde las fases de mejor*a con recocido simulado as* como la b3s4ueda local se reali-an antes de las operaciones de seleccin " cruce. )n B9DE un recocido simulado 6*brido se integr con las caracter*sticas tomadas de algoritmos genticos " las b3s4uedas locales 4ue trabajaron sobre una poblacin de programaciones candidatas " generaron nue0as poblaciones mediante la aplicacin de es4uemas adecuados de pe4ue5a perturbacin. Por otra parte durante el proceso de recocido un procedimiento reiterati0o en escalada fue aplicado estocsticamente a la poblacin. )n BCGE un algoritmo gentico basado en la optimi-acin ordinal fue presentado para asegurar la calidad de la solucin encontrada con una reduccin de esfuer-o de computacin. Adems un algoritmo gentico basado en pruebas de 6iptesis fue propuesto en BF9E para P/SSP estocstico con un tiempo de procesamiento incierto. )n cuanto a los problemas de programacin multiobjeti0o la 6ibridacin con b3s4ueda local fue implementada por primera 0e- en BFCE como una b3s4ueda local gentica multiobjeti0o +MO>LS, donde se utili- una funcin escalar con0eniente con pesos aleatorios para la seleccin de los padres " una b3s4ueda local para

su descendencia. )n BCKE el antiguo MO>LS BFCE fue modificado para elegir slo indi0iduos buenos como solucin inicial para la b3s4ueda local " la asignacin de una direccin de b3s4ueda local apropiada para cada solucin inicial. Mientras tanto la importancia del e4uilibrio entre la gentica " las b3s4uedas locales fue resaltada. 'ecientemente una nue0a tcnica e0oluti0a la optimi-acin de enjambre de part*culas +PSO, BFFE se propuso para problemas de optimi-acin continua sin restricciones. Su desarrollo se basa en la obser0acin de comportamientos sociales de los animales tales como la bandada de a0es bancos de pescados " la teor*a del enjambre. Se inicia con una poblacin de soluciones al a-ar. A cada indi0iduo se le asigna una 0elocidad al a-ar de acuerdo a su propia e1periencia " a la e1periencia de los compa5eros de 0uelo. Los indi0iduos llamados part*culas son ele0ados a tra0s del 6iperespacio. PSO tiene algunas caracter*sticas atracti0as. <ebido a 4ue dispone de memoria el conocimiento de buenas soluciones es retenido por todas las part*culas. Adems dispone de una cooperacin constructi0a entre part*culas " las part*culas en el enjambre comparten informacin entre ellas. )l PSO debido a su concepto simple la fcil aplicacin " la con0ergencia rpida 6a ganado muc6a atencin " amplias aplicaciones en diferentes campos principalmente para problemas de optimi-acin continua BFLE. Sin embargo la reali-acin de un PSO simple depende de sus parmetros " con frecuencia sufre el problema de estar restringido a ptimos locales. Se 6an lle0ado a cabo algunos estudios para pre0enir la con0ergencia prematura " para e4uilibrar las capacidades de e1ploracin " e1plotacin BFKE. Adems la ma"or*a de los trabajos publicados de PSO es para problemas de optimi-acin continua mientras 4ue 6a" poca in0estigacin en problemas de optimi-acin combinatoria. Ob0iamente el empleo de PSO es un reto para las reas diferentes de problemas de las 4ue los in0entores se centraron originalmente. Seg3n nuestro conocimiento e1isten pocas obras publicadas sobre PSO para problemas de programacin. 'ecientemente un 6*brido de PSO BFHE sobre la base de ?2S fue propuesto para P/SSP. )n este articulo se propondr un algoritmo memtico basado en PSO +PSOMA, para P/SSP. )l PSOMA aplica el mecanismo de b3s4ueda e0oluti0a de PSO 4ue se caracteri-a por mejoras indi0iduales cooperacin de la poblacin " competencia para lle0ar a cabo una e1ploracin efecti0a. Por otra parte PSOMA utili-a diferentes b3s4uedas locales de adaptacin para reali-ar la e1plotacin. Las caracter*sticas de PSOMA se pueden resumir de la siguiente manera. )n primer lugar para 6acer el PSO adecuado para resol0er P/SSP una regla de 0alor de rango ordenado +ran;ed order 0alue $ 'O?, basada en la representacin de lla0e aleatoria BFIE se presenta para con0ertir los 0alores de posicin continua de una part*cula a una permutacin de trabajo. )n segundo lugar la 6eur*stica 2)% se incorpora a la iniciali-acin aleatoria de PSO para generar una poblacin inicial con cierta calidad " di0ersidad. )n tercer lugar se propone una nue0a b3s4ueda local llamada insercin 2)%89 " es aplicada probabil*sticamente a algunas part*culas buenas seleccionadas mediante mecanismo de rueda de ruleta con una probabilidad espec*fica para e4uilibrar las capacidades de e1ploracin " e1plotacin. )n cuarto lugar se 6a dise5ado e incorporado una b3s4ueda local SA con m3ltiples " diferentes 0ecindades para enri4uecer los comportamientos de b3s4ueda " para e0itar la con0ergencia prematura " una estrategia efecti0a de aprendi-aje adaptati0a meta$lamarc;iana se emplea para decidir 4u 0ecindad se utili-ar. Adems una b3s4ueda local de parejas se aplica despus de la b3s4ueda local SA para mejorar a3n ms la capacidad de e1plotacin. 'esultados de las simulaciones " comparaciones demuestran la eficacia del PSOMA propuesto para P/SSP.

)l resto del contenido se organi-a de la siguiente manera. )n las secciones MM " MMM se introducen P/SSP " PSO. )n la Seccin M? el PSOMA se propone despus de presentar la representacin de una solucin la iniciali-acin de la poblacin la b3s4ueda local basada en 2)% la b3s4ueda local SA basada en combinacin con la estrategia de aprendi-aje adaptati0o meta$lamarc;iano " la b3s4ueda local basado en parejas. )n la seccin ? se presentan " anali-an los resultados e1perimentales de las pruebas comparati0as junto con las comparaciones con otras meta6eur*sticas anteriores. )n la Seccin ?M se discuten los efectos de algunos parmetros de optimi-acin del rendimiento. Por 3ltimo en la Seccin ?MM terminamos este art*culo con algunas conclusiones " sugerencias de posibles trabajos futuros. II. EL PROBLEMA DE LA PERMUTACIN DE LA PROGRAMCIN DE PRODUCCIN EN UNA FBRICA DE FLU O CONTINUO )l P/SSP puede describirse de la siguiente manera( :ada uno de los trabajos n se procesan de forma secuencial en la ma4uina 9 . . . m. Se da el tiempo de procesamiento p i j del trabajo i en la m4uina j. )n cual4uier momento cada m4uina puede procesar m1imo un trabajo " cada trabajo puede ser procesado en m1imo una m4uina. La secuencia en 4ue los trabajos se 0an a procesar es el mismo para cada m4uina. )l objeti0o es encontrar una secuencia para el procesamiento de los trabajos en las m4uinas de modo 4ue un criterio dado sea optimi-ado. )n la literatura el criterio ampliamente usado es la minimi-acin del tiempo m1imo de reali-acin es decir el ma;espan +: ma1, BDE $ B9LE. Si N O Pj9 jC . . . jnQ denota una permutacin de trabajos " :+ji ;, indica el tiempo de la terminacin del trabajo ji en la m4uinaR entonces el tiempo de la terminacin : +ji ;, se puede calcular de la siguiente manera(

La P/SSP es entonces encontrar la permutacin N S en el conjunto de todas las permutaciones T tales 4ue(

III. OPTIMI!ACIN DE EN AMBRE DE PART"CULA# )n un sistema PSO se comien-a con la iniciali-acin aleatoria de una poblacin +enjambre, de indi0iduos +part*culas, en el espacio de b3s4ueda " se trabaja sobre el comportamiento social en el

enjambre. La posicin " la 0elocidad de la part*cula i en el espacio de b3s4ueda d$dimensional se puede representar como Ui Ui O B1i 9 C . . . 1i dE " ?i O B0i 9 0i C . . . 0i dE respecti0amente. :ada part*cula tiene su mejor posicin propia +pbest, pi O Bpi 9 pi C . . . pi dE 4ue corresponde al mejor 0alor objeti0o personal obtenido 6asta el momento en el tiempo t. Las mejores part*culas globales +gbest, se denotan por Pg las cuales representa las mejores part*culas 4ue se encuentran 6asta el momento en el tiempo t en el enjambre entero. La 0elocidad nue0a de cada part*cula se calcula de la siguiente manera(

donde c1 y c2 son los coeficientes de aceleracin, w es el factor de inercia, R1 y R2 son dos nmeros aleatorios independientes distribuidos uniformemente en el rango de [0, 1]. As , la posicin de cada part cula se actuali!a en cada generacin de acuerdo con la siguiente ecuacin"

)n general el 0alor de cada componente en ?i puede ser sujetado al rango B 80ma1 0ma1 E para controlar el mo0imiento e1cesi0o de las part*culas fuera del espacio de b3s4ueda. )ntonces la part*cula 0iaja 6acia una nue0a posicin de acuerdo con +J,. )ste proceso se repite 6asta 4ue un criterio de parada definido por el usuario es alcan-ado. )l procedimiento estndar de PSO se resume de la siguiente manera. Paso 9, Mniciar una poblacin de part*culas con las posiciones " 0elocidades al a-ar donde cada part*cula contiene d 0ariables +es decir d O n,. Paso C, )0aluar los 0alores objeti0o de todas las part*culas 4ue el pbest de cada part*cula " su 0alor objeti0o sea igual a su posicin actual " 0alor objeti0o " dejar 4ue gbest " su 0alor objeti0o sea igual a la posicin " el 0alor objeti0o de la mejor part*cula inicial. Paso F, Actuali-acin de la 0elocidad " la posicin de cada part*cula de acuerdo con +I, " +J,. Paso L, )0aluar los 0alores objeti0o de todas las part*culas. Paso K, Para cada part*cula comparar su 0alor actual objeti0o con el 0alor objeti0o de su pbest. Si el 0alor actual es mejor a continuacin actuali-ar pbest " su 0alor objeti0o con la posicin actual " el 0alor objeti0o. Paso H, <eterminar la mejor de las part*culas del enjambre actual con el mejor 0alor objeti0o. Si el 0alor objeti0o es mejor 4ue el 0alor objeti0o de gbest a continuacin actuali-ar gbest " su 0alor objeti0o con la posicin " el 0alor objeti0o de la part*cula ms actual.

Paso I, Si un criterio de parada se cumple entonces obtener el gbest de salida " su 0alor objeti0o de lo contrario regresar al paso F,.

I$. P#OMA %ara PF##P )n esta seccin e1plicaremos en detalle la implementacin de PSOMA para P/SSP. A. 'epresentacin de la solucin Por lo general un es4uema de codificacin basado en permutacin$trabajo BCE 6a sido utili-ado en muc6os trabajos de P/SSP. Sin embargo debido a los caracteres continuos de la posicin de las part*culas en PSO el es4uema estndar de codificacin de PSO no puede ser adoptado directamente por P/SSP. Por lo tanto la cuestin ms importante en la aplicacin de PSO a P/SSP es encontrar un mapeo adecuado entre la secuencia de trabajo " las posiciones de las part*culas. )n este art*culo una regla 'O? basada en la representacin cla0e aleatoria BFIE es presenta para con0ertir la posicin continua 1i Ui O B1i 9 C . . . UM nE de las part*culas en PSO a la permutacin de trabajos N O Pj9 jC . . . jnQ por lo tanto el rendimiento de la part*cula puede ser e0aluado. )n particular la informacin de posicin Ui O B1i 9 1i C . . . UM nE en s* misma no representa una secuencia considerando 4ue la fila de cada 0alor de posicin de una part*cula representa un *ndice de trabajo para construir una permutacin de trabajos. )n nuestra regla 'O? el 0alor ms pe4ue5o de posicin de una part*cula es primero seleccionado " luego asignado a un 0alor de rango de uno. )ntonces el segundo 0alor ms pe4ue5o de posicin se escoge " se asigna a un 0alor de rango de dos. <e la misma manera todos los 0alores de posicin sern manejados para con0ertir la informacin de posicin de una part*cula a una permutacin de trabajo. Proporcionamos un ejemplo simple para ilustrar la regla de 'O? en 7abla M. )n el caso +n O H, la posicin es U M O BG.GH C.DD 9.JH F IF C.9F G.HIE. # debido a 4ue U M 9 O G.GH es el 0alor ms pe4ue5o de la posicin U M 9 es el primer seleccionado " es asignado a un 0alor de rango de unoR entonces U M H O G.HI es seleccionado " asignado a un 0alor de rango de dos. <e forma similar la regla 'O? asigna un 0alor de rango de tres a seis para UM F UM K UM C " UM L respecti0amente. As* basndose en la regla 'O? se obtiene la permutacin de trabajo es decir N O B9 K F H L CE. 7ABLA M V ')P')S)27A:MW2 <) LA M2/O'MA:MW2 <) POSM:MW2 # SU 'O? :O'')SPO2<M)27) +P)'MU7A:MW2 <) 7'ABA&O,

7ABLA MM V BXSYU)<A LO:AL BASA<A )2 M27)':AMBMO PA'A LA P)'MU7A:MW2 <) 7'ABA&O # )L A&US7) :O'')SPO2<M)27) PA'A LA M2/O'MA:MW2 <) POSM:MW2

)n nuestro PSOMA 0arias b3s4uedas locales no se aplican directamente a la posicin de informacin sino a la permutacin de trabajo. As* cuando un procedimiento de b3s4ueda local es completado la informacin de posicin de la part*cula debe ser corregida para garanti-ar 4ue la permutacin 4ue ser resultado de la regla 'O? para la informacin de la nue0a posicin es la misma 4ue la permutacin 4ue ser el resultado de la b3s4ueda local. )s decir al aplicar estas b3s4uedas locales para la permutacin de trabajo la informacin de posicin se debe ajustar correspondientemente. Afortunadamente el ajuste es mu" simple debido al mecanismo de la regla 'O?. )l proceso basado en algunas b3s4uedas locales sobre la informacin de posicin es la misma 4ue el proceso de permutacin. Por ejemplo en la 7abla MM cuando un operador de intercambio +S!AP, B9HE se utili-a como b3s4ueda local para la permutacin de trabajo ob0iamente el intercambio del trabajo K " del trabajo H se corresponde con el intercambio de 0alores de posicin C.DD " F.IF. )n cuanto a otros operadores de b3s4ueda local como M2?)'SA e M2S)'7 B9HE el ajuste es similar. B. Mniciali-acin de la Poblacin )n el PSO estndar el enjambre inicial se genera a menudo aleatoriamente. Para garanti-ar una poblacin inicial con cierta calidad " di0ersidad la 6eur*stica 2)% BDE se aplica para generar una solucin +es decir una permutacin de trabajos, mientras 4ue el resto de las part*culas se iniciali-an con 0alores " 0elocidades aleatorias de posicin en cierto inter0alo. Puesto 4ue el resultado producido por la 6eur*stica 2)% es una permutacin de trabajos estas se deben con0ertir a 0alores de posicin de cierta part*cula inicial para reali-ar las b3s4uedas basadas en PSO. La con0ersin se reali-a usando la siguiente ecuacin(

donde U2)% j es el 0alor de posicin de la part*cula en la dimensin j S2)% & es el *ndice de trabajo en la dimensin j de la permutacin dada por la 6eur*stica 2)% 1ma1 j " 1min j son los l*mites superior e inferior del 0alor de posicin respecti0amente rand denota un n3mero aleatorio uniformemente distribuido en el inter0alo BG 9E " n representa el n3mero de dimensiones de una posicin el cual es igual al n3mero de trabajos. La 7abla MMM ofrece un ejemplo de la con0ersin anterior de permutacin de trabajo a informacin de posicin. Ob0iamente esta con0ersin obedece a la regla 'O?. )s decir la permutacin se puede obtener de informacin de posicin usando la regla 'O?. 7ABLA MMM V :O2?)'SMW2 <) LA SOLU:MW2 2)% +P)'MU7A:MW2 <) 7'ABA&O, PA'A LA M2/O'MA:MW2 <) POSM:MW2 <) PA'7Z:ULA

:. B3s4ueda PSO$basada )n este art*culo las b3s4uedas PSO$basadas es decir +I, " +J, son aplicadas para la e1ploracin. )s decir la informacin de posicin de las part*culas en el enjambre actual es desarrollada por los operadores de b3s4ueda PSO$basados. 2tese 4ue la e0olucin PSO$basada se reali-a en un espacio continuo. As* pues al e0aluar el rendimiento de una part*cula la informacin de posicin se debe con0ertir a la permutacin de trabajo usando la regla antedic6a de 'O?. Por una parte PSO proporciona un marco e0oluti0o paralelo para la optimi-acin de problemas complicados " es tambin fcil incorporar b3s4uedas locales en PSO para desarrollar algoritmos 6*bridos. )n el siguiente contenido presentaremos algunas b3s4uedas locales 4ue se incorporen en PSO para proponer un MA PSO$basado. <. B3s4ueda local 2)%$Basada )n el MAs las b3s4uedas locales son mu" importantes para la e1plotacin. Para P/SSP Aldo.aisan " Alla60erdi BFJE dise5aron una b3s4ueda local nombrada la insercin 2)%8C para mejorar la calidad de una permutacin del trabajo donde dos trabajos consecuti0os son considerados como un blo4ue e insertados en la secuencia de una manera similar como en 2)%. La insercin 2)%8C se describe como sigue. Paso 9, <ada una secuencia de trabajos N.

Paso C, ; O 9. Seleccione los primeros dos trabajos de N " los programa para reducir al m*nimo el ma;espan parcial. Seleccione la mejor secuencia como secuencia actual. Paso F, )stablecer ;O;[9. >enerar secuencias candidatas mediante la seleccin de los pr1imos dos trabajos de N insertando este ;$simo blo4ue de dos trabajos en cada ranura de la secuencia actual e intercambiando el orden de los dos trabajos dentro del blo4ue. )ntre estos candidatos seleccionar el mejor con el menor ma;espan parcial. )stablecer el mejor como una secuencia actual. Paso L, 'epita el paso F, 6asta 4ue todos los trabajos en N sean asignados. Si la 3ltima asignacin es un solo trabajo tratar este trabajo como blo4ue. Mnspirado por la insercin 2)%8C proponemos una b3s4ueda local llamada insercin 2)%89 para soluciones basadas en permutacin. <emostraremos la superioridad de 2)%89 sobre 2)%8C en la simulacin posterior. )l 2)%89 se describe como sigue. Paso 9, <ada una secuencia de trabajos N. Paso C, Se toman los primeros dos trabajos de N " se e0al3an las dos posibles programaciones parciales. Seleccione la mejor secuencia como la secuencia actual. Paso F, 7omar el trabajo ; ; O F \ n " encontrar la mejor programacin ponindolo en todas las posiciones posibles de ; en la secuencia de trabajos 4ue se programen en el momento. La mejor secuencia parcial se selecciona para la siguiente iteracin. Adems en PSOMA sobre la base de los rendimientos de las soluciones de pbest de todas las part*culas en enjambre actual a la solucin pbest de cada part*cula se le asigna una probabilidad de ser seleccionada por la tcnica apropiada de asignacin basada en rangos BFDE. )ntonces el mecanismo de rueda de ruleta BFDE se utili-a para decidir 4u soluciones pbest sern seleccionadas. Posteriormente las soluciones pbest seleccionadas se lle0arn a cabo sobre la insercin 2)%89 o 2)%8C con una probabilidad predefinida pls. <ebido al mecanismo de la regla de rueda de ruleta una buena solucin tendr ms posibilidades de e1plotacin. Adems es fcil de controlar el proceso de e1plotacin mediante el ajuste del 0alor de los pls. Por ejemplo si pls O 9 el pbest seleccionado debe reali-ar 2)%89 o 2)%8C mientras 4ue si pls ]9 el pbest seleccionado reali-ar 2)%89 o 2)%8C con cierta probabilidad de pls. ). B3s4ueda local SA$basada combinando la estrategia de aprendi-aje Meta$Lamarc;iana )n el SA a partir de un estado inicial el algoritmo genera aleatoriamente un nue0o estado en la pro1imidad del estado original 4ue causa un cambio de ^) en el 0alor de la funcin objeti0o. Para problemas de minimi-acin el nue0o estado se acepta con probabilidad minP9 e1p +_^)`7,Q donde 7 es un parmetro de control. )l SA proporciona un mecanismo para escapar probabil*sticamente de ptimos locales " el proceso de b3s4ueda puede ser controlado por la programacin de enfriamiento BLGE.

)n este art*culo dise5amos una b3s4ueda local SA$basada con m3ltiples 0ecindades diferentes para enri4uecer los comportamientos de b3s4ueda locales " e0itar la con0ergencia prematura. Por otra parte la estrategia de aprendi-aje meta$lamarc;iana adaptati0a en BCJE es empleada para decidir 4u 0ecindad o pro1imidad se utili-ar. 9, ?ecindad en b3s4ueda local SA$basada( :on el fin de mantener la di0ersidad de una poblacin " enri4uecer los comportamientos de b3s4ueda local se utili-aran tres tipos diferentes de 0ecindades( S!AP M2S)'7 e M2?)'S).

#$A%" #eleccione aleatoriamente dos elementos distintos de una permutacin con n& traba'os e intercambielos. ()#*R+" *sco'a aleatoriamente dos elementos distintos de una permutacin de n&traba'os e inserte el de atr,s antes del de enfrente. ()-*R#*" (n.ertir al a!ar la sub&secuencia entre dos posiciones diferentes de una permutacin de n&traba'os.

#$A%" #elect two distinct elements from an n&'ob permutation randomly and swap t/em. ()#*R+" 0/oose two distinct elements from an n&'ob permutation randomly and insert t/e bac1 one before t/e front. ()-*R#*" (n.ert t/e subse2uence between two different random positions of an n&'ob permutation.