Belarmino Adenso-Daz . Santiago Garca-Carbajal .

Sebastin Lozano An
efficient GRASP algorithm for disassembly sequence planning
Springer-Verlag 2006
Abstract One of the steps in a reverse supply chain is to disassemble the
recovered products. The design of such disassembly operations is more
complex than that of classical assembly lines. A new GRASP algorithm is
presented in this paper for solving Disassembly Sequence Planning, i.e. the
determination of the sequence for disassembling component parts. The
problem has a combinatorial structure and a large number of constraints.
Moreover, checking the feasibility of each solution element is time
consuming. The proposed approach is successfully tested against previous
best known solutions for a set of public benchmark problems.
(**
Belarmino Adenso-Daz. Santiago Garca-Carbajal. Sebastin Lozano Un
algoritmo GRASP eficiente para el desmontaje de planificacin secuencia
Springer-Verlag 2006
Resumen Uno de los pasos en una cadena de suministro inversa es
desmontar los productos recuperados. El diseo de tales operaciones de
desmontaje es ms compleja que la de las lneas de montaje clsicos. Un
nuevo algoritmo GRASP se presenta en este trabajo para resolver
Desmontaje Planificacin de secuencia, es decir, la determinacin de la
secuencia para desmontar partes componentes. El problema tiene una
estructura combinatoria y un gran nmero de restricciones. Por otra parte,
la comprobacin de la viabilidad de cada elemento de la solucin es mucho
tiempo. El enfoque propuesto se prob con xito en contra de las soluciones
anteriores ms conocidos para un conjunto de problemas pblicos de
referencia.
**)
Keywords Reverse logistics . Disassembly sequence . GRASP
(**Palabras clave logstica inversa. Secuencia de desmontaje. AGARRAR
**)

1 Introduction
Reverse logistics may be defined as the process of effectively planning and
efficiently implementing and controlling the material flow (and associated
information flow) from consumers to processing plants with the aim of
recovering valueorprovidinganadequateend-oflifedestination.Ofthefivestepsinareverse supply chain (Guide and van
Wassenhove 2002) (namely product acquisition, return logistics, inspection
and disposition, reconditioning, and distribution and sales), this paper will
focus on the last but one, which includes all the operations
requiredbytheproduct(disassembly,cleaning,etc)toreachthepursuedend-of-

life goal. In particular, the problem we will tackle is that of planning the
disassembly process.

(**
1. Introduccin
Logstica inversa se puede definir como el proceso de planificacin eficaz y
eficiente implementacin y control del flujo de materiales (y el flujo de
informacin asociada) de los consumidores a las plantas de procesamiento
con el objetivo de recuperar la cadena de suministro
valueorprovidinganadequateend-de-lifedestination.Ofthefivestepsinareverse
(Gua y van Wassenhove 2002 ) (es decir, la adquisicin de productos,
retorno de la logstica, la inspeccin y la disposicin, reacondicionamiento, y
la distribucin y las ventas), este trabajo se centrar en la penltima, que
incluye toda la requiredbytheproduct operaciones (desmontaje, limpieza,
etc) toreachthepursuedend de vida gol . En particular, el problema vamos a
abordar es el de planificar el proceso de desmontaje.
**)

Disassembly is a fairly common need in order to recover materials with a

high degree of purity, reuse components or subassemblies or simply remove
toxic materials. For economic, environmental as well as legal reasons,
disassembly operations are becoming more widespread. With the grow of its
economic impact there has been a justified increase in research. Two phases
may be considered in a disassembly process (Gngr and Gupta 1997):

a. Disassembly planning. This phase includes the Disassembly Levelling

Problem (i.e. determining down to which level of the disassembly product
structure to disassemble) as well as Disassembly Sequence Planning (a.k.a.
Disassembly Process Planning, i.e. determining the order in which to
dismount joints and remove parts).

b._ Disassembly scheduling. This phase consists in determining the time

and the
amountstoprocessintheactualdisassemblyoperations,onthebasisofdemand
and minimizing costs.
ThispaperwilladdresstheDisassemblySequencePlanningProblem.Section2
presents a review of existing approaches. The problem will be formulated in
Section 3. A metaheuristic solution method (namely a GRASP algorithm) is
proposed in Section 4. Extensive computational experiences on benchmark
problems are reported in Section 5. Finally, Section 6 presents our
conclusions and possible lines for further research.
(**

Desmontaje una necesidad bastante comn con el fin de recuperar los

materiales con un alto grado de pureza, reutilizar componentes o
subconjuntos o simplemente eliminar los materiales txicos. Por razones
econmicas, ambientales y legales, las operaciones de desmontaje son cada
vez ms generalizada. Con la ampliacin de su impacto econmico se ha
producido un aumento justificado en la investigacin. Dos fases se pueden
considerar en un proceso de desmontaje (Gngr y Gupta 1997):
a. Planificacin de desmontaje. Esta fase incluye el desmontaje de
nivelacin problema (es decir, determinar hasta qu nivel de la estructura
del producto desmontaje desmontar), as como Desmontaje Secuencia de
Planificacin (aka Planificacin de Procesos de desmontaje, es decir,
determinar el orden en que desmontar las articulaciones y quitar partes).
programacin b._ desmontaje. Esta fase consiste en determinar el tiempo y
los amountstoprocessintheactualdisassemblyoperations,
onthebasisofdemand y minimizar los costos.
ThispaperwilladdresstheDisassemblySequencePlanningProblem.Section2
presenta una revisin de los enfoques existentes. El problema se formular
en la Seccin 3. Un mtodo de solucin metaheurstica (es decir, un
algoritmo GRASP) se propone en la Seccin 4. experiencias computacionales
extensas sobre los problemas de referencia se presentan en la seccin 5.
Finalmente, la Seccin 6 presenta las conclusiones y las posibles lneas para
futuras investigaciones .
**)
2 Literature review
As mentioned above, the Disassembly Sequence Planning Problem (DSPP)
consists in deciding the order in which the different parts of a given product
should be disassembled and the desired components extracted. One of the
first steps that must be taken is to choose an adequate way to represent the
solutions, i.e. the
differentdisassemblyplans.AlthoughbothLiaisongraphs(Bourjault1984)aswell
as Digraphs (Park and Chung 1993) have been proposed, the most
commonly used representation is that of AND/OR graphs (Homem de Mello
and Sanderson 1991). Each disassembly step is represented in an AND/OR
graph by a number of arcs from a node representing the subassembly to the
nodes representing its constituent parts or subassemblies.
Thesegraphssimultaneouslyshowallthealternativewaysofdisassemblingthe
product and may thus be considered a reasonably compact representation
of the solution space. The number of alternative solutions grows
exponentially with the number of components. Initial attempts to evaluate
all feasible solutions (Baldwin et al. 1991) quickly become impractical due to
the combinatorial explosion of alternatives. In Lambert (2003), existing
approaches are classified in two broad categories:

(**

2. Revisin de la literatura
Como se mencion anteriormente, la secuencia de Planificacin Problema Desmontaje
(DSPP) consiste en decidir el orden en que las diferentes partes de un producto
determinado se deben desmontar y extraer los componentes deseados. Uno de los
primeros pasos que se deben tomar es elegir una forma adecuada para representar las
soluciones, es decir, se han propuesto los
differentdisassemblyplans.AlthoughbothLiaisongraphs (Bourjault1984) aswell como
dgrafos (Park y Chung, 1993), la representacin ms utilizada es la de Y / o grficos
(Homem de Mello y Sanderson, 1991). Cada paso de desmontaje est representada en
una Y / O grfico por una serie de arcos de un nodo que representa el subconjunto de los
nodos que representan sus partes o subconjuntos constitutivos.
Thesegraphssimultaneouslyshowallthealternativewaysofdisassemblingthe producto y
puede as ser considerado una representacin razonablemente compacto del espacio de
soluciones. El nmero de soluciones alternativas crece exponencialmente con el nmero
de componentes. Los intentos iniciales para evaluar todas las soluciones factibles
(Baldwin et al. 1991) se convierten rpidamente en poco prctica debido a la explosin
combinatoria de alternativas. En Lambert (2003), los enfoques existentes se clasifican
en dos grandes categoras:
**)
a. Mathematical programming. These approaches require adequate
modelling of the problem, which makes it difficult for them toinclude too
much detail. These approaches are often used as an exploratory tool. Some
approaches use Mixed Integer Linear Programming (MILP) methods.
Thus,Spengleretal.(1997)presents two MIL Pmodels forsolving two different
real life recycling planning problems (Kanehara et al. 1993). Transforms an
AND/OR graph into a Petri net using MILP. A number of basic concepts (such
as the transition matrix) were introduced in the afore mentioned paper.
Subsequently Lambert (1999a) presented a simplified LP model adding the
possibility of grouping the components in clusters (Kang et al. 2001).
Proposed a modification of Kanehara et al. (1993) in order to consider
sequence dependent disassembly costs. Additionally, the possibility of
incorporating multiple criteria has been discussed in Lambert (1999b). Other
approaches use Dynamic Programming. For instance Penev and De Ron
(1996) applied Bellmans principle to a small AND/OR graph. A similar
approach, using Dynamic Linear Programming, was applied in OShea et al.
(1999)for tool selection andalso in Hoshinoetal.(1995) forthe analysis of a
simple recycling line.
(**
a. Programacin matemtica. Estos enfoques requieren modelado
adecuado del problema, lo que hace que sea difcil para ellos
toinclude demasiados detalles. Estos enfoques se utilizan a menudo
como una herramienta de exploracin. Algunos enfoques utilizan
mtodos mixtos Entero Programacin Lineal (MILP). Por lo tanto,
Spengleretal. (1997) presenta dos dos problemas de planificacin de
reciclaje de la vida real diferentes MIL Pmodels forsolving (Kanehara
et al. 1993). Transforma una Y / O grfico en una red de Petri

utilizando MILP. Se introdujeron una serie de conceptos bsicos (como

la matriz de transicin) en el documento ya mencionado.
Posteriormente Lambert (1999a) present un modelo simplificado LP
aadiendo la posibilidad de agrupar los componentes en racimos
(Kang et al. 2001). Propuesto una modificacin de Kanehara et al.
(1993) con el fin de tener en cuenta los costes de desmontaje
dependientes de secuencia. Adems, la posibilidad de incorporar
mltiples criterios se ha discutido en Lambert (1999b). Otros
enfoques utilizan Programacin Dinmica. Por ejemplo Penev y De
Ron (1996) aplicaron el principio de Bellman a un pequeo y / o
grfico. Un enfoque similar, usando Dinmica Programacin Lineal, se
aplic en O'Shea et al. (1999) para la seleccin de herramientas
andalso en Hoshinoetal. (1995) forthe anlisis de una lnea de
reciclaje simple.
**)
Approximate methods. These approaches are favoured in practice as
they can handle more detailed (e.g. CAD) data than exact methods.
Within this category, we may find heuristics, Artificial Intelligence
methods, and metaheuristics. Among the heuristic approaches, Pu
(1992) proposed a number of techniques for learning to reuse the
knowledge about assembly sequences. Veerakamolmal and Gupta (2002)
use similar techniques to study the disassembly of modular electronic
equipment. In Swaminathan and Barber (1996), a similar approach is
proposed, decomposing problems into simpler ones and keeping a
solutions library for reuse. Swaminathan and Barber (1996) represents
the disassembly process using three graphs: a connection diagram, a
joints direction diagram and an obstacle direction diagram. Gngr and
Gupta (1997) also use these diagrams and develop a heuristic which
they apply to the disassembly of a personal computer. Kuo et al. (2000)
use a heuristic procedure to identify subassemblies in order to establish
precedence relationships and thus simplify the determination of the
disassembly sequence.
(**
Mtodos aproximados. Estos enfoques son favorecidos en la prctica, ya
que pueden manejar datos ms detallados (por ejemplo CAD) que los
mtodos exactos. Dentro de esta categora, podemos encontrar la
heurstica, mtodos de Inteligencia Artificial y metaheursticas. Entre los
enfoques heursticos, Pu (1992) propone una serie de tcnicas para
aprender a reutilizar el conocimiento acerca de las secuencias de
montaje. Veerakamolmal y Gupta (2002) utilizan tcnicas similares para
estudiar el desmontaje de equipos electrnicos modular. En
Swaminathan y Barber (1996), se propone un enfoque similar,
descomponiendo los problemas en otras ms simples y mantener una
biblioteca de soluciones para su reutilizacin. Swaminathan y Barber
(1996) representa el proceso de desmontaje mediante tres grficos: un
diagrama de conexin, un diagrama direccin articulaciones y un
diagrama direccin obstculo. Gngr y Gupta (1997) tambin utilizan
estos diagramas y desarrollar una heurstica que se aplican al

desmontaje de un ordenador personal. Kuo et al. (2000) utilizan un

procedimiento heurstico para identificar subconjuntos con el fin de
establecer relaciones de precedencia y por lo tanto simplificar la
determinacin de la secuencia de desmontaje.
**)

Erdos and Kis (2001) proposed an algorithm to generate the disassembly

graph based on the connection diagram and a set of precedence
constraints. Once the disassembly graph is obtained, the disassembly
sequence is computed using a shortest path algorithm. Martnez et al.
(1997) use a multi-agent systems approach to generate the disassembly
sequence from the disassembly graph. Huang et al. (2000) use a Hopfield
Tank neural network, relaxing all precedence constraints and introducing
corresponding penalties in the energy function. Scholz-Reiteretal.(1999)
solve the problem using a Bayesian Network approach trained with
existingdata. Among the metaheuristic approaches, the most common are
evolutionary algorithms (e.g. Abe et al. 1999; Caccia and Pozzetti 1999; De
Lit et al. 2001; Dini et al. 1999; Murayama et al.1994; Seo et al. 2001),
although Ant Colonies (Failli and Dini 2001), Tabu Search (Adenso-Daz et al.
2002) and Scatter Search (Gonzlez and Adenso-Daz 2006) have also been
applied.

(**
Erdos y Kis (2001) propusieron un algoritmo para generar el grfico
desmontaje basado en el diagrama de conexin y un conjunto de
restricciones de precedencia. Una vez que se obtiene la grfica desmontaje,
la secuencia de desmontaje se calcula utilizando un algoritmo de camino
ms corto. Martnez et al. (1997) utilizan un enfoque de sistemas multiagente para generar la secuencia de desmontaje de la grfica desmontaje.
Huang et al. (2000) utiliza una red neuronal Hopfield-Tank, relajante todas
las restricciones de precedencia y la introduccin de sanciones
correspondientes en la funcin de la energa. Scholz-Reiteretal. (1999)
resolver el problema con un enfoque de red bayesiana entrenado con
existingdata. Entre los enfoques metaheursticas, los ms comunes son los
algoritmos evolutivos (por ejemplo, Abe et al 1999;. Caccia y Pozzetti 1999;
De Lit et al 2001;. Dini et al 1999;. Murayama et al.1994;. Seo et al 2001),
aunque Ant Colonias (Failli y Dini 2001), Bsqueda Tab (Adenso-Daz et al.
2002) y Scatter Search (Gonzlez y Adenso-Daz 2006) tambin se han
aplicado.
**)
3
Problem formulation
Consider a product formed by a set of components C={C1, C2,..., Cn} joined
by a set of joints J={J1, J2,..., Jm}. The optimum Disassembly Sequence
Planning Problem consists in determining the order in which these joints are

to be broken and the components removed so as to minimize the costs

incurred. Thus, a solution to the problem is a permutation of the union of the
components set and the joints set. However, although a solution is a
permutation of CJ, not all such permutations are valid sequences, since, for
example, a component cannot be removed before all the joints that affect
that component have been released orif the component cannot be
accessed. Like wise, a joint cannot be broken before all the components that
obstruct access to that joint have been removed. To illustrate this, consider
Fig.1, which shows a product with three components and three joints. The
sequence J1, J3, J2, C3, C1, C2 is infeasible for two reasons:
(**
3
Formulacin del problema
Considere un producto formado por un conjunto de componentes de C =
{C1, C2, ..., Cn} unidos por un conjunto de articulaciones J = {J1, J2, ..., Jm}.
El desmontaje Secuencia Problema Planificacin ptima consiste en
determinar el orden en que estas uniones son para romperse y los
componentes retira a fin de minimizar los costos incurridos. Por lo tanto, una
solucin al problema es una permutacin de la unin de los componentes
establecidos y las articulaciones establecidas. Sin embargo, aunque una
solucin es una permutacin de CJ, no todas las permutaciones son tales
secuencias vlidas, ya que, por ejemplo, un componente puede no ser
removido antes de todas las articulaciones que afectan a ese componente
han sido liberados ORIF el componente no se puede acceder. Como sabio,
una empresa no puede ser quebrantada antes se han eliminado todos los
componentes que obstruyen el acceso a esa articulacin. Para ilustrar esto,
considere la figura 1, que muestra un producto con tres componentes y tres
articulaciones. La secuencia <J1, J3, J2, C3, C1, C2> es inviable por dos
razones:
**)

Joint J3 cannot be broken before component C1 (which obstructs access to

that joint) is disassembled
Component C3 cannot be removed before components C1 and C2 Let Ji be
the set of joints that join component Ci with any other component.

Let a solution be represented as a sequence S Xi;:::Xnmhi where Xj 2C[J

for j 1;2;:::;mn . Let SR(Xj)S be the subsequence of S to the right of
component or joint Xj. This subsequence includes all the components not
removed and all the joints not released before the processing of Xj. We may
thus express the feasibility constraints as:
(**

- Conjunto J3 no puede romperse antes componente C1 (que obstruye el

acceso a esa articulacin) est desmontado
- Componente C3 no se puede quitar antes de componentes C1 y C2 Let Ji el
conjunto de articulaciones que unen componente Ci con cualquier otro
componente.
Deje que la solucin puede representar como una secuencia S Xi; :::
Xnmhi donde Xj 2C [J para j 1; 2; :::; mn. Deje SR (Xj) S ser la
subsecuencia de S a la derecha del componente o conjunto Xj. Esta
subsecuencia incluye todos los componentes no se elimina y todas las
articulaciones no publicados antes de la tramitacin de Xj. As, podemos
expresar las limitaciones de viabilidad como:
**)

F1. To remove any component Ci:

F1.1. No joint involving Ci can remain in SR(Ci), i.e. all joints involving Ci
must have been previously released
F1.2. Ci cannot be completely obstructed by the elements in SR(Ci), i.e.
some access direction to Ci must be free
F2. . To break any joint Ji: no component in SR(Ji) must obstruct the release
of joint Ji

(**
F1. Para eliminar cualquier componente Ci:
F1.1. No conjunto entre Ci puede permanecer en SR (Ci), es decir, todas las
articulaciones que implican Ci deben haber sido publicadas anteriormente
F1.2. Ci no puede ser completamente obstruido por los elementos de SR
(CI), es decir, alguna direccin acceso a Ci debe ser libre
F2. . Para romper cualquier Ji conjunta: ningn componente en SR (Ji) debe
obstruir la liberacin de las articulaciones Ji
**)

In order to be able to check whether a given permutation S is feasible, it is

necessary to have the information on the interferences between joints and
components and among the components themselves. Generally, this
information can be generated from the CAD data of the product to
disassemble. A number of alternative ways to represent this information so
that feasibility checking may be easily performedhave been proposed
inHuang and Huang(2002). We willuse the method proposed in Gonzlez and
Adenso-Daz (2006), which only requires two matrices:
(**

Con el fin de ser capaz de comprobar si una permutacin S dado es factible,

es necesario tener la informacin sobre las interferencias entre las
articulaciones y los componentes y entre los propios componentes. En
general, esta informacin puede ser generada a partir de los datos CAD del
producto de desmontar. Una serie de formas alternativas para representar
esta informacin para que la comprobacin de viabilidad puede ser
fcilmente performedhave ha propuesto inHuang y Huang (2002). Nos
willuse el mtodo propuesto en Gonzlez y Adenso-Daz (2006), que slo
requiere dos matrices:
**)

Joints accessibility matrix. The elements u(li ) of this matrix are binary and
indicate whether accessing joint J(l) inorder to break it is impeded by the
presence of component Ci

Disassembly precedence matrix. The elements cij of this matrix indicate,

for each component Ci, which access directions are obstructed by
component Cj. For the sake of simplicity, the possible access directions
usually considered are those along the Cartesian axes. Thus, assuming that
the product is fixed on a horizontal table or on the floor, we can consider
five possible access directions (x, y,+ z). Thus, each entry cij in this
matrix can beexpressed as five bits, each one corresponding to each of the
five access directions. A bit value of one means that that access direction to
Ci is obstructed by Cj. In the 2D example shown in Fig. 1 and considering
only four possible access directions, i.e. (+x, x,+ y, y), entry c(31) in the
matrix, which corresponds to the access directions for which component C1
obstructs removal of component C3, would be the binary vector (1,1,1,0) or
its equivalent decimal value 14.

Hence, using the above notation, solving the DSPP requires:

(**
- Juntas de matriz de accesibilidad. Los elementos de U (Li) de esta matriz
son binarios e indican si el acceso conjunta J (l) finde para romperlo se ve

impedida por la presencia del componente Ci

- Matriz de precedencia desmontaje. Los elementos CIJ de esta matriz
indican, para cada componente Ci, que acceden a las direcciones estn
obstruidas por componente Cj. En aras de la simplicidad, las direcciones
posibles de acceso generalmente considerados son los que a lo largo de los
ejes cartesianos. Por lo tanto, suponiendo que el producto se fija sobre una
mesa horizontal o en el suelo, podemos considerar cinco direcciones
posibles de acceso ( x, Y + Z). As, cada cij entrada en esta matriz
puede beexpressed como cinco bits, cada uno correspondiente a cada uno
de los cinco direcciones de acceso. Un valor de bit de uno de los medios que
esa direccin acceso a Ci es obstruida por Cj. En el ejemplo mostrado en la
figura 2D. 1 y considerando slo cuatro posibles direcciones de acceso, es
decir, (x +, -X, + y, -y), entrada C (31) en la matriz, que corresponde a las
direcciones de acceso para que el componente C1 obstruye la eliminacin
del componente C3, sera ser el vector binario (1,1,1,0) o su valor
equivalente decimal 14.
Por lo tanto, utilizando la notacin anterior, la solucin del DSPP requiere:
**)

(**
- Explorar todas las permutaciones S Xj ?? con Xj 2 C [J; j 1; 2; :::; mn
- Descartar todas esas permutaciones que no verifican alguna de las
condiciones de la F1. y F2. Esto se puede hacer usando la informacin
proporcionada por las matrices uli y cij. Figura 2 muestra los Pseudocdigos
utilizadas para comprobar las restricciones de viabilidad. - Evaluar el costo
de cada solucin factible y guardar el ms rentable
**)

F1.1. feasible = false

For each component Ci not yet disassembled

If all joints J(l)Ji have been broken then feasibility constraint F1.1.
feasible = true for component Ci
End for

F1.2. feasible = false

For each component Ci not yet disassembled
For each possible access direction d If the d-th component of the binary
vector cij for every component Cj not yet disassembled (CjCi) is 0 then
feasibility constraint F1.2. feasible = true for component Ci
End for
End for

F2. feasible = false

For each joint J(l) not yet broken
If u(li)=0 for all components Ci not yet disassembled
then F2. feasible = true
for joint J(l)
End for

(**
F1.1. factible = false
Para cada componente an no ci desmontado
Si todas las juntas J (l) Ji se han roto despus F1.1 restriccin de
factibilidad. factible = true para el componente Ci
Termine de
F1.2. factible = false
Para cada componente an no ci desmontado
Para cada direccin posible el acceso d Si el componente d-sima de la
CIJ vector binario para cada componente Cj an no desmontado (Cj Ci) es
0 entonces F1.2 restriccin de factibilidad. factible = true para el
componente Ci
Termine de
Termine de
F2. factible = false
Para cada J conjunta (l) an no roto
Si u (li) = 0 para todos los componentes an no Ci desmontado
a continuacin, F2. factible = true
para J conjunta (l)
Termine de
**)

A surrogate for the costs incurred is the total disassembly time, i.e. the sum
of time taken in all disassembly steps including the delays due to tool
changes, product rotations and other changes in the work direction. The
evaluation of these delays also requires CAD information on the product.
Note also that we have considered the most difficult scenario, i.e. a
complete disassembly of the product is required. This is not always the case
since recycling companies often only need to disassemble some of the
component part (namely those that are reusable and those that contain
toxic or hazardous materials), shredding the rest. However, it may be
expected that, in the future, deeper disassemblies will be more frequent.

(***
Un sustituto de los costes incurridos es el tiempo de desmontaje total, es
decir la suma de tiempo empleado en todos los pasos de desmontaje,
incluyendo los retrasos debidos a los cambios de herramienta, rotaciones de
productos y otros cambios en la direccin de trabajo. La evaluacin de estos
retrasos tambin requiere informacin CAD en el producto. Tenga en cuenta
tambin que hemos considerado el escenario ms difcil, es decir, se
requiere un desmontaje completo del producto. Este no es siempre el caso,
ya que el reciclaje de las empresas a menudo slo tienen que desmontar

algunos de la parte componente (a saber, los que son reutilizables y

aquellos que contienen materiales txicos o peligrosos), la trituracin del
resto. Sin embargo, puede esperarse que, en el futuro, desmontajes '' ms
profundas sern ms frecuentes.
**)

4 Proposed solution algorithm

In order to solve DSPP we have designed a Greedy Randomized Adaptive

Search Procedure (GRASP) algorithm. GRASP (Feo and Resende 1995) is a
well known metaheuristic algorithm that has been successfully applied to a
large number of combinatorial optimisation problems (Festa and Resende
2002; Pitsoulis and Resende 2002; Resende 2001). GRASP generates
multiple solutions through a two-step process. In the first step a solution is
generated using a greedy, nondeterministic mechanism. In the second step,
the generated solution is improved through local search. The program code
is available from the authors upon request.
(**
4 algoritmo Solucin propuesta
Con el fin de resolver DSPP hemos diseado un algoritmo Greedy
Randomized adaptativa Bsqueda Procedimiento (GRASP). GRASP (Feo y
Resende 1995) es un algoritmo de metaheurstica bien conocido que ha sido
aplicado con xito a un gran nmero de problemas de optimizacin
combinatoria (Festa y Resende 2002; Pitsoulis y Resende 2002; Resende
2001). GRASP genera mltiples soluciones a travs de un proceso de dos
pasos. En el primer paso se genera una solucin utilizando un mecanismo
no determinista codicioso. En el segundo paso, la solucin generada se
mejora a travs de la bsqueda local. El cdigo del programa est
disponible en los autores que lo soliciten.
**)

Before describing the solution generation mechanism, let us consider the

fact that although a disassembly sequence specifies the order of
disassembly of both components and joints, the latter may be computed
given the components sequence only. Given a certain component to be
extracted and in accordance with constraints F1.1, some joints may need to
be broken. However, since their number is usually small, the most costeffective order of breaking them (taking into account the necessary tool
changes, directions, etc) can generally be computed by simply evaluating all
the possible permutations of these joints not yet broken. Although this may
seem a source of inefficiency, it is actually a better alternative than
exploring the solution space of permutations of order n+m associated with
the complete sequence of components and joints.

(**
Antes de describir el mecanismo de generacin de la solucin, vamos a
considerar el hecho de que a pesar de una secuencia de desmontaje
especifica el orden de desmontaje de ambos componentes y las
articulaciones, ste podr calcularse determinada secuencia de los
componentes solamente. Dado un cierto componente a ser extrado y de
acuerdo con las limitaciones F1.1, pueden necesitar ser roto algunas
articulaciones. Sin embargo, dado su nmero suele ser pequeo, el orden
ms rentable de romperlos (tomando en cuenta los cambios de
herramientas necesarias, direcciones, etc) pueden generalmente ser
calculadas simplemente evaluar todas las posibles permutaciones de estas
articulaciones an no rotos. Aunque esto puede parecer una fuente de
ineficiencia, en realidad es una alternativa mejor que explorar el espacio de
soluciones de permutaciones de orden n + m asociadas con la secuencia
completa de los componentes y las articulaciones.

**)

Thus,for the simple example shown in Fig.1,by considering components

only, the number of permutations reduces from 33 ! 720 to 3! 6 of
which onlyfour satisfy F1.2. Similarly, for the joints, we also have 3!=6
possible sequences in principle although, since according to F2, J3 cannot be
broken prior to breaking J2 which reduces the number of feasible sequences
for the joints to three (J2J3J1; J2J1J3; J1J2J3). Now, all these three joints
sequences have to be merged with the four sequences for the components,
subjected to F1.1. For instance, merging C1, C2,C3 with the sequence of
joints potentially gives a large number of global sequences. However,J3 has
to be removed prior to C2 and after C1,thus its position is fixed. Moreover, J2
has to be removed prior to C1, and J1 prior to C2. Hence, after merging
those predefined sequences the only four possible sequences to check costs
are J2C1J3J1C2C3; J2C1J1J3C2C3,

(**

As, para el ejemplo sencillo mostrado en la figura 1, teniendo en cuenta los

componentes solamente, el nmero de permutaciones se reduce desde 33! 720 a 3!
6 de los cuales onlyfour satisfacer F1.2. Del mismo modo, para las articulaciones,
tambin tenemos 3 = 6 posibles secuencias en principio, aunque, ya que segn F2, J3 no
puede ser roto antes de romper J2 lo que reduce el nmero de secuencias viables para
las articulaciones a tres (J2J3J1;! J2J1J3; J1J2J3 ). Ahora, todas estas tres articulaciones
secuencias tienen que fusionarse con las cuatro secuencias para los componentes,
sometidos a F1.1. Por ejemplo, la fusin <C1, C2, C3> con la secuencia de las
articulaciones potencialmente da un gran nmero de secuencias globales. Sin embargo,
J3 tiene que ser eliminado antes de y despus de C2 C1, por lo tanto su posicin es fija.
Por otra parte, J2 tiene que ser eliminado antes de la C1, y J1 antes de C2. Por lo tanto,
despus de la fusin de las secuencias predefinidas las nicas cuatro secuencias posibles
para comprobar los costes son <J2C1J3J1C2C3>; <J2C1J1J3C2C3>,
<J2J1C1J3C2C3>; <J1J2C1J3C2C3>.
Traductor de Google para empresas:Google Translator ToolkitTraductor de sitios
webGlobal Market Finder
**)

Therefore, in order to generate a solution, what we have to decide primarily

is the order in which to disassemble the n components. This will be done
starting from scratch and inserting one component at a time in the
sequence. The process of generating a solution thus takes exactly n steps.
In each step, only components that are compatible with constraints F1 after
feasibly releasing all the necessary joints are considered. These components
form the so-called Candidate List (CL). An index is computed for each of
these components that reflects how interesting is disassembling that
component in that position. The smaller this index is, the more interesting it
is to select that component to be disassembled in that position of the
sequence. The index associated with each component Ci is composed of two
terms (Adenso-Daz et al. 2005):

(**
Por lo tanto, a fin de generar una solucin, lo que tenemos que decidir
principalmente es el orden en el que desmontar los n componentes. Esto se
har a partir de cero y la insercin de un componente a la vez en la
secuencia. El proceso de generar una solucin as toma exactamente n
pasos. En cada paso, slo los componentes que son compatibles con las
limitaciones de la F1 despus factible liberar todas las articulaciones se
consideran necesarias. Estos componentes forman la denominada lista de
candidatas (CL). Un ndice se calcula para cada uno de estos componentes
que refleja lo interesante es desmontar ese componente en esa posicin.
Cuanto menor sea este ndice es el ms interesante es para seleccionar el
componente que ser desmontado en esa posicin de la secuencia. El ndice

asociado con cada componente Ci se compone de dos trminos (AdensoDaz et al., 2005):
**)

Oi measures the reduction in the obstruction level of the remaining

components that occurs if Ci is removed. This can be easily computed from
the corresponding row cij of the disassembly precedence matrix as the
number of components Cj not yet disassembled that were somehow
obstructed by Ci: Oi=card {Cj: Cj not removed yet CjCi Cj(0,..,0)} Ui
measures the number of remaining joints that are obstructed by Ci and
whose release is therefore facilitated if Ci is removed. This can also be easily
computed from the corresponding column u(li) of the joints accessibility
matrix:Ui=card{Jl : Jl not broken yet uli =1}

(**
- Oi mide la reduccin en el nivel de obstruccin de los componentes
restantes que se produce cuando se retira Ci. Esto puede ser fcilmente
calculada a partir de la cij fila correspondiente de la matriz de precedencia
desmontaje como el nmero de componentes an no CJ desmontado que
fueron de alguna manera obstruida por Ci: Oi = tarjeta {Cj: Cj no se
eliminan todava Cj Ci Cj (0 , .., 0)} - Ui mide el nmero de
articulaciones que estn obstruidos por Ci restante y cuya liberacin por lo
tanto se facilita si se elimina Ci. Esto tambin puede ser fcilmente
calculada a partir de la columna correspondiente u (li) de la matriz
articulaciones accesibilidad: Ui = tarjeta {Jl: JL no ha roto uli = 1}
**)

(**
La normalizacin y la adicin de estos dos trminos, podemos calcular el ndice: ndice
i 1 0: 5? Oi = O ?? 0: 5? Ui = U DTH ? (1)
**)

where O=max{Oi} and U=max{Ui} are the maximum values of Oi and Ui

respectively for all components i that remain to be disassembled. These
normalization factors guarantee that the index always take values in the
interval [0,1]. Note that the index gives the same weight to both terms. Also
note that both terms appear with a minus sign. This is because for both of
them the larger the term, the more interesting it is to select Ci from the
Candidate List CL. Once the corresponding index of all the components in CL
have been computed, a so-called Restricted Candidate List (RCL) is formed
containing the more promising candidates. To that end, a threshold T can be
computed with the minimum and maximum values of Indexi and a fixed
parameter [0,1]

(**
donde O = max {Oi} y T = max {Ui} son los valores mximos de Oi y Ui,
respectivamente, para todos los componentes i que an no se han
desmontado. Estos factores de normalizacin garantiza que el ndice
siempre toma valores en el intervalo [0,1]. Tenga en cuenta que el ndice da
el mismo peso a ambos trminos. Tambin tenga en cuenta que ambos
trminos aparecen con un signo menos. Esto se debe a que para ambos el
ms grande es el plazo, la ms interesante es seleccionar Ci del Candidato
Lista CL. Una vez que el ndice correspondiente de todos los componentes
en CL se han calculado, se forma una lista de candidatas Restricted llamada
(RCL) que contiene los candidatos ms prometedores. Con ese fin, un
umbral T puede ser calculado con los valores mnimo y mximo de Indexi y
un parmetro fijo [0,1]
**)

so that the RCL is formed by those components whose corresponding Index i

is below (or equal) to T. The component to insert in the sequence in each
step is randomly selected among those in its corresponding RCL. Therefore,
parameter controls the randomness of the algorithm. Avalue =0 means
that only the component with the best (i.e. lowest) index value is included in
the RCL and the solution generation method is deterministic. Conversely, for
=1, all components in the CL are also in the RCL and the generated
solutions are completely random. Once all the components have been
inserted in the sequence, the generated solution is improved using a local
search algorithm. The neighbourhood definition used consists in selecting a
component and changing its position to the right (i.e. to

(**

de modo que la RCL est formado por aquellos componentes cuyo ndice i
correspondiente est por debajo de (o iguales) a T. El componente para insertar en la
secuencia en cada paso se selecciona al azar entre aquellos en su correspondiente RCL.
Por lo tanto, el parmetro controla la aleatoriedad del algoritmo. Avalue = 0
significa que slo el componente con el mejor valor (es decir, ms bajo) de ndice se
incluye en la RCL y el mtodo de generacin solucin es determinista. A la inversa, para
= 1, todos los componentes en la CL son tambin en la RCL y las soluciones
generadas son completamente al azar. Una vez que todos los componentes se han
insertado en la secuencia, la solucin generada se mejora utilizando un algoritmo de
bsqueda local. La definicin barrio utilizado consiste en la seleccin de un componente
y cambiando su posicin a la derecha (es decir,
**)

be disassembled later) a number of positions (Fig. 3). For example, given the
sequence 1,2,3,4,5, changing the position of each component in order
would produce tentative neighbours. By changing component 1
(underscored) we can explore the following neighbours: 2,1,3,4,5,
2,3,1,4,5, etc. Of course, not all neighbours thus generated are feasible,
i.e. only those changes compatible with constraints F1 and F2 are valid. An
advantage of this neighbourhood definition is that the subsequence to the
left of the component to displace as well as the subsequence to the right of
the new position remain unaltered by the change and therefore do not
intervene in the computation of the movement value, i.e. the impact of the
change on the solution cost. On the other hand, the size of this
neighbourhood (and the computational expense to explore it completely) is
relatively large (O(n2)), which led us to establish a limit to the number of
positions that each component may be displaced. We call this a window. The
larger the window size W, the more expensive the search, though potentially
the better the solution obtained, since more solutions are explored.

(**

ser desmontado despus) una serie de posiciones (Fig. 3). Por ejemplo, dada
la secuencia <1,2,3,4,5>, cambiando la posicin de cada componente con
el fin producira vecinos tentativas. Al cambiar el componente 1 (subrayado)
podemos explorar los siguientes vecinos: <2,1,3,4,5>, <2,3,1,4,5>, etc. Por
supuesto, no todos los vecinos as generados son factibles , es decir, slo
aquellos cambios compatibles con las limitaciones de F1 y F2 son vlidas.
Una ventaja de esta definicin barrio es que la subsecuencia a la izquierda
del componente para desplazar as como la subsecuencia a la derecha de la
nueva posicin permanecen inalteradas por el cambio y por lo tanto no
intervienen en el clculo del valor de movimiento, es decir, el impacto del
cambio en el coste de la solucin. Por otro lado, el tamao de esta zona (y el
gasto computacional para explorar completamente) es relativamente
grande (O (n2)), lo que nos llev a establecer un lmite para el nmero de
posiciones que cada componente puede ser desplazado. A esto le llamamos
una ventana. Cuanto mayor sea el tamao de la ventana W, el ms caro de
la bsqueda, aunque potencialmente mejor ser la solucin obtenida, ya
que ms soluciones se exploran.
**)

Note that although the index in GRASP is usually directly related to the
objective function, that does need not be necessarily the case. In our case,
since in our problem accessibility constraints play a prominent role, we
should be more concerned with avoiding the situation of having an empty
candidate list at some point of the constructive process.
Thus, we have designed the index to maximize the likelihood of getting a
feasible solution, leaving to the local search the task of improving its cost.
Finally, note that the proposed GRASP algorithm may be used also in the
case of partial disassembly. In that case, the parts to be disassembled and
the joints to be released would be a subset of the components and joints
respectively.

(**

Tenga en cuenta que aunque el ndice de GRASP es por lo general directamente

relacionada con la funcin objetivo, eso no deber necesariamente el caso. En nuestro
caso, ya que en nuestro problema limitaciones de accesibilidad juegan un papel
destacado, deberamos estar ms preocupados por evitar la situacin de tener una lista
de candidatos vaca en algn momento del proceso constructivo.
Por lo tanto, hemos diseado el ndice para maximizar la probabilidad de conseguir una
solucin viable, dejando a la bsqueda local la tarea de mejorar su costo. Por ltimo,
cabe destacar que el algoritmo GRASP propuesto puede ser utilizado tambin en el caso
de desmontaje parcial. En ese caso, las piezas que se desmontan y las articulaciones
para ser liberados sera un subconjunto de los componentes y las articulaciones
respectivamente.
**)

5 Computational experiments

In order to benchmark and validate the proposed GRASP algorithm, we will

use a set of 48 test problems from the literature for which the best known
solution is kept up-to-date on line
(http://coruxa.epsig.uniovi.es/~adenso/file_d.html). The test problems (of
size n=25, 50, 75 and 100) were generated using the GEN-PRODIS tool
(Adenso-Daz et al. 2002), which is able to generate an unlimited number of
random test cases with specified characteristics (number ofcomponents and
degree

(**
5 experimentos computacionales
Con el fin de comparar y validar el algoritmo GRASP propuesto, vamos a
utilizar un conjunto de 48 problemas de prueba de la literatura para los que
se mantiene la solucin ms conocido hasta a la fecha en la lnea
(http://coruxa.epsig.uniovi.es /~adenso/file_d.html). Los problemas de
prueba (de tamao n = 25, 50, 75 y 100) se generaron utilizando la
herramienta GEN-PRODIS (Adenso-Daz et al. 2002), que es capaz de
generar un nmero ilimitado de casos de prueba al azar con caractersticas
especificadas (ofcomponents nmero y grado
**)

Table1
Objective function value of previo us best solution (Gonzlez and AdensoDaz2006) for each product in the testbed, and of the solution given by the
proposed GRASP algorithm (the window size with which the solution was
found is shown in the last column)

(**
la Tabla 1
Valor de la funcin objetivo de nosotros Previo mejor solucin (Gonzlez y
Adenso-Daz2006) para cada producto en el banco de pruebas, y de la
solucin propuesta por el algoritmo GRASP propuesto (el tamao de la
ventana con la que se encontr la solucin se muestra en la ltima
columna)
**)

of compactness). All components are right-angled parallelepipeds, a

component may not be involved in more than eight joints and the total
number of disassembly tools was set to five. As for the values of the
parameters of the GRASPalgorithm, a value =0.75 was used in order to
have enough candidates in the RCL, and the total number of GRASP trials
was set to N=200. Severa lvalues of the neighbourhood window size for the
local search were considered, namely W{0,0.1,0.2,0.3,0.4,0.5,0.6}, as a
percentage of the size n of the product. Larger values of the window size W
may require an excessive amount of computing time. Note also that W=0
corresponds to not carrying out the local search but only the greedy,
constructive phase. The algorithm was coded in C++ and all experiments
were run on a Sun Fire 15 K, at 1.2 Ghz. Forthese parameters, the best
results obtained for each instant ofthe testbed are shown in Table 1. It can
be seen that the best known solution to date for these

(**

de compacidad). Todos los componentes son paraleleppedos en ngulo recto, un

componente no puede estar implicada en ms de ocho articulaciones y el nmero total
de herramientas de desmontaje se fij a cinco. En cuanto a los valores de los parmetros

de la GRASPalgorithm, un valor = 0,75 fue utilizado con el fin de tener suficientes

candidatos en el RCL, y el nmero total de ensayos GRASP se establece en N = 200. Se
consideraron lvalues Severa del tamao de la ventana de barrio para la bsqueda local, a
saber W {0,0.1,0.2,0.3,0.4,0.5,0.6}, como un porcentaje del tamao n del producto.
Los valores ms grandes del tamao de la ventana W pueden requerir una cantidad
excesiva de tiempo de computacin. Tenga en cuenta tambin que W = 0 corresponde a
no llevar a cabo la bsqueda local, pero slo la fase codicioso, constructiva. El
algoritmo fue codificado en C ++ y todos los experimentos se realizaron en un Sun Fire
15 K, a 1,2 Ghz. Parmetros Forthese, los mejores resultados obtenidos para cada
instante Ofthe banco de pruebas se muestran en la Tabla 1. Se puede ver que la mejor
solucin conocida hasta la fecha para estos
**)

instances was improved on in all cases (except for two, in which a draw was
obtained). It can also be seen that the best solution was obtained with the
maximum window size considered, W=0.6, except in seven of the 48
resolved cases (in which the best solution was obtained for the size W=0.5).
Figure4 shows the average ratio of the cost of the best previous solution
(Gonzlez and Adenso-Daz 2006) and the cost o four GRASP solution. As
expected, the greater the size of thewindow W,the greater the improvement
obtained by the GRASP solutions with respect to the best known solutions to
date. This relation increases in direct proportion to the size n and thus the
complexity of the product.

(**
casos se mejor en todos los casos en (a excepcin de dos, en el que se
obtuvo un empate). Tambin se puede ver que la mejor solucin se obtuvo
con el tamao mximo de la ventana considerada, W = 0,6, excepto en
siete de los 48 casos resueltos (en el que se obtuvo la mejor solucin para el
tamao W = 0,5). Figure4 muestra la relacin entre la media del coste de la
mejor solucin anterior (Gonzlez y Adenso-Daz 2006) y el costo o solucin
de cuatro GRASP. Como era de esperar, cuanto mayor es el tamao de
thewindow W, mayor ser la mejora obtenida por las soluciones GRASP con
respecto a las soluciones ms conocidas hasta la fecha. Esta relacin
aumenta en proporcin directa con el tamao n y por lo tanto la complejidad
del producto.
**)

As regards calculation times, logically these increase notably as the size of

W increases, said increase once more depending on the complexity of the
product to disassemble (Fig. 5). It was decided not to continue trials for W
values greater than 0.6, since the calculation times for larger instances
became prohibitive within realistic calculation scenarios.

Thus, if we concentrate on the solutions obtained with GRASP using W=0.6

(which we will call GR) and in order to statistically validate that the results
are significantly better than those obtained with the best algorithm reported
to date (Gonzlez and Adenso-Daz 2006, which we will represent as SS), we
may consider the use of a parametric test, given that the Kolmogorov
Smirnov test

(**

En cuanto a los tiempos de clculo, lgicamente estos aumento especialmente por lo que
el tamao de los aumentos de W, dicho aumento una vez ms dependiendo de la
complejidad del producto de desmontar (Fig. 5). Se decidi no continuar los juicios por
valores superiores a 0,6 W, desde los tiempos de clculo para los casos ms grandes se
hicieron prohibitivos en escenarios realistas de clculo.
Por lo tanto, si nos concentramos en las soluciones obtenidas con GRASP utilizando W
= 0.6 (que llamaremos GR) y con el fin de validar estadsticamente que los resultados
son significativamente mejores que los obtenidos con el mejor algoritmo reportado
hasta la fecha (Gonzlez y Adenso-Daz 2006, lo que vamos a representar como SS), se
puede considerar el uso de una prueba paramtrica, dado que la prueba de KolmogorovSmirnov
**)

applied to these data allow us to assume them to be normally distributed.

Using the paired t-test segmented according to the size of the instances
(Table 2), it can be seen that the GR algorithm is statistically superior the SS
algorithm in all cases. It can also be seen in Table 2 that a strikingly high
correlation exists between both variables for all the sizes, as confirmed by a
scatter diagram of the two variables(Fig.6). We may use are gression model
that allows us not only to confirm the difference in quality of the solutions
obtained with the two algorithms, but also calibrate the improvement
obtained using GR.

(**
aplicada a estos datos nos permiten suponer que estos se distribuyan
normalmente. Usando la prueba t pareada segmentado de acuerdo con el
tamao de los casos (Tabla 2), se puede observar que el algoritmo de GR es
estadsticamente superior el algoritmo SS en todos los casos. Tambin se
puede ver en la Tabla 2 que existe una sorprendentemente alta correlacin
entre ambas variables para todos los tamaos, segn lo confirmado por un
diagrama de dispersin de las dos variables (fig.6). Podemos utilizar son
progresin modelo que nos permite no slo para confirmar la diferencia en
la calidad de las soluciones obtenidas con los dos algoritmos, sino tambin
calibrar la mejora obtenida utilizando GR.
**)

Thus, considering a regression model for successive steps, and establishing

as independent variables, in addition to SS, the size and compactness of the
products, we find that the latter variables are not included by the model,
being GR 128:720:947SS", with R2=0.999. In this case, it is important
to be able to state that the coefficient 0.947 of the variable SS (which
obtained a standard error of s1=0.005) is in effect different to 1, which is
the same as stating that GR offers an improvement of 5.3% with respect to
the solutions obtained with SS. To do so, we establish the null hypothesis
H0:11(i.e., the coefficient of variable SS in the regression equation is not
smaller than 1), against the alternative hypothesis H1:1<1(i.e., the
coefficient is smaller than 1, and therefore GR takes better values than SS).
Carrying out the usual t-test ,t 11 = s1 10:947 0:00510:6, which
for at with 47 degrees of freedom is found to be significant, we may hence
state that, in effect, 1<1.

(**
Por lo tanto, teniendo en cuenta un modelo de regresin para los 'pasos
sucesivos ", y el establecimiento de las variables independientes, adems
de las SS, el tamao y la compacidad de los productos, nos encontramos
con que las ltimas variables no estn incluidos en el modelo, siendo GR
128: 720: 947? SSTH ", con R2 = 0,999. En este caso, es importante ser
capaz de indicar que el coeficiente de 0,947 de la variable SS (que obtiene
un error estndar de s1 = 0,005) es en efecto diferente a 1, que es . lo
mismo que afirmar que GR ofrece una mejora del 5,3% con respecto a las
soluciones obtenidas con SS Para ello, establecemos la hiptesis nula H0:
11 (es decir, el coeficiente de SS variable en la ecuacin de regresin no
es menor de 1), en contra de la hiptesis alternativa H1:. 1 <1 (es decir, el
coeficiente es menor que 1, y por lo tanto GR tiene mejores valores de SS)
La realizacin de la prueba t de costumbre, t 1 ?? 1 = s1 = 1 ? 0: 947
DTH 0:? 00510: 6, que por lo con 47 grados de libertad se encuentra para
ser significativo, que de ah podemos afirmar que, en efecto, 1 <1.
incgnita
**)

6 Conclusions

Anew GRASP algorithm for disassembly sequence planning has been

presented in this paper. The aim is to determine the least cost sequence for
both removing components as well as breaking the joints that hold them.
The solution generation mechanism uses a greedy index that takes into
account the obstruction between components and between components and
joints. The local search phase uses a neighbourhood defined to simplify the
computation of movement values.
(**

. Conclusiones
Un nuevo algoritmo GRASP para el desmontaje de planificacin secuencia se
ha presentado en este documento. El objetivo es determinar la secuencia de
menor costo para ambos componentes eliminando as como romper las
articulaciones que los mantienen. El mecanismo de generacin de solucin
utiliza un ndice de codiciosos que tiene en cuenta la obstruccin entre los
componentes y entre los componentes y las articulaciones. La fase de
bsqueda local utiliza una zona definida para simplificar el clculo de los
valores del movimiento.

**)

In addition, the defined neighbourhood uses a window size parameter (i.e.

the maximum number of positions a component may be displaced in each
move) that controls the computational burden of the algorithm as well as
the expected solution quality. The proposed approach was tested on a set of
benchmark problems, improving the previous best known solution (obtained
using Scatter Search) in all cases.

(**
Adems, el barrio se define utiliza un parmetro de tamao de la ventana
(es decir, el nmero mximo de posiciones de un componente puede ser
desplazada en cada movimiento) que controla la carga computacional del
algoritmo, as como la calidad de la solucin esperada. El enfoque propuesto
fue probado en un conjunto de problemas de referencia, la mejora de la
mejor solucin conocida anterior (obtenido utilizando Scatter Search) en
todos los casos.
**)

In a problem like DSPP with a sequential combinatorial structure and where

many different ways of starting to disassemble can be found, a multi-start
procedure such as GRASP seems more effective than other metaheuristics
(e.g. Scatter Search) at exploring different sequences starting with different
components. The average improvement is greater than 5%, which is quite
relevant if we bear in mind that, as occurs in the processing of the electronic
components, there are thousands of units that must be disassembled at
their end-of-life every day.

(**
En un problema como DSPP con una estructura combinatoria secuencial y
donde se pueden encontrar muchas formas de empezar a desmontar, un
procedimiento multi-arranque como GRASP parece ms eficaz que otras
metaheursticas (por ejemplo, la dispersin de la bsqueda) en la
exploracin de diferentes secuencias a partir de distintos componentes . La
mejora promedio es superior al 5%, que es bastante relevante si tenemos
en cuenta que, como ocurre en el procesamiento de los componentes
electrnicos, hay miles de unidades que deben ser desmontadas en su
extremo de la vida todos los das.
*)

The quality of the solution produced by the algorithm increases with the
computational effort (window) that is invested. For large problems (more

than 100 parts), a promising field of research and a viable option to deal
with reasonable computational times is the parallelization of the GRASP
algorithm.

(**
La calidad de la solucin producida por el algoritmo aumenta con el esfuerzo
computacional (ventana) que se invierte. Para los grandes problemas (ms
de 100 partes), un prometedor campo de investigacin y una opcin viable
para hacer frente a los tiempos de clculo razonables es la paralelizacin
del algoritmo GRASP.
**)