Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
**)
(**
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
(**
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
(**
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
**)
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
(**
- 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
(**
- 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. 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
(**
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.
**)
(**
(**
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 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)
**)
(**
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]
**)
(**
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.
(**
5 Computational experiments
(**
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)
**)
(**
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.
**)
(**
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
**)
(**
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.
**)
(**
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
. 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.
**)
(**
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.
**)
(**
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.
**)