PARA DISEÑO TEXTIL Camilomejiamoncayo.2012

Modelo para la definicin del layout de
una celda de manufactura a travs de

optimizacin
Camilo Meja Moncayo
Universidad Nacional de Colombia

Facultad de Ingeniera, Departamento de Ingeniera Mecnica y Mecatrnica
Bogot, Colombia
2012
Modelo para definicin del layout de una
celda de manufactura a travs de
optimizacin
Camilo Meja Moncayo
Tesis presentada como requisito parcial para optar al ttulo de:

Magister en Ingeniera Mecnica
Directores:
Ph.D. Diego Alexander Garzn Alvarado
Ph.D. Jos Manuel Arroyo Osorio
Lnea de Investigacin:
Optimizacin de sistemas de ingeniera
Grupo de Investigacin:
Grupo de Modelado y Mtodos Numricos en Ingeniera
Universidad Nacional de Colombia

Facultad de Ingeniera, Departamento de Ingeniera Mecnica y Mecatrnica
Bogot, Colombia
2012
Al Padre y la Madre Universales.
A mi familia y Lorena
Agradecimientos
Quiero agradecer a todas las personas e instituciones que de una u otra forma colaboraron en la
realizacin de este trabajo.
A mi familia y a Lorena por su afecto, apoyo y paciencia
A la Universidad Nacional de Colombia, en especial a los profesores Diego Alexander Garzn
Alvarado y Jos Manuel Arroyo Osorio, por su gua, apoyo, confianza, aportes y consejos.
A COLCIENCIAS que mediante la convocatoria 521 de 2010 patrocin este proyecto.
Resumen y Abstract IX
Modelo para la definicin del layout de

una celda de manufactura a travs de
optimizacin
Resumen
La definicin del layout de un sistema de manufactura celular implica la solucin de dos
problemas: el primero la formacin de celdas (CF cell formation), el cual toma en cuenta la
similitud entre las partes con respecto a sus procesos de fabricacin para agrupar las mquinas en
celdas y las partes en familias. El segundo es la definicin del layout inter e intra celdas, proceso
donde se define la posicin relativa de las mquinas al interior de la celda y de las celdas entre s.
Este documento presenta la solucin simultnea del problema del layout de celdas de manufactura
a travs de dos algoritmos, el primero un algoritmo mono-objetivo hbrido discreto basado en
forrajeo de bacterias y algoritmos genticos, denominado DHBFGA (Discrete Hybrid Bacterial
Foraging Genetic Algorithm) que minimiza el costo de transporte y maximiza el agrupamiento de
las celdas, considerando la secuencia de operaciones, los volmenes de produccin y la cantidad
de piezas en cada movimiento. El segundo algoritmo es una versin hbrida discreta del algoritmo
BCMOA (Bacterial Chemotaxis Multiobjetive Optimization Algorithm), que minimiza el costo de
transporte y maximiza el agrupamiento de las celdas.
El desempeo del algoritmo mono-objetivo propuesto fue probado con problemas de prueba del
agente viajero TSP y problemas de layout de las celdas de manufactura, los resultados obtenidos se
compararon con las soluciones de versiones discretas del BFOA, AG y el algoritmo Bacterial-GA
Foraging, obtenindose un mejor desempeo en fitness y tiempo respecto a estos. La propuesta
multi-objetivo fue comparada con los algoritmos NSGA2 y SPEA2, solucionando el problema
multi-objetivo de las mochilas y problemas de layout de celdas de manufactura, obtenindose un
mejor desempeo en cuanto a tiempo y convergencia del algoritmo propuesto DH-BCMOA.
Palabras clave: Layout, celdas de manufactura, optimizacin, Algoritmos genticos, BFOA,

NSGA2, SPEA2, BCMOA, hibridacin.
X Modelo para la definicin del layout de una celda de manufactura a travs de optimizacin
Model for definition the layout of a

manufacturing cell through optimization
Abstract
The definition of cell manufacturing layout implies the solution of two problems: first the cell
formation problem, which takes account the similarity between the parts with respect to shape and
production processes to group machines in cells and parts in families. The second is the definition
of inter and intra cell layout, process which defines the relative position of the machines within the
cell and the cells between these. This document presents the simultaneous solution of cell
manufacturing layout problem through two algorithms, first a mono-objective discrete hybrid
algorithm based on bacterial foraging and genetic algorithms, called Discrete Hybrid Bacterial
Foraging Genetic Algorithm DHBFGA that minimizes the transportation cost and maximizes the
grouping of cells, considering the sequence of operations, production volumes and the number of
pieces in each movement. The second algorithm is a discrete and hybrid version of Bacterial
Chemotaxis Multiobjective Optimization Algorithm BCMOA, which minimizes transportation
costs and maximizes the grouping of cells.
The performance of the proposed mono-objective algorithm was tested with benchmark problems
of traveling salesman problems TSP and cell manufacturing layout, the results obtained were
compared with the solutions of discrete versions of BFOA, AG and Bacterial-GA Foraging
Algorithm, obtaining a better performance in fitness and time than these. The proposed multi-
objective algorithm was compared with NSGA2 and SPEA2, solving the problem of multi-
objective knapsack problems and cell manufacturing layout problems, resulting in better
performance in terms of time and convergence of the proposed algorithm DH-BCMOA.
Keywords: Layout, cell manufacturing, optimization, Genetic Algorithms, BFOA, NSGA2,

SPEA2, BCMOA, hybridization.
Contenido XI
Contenido
Pg.
Resumen .................................................................................................................................... IX
Abstract ....................................................................................................................................... X
Lista de figuras....................................................................................................................... XIII
Lista de abreviaturas ...........................................................................................................XVIII
Introduccin .................................................................................................................................1
1. El problema del layout..........................................................................................................5

1.1 Definicin del problema del layout..............................................................................5
1.1.1 Volmenes de produccin y variabilidad de los productos ...............................6
1.1.2 Geometra .......................................................................................................6
1.1.3 Sistemas de manipulacin de materiales ..........................................................7
1.1.4 Mltiples pisos ................................................................................................7
1.1.5 Problemas estticos y dinmicos ......................................................................8
1.2 Planteamiento del problema del layout ........................................................................8
1.2.1 El espacio fsico en el planteamiento del problema del layout ..........................8
1.2.2 La evaluacin del desempeo del layout ........................................................ 10
1.2.3 Mtodos de solucin ...................................................................................... 10
1.3 El layout de las celdas de manufactura ...................................................................... 11
1.3.1 La formacin de las celdas de manufactura .................................................... 11
1.3.2 El layout intra e inter Celdas de Manufactura ................................................. 15
1.3.3 El layout de las celdas de manufactura ........................................................... 17
2. Optimizacin ...................................................................................................................... 19
2.1 Optimizacin global o mono - objetivo ..................................................................... 20
2.1.1 Mtodos de optimizacin ............................................................................... 21
2.1.2 Algoritmos genticos- AG ............................................................................. 23
2.1.3 Bacterial foraging optimization algorithm - BFOA ........................................ 24
2.1.4 Algoritmo Bacterial-GA Foraging ................................................................. 26
2.2 Optimizacin multi - objetivo ................................................................................... 27
2.2.1 Mtodos de optimizacin multi-objetivo ........................................................ 29
2.2.2 Non-dominated Sorting Genetic Algorithm2 - NSGA2 .................................. 32
2.2.3 Strength Pareto Evolutionary Algorithm 2 - SPEA2 ....................................... 36
2.2.4 Bacterial Chemotaxis Multiobjective Optimization Algorithm-BCMOA ........ 38
XII Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
3. Modelos propuestos ........................................................................................................... 41

3.1 Formacin de las celdas de manufactura ................................................................... 41
3.2 Layout intra e inter celdas ......................................................................................... 46
3.3 Modelos propuestos.................................................................................................. 48
3.3.1 Modelo mono-objetivo .................................................................................. 49
3.3.2 Modelo multi-objetivo .................................................................................. 50
4. Algoritmos Propuestos....................................................................................................... 51
4.1 Discrete Hybrid Bacterial Foraging Genetic Algorithm- DHBFGA ........................... 51
4.2 Discrete Hybrid - Bacterial Chemotaxis Multiobjective Optimization Algorithm DH-
BCMOA .............................................................................................................................. 54
5. Desarrollo experimental .................................................................................................... 59

5.1 Problemas de prueba ................................................................................................ 59
5.1.1 Problema del agente viajero TSP................................................................... 59
5.1.2 Problema multi-objetivo de la mochila .......................................................... 62
5.1.3 El problema del layout de las celdas de manufactura ..................................... 65
5.2 Experimentos realizados ........................................................................................... 70
5.2.1 Nmero de rplicas ....................................................................................... 70
5.2.2 Experimentos mono-objetivo ........................................................................ 71
5.2.3 Experimentos multi-objetivo ......................................................................... 72
5.3 Resultados y discusin ............................................................................................. 73
5.3.1 Resultados y discusin experimentos mono-objetivo ..................................... 73
5.3.2 Resultados y discusin experimentos multi-objetivo...................................... 90
6. Conclusiones y recomendaciones..................................................................................... 103

6.1 Conclusiones .......................................................................................................... 103
6.2 Recomendaciones y trabajo futuro .......................................................................... 104
Anexo A: Matrices problemas de prueba layout de celdas de manufactura .......................... 105
Bibliografa .............................................................................................................................. 115

Contenido XIII
Lista de figuras
Pg.
Figura 1-1 Representacin discreta del espacio............................................................................. 9
Figura 1-2 Representacin continua del espacio ........................................................................... 9
Figura 1-3 Celda con mquinas dispuestas de forma lineal empleando un conveyor o banda
transportadora ............................................................................................................................. 16
Figura 1-4 Celda con mquinas dispuestas de forma circular. Empleando un carrusel (a) o un
robot (b). ..................................................................................................................................... 16
Figura 2-1 Mnimo local y global ............................................................................................... 21
Figura 2-2 Pseudocdigo general del algoritmo gentico AG...................................................... 23
Figura 2-3 Pseudocdigo BFOA ................................................................................................ 24
Figura 2-4 Pseudocdigo Algoritmo Bacterial-GA Foraging....................................................... 27
Figura 2-5 Frente ptimo de Pareto y concepto de dominancia ................................................... 28
Figura 2-6 Pseudocdigo ordenamiento rpido no dominado Fast non dominated sort (Deb et
al., 2002) .................................................................................................................................... 32
Figura 2-7 Clculo de la distancia crowding (Deb et al., 2002) ................................................... 33
Figura 2-8 Pseudocdigo Clculo de la distancia crowding (Deb et al., 2002)............................. 34
Figura 2-9 Pseudocdigo NSGA2 .............................................................................................. 35
Figura 2-10 Pseudocdigo SPEA2............................................................................................. 36
Figura 2-11 Pseudocdigo BCMOA ........................................................................................... 39
Figura 3-1 Porcentaje de xitos para las diferentes combinaciones de % de mutacin y % de
cruzamiento ................................................................................................................................ 43
Figura 3-2 Porcentaje de xitos de las mtricas , , y respecto a la variacin del factor de
ponderacin q en el experimento 2 ........................................................................................... 44
Figura 3-3 Porcentaje de xitos de la mtrica respecto a la variacin de los factores de
ponderacin q1 y q2, para los tres tipos de AG. .................................................................... 44
Figura 3-4 Porcentaje de xitos del total obtenido por las mtricas de agrupamiento en el cuarto
experimento ................................................................................................................................ 45
Figura 4-1 Pseudocdigo Algoritmo DHBFGA .......................................................................... 52
Figura 4-2 Ciclo quimiotctico general del DHBFGA ................................................................ 53
Figura 4-3 Pseudocdigo DH-BCMOA ...................................................................................... 55
Figura 4-4 Quimiotaxis en el DH-BCMOA ................................................................................ 56
Figura 4-5 Aproximacin de bacterias dbiles a fuertes en el DH-BCMOA ................................ 57
Figura 5-1 Cruzamiento PMX en el problema del agente viajero TSP ......................................... 61
Figura 5-2 Mutacin y eliminacin y dispersin de las soluciones en el problema del agente
viajero TSP ................................................................................................................................. 61
Figura 5-3 Cruzamiento con dos puntos de cruce en el problema multi-objetivo de las mochilas . 63
Figura 5-4 Mutacin de las soluciones en el problema del agente viajero TSP ............................ 64
Figura 5-5 Ejemplo codificacin basada en grupo para el problema del layout ............................ 66
Figura 5-6 Representacin del layout del ejemplo de la figura 5-5 .............................................. 67
Figura 5-7 Ejemplo de cruzamiento PMX para la codificacin de las soluciones......................... 67
XIV Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Figura 5-8 Ejemplo mutacin o eliminacin y dispersin individuo para codificacin de las
soluciones ...................................................................................................................................68
Figura 5-9 Ciclo quimiotctico del DHBFGA en el problema del Layout ....................................68
Figura 5-10 Quimiotaxis en el DH-BCMOA para el problema del layout ....................................69
Figura 5-11 Promedio de los valores de la funcin fitness obtenidos en la solucin de los
problemas TSP empleando AG, BFOA, Bacterial-GA y DHBFGA ..............................................75
Figura 5-12 Desviacin estndar de los valores de la funcin fitness obtenidos en la solucin de
los problemas TSP empleando AG, BFOA, Bacterial-GA y DHBFGA ........................................75
Figura 5-13 Promedio del tiempo empleado por los algoritmos AG, BFOA, Bacterial-GA y
DHBFGA en la obtencin de las soluciones de los problemas TSP ..............................................76
Figura 5-14 Desviacin estndar del tiempo empleado por los algoritmos AG, BFOA, Bacterial-
GA y DHBFGA en la obtencin de las soluciones de los problemas TSP .....................................76
Figura 5-15 Comparacin de los valores de fitness respecto al nmero de llamados a la funcin
fitness de los algoritmos AG, BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del
problema TSP Ulysses 22 ............................................................................................................77
Figura 5-16 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema TSP Ulysses 22...........78
problema TSP Berlin 52 ..............................................................................................................78
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema TSP Berlin 52 .............79
problema TSP Pr 76 ....................................................................................................................79
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema TSP Pr 76 ...................80
problema TSP KroA 100 .............................................................................................................80
BFOA, Bacterial-GA Foragingy DHBFGA en la solucin del problema TSP KroA 100 ..............81
problema TSP Ch 130 .................................................................................................................81
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema TSP Ch 130 ................82
problemas de Layout empleando AG, BFOA, Bacterial-GA Foraging y DHBFGA ......................83
los problemas de Layout empleando AG, BFOA, Bacterial-GA Foraging y DHBFGA ................84
Figura 5-27 Promedio del tiempo empleado por los algoritmos AG, BFOA, Bacterial-GA
Foraging y DHBFGA en la obtencin de las soluciones de los problemas TSP ............................84
GA Foraging y DHBFGA en la obtencin de las soluciones de los problemas TSP ......................85
problema de Layout 5x7 ..............................................................................................................85
Contenido XV
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 5x7.............. 86
problema de Layout 7x11 ............................................................................................................ 86
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 7x11............ 87
problema de Layout 14x24 .......................................................................................................... 87
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 14x24 ......... 88
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 24x40 .......... 89
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 35x20 ......... 90
Figura 5-39 Promedio y desviacin estndar de los valores de la mtrica de proximidad
obtenidos por los algoritmos DH-BCMOA, NSGA2 y SPEA2 solucionando los problemas de las
Figura 5-40 Promedio y desviacin estndar de los valores de la mtrica obtenidos por los
mochilas ..................................................................................................................................... 92
algoritmos DH-BCMOA, NSGA2 y SPEA2 solucionando los problemas de las mochilas........... 93

Figura 5-41 Promedio y desviacin estndar del nmero de soluciones NO DOMINADAS
obtenidas por los algoritmos DH-BCMOA, NSGA2 y SPEA2 solucionando los problemas de las
mochilas ..................................................................................................................................... 93
Figura 5-42 Promedio y desviacin estndar del tiempo empleado por los algoritmos DH-
BCMOA, NSGA2 y SPEA2 solucionando los problemas de las mochilas ................................... 94
Figura 5-43 Soluciones no dominadas obtenidas en la solucin del problema de las 2 mochilas con
100 tems por los algoritmos DH-BCMOA, NSGA2 y SPEA2 ................................................... 94
Figura 5-44 Soluciones no dominadas obtenidas en la solucin del problema de las 2 mochilas
con 250 tems por los algoritmos DH-BCMOA, NSGA2 y SPEA2 ............................................. 95
con 500 tems por los algoritmos DH-BCMOA, NSGA2 y SPEA2 ............................................. 95
Figura 5-46 Promedio del tiempo empleado por los algoritmos DH-BCMOA, NSGA2 y SPEA2
solucionando los problemas multi-objetivo del layout de celdas de manufactura ......................... 96
Figura 5-47 Promedio estndar del nmero de soluciones NO DOMINADAS obtenidas por los
algoritmos DH-BCMOA, NSGA2 y SPEA2 solucionando los problemas multi-objetivo del layout
de celdas de manufactura ............................................................................................................ 97
Figura 5-48 Soluciones no dominadas obtenidas luego de 250000 llamados a las funciones fitness
en la solucin del problema del Layout de celdas de manufactura 5x7 por los algoritmos DH-
BCMOA, NSGA2 y SPEA2 ....................................................................................................... 98
BCMOA, NSGA2 y SPEA2 ....................................................................................................... 98
XVI Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
BCMOA, NSGA2 y SPEA2 .......................................................................................................99
BCMOA, NSGA2 y SPEA2 .......................................................................................................99
BCMOA, NSGA2 y SPEA2 ..................................................................................................... 100
Figura 5-53 Soluciones no dominadas obtenidas luego de 200 segundos en la solucin del
problema del Layout de celdas de manufactura 5x7 por los algoritmos DH-BCMOA, NSGA2 y
SPEA2 ...................................................................................................................................... 100
SPEA2 ...................................................................................................................................... 101
SPEA2 ...................................................................................................................................... 101
SPEA2 ...................................................................................................................................... 102
SPEA2 ...................................................................................................................................... 102
Contenido XVII
Lista de tablas
Pg.
Tabla 1-1 Matriz de incidencia de 7 mquinas y 11 partes .......................................................... 12
Tabla 2-1 Principales mtodos de optimizacin (Rao, 2009) ....................................................... 22
Tabla 3-1 Factores y bloques del primer experimento ................................................................. 42
Tabla 3-2 Factores y bloques del segundo experimento............................................................... 42
Tabla 3-3 Factores y bloques del tercer experimento................................................................... 43
Tabla 3-4 Factores y bloques del cuarto experimento ................................................................. 45
Tabla 5-1 Problemas del agente viajero TSP ............................................................................... 60
Tabla 5-2 Fuentes de las matrices de incidencia de los problemas del layout de celdas de
manufactura ................................................................................................................................ 65
Tabla 5-3 Matriz de incidencia de 5 mquinas y 7 partes (Vitanov et al., 2008) .......................... 65
Tabla 5-4 Matriz de secuencias de 5 mquinas y 7 partes (Vitanov et al., 2008) .......................... 66
Tabla 5-5 Experimentos para ajuste de parmetros problemas TSP ............................................. 72
Tabla 5-6 Experimentos para ajuste de parmetros problemas layout .......................................... 72
Tabla 5-7 Experimentos para ajuste de parmetros problemas de las mochilas o Knapsack ......... 73
Tabla 5-8 Parmetros obtenidos a partir de la solucin de los problemas TSP ............................ 73
Tabla 5-9 Parmetros obtenidos a partir de la solucin de los problemas Layout ........................ 73
Tabla 5-10 Resultados ANOVA Funcin fitness Vs Algoritmos*Problemas TSP ....................... 74
Tabla 5-11 Resultados ANOVA Tiempo Vs Algoritmos*Problemas TSP .................................. 74
Tabla 5-12 Resultados ANOVA Funcin Fitness Vs Algoritmos*Problemas Layout................... 82
Tabla 5-13 Resultados ANOVA Tiempo Vs Algoritmos*Problemas Layout ............................... 82
Tabla 5-14 Parmetros obtenidos a partir de la solucin de los problemas de las mochilas o
Knapsack .................................................................................................................................... 90
Tabla 5-16 Resultados ANOVA Mtrica de Vs Algoritmos*Problemas Mochilas .................. 91

Tabla 5-15 Resultados ANOVA Mtrica de Proximidad Vs Algoritmos*Problemas Mochilas .. 91
Tabla 5-17 Resultados ANOVA No. De soluciones no dominadas Vs Algoritmos*Problemas

Mochilas ..................................................................................................................................... 91
Tabla 5-18 Resultados ANOVA Tiempo Vs Algoritmos*Problemas Mochilas.......................... 92
Tabla 5-19 Resultados ANOVA Tiempo Vs Algoritmos*Problemas Layout multi-objetivo ..... 96
Layout multi-objetivo ................................................................................................................. 97
XVIII Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Lista de abreviaturas
Abreviaturas
Abreviatura Trmino
ACO Ant Colony Optimization
AG Algoritmo Gentico
Bacterial Chemotaxis Multiobjective
BCMOA
Optimization Algorithm
BFOA Bacterial foraging optimization algorithm
NSGA2 Nondominated Sorting Genetic Algorithm 2
SA Simulated Annealing
SPEA2 Strength Pareto Evolutionary Algorithm 2
Contenido XIX
Introduccin
Los sistemas de manufactura tienen como objetivo general la produccin de bienes a travs de la
transformacin de materias primas, empleando para ello recursos fsicos, humanos, y financieros.
Un aspecto muy importante de los sistemas de manufactura es el layout el cual define la
distribucin espacial de los elementos al interior de la planta de produccin, actuando como
estructura fsica del sistema de manufactura con lo cual se integra a todos los elementos de ste y
afecta directamente los costos de produccin y la operacin global del sistema por su fuerte
relacin con los flujos y movimientos de los materiales, la ubicacin de las mquinas o procesos, la
mano de obra, el edificio y la administracin del sistema.
De forma general encontramos distribuciones de planta (Companys y Corominas, 1998) por

proceso, por producto, fijas y las celdas de manufactura. Las celdas de manufactura que son el
objeto de estudio de este trabajo se generan aprovechando las similitudes existentes en los procesos
de fabricacin de las partes de los productos a fabricar, lo cual permite agrupar las partes en
familias y las mquinas que las procesan en celdas de manufactura (Singh,1996). Conceptualmente
son una mezcla entre las distribuciones por proceso y producto y se basan en la filosofa de
tecnologa de grupos. Este tipo de configuracin es el apropiado para sistemas de manufactura con
diversidad de productos y volmenes de produccin variables. Adems generan ventajas en temas
como tiempos de proceso, alistamientos, manipulacin de materiales, mobiliario, espacio requerido
e incrementan la satisfaccin en el trabajo y la calidad (Singh, 1996).
La implementacin implica formar las celdas (Kusiak, 1990)(Singh,1996)(Selim et al.,1998)(Yin y

Yasuda, 2006) y posteriormente definir el layout de estas (Elwany et al., 1997)(Hamann y
Vernadat, 1992), determinando la posicin relativa entre las mquinas o centros de trabajo al
interior de cada celda y la posicin relativa de las celdas al interior de la fbrica. Estos dos
problemas en conjunto definen el problema del layout de las celdas de manufactura, el cual puede
solucionarse de forma secuencial, logrndose soluciones ptimas para cada problema por separado
(formacin de las celdas y definicin del layout), o de forma simultnea con lo cual se genera una
solucin integral para el sistema de manufactura.
Este es un problema de optimizacin combinatoria, donde el espacio de bsqueda corresponde a

las posibles combinaciones que permitan formar las celdas y las permutaciones que definen la
posicin de las mquinas y las celdas. Este tipo de problemas tienen una alta complejidad por las
dimensiones que puede llegar a tener el espacio de bsqueda, lo cual implica tiempos de computo
muy grandes que son prohibitivos para problemas grandes, por esta razn los mtodos
tradicionales empleados para su solucin se desempean bien en problemas de complejidad baja o
media. Esto ha motivado el desarrollo de mtodos que emulan procesos de la naturaleza y que son
empleados como tcnicas de optimizacin, tal es el caso de los algoritmos genticos, que aplican
conceptos de gentica y seleccin natural para lograr soluciones ptimas mediante operadores de
cruzamiento y mutacin en la medida que pasan las generaciones, tal cual como se da con los
procesos adaptativos en la naturaleza. En el mismo sentido la optimizacin basada en forrajeo de
bacterias imita el proceso de bsqueda de alimento de las bacterias E. Coli, donde cada una de
estas realiza movimientos de nado y giro siguiendo el rastro de concentracin de los nutrientes,
2 Introduccin
para posteriormente realizar procesos de reproduccin de las mejores bacterias y eliminacin de las
bacterias que no se pueden adaptar (Passino, 2002).
Este tipo de tcnicas denominadas meta-heursticas permiten lograr buenas soluciones en tiempos
de cmputo razonables.
Motivacin
El problema de trabajo seleccionado de layout de las celdas de manufactura, est basado en la

filosofa de tecnologa de grupos que se adapta muy bien a las necesidades de la industria
Colombiana detectadas en el desarrollo del trabajo Crculos tecnolgicos de parentesco (Meja,
Lara y Crdoba, 2010), a partir del cual se desprende la motivacin principal para el desarrollo del
presente estudio. El trabajo referenciado describe la implementacin de una metodologa grfica
que permite establecer la posicin relativa entre las mquinas, en este trabajo se identific la
necesidad de solucionar de forma simultnea la formacin de las celdas de manufactura y el layout
inter e intra celdas, a travs de optimizacin.
Los trabajos que se han desarrollado para solucionar este problema lo han abordado de diferentes
formas, inicialmente se trat el problema de la formacin de las celdas de manufactura y del layout
de estas de forma separada, desarrollando diversas metodologas para la formacin de las celdas
como lo describen Selim et al.,(1998) y Papaioannou y Wilson (2010) quienes realizan una
taxonoma muy completa de las propuestas planteadas sobre este tema, de forma paralela el
problema del layout de las celdas fue dividido entre el problema del layout intra celdas como lo
plantean Hamann y Vernadat (1992), que tratan este problema analizando la influencia del sistema
de manejo de materiales en la forma del layout. Y el layout entre celdas como la propuesta de
Elwany et al.,(1997), donde se soluciona este problema empleando un algoritmo de mejora que
trabaja en tndem con un algoritmo de recocido simulado, o la propuesta de Solimanpur et
al.,(2004) que emplea optimizacin por colonia de hormigas (ACO Ant Colony Optimization).
Existen propuestas que solucionan los dos problemas(el layout inter e intra celdas) como la de
Kaebernick y Barzagan-Lari (1996) que lo hacen de forma secuencial empleando programacin
por objetivos y recocido simulado, o de forma simultnea (Ho y Liao,2011)(Wu et al., 2007), en
este sentido las propuestas que solucionan el problema del layout de las celdas de manufactura de
forma secuencial, primero formando las celdas y posteriormente definiendo el layout, logran por lo
general soluciones ptimas para la formacin de las celdas pero sub-ptimas para el layout , razn
por la cual es preferible el esquema de solucin simultanea de los dos problemas. Finalmente
trabajos como el de Solimanpur et al., (2004b), proponen la solucin de este problema en su forma
multi-objetivo (formacin de las celdas y el layout inter e intra celdas) empleando un algoritmo
gentico.
Adicionalmente este problema tiene un atractivo particular por su complejidad razn por la cual se
pueden realizar aportes en la mejora de los mtodos de optimizacin empleados en su solucin en
dos aspectos, el primero mejorando la convergencia a soluciones ptimas, y el segundo es
reduciendo el tiempo necesario para lograr soluciones ptimas. Las mejoras en esta va han sido
posibles empleando tcnicas meta-heursticas de optimizacin, en este trabajo se plante la
solucin del problema del layout de las celdas de manufactura empleando algoritmos hbridos
discretos basados en algoritmos genticos y forrajeo de bacterias, aprovechando las fortalezas de
los dos con el objetivo de solucionar el problema del layout de las celdas de manufactura de forma
simultnea mediante dos propuestas: la primera mono-objetivo y la segunda multi-objetivo.
Objetivos
A continuacin se presentan los objetivos propuestos para este trabajo.

Introduccin 3
Objetivo general
Desarrollar un modelo que determine el layout de una celda de manufactura a partir de

optimizacin.
Objetivos especficos
Determinar las principales variables del escenario de las celdas de manufactura para optimizar el
layout de las mismas.
Definir el proceso de optimizacin para encontrar la mejor disposicin del layout de las celdas de
manufactura.
Implementar numricamente el modelo y evaluar su desempeo.
Contribuciones
Como resultados de este trabajo se obtuvieron dos modelos basados en optimizacin para la
solucin del problema del layout de las celdas de manufactura, el primero mono-objetivo fue
solucionado mediante un algoritmo desarrollado en este trabajo que se denomin DHBFGA
Discrete Hybrid Bacterial Foraging Genetic Algorithm, el segundo multi-objetivo que se
solucion con una versin discreta e hbrida del BCMOA Bacterial Chemotaxis Multiobjective
Optimization Algorithm DH-BCMOA. Los dos algoritmos propuestos estn basados en algoritmos
genticos y forrajeo y quimiotaxis de bacterias.
1. El problema del layout
El problema del layout de instalaciones consiste, de forma general, en la ubicacin en estas de los
departamentos que las conforman y al interior de estos, de los procesos y equipos que permiten el
funcionamiento del sistema de manufactura o de servicios (Singh y Sharma, 2006). De esta forma
el layout define la distribucin espacial de los elementos al interior de la instalacin, actuando
como la estructura fsica del sistema sobre el cual se integran e interactan todos sus componentes
con los flujos y movimientos de los materiales, la ubicacin de las mquinas o procesos, la mano
de obra y el edificio. Adicionalmente, el layout afecta la administracin del sistema y los costos de
produccin ya que una buena distribucin puede disminuir en alrededor de un 30% el lead time
(Meja, Lara y Crdoba, 2010).
Dada su importancia, el layout en la manufactura ha sido un problema activamente investigado

desde los aos 50 (Heragu, 1997) que ha ido evolucionando con el tiempo gracias a los aportes de
varios investigadores, desde la propuesta del modelo de asignacin de Koopmans y Beckmann
(1957) basada en QAP (quadratic assignment problem), pasando por los modelos de Heragu y
Kusiak (1991), hacia soluciones que emplean algoritmos genticos (Aiello, Enea y Galante, 2006)
(Balakrishnan y Cheng, 2000) (El-Baz, 2004).
1.1 Definicin del problema del layout

La determinacin del espacio fsico y su distribucin para realizar una actividad productiva es un
problema frecuente en la historia de la produccin, en especial para la industria de manufactura,
donde recursos como el espacio, los materiales y el tiempo son limitados y costosos (Tompkins et
al., 2006). Este problema fue planteado formalmente por Koopmans y Beckman (1957) quienes
definieron el problema del layout como un asunto industrial enfocado a la ubicacin de las plantas
de produccin para minimizar el costo del transporte entre estas y lograr la mayor rentabilidad o
ganancia. Posteriormente y en un sentido ms general Askin y Standridge (1993) plantean este
problema como la asignacin de cada departamento de una fbrica a una ubicacin especfica en
esta, lo cual concuerda con el planteamiento de Singh y Sharma (2006). Para ellos el problema
consiste en encontrar el arreglo ms eficiente para n fbricas en n ubicaciones. Una definicin
ms detallada del problema del layout fue planteada por Drira, Pierreval y Hajri-Gabouj (2007)
quienes presentan las mltiples variaciones que este puede asumir, las cuales dependen de factores
como los volmenes de produccin, las caractersticas de los productos, la geometra del espacio,
los sistemas de manejo de materiales, el uso de mltiples pisos o niveles en la construccin y la
consideracin esttica o dinmica del problema, a partir de estos factores es posible realizar una
taxonoma general del problema como se expone a continuacin.
6 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
1.1.1 Volmenes de produccin y variabilidad de los

productos
Dos de los principales factores que definen un layout son los volmenes de produccin y las
caractersticas de los productos, al considerarlos conjuntamente se pueden encontrar distribuciones
de planta o layouts (Companys y Corominas, 1998) por proceso, por producto, fijas y en celdas de
manufactura.
Las distribuciones de planta por proceso (Job shop layout) se distinguen por agrupar las
actividades y mquinas similares de acuerdo al proceso que realizan. Esta configuracin es clsica
de los talleres y es aplicable a volmenes de produccin bajos con productos variables, sin
embargo obliga al transporte de los materiales por los diversos centros de trabajo de la fbrica
(Tomelin y Colmenero, 2010).
Las distribuciones de planta por producto (flow shop layout) disponen los equipos o procesos de
forma lineal, organizndolos para la elaboracin de un producto o una lnea de productos de forma
continua. Esta configuracin es apta para productos en serie y en volmenes grandes de produccin
como los automviles o los electrodomsticos. Es mucho ms rgida que la anterior y su flujo
depende de la estacin de trabajo con el mayor tiempo ciclo de operacin.
Las distribuciones de planta denominadas fijas se emplean en la fabricacin de productos que por
su tamao no es posible movilizar fcilmente, como los barcos y aviones.
Por ltimo tenemos las celdas de manufactura que es un concepto que se fundamenta en la filosofa
de tecnologa de grupos (Singh, 1996) que se basa en la agrupacin de partes y mquinas a partir
de las similitudes en procesos de fabricacin entre estas, e implica una mezcla entre las
distribuciones por proceso y producto. Esta se caracteriza por la generacin al interior de la planta
de pequeas mini fbricas o celdas de manufactura donde se fabrican en un conjunto de mquinas
un grupo de piezas llamado familia de partes. Este tipo de configuracin es el apropiado para
sistemas de manufactura con diversidad de productos y volmenes de produccin variables. De
este se desprende el problema del layout inter celdas (Elwany et al., 1997) (Solimanpur, Vrat y
Shankar, 2004), intra celdas (Hamann y Vernadat, 1992) y el inter e intra celdas que implica
solucionar el problema de la formacin de las celdas y luego determinar la posicin relativa de las
mquinas al interior de las mismas (intra cell layout problem) y de estas entre s (inter cell layout
problem) (Kaebernick y Barzagan-Lari, 1996) (Solimanpur, Vrat y Shankar, 2004b)(Wu et al.,
2007)(Ming y Ponnambalam, 2008)(Ariafar et al., 2011)(Ho y Liao, 2011)(Kia et al.,
2011)(Mahdavi et al., 2011).
1.1.2 Geometra
Otro factor importante es la geometra con que se plantea el problema, existiendo los layout
regulares, siendo en estos la forma rectangular la ms empleada (Block layout) (Golmohammadi et
al., 2010)(Kim y Kim, 2000) y los irregulares que suelen ser el producto de algoritmos
constructivos, que pueden convertirse a layouts de forma regular (block layouts) como lo describe
Lee y Kim(2000). Chwif et al., (1998) proponen que el problema puede ser planteado
considerando el largo y el ancho de los departamentos o instalaciones a ubicar establecindose una
relacin largo/ancho con el fin de pasar de un problema con geometra irregular a uno regular. Esta
misma relacin tambin ha sido empleada por Meller, Narayaman y Vance (1998) considerando la
7
posicin y la geometra de los departamentos o instalaciones a ubicar con el fin de evitar el traslape
de estos, basndose en el modelo para el problema de programacin de tareas a una mquina.
1.1.3 Sistemas de manipulacin de materiales

Dada la importancia que tiene el flujo de los materiales y su manipulacin, es indispensable
considerarlo en el diseo del layout conjuntamente con los volmenes de produccin y las
caractersticas de los productos, ya que definen el uso o no de conveyors, vehculos AGV
(automated guided vehicle) y otros sistemas para transportar o manipular los materiales en proceso
entre los puestos de trabajo (Kusiak y Heragu, 1987). Este aspecto es muy sensible para el sistema
de manufactura porque puede representar entre el 20% al 50% de los costos de manufactura
(Tompkins, et al., 2006), y es crtico en los sistemas flexibles de manufactura (Flexible
Manufacturing Systems FMS). En este sentido el problema se transforma en la ubicacin de los
departamentos, equipos y procesos de tal forma que se maximice el flujo de los materiales y la
seleccin del mejor sistema para transportar y manipular los materiales en proceso, que
implcitamente definirn un tipo de arreglo geomtrico para las mquinas que contempla la
dimensiones de estas y su orientacin (machine layout problem MLP) (Devise y Pierreval,
2000)(Heragu y Kusiak, 1988).
Dependiendo del sistema de manejo de materiales se encuentran principalmente los siguientes

arreglos de layout: de una sola fila (single row layout), mltiples filas (multi rows layout), circular
(loop layout) o en anillo y de campo abierto (open field layout) (Yang, Peters y Tu, 2005).
El layout de una sola fila ocurre cuando se ubican los departamentos y/o equipos a lo largo de una
lnea, que puede ser recta, semicircular o en U (Djellab y Gourgand, 2001) (Ficko, Brezocnick, y
Balic, 2004) (Kim, Kim, y Foote, 1996) (Kumar, Hadjinicola, y Lin, 1995). En el layout circular
(loop layout) las mquinas se ubican alrededor de un anillo cerrado y las partes fluyen en un
sentido teniendo un punto de entrada y uno de salida fijos (Cheng y Gen, 1998) (Cheng, Gen, y
Tosawa, 1996) (Nearchou, 2006)(Potts y Whitehead, 2001). El problema de mltiples filas (multi
rows layout) implica un flujo de materiales siguiendo varias lneas que pueden estar o no
dispuestas de forma paralela (Ficko, Brezocnick, y Balic, 2004) (Kim, Kim, y Foote, 1996). El
layout de campo abierto (open field layout) corresponde a situaciones donde no existen
restricciones o condiciones para la ubicacin de las mquinas como en los casos anteriores (Yang,
Peters y Tu, 2005).
1.1.4 Mltiples pisos

Cuando se presenta la situacin de falta de espacio fsico frecuente en zonas urbanas, se puede
cubrir esta necesidad con soluciones verticales que implican construcciones de mltiples pisos en
los cuales se ubican las mquinas, generando flujos horizontales y verticales de materiales, este
problema es conocido como layout de mltiples pisos (multi floor layout) (Kochhar y Heragu,
1998).
Una primera definicin de este problema la dio Johnson (1982) quien plantea el problema como la
definicin de la ubicacin relativa de las mquinas en los diferentes pisos, adems SPACECRAFT
considera las velocidades y costos de los movimientos, y la no linealidad de los tiempos en los
movimientos verticales. Bozer, Meller, y Erlebacher (1994) proponen un algoritmo de mejora para
este problema que conjuntamente con el trabajo de Johnson (1982) estn basados en CRAFT
(Armour y Buffa, 1963), Bozer, Meller, y Erlebacher (1994) y Meller y Bozer (1997) minimizan
el costo del transporte considerando los movimientos horizontales y verticales de los materiales en
optimizacin
proceso. La propuesta de Lee, Roh, y Jeong (2005) soluciona este problema considerando la
existencia de estructuras al interior de cada piso como paredes, pasillos y aborda el uso de
elevadores, que son analizados con mayor profundidad por Matsuzaki, Irohara, y Yoshimoto
(1999), quienes determinan su ubicacin y cantidad a travs de un algoritmo basado en recocido
simulado (SA Simulated annealing) y algoritmos genticos AG, que considera la capacidad de
cada elevador como restriccin para evitar sobrecargas y exceso o subutilizacin. De la misma
forma la cantidad de pisos puede ser conocida (Lee, Roh, y Jeong, 2005) o indeterminada, lo
mismo que el rea de estos y la orientacin de las mquinas (Patsiatzis y Papageorgiou, 2002)
dependiendo del rea y las dimensiones de las mquinas.
1.1.5 Problemas estticos y dinmicos

En los abordajes previos no se haba considerado la dimensin temporal en el problema del layout,
en la mayora de los casos, variables como los volmenes de produccin y las caractersticas de los
productos se asumen estticas, sin embargo las organizaciones deben adaptarse a los cambios en el
mercado desarrollando productos para atender la demanda de los consumidores durante las
diferentes pocas del ao, esta situacin genera que varen los productos y procesos y por tanto se
vea afectado el layout. Esto lleva al concepto del problema del layout dinmico que considera los
cambios en los flujos de materiales para mltiples periodos de tiempo (Balakrishnan y
Cheng.2000) (Balakrishnan et al., 2003) (Braglia, Zanoni, y Zavanella, 2003). El layout para este
problema consiste en una serie de layouts donde cada layout est asociado con un periodo de
tiempo particular (semanas, meses o aos). El objetivo puede plantearse como la determinacin del
layout para cada periodo de tiempo minimizando los costos de manejo de materiales para todos los
periodos (Balakrishnan et al., 2003) (Baykasoglu, Dereli, y Sabuncu, 2006).
1.2 Planteamiento del problema del layout

Como se ha presentado, el problema del layout de instalaciones tiene mltiples variaciones, cada
una de la cuales puede ser solucionada con diversas tcnicas que se emplean dependiendo de la
forma como sea planteado el problema, sus variables y sus funciones objetivo. Inicialmente la
propuesta de Koopmans y Beackman (1957) formul un problema de asignacin cuadrtico
(QAP) minimizando el costo del transporte de los materiales, con el fin de incrementar las
ganancias, este planteamiento se conserv en el tiempo siendo uno de los principales aspectos a
considerar en la formulacin del problema, que se alimentara de otros objetivos en la medida que
se transforma del problema general a una de sus formas particulares. Sin embargo el planteamiento
fundamental del problema del layout de instalaciones como se expone a continuacin implica
analizar tres aspectos esenciales que estn interrelacionados y son descritos por Ficko, Brezocnik y
Balic (2004): el primero concerniente a la concepcin del espacio fsico en el problema del layout,
el segundo la evaluacin del desempeo del layout y el tercero, el mtodo que se emplea para dar
solucin al problema planteado.
1.2.1 El espacio fsico en el planteamiento del problema

del layout
La concepcin del espacio fsico, implica considerar la forma, ubicacin, orientacin y cantidad de
las entidades a ubicar (Ficko, Brezocnik y Balic, 2004). En general se han utilizado tres conceptos:
9
representacin discreta, continua y mixta. La representacin discreta divide el espacio en

ubicaciones previamente definidas de forma arbitraria a las cuales se asignan las entidades (una en
cada ubicacin) (Figura 1-1) (Cheng y Gen, 1998) (Solimanpur, Vrat y Shankar 2004) (Cheng,
Gen, y Tosawa, 1996) (Nearchou, 2006). De esta forma se define un problema de optimizacin
combinatorio de variables discretas en el cual el espacio de bsqueda son las posibles
permutaciones de las entidades a ubicar, utilizando formas regulares principalmente rectngulos
para cada ubicacin y que establece como parmetros de entrada las matrices con las distancias y
costos de operacin. Esta representacin generalmente se modela como QAP.
Figura 1-1 Representacin discreta del espacio
Asumir el espacio del layout como un continuo permite ubicar y orientar las entidades dentro de
este de forma libre (Figura 1-2), empleando las geometras de estos y los criterios o restricciones
que se establezcan para determinar la mejor solucin. En este caso las coordenadas de la ubicacin
de cada entidad a ubicar son continuas y actan como una salida del modelo, lo mismo que las
distancias y los costos de operacin (Patsiatzis y Papageorgiou, 2002)(Ficko, Brezocnik y Balic,
2004) (Xie y Sahinidis, 2008). Generalmente el problema se reduce a determinar la ubicacin ms
adecuada para un conjunto de entidades, buscando optimizar el desempeo del layout minimizando
los recorridos y el espacio requerido. Los problemas de este tipo se modelan con programacin
entera mixta como la propuesta de Patsiatzis y Papageorgiou (2002), la cual determina para una
planta industrial simultneamente el nmero de pisos necesarios, su rea, ubicacin y el layout
detallado de cada uno de estos.
Figura 1-2 Representacin continua del espacio

optimizacin
El planteamiento mixto del espacio mezcla las dos formas anteriores, en este las coordenadas de
las entidades a ubicar se mueven en un espacio continuo que est limitado por restricciones como
la ubicacin de columnas, muros, pasillos o entidades que no se pueden mover o modificar (por
ejemplo equipos de gran tamao), tambin la forma y dimensiones de las entidades a ubicar
restringe las posibilidades de asignacin a los espacios disponibles. Los proyectos de adecuacin o
actualizacin del layout estn en esta categora, o problemas como el layout de un barco
(Kaebernick, Barzagan-Lari y Arndt, 1996) (Lee, Roh, y Jeong, 2005). Este planteamiento tambin
puede proponerse de forma inversa primero por la discretizacin del espacio para generar reas
especficas que cumplan con ciertas necesidades de espacio y luego al interior de cada una de estas
ubicar las entidades determinando su posicin dentro de este espacio continuo (Yang, Peters y Tu,
2005). Los problemas planteados de esta forma manejan variables discretas y continuas.
1.2.2 La evaluacin del desempeo del layout

La evaluacin del layout consiste en establecer el desempeo de este frente a un escenario
determinado para el cual fue diseado, generalmente se realiza empleando tres tipos principales de
mtricas: la primera, a travs de una funcin de costo la cual generalmente est ligada a la
minimizacin del costo de transporte y es la ms empleada (Chwif et al., 1998) (Kochhar y
Heragu, 1998) (Djellab y Gourgand, 2001). La segunda considerando las relaciones entre los
dispositivos o entidades a ubicar en el layout (Meja, Lara y Crdoba, 2010) generalmente a travs
de mtodos grficos. Por ltimo optimizando el layout considerando varios criterios basados en las
dependencias que existen entre los elementos o entidades a ubicar como lo son su posicin,
orientacin, vecindad inmediata, las trayectorias y distancias de los movimientos entre ellas y el
rea necesaria (Kaebernick et al., 1996) (Liang y Chao, 2008). Entre los criterios evaluados se
incluye la minimizacin del transporte y manipulacin de materiales o la maximizacin del
rendimiento del sistema de produccin balanceando los puestos de trabajo (Potts y Whitehead,
2001), otros incluyen la cuantificacin de la robustez del layout (Braglia, Zanoni y Zavanella,
2003), el uso de indicadores para determinar el sistema de manejo de materiales o la flexibilidad
(Devise y Pierreval, 2000). Este planteamiento requiere la formulacin de problemas multiobjetivo
que se resuelven simultneamente (Solimanpur et al., 2004b) o secuencialmente cuando una etapa
alimenta a la siguiente (Kaebernick et al., 1996) (Elwany et al., 1997) (Potts y Whitehead, 2001), o
se llevan a un problema mono-objetivo a travs del uso de factores de penalizacin (Lee, Roh, y
Jeong, 2005) para resolverlo simultneamente.
En cuanto a las restricciones manejadas en estos problemas se destacan las de unicidad que
implican que cada entidad es asignada a una determinada ubicacin y viceversa, las asociadas con
las dimensiones y fronteras del espacio disponible y la ubicacin de elementos tales como pasillos,
muros, ascensores, etc., otras que restringen la orientacin de las entidades, o determinan los
puntos de carga y descarga, tambin aquellas relacionadas con el flujo que buscan evitar los
retrocesos o contra flujos y en el caso del balanceo de las cargas de trabajo, la consideracin del
tiempo de proceso por estacin para evitar cuellos de botella.
1.2.3 Mtodos de solucin

La solucin del problema del layout est ligada al planteamiento del problema, sus variables y su
mtrica de desempeo. Las cuales limitan su posible solucin a un conjunto de tcnicas o
metodologas que permitan encontrar soluciones satisfactorias dentro del espacio de bsqueda
factible. Es posible identificar procedimientos exactos como los mtodos basados en ramificacin
11
y acotamiento (Branch and Bound) para solucionar problemas formulados como QAP que asumen
el espacio discreto. Procedimientos heursticos como los algoritmos constructivos y de mejora. En
los mtodos constructivos los dispositivos o entidades son ubicados progresivamente uno tras otro
hasta que el layout completo es obtenido como lo realiza CORELAP (Computerized relationship
layout planning) (Lee y Moore, 1967), y ALDEP (Automated Layout Design Program) (Seehof y
Evans, 1967). Los algoritmos de mejora como CRAFT (Armour y Buffa, 1963) y otras propuestas
basadas en este como SPACECRAFT (Johnson, 1982) y MULTIPLE (Bozer, Meller, y
Erlebacher, 1994), en los cuales se parte de una solucin dada y esta se va mejorando hasta
cumplir con el criterio de parada del algoritmo. Tambin se han utilizado tcnicas meta-heursticas
como algoritmos genticos (AG) (Cheng, Gen, y Tosawa, 1996) (Cheng y Gen, 1998) (Kochhar y
Heragu, 1998) (Ficko, Brezocnick, y Balic, 2004) (Wu et al., 2007), recocido simulado (SA)
(Hamann y Vernadat, 1992), optimizacin por colonia de hormigas ACO (Solimanpur, Vrat y
Shankar, 2004) y propuestas mixtas empleando por ejemplo programacin por objetivos no lineal y
recocido simulado (Elwany et al., 1997), programacin entera mixta y recocido simulado (Yang,
Peters y Tu, 2005), recocido simulado y algoritmos genticos (Matsuzaki, Irohara, y Yoshimoto,
1999), algoritmos genticos (AG) con optimizacin con enjambre de partculas (particle swarm
optimization PSO) para el diseo concurrente de un sistema de manufactura celular (Ming y
Ponnambalam, 2008). Esta variedad en las tcnicas empleadas como tambin el uso de propuestas
hibridas o mixtas se debe a que el problema del layout es un problema combinatorio del tipo NP
hard, por esta razn el desempeo de los mtodos de solucin ha sido una de las limitantes para el
abordaje de problemas de caractersticas reales y genera un continuo desarrollo de mtodos y
tcnicas que permitan solucionar problemas ms complejos de forma ms gil.
1.3 El layout de las celdas de manufactura

Como se describi anteriormente la definicin del layout de las celdas de manufactura requiere
formar las celdas, y definir el layout inter e intra celdas. A continuacin se abordan estos
problemas por separado para finalmente procesarlos simultneamente.
1.3.1 La formacin de las celdas de manufactura

La implementacin de celdas de manufactura inicia con la formacin de grupos de mquinas y
familias de partes. En este proceso se agrupan las partes en familias a partir de las similitudes que
tienen estas en sus procesos de fabricacin y las mquinas se agrupan en celdas siguiendo las
similitudes en las piezas que en ellas se fabrican. Dicho proceso puede realizarse de forma
proceso comnmente se basa en matrices de incidencia ( ) (ver tabla 1-1) que relacionan las
secuencial o simultnea para obtener las celdas de manufactura y las familias de partes. Este
partes con las mquinas (donde = 1 si la parte es procesada por la mquina , en otro caso
= 0) (tabla 1-1). Estas matrices se construyen a partir de las rutas de fabricacin de los
productos.
Selim, Askin, y Vakharia (1998), clasifican los procedimientos de formacin de las celdas en:
mtodos descriptivos, anlisis de agrupamiento, particin grfica, programacin matemtica e
inteligencia artificial. Papaioannou y Wilson (2010) aaden a esta clasificacin los mtodos con
algoritmos heursticos y meta heursticos, de forma similar Yin y Yasuda (2006) describen y
clasifican las propuestas basadas en coeficientes de similitud que son uno de los tipos de tcnicas
basadas en anlisis de agrupamiento.
optimizacin
Tabla 1-1 Matriz de incidencia de 7 mquinas y 11 partes
Partes
1 2 3 4 5 6 7 8 9 10 11
1 0 0 1 0 0 0 1 0 0 0 1
2 1 1 0 0 0 1 0 0 1 0 0
Mquinas
3 1 1 0 0 0 1 0 0 1 0 0
4 0 0 0 1 1 0 0 1 0 1 0
5 0 0 1 0 0 0 1 0 0 0 1
6 0 0 1 0 0 0 1 0 0 0 1
7 0 0 0 1 1 0 0 1 0 1 0
En general, los procedimientos descriptivos se pueden clasificar en tres tipos principales. El

primero, hace referencia a la identificacin de las familias de partes (PFI, part family
identification) en el cual se inicia el proceso de formacin de celdas identificando y codificando
visualmente las familias de partes para posteriormente asignar las mquinas a las familias. El
segundo tipo, denominado identificacin de los grupos de mquinas (MGI, machine group
identification), identifica primero las celdas y asigna las partes a estas, actuando de forma inversa
al anterior. El tercer tipo de los procedimientos descriptivos, identifica simultneamente las
familias de partes (PF, part family) y los grupos de mquinas o celdas (MG, machine group).
En el anlisis de agrupamiento se emplean diversas tcnicas para el reconocimiento de diferentes

estructuras en un conjunto de datos complejos. El objetivo principal de esta tcnica es la
agrupacin de diferentes objetos o entidades a partir de sus atributos de tal manera que los
elementos individuales dentro de un grupo (cluster), tienen un alto grado de ''asociacin natural "
entre s y muy poca ''asociacin natural" con los dems grupos o celdas. Los procedimientos
basados en anlisis de agrupamiento pueden clasificarse en: tcnicas basadas en arreglos de la
agrupacin, tcnicas de agrupamiento jerrquico y tcnicas de agrupamiento no jerrquico.
Los mtodos de particin grfica, emplean grafos en los cuales se representan las mquinas y / o
partes como vrtices y las operaciones o procesamiento de las piezas en forma de arcos que
conectan estos nodos. Estos modelos tienen por objeto la obtencin de sub-grafos desconectados
para identificar as las celdas de manufactura.
Los mtodos de programacin matemtica se pueden clasificar en cuatro grandes grupos

dependiendo de la formulacin del problema: (a) programacin lineal (LP Linear programming),
(b) programacin lineal y cuadrtica entera (LQP Linear and quadratic programming), (c)
programacin dinmica (DP Dynamic programming), y (d) programacin por metas (GP Goal
programming). Berardi, Zhang y Offodile (1999) formularon un modelo basado en programacin
matemtica que considera adicionalmente el impacto de los elementos excepcionales.
Entre las propuestas basadas en inteligencia artificial se destaca la planteada por Sudhakara
Pandian y Mahapatra (2009) quienes presentan un algoritmo basado en redes neuronales ART1
(adaptive resonance theory) para formar las celdas de manufactura considerando adicionalmente
los tiempos de proceso y la secuenciacin de operaciones.
Los mtodos heursticos gozan de popularidad por sus numerosas aplicaciones prcticas, y por
ofrecer una alternativa de solucin a los problemas con respuestas sub-ptimas en un tiempo
razonable. Un ejemplo tpico de esta estrategia es el algoritmo HERBAL (heuristics rules-based
13
logic) (Vitanov et al., 2008), que identifica las celdas y familias a travs de la manipulacin de la
matriz de incidencia.
Las tcnicas meta heursticas han sido desarrolladas para solucionar problemas NP-Hard de
optimizacin combinatoria. En esta categora se clasifica precisamente el problema de la formacin
de celdas para el cual se han empleado tcnicas meta heursticas entre las que se destacan el
recocido simulado (SA Simulated annealing), la bsqueda tab (TS Tabu search), los algoritmos
genticos (GA Genetic algorithms), optimizacin por colonia de hormigas (ACO Ant colony
optimization) y optimizacin por enjambre de partculas (PSO Particle swarm optimization). Ah et
al., (2009) hacen una propuesta mixta proponiendo la formacin de las celdas de manufactura a
travs de la implementacin de los mtodos SAW (simple additive weithting) y TOPSIS (technique
for order preference by similarity to ideal solution) considerando la secuencia de operaciones.
Noktehdan, Karimi y Husseinzadeh Kashan (2010) emplean un algoritmo de evolucin diferencial
minimizando los movimientos entre celdas y comparando su desempeo con un algoritmo gentico
de agrupamiento. Goncalves y Resende (2004) presentan una propuesta con algoritmos evolutivos
y Tariq, Hussain y Ghafoor (2009) proponen un algoritmo hibrido que utiliza LSH(local
searchheuristic) y AG para la formacin de celdas de manufactura, Saeedi, et al., (2010)
propusieron un modelo matemtico para el problema de la formacin de celdas de manufactura y
compararon los resultados que obtuvieron solucionando su modelo con AG, ACO y SA, sus
resultados demostraron que los AG fueron el mtodo ms efectivo en la solucin del problema de
la formacin de las celdas.
Mtricas de agrupamiento
Uno de los aspectos importantes en la formacin de las celdas de manufactura es definir la calidad
del agrupamiento obtenido, para lo cual se han desarrollado varias mtricas de agrupamiento que
miden el desempeo de este en la formacin de celdas de manufactura, estas mtricas pueden ser
empleadas tambin como funcin objetivo para solucionar este problema. En este caso el problema
consiste en generar una matriz con un bloque diagonal con dgitos binarios. Cada bloque es una
sub-matriz de la matriz de incidencia mquinas-partes formada por la intercepcin de filas que
representan una celda de manufactura y columnas que representan una familia de partes. En este
caso un espacio vacante es un elemento cero 0 que aparece en el bloque diagonal y un elemento
excepcional es un elemento uno 1 que aparece fuera del bloque diagonal. Estos ltimos
elementos generan movimientos de partes de una celda a otra para ser procesadas. A continuacin
se presentan algunas de las ms conocidas mtricas de agrupamiento:
Eficiencia de agrupamiento
Chandrasekharan y Rajagopalan (1986) propusieron la primera mtrica cuantitativa de la calidad

de una solucin, llamada eficiencia de agrupamiento ( Grouping efficiency), esta se define como
el promedio ponderado de dos funciones,
= + (1 ) (1.1)
Donde es la relacin del nmero de unos 1 en el bloque diagonal respecto al total del nmero
de elementos en el bloque diagonal ceros 0 ms unos1, es la relacin entre nmero de ceros
factor de ponderacin (0 1).

0 fuera del bloque diagonal sobre el total de unos 1 y ceros 0 fuera de la diagonal, y es un
Siendo ( ) el nmero total de unos 1 en la matriz de incidencia, ( ) es el nmero total de ceros

0 en la matriz de incidencia, ( ) es el nmero de unos 1 en el bloque diagonal, ( ) es el
nmero de elementos vacantes ceros 0 en el bloque diagonal, y ( ) es el nmero de elementos
optimizacin
excepcionales fuera del bloque diagonal, entonces la eficiencia de agrupamiento se puede expresar
de la siguiente forma:
= !" & + (1 ) !('(" &

"# '("%
# $"% % )$("("# )
(1.2)
Eficacia de agrupamiento
Kumar y Chandrasekharan (1990) propusieron otra mtrica llamada eficacia de agrupamiento, la

cual supera las debilidades de la eficiencia de agrupamiento, dando igual importancia a los
elementos vacantes como a los excepcionales. Esta se define de la siguiente forma:
= = "$",
(* "("
$+
(1.3)
%
Donde - es la relacin entre el nmero de elementos excepcionales ( ) y el total del nmero de

operaciones en la matriz de incidencia ( ), - = , .y. es la relacin entre el nmero de espacios
"
"
( ),. = % .
"
vacantes en el bloque diagonal ( ) y el total del nmero de operaciones en la matriz de incidencia
"
Eficacia de agrupamiento modificada
Sandbothe (1998) estudi el efecto de la degeneracin del bloque diagonal en la eficacia de

agrupamiento. Su revisin de las soluciones revel resultados ilgicos en el bloque diagonal como
columnas que contenan nicamente ceros, lo que conlleva a soluciones degeneradas. Para
solucionar estos casos propuso la siguiente versin de la eficacia de agrupamiento:
=
/(",
/$"%
(1.4)
Donde 0 es el nmero de elementos (unos 1) en el bloque diagonal de la matriz solucionada.
elementos excepcionales, introdujo un factor de ponderacin ( ) a la expresin de la eficacia de

Posteriormente con el fin de evaluar el impacto del nmero de elementos vacantes y el nmero de
agrupamiento de la siguiente forma:
=
/(1"% $( (1)",
/$1"% $( (1)",
(1.5)
ndice de agrupamiento
modificada , ellos incorporaron un factor de correccin a como se expone a continuacin:

Nair y Narendran (1996) introdujeron una mtrica para superar los inconvenientes de la versin
2 =
/(1"% $( (1)(", (3)
/$1"% $( (1)(", (3)
(1.6)
Donde 4 es un factor de correccin con 4 = 0 si ' 0, y 4 = ' 0 si ' > 0. Esta mtrica
denominada ndice de agrupamiento supera las limitaciones de las anteriores propuestas y ofrece
una ponderacin igual para los elementos vacantes y excepcionales.
15
Eficacia de agrupamiento ponderada
La eficacia de agrupamiento ponderada 6, es una mtrica propuesta por Ng (1993) para las
matrices de incidencia particionadas:
1("(", )
6 = 1("$"
% (", )$( (1)",
(1.7)
$+
Esta mtrica surgi del anlisis realizado del inverso de la eficacia de agrupamiento = 1,
7 (*
a partir del cual se determin que la penalizacin impuesta a un elemento excepcional siempre es
mayor que la impuesta a un elemento vacante en el bloque diagonal, para equilibrar esta situacin
se introdujo el factor .
ndice de capacidad de agrupamiento GCI
Hsu (1990) present el ndice de capacidad de agrupamiento GCI (Grouping Capability Index)
como una mtrica de eficiencia que evala primordialmente la relacin entre los elementos en el
bloque diagonal respecto al total de elementos de la matriz de incidencia, no incluyendo los ceros
de la matriz de incidencia a diferencia de la eficiencia y eficacia de agrupamiento que si los
contemplan. Este se define como:
9:; = 1
",
"
(1.8)
Mtrica de agrupamiento doblemente ponderada <=
Considerando la construccin estructural y la evaluacin del bloque diagonal de la matriz de

incidencia Sarker (2001) desarroll la mtrica de agrupamiento doblemente ponderada, en esta
existen dos trminos ponderados de eficiencias, donde el primer trmino indica la ponderacin de
la eficiencia al interior del bloque diagonal ( > ), y el segundo trmino indica la ponderacin de la
eficiencia relativa ( ' ) de los elementos fuera del bloque diagonal, para cualquier matriz de
incidencia. Esta se define as:
? = > ' (1.9)

1# "# $( (1# )"% 1 " $( (1 )"
? =! "# $"%
& ! @ # " $" @ , & (1.10)
# ,
Donde y son factores de ponderacin que varan entre 0 y 1 (0 ( , ) 1).
Finalmente estas mtricas pueden clasificar de forma comparativa las soluciones obtenidas por un
determinado mtodo, propiedad que les brinda la capacidad de ser empleadas como funcin
objetivo, forma en la cual se aplican en este trabajo.
1.3.2 El layout intra e inter Celdas de Manufactura

Posteriormente a la formacin de las celdas de manufactura es necesario resolver el problema del
layout intra e inter celdas de manufactura, que consiste en la asignacin de las mquinas o procesos
que conforman las celdas a una posicin determinada dentro de estas, las cuales deben ser tambin
asignadas a una determinada posicin respecto al resto de celdas. Este problema dependiendo de la
forma como se plantee y los objetivos adicionales que se persigan puede catalogarse en cualquiera
de las clasificaciones antes expuestas. Pero el planteamiento general se basa principalmente en la
optimizacin
minimizacin del costo del transporte y el manejo de materiales, que est directamente relacionado
con el sistema de manejo de materiales, este aspecto es muy importante ya que de l depende la
forma que puede tomar el layout al interior de la celda, como lo describen Hamann y Vernadat
(1992). Las caractersticas de las piezas como su material, forma, dimensiones, peso, cantidad y
otras, restringen la forma como deben ser manipuladas estas, pasando de un sistema con
manipulacin manual realizada por los operarios al uso de conveyors, vehculos AGV, robots u
otros. Por ejemplo si se emplean conveyors se pensara en mquinas dispuestas de forma lineal
(ver figura 1-3), en el caso de una disposicin circular podra usarse un robot o un carrusel (ver
figura 1-4).
M1 M2 M3 M4
Conveyor
Figura 1-3 Celda con mquinas dispuestas de forma lineal empleando un conveyor o banda
transportadora
M1
M3
M6 M2
M2 M4
M5 M3
M4 M1 M5
a) b)
Figura 1-4 Celda con mquinas dispuestas de forma circular. Empleando un carrusel (a) o un
robot (b).
El sistema de manejo de materiales determina cmo se tratan los casos de los retrocesos, si son o
no permitidos y los movimientos entre celdas o secciones, que se relacionan directamente con los
puntos de carga y descarga de los materiales a la celda como lo presenta Tavakkoli-Moghaddam
(2003), quien emplea un algoritmo gentico para minimizar el costo del transporte y manejo de los
materiales buscando lograr la mejor ubicacin de los puntos de cargue y descargue de los
materiales. Finalmente la posicin que ocupar cada mquina en la celda puede manejarse
considerando el espacio discreto, caso en el cual cada mquina se asigna a una posicin
determinada previamente, o manejando el espacio de forma continua donde se determinan las
coordenadas de la posicin de cada mquina.
El problema del layout entre celdas puede ser planteado considerando las relaciones existentes
entre las celdas (que pueden ser cuantitativas o cualitativas) como lo plantean Elwany et al.,
(1997), ellos emplean un algoritmo de mejora que trabaja en serie con un algoritmo de recocido
simulado para establecer la posicin de las celdas entre s. Otra forma es plantearlo considerando
los flujos de materiales entre las celdas como un problema de asignacin, como lo presentan
Solimanpur, Vrat y Shankar (2004), que solucionan mediante un algoritmo basado en ACO un
problema QAP.
17
1.3.3 El layout de las celdas de manufactura

Finalmente tenemos la solucin simultnea de la formacin de las celdas de manufactura y el
layout intra e inter celdas, forma en la cual se puede apreciar la naturaleza multi-objetivo del
problema. La solucin puede plantearse de dos formas la primera es llevar el problema multi-
objetivo a uno mono-objetivo, integrando en la funcin objetivo la formacin de las celdas y la
definicin del layout que como se vio anteriormente se logra a travs de la minimizacin del costo
de transporte y manipulacin de materiales como lo presentan Ming y Ponnambalam (2008),
quienes emplean un algoritmo hbrido PSO-GA, Ariafar et al.,(2011) emplean recocido simulado,
Ho y Liao (2011) emplean programacin lineal para resolver su modelo considerando las celdas
lineales dispuestas como un serpentn, a las cuales les definen los puntos de carga y descarga de
materiales, Wu et al., (2007) plantean un modelo que minimiza el costo del transporte y maximiza
el agrupamiento de las celdas de manufactura empleando algoritmos genticos con codificacin
jerrquica. La segunda es plantear cada funcin objetivo por separado, como lo presentan
Solimanpur et al., (2004b), quienes emplean algoritmos genticos multi-objetivo considerando las
similitudes entre partes, el costo y tiempo de procesamiento, y el costo de adquisicin de las
mquinas.
optimizacin
19
2. Optimizacin
Optimizacin es el proceso de maximizacin o minimizacin de una funcin objetivo mientras se
satisface un conjunto de restricciones (Belegundu y Chandruplata, 1999). En el diseo,
construccin y mantenimiento de cualquier sistema de ingeniera, se deben tomar muchas
decisiones, donde el objetivo general es reducir al mnimo el esfuerzo y maximizar el beneficio,
cumpliendo con las restricciones propias del problema (Rao, 2009).
El estudio de los problemas de optimizacin es tan antiguo como la ciencia. Se sabe que los
antiguos matemticos griegos resolvieron muchos problemas de optimizacin. Sin embargo la
concepcin moderna de optimizacin tiene sus orgenes en los aportes de Isaac Newton, (1643
1727), Joseph-Louis Lagrange (17361813) y Augustin-Louis Cauchy (17891857).
El desarrollo de los mtodos de optimizacin basados en el clculo diferencial, fue posible gracias
a las aportaciones que Isaac Newton y Gottfried W. von Leibnitz (16461716) hicieron a dicha
rea. Johann Bernoulli (16671748), Leonhard Euler (17071783), Joseph-Louis Lagrange y Karl
Weirstass (18151897) sentaron los fundamentos del clculo de variaciones, que lidia con la
minimizacin de funciones. El mtodo de optimizacin para problemas en espacios restringidos,
fue desarrollado por Lagrange, el cual involucra la adicin de multiplicadores conocidos hoy en da
como multiplicadores de Lagrange en su honor.
En el siglo XX con el desarrollo de las computadoras fue posible la implementacin de los

algoritmos de optimizacin existentes y el desarrollo de nuevos mtodos. Entre estos el mtodo
simplex propuesto por George Danzig en 1947 y el principio de optimalidad para problemas de
programacin dinmica enunciado en 1957 por Richard Bellman. Lo cual sent las bases para el
desarrollo de mtodos de optimizacin en espacios restringidos. Sin embargo, fue en 1951 con el
trabajo de Harold W. Kuhn y Albert W. Tucker sobre condiciones necesarias y suficientes para la
solucin de problemas de optimizacin, de las que se derivan las condiciones KKT (Karush
Kuhn Tucker) que se establecieron como fundamentos para el desarrollo de una gran cantidad de
investigacin en optimizacin no lineal. Aunque no ha sido encontrada una tcnica que solucione
todos los problemas de optimizacin no lineal, los trabajos de C. W. Carroll, Anthony V. Fiacco y
Garth P. McCormick, permitieron resolver una amplia gama de problemas complejos con
restricciones utilizando funciones de penalizacin.
La dcada de los 1960s se caracteriz por el surgimiento de nuevas tcnicas de optimizacin, con
enfoques distintos. La programacin geomtrica fue desarrollada por R. J. Duffin, C. Zener y E. L.
Peterson a principios de los 1960s. Por otro lado, Ralph E. Gomory fue pionero en realizar trabajos
sobre programacin entera, la cual ha sido una de las reas de mayor crecimiento en optimizacin.
George Dantzig, Abraham Charnes y William W. Cooper desarrollaron tcnicas de programacin
estocstica y resolvieron problemas en los cuales, se presupone que los parmetros de diseo son
independientes y con una distribucin normal.
optimizacin
El deseo de optimizar simultneamente ms de una funcin objetivo, motiv el desarrollo de

mtodos multiobjetivo. Entre ellos la programacin por metas (goal programming), propuesta por
Charnes y Cooper en 1961 para la solucin de problemas lineales. La teora de juegos (la cual
guarda relacin con la optimizacin multiobjetivo) cuyos fundamentos fueron estudiados en 1928
por John von Neumann y desde entonces, esta tcnica ha sido aplicada para resolver varios
problemas de economa.
La segunda mitad del siglo XX y los principios del XXI se han caracterizado por el desarrollo de
tcnicas heursticas, que se basan en la naturaleza como el recocido simulado, los algoritmos
genticos, la optimizacin por enjambre de partculas, la optimizacin por colonia de hormigas, las
redes neuronales y otros. Esta clase de mtodos, han dado mejores resultados para los problemas
de optimizacin ms complejos, entre ellos los problemas NP-Completos y NP-Hard (muchos de
los cuales pertenecen a la optimizacin combinatoria). Los problemas cuya complejidad est
acotada por un polinomio son los denominados problemas P. Un problema pertenece a esta clase si
puede ser resuelto en tiempo polinomial por una mquina de Turing determinstica (significa que el
algoritmo se comporta de manera predecible). Los problemas NP son aquellos que pueden ser
resueltos en tiempo polinomial por una mquina de Turing no determinista. Tambin existen los
problemas NP completos; en los que los algoritmos que sirven para resolverlos requieren un
tiempo exponencial en el peor caso. Y los NP-Hard que son problemas que por lo menos son tan
difciles como un NP-Completo.
2.1 Optimizacin global o mono - objetivo

El problema general de optimizacin se puede plantear de la siguiente forma:
minimizar / H I H J K L(M) (2.1)
Sujeto a: (M) = 0 = 1, , H (2.2)
P (M) 0 = 1, , Q (2.3)
Donde M = (I , I , , IR ) es un vector de S variables de diseo, L es la funcin objetivo o costo,

son las restricciones de igualdad y P son las restricciones de desigualdad. Notando que la
maximizacin de L es equivalente a la minimizacin de L, adicionalmente se puede transformar
la funcin objetivo a una funcin fitness o de adaptacin sin modificar M a travs de la
multiplicacin, divisin, suma o resta de constantes positivas. Las restricciones de desigualdad
incluyen explcitamente los lmites inferiores y superiores de las variables de diseo, por lo cual se
puede expresar el problema de optimizacin en la forma:
minimizar / H I H J K L(M) , M (2.4)
Dnde: = (M: X Y, Z = Y)
es la regin factible o el conjunto factible. En problemas sin restricciones, estas no estn

presentes y la regin factible es todo el espacio de bsqueda. Al encontrar una solucin es
importante definir si es un ptimo, en este sentido aparecen los conceptos de mnimo local y
mnimo global.
Una solucin I[ se considera un mnimo local si:

21
M| d ] L_(M
] ^, ] > 0: I[ : |M ` `) L(M) (2.5)
En otras palabras en una vecindad definida por I , donde |M M `| d ], existe M ` tal que
_
L (M _
`) L(M),, por lo cual L (M
`) es el valor ms pequeo de la funcin objetivo en la vecindad.
Una solucin I se considera un mnimo global si:
M : L(M ) L(M) (2.6)
( ) es el valor mnimo que

De esta forma M es un mnimo global si para cualquier valor de M, L(M
puede tomar la funcin (ver figura 22-1).
Figura 2-1 Mnimo local y global
Los problemas de optimizacin se dividen en dos categoras de acuerdo a las variables que
espacios de bsqueda en ^R , con S = |M|. Y aquellos que manejan

manejan (Papadimitriou y Steiglitz, 1998),
1998) aquellos que manejan variables continuas que manejan
anejan variables discretas, estos
ltimos son denominados problemas
problemas de optimizacin combinatoria, donde las posibles soluciones
son permutaciones o combinaciones de variables, que tienen espacios de bsqueda finitos, que en
algunos casos pueden tender a dimensiones infinitas.
Cuando todas las variables de un problema

problema de optimizacin se ven obligadas a tomar slo valores
enteros, se denomina un problema de programacin entera total.. Cuando las variables se limitan a
tomar slo valores discretos, el problema se llama problema de programacin discreta. Cuando
algunas de las variables slo se limitan a tomar valores enteros (discretos),
(discreto el problema de
optimizacin es llamado un problema de programacin entera mixta.. Cuando todas las variables de
diseo de un problema
blema de optimizacin nicamente pueden tomar
mar valores de cero o 1, se denomina
problema de programacin cero-uno (Rao, 2009).
2.1.1 Mtodos de optimizacin

No hay un nico mtodo disponible para resolver todos los problemas de optimizacin de manera
eficiente. Por lo tanto se han desarrollado diversos mtodos de optimizacin para resolver
diferentes tipos de problemas de optimizacin. Las tcnicas de programacin matemtica
optimizacin
generalmente se estudian como una parte de la investigacin de operaciones. La investigacin de

operaciones es una rama de las matemticas que trata con la aplicacin de mtodos cientficos y
tcnicas para la toma de decisiones para establecer las soluciones ptimas. Los inicios de la
investigacin de operaciones se remontan a la Segunda Guerra Mundial, en la cual los militares
britnicos se enfrentaron al problema de la asignacin de recursos escasos y limitados (por
ejemplo, aviones de combate, radares y submarinos) a varias actividades (el despliegue de
numerosos objetivos y destinos). Debido a que no existan mtodos sistemticos disponibles para
resolver los problemas de asignacin de recursos, el ejrcito pidi a un equipo de matemticos
desarrollar mtodos para resolver el problema de una manera cientfica. Los mtodos desarrollados
por el equipo ms tarde se conoceran como los mtodos de investigacin de operaciones. En la
Tabla 2-1 se enumeran algunos de los principales mtodos de optimizacin.
Tabla 2-1 Principales mtodos de optimizacin (Rao, 2009)

Programacin Tcnicas de Procesos Tcnicas de optimizacin
M todos Estadsticos
Matemtica Estocsticos modernas o no tradicionale s
Teora de decisin
Mtodos de clculo Anlisis de Regresin Algoritmos genticos
estadstica
Anlisis de Agrupamiento y
Clculo de variaciones Procesos de Markov Recocido Simulado
patrones de reconocimiento
Optimizacin con Colonia de
Programacin no lineal Teora de Colas Diseo de Experimentos
Hormigas
Programacin Optimizacin por Enjambre de
Teora de renovacin Anlisis Discriminativo
Geomtrica Partculas
Programacin
Mtodos de simulacin Redes Neuronales
Cuadrtica
Programacin Lineal Teora de fiabilidad Optimizacin Difusa
Programacin
Dinmica
Programacin Entera
Programacin
Estocstica
Programacin
Separable
Programacin
Multiobjetivo
Mtodos de redes :
CPM y PERT
Teora de Juegos
Las tcnicas de programacin matemtica son tiles para encontrar el mnimo de una funcin de
varias variables bajo un determinado conjunto de restricciones. Las tcnicas de Procesos
Estocsticos se pueden utilizar para analizar los problemas descritos por un conjunto de variables
aleatorias conociendo las distribuciones de probabilidad de estas. Los mtodos estadsticos
permiten analizar datos experimentales y construir modelos empricos para obtener la
representacin ms exacta de la situacin fsica. Finalmente las tcnicas de optimizacin modernas
o no tradicionales emulan comportamientos de la naturaleza empleando mecanismos
determinsticos y aleatorios para la bsqueda de las soluciones ptimas. A continuacin se
describen los algoritmos genticos (AG), la optimizacin basada en forrajeo de bacterias (BFOA) y
un algoritmo hbrido basado en estos ltimos, mtodos sobre los cuales se basa la propuesta mono-
objetivo que se presenta en este documento.
23
2.1.2 Algoritmos genticos- AG

Los algoritmos genticos, introducidos por Holland (1975), son algoritmos de bsqueda basados en
la mecnica de la seleccin natural y la gentica. Los AG se han aplicado en diversos campos
como las matemticas, ingeniera, biologa y ciencias sociales (Golberg, 1989). En los AG se
combinan el concepto de supervivencia del ms apto con una estructura de intercambio de
informacin al azar para formar un algoritmo de bsqueda robusto. Se procede generando una
poblacin inicial de posibles soluciones (individuos o cromosomas), posteriormente se evala la
adaptacin de cada uno de los individuos de la poblacin y se seleccionan algunos de ellos para ser
padres y reproducirse a travs de un operador de cruce. Adicionalmente se emplea un operador
de mutacin que modifique al azar la composicin gentica de algunos individuos con el fin de
mejorar la diversidad de la poblacin. Los procesos de evaluacin, seleccin, reproduccin y
mutacin se repiten hasta que se alcanza el criterio de terminacin o un valor de fitness.
Pseudocdigo AG
Begin
Inicializacin de parmetros
Generacin de la poblacin inicial
While (criterio de terminacin)
Evaluacin
Seleccin
Cruzamiento
Mutacin
End While
End
Figura 2-2 Pseudocdigo general del algoritmo gentico AG
Los algoritmos genticos tienen la estructura general que se muestra en pseudocdigo en la figura
2-2, la cual se describe a continuacin:
Inicializacin
El algoritmo inicia generando de forma aleatoria los cromosomas que representan los individuos de
la poblacin.
Evaluacin
Se evala la funcin fitness o de adaptacin.
Seleccin
Este proceso de forma general consiste en seleccionar de la poblacin los individuos que se van
reproducir por cruzamiento para generar la siguiente generacin, este proceso se puede realizar
empleando elitismo, caso en el cual se conservan los mejores individuos de cada generacin y no
se remplazan por los hijos ni se mutan, dejan de pertenecer a la lite cuando otro individuo los
supera y toma su lugar, o sin elitismo donde sucede lo contrario. Existen diversos mtodos de
seleccin como la ruleta, por torneo, sobrante estocstico, muestreo determinstico y otros (Coello,
2011).
optimizacin
Cruzamiento
En esta funcin se reproducen los padres seleccionados anteriormente generando los hijos que
forman la siguiente generacin, y que remplazan a los padres en la poblacin si estos no pertenecen
a la lite.
Mutacin
En sta se verifica de forma aleatoria la aplicacin de este operador a un individuo determinado

siempre que no pertenezca a la lite y que obtenga una probabilidad inferior a la probabilidad de
mutacin establecida. El objetivo es modificar a un individuo de forma aleatoria para explorar
otras zonas del espacio de bsqueda.
Los algoritmos genticos se han empleado en problemas con variables continuas y/o discretas y se
han obtenido buenos resultados con su implementacin (Gen y Cheng, 2000). La codificacin y
los operadores de los algoritmos genticos implementados en este trabajo se presentan en el
captulo 5.
2.1.3 Bacterial foraging optimization algorithm - BFOA

BFOA (Bacterial foraging optimization algorithm), propuesto por Passino (2002), es un algoritmo
que emula el proceso completo de forrajeo de las bacterias E. Coli: quimiotaxis (movimientos de
giro y nado), reproduccin (duplicacin) y eliminacin-dispersin. En general, se trata de una
estrategia de bsqueda de alimento siguiendo el rastro de concentracin de este mediante
movimientos de nado y giro de cada bacteria, que se complementa con reproduccin por
duplicacin y eliminacin y dispersin de las bacterias. Este algoritmo fue planteado para
problemas en espacios continuos.
En la figura 2-3 se presenta el pseudocdigo del algoritmo propuesto por Passino (2002).
Pseudocdigo BFOA
Begin
Generacin de la poblacin inicial de bacterias f ( , g, Q) , = 1, , h

Evaluar la funcin objetivo a cada bacteriaL(f ( , g, Q)) , = 1, , h

For l=1 to Ned Do
For k=1 to Nre Do
For j=1 to Nc Do
Realizar el paso quimiotctico para cada bacteria f ( , g, Q)

For i=1 to S Do
End For
End For
Realizar reproduccin por duplicacin
End For
Realizar la eliminacin y dispersin de las bacterias que tengan una probabilidad < Ped
End For
End
Figura 2-3 Pseudocdigo BFOA

25
Los parmetros que se inicializan son: i nmero de bacterias, jk nmero de pasos quimiotcticos,
jl nmero de pasos de nado, jmn nmero de pasos de reproduccin, im nmero de bacterias a
reproducir, o(p) tamao de paso y qnr probabilidad de eliminacin dispersin.
El paso quimiotctico inicia con la generacin de direcciones aleatorias:
s(t) =
up
(2.7)
vuwt ut
Donde y es un vector aleatorio. Despus de esto, cada bacteria y (j, k, l) en su ciclo quimiotctico
(j), en su ciclo de reproduccin (k) y en su ciclo de eliminacin-dispersin (l) modifica su posicin
as:
y (j + 1, k, l) = y (j, k, l) + C(i)-(i) (2.8)
(i) es un vector unitario y C(i) es el tamao de paso. El nado ser repetido Ns veces si la nueva
posicin es mejor que la previa, verificndose para una minimizacin que:
f(y (j + 1, k, l)) d L(y (j, k, l)) (2.9)
reproduccin que consiste en realizar S/Sr (Passino recomienda S/Sr = 2) copias de las mejores
Luego de que las S bacterias hayan realizado su paso quimiotctico se procede al paso de
bacterias y (j, k, l), de acuerdo a su valor de funcin objetivo f(y (j, k, l)).
El paso de eliminacin-dispersin consiste en eliminar cada bacteria y (j, k, l) i, i = 1, . . . S que

obtenga una probabilidad menor a Ped (probabilidad de eliminacin dispersin 0 d d 1) y
generar de forma aleatoria una nueva bacteria en una nueva ubicacin.
La bsqueda de alimento en cmulos como lo realizan las bacterias en la realidad requiere de
repulsin L , la cual puede o no usarse dependiendo de si se considera o no que la clula libera

capacidades de comunicacin, que en este caso se logran mediante una funcin de atraccin y
atrayentes, para el caso en que las bacterias liberan atrayentes la funcin se representa de la
siguiente forma L !f, f ( , g, Q)& , = 1, , h, y emplea los siguientes parmetros:
El cual cuantifica cuanto atrayente es liberado
El cual cuantifica la rata de difusin del atrayente.
""R = (2.10)
""R El cual cuantifica la magnitud de la repulsin.
Passino recomienda que estos valores se ajusten dependiendo del problema, finalmente la funcin
de atraccin repulsin se define de la siguiente forma:
optimizacin
L !f, f ( , g, Q)&

= I f f

+ ""R I ""R f f

(2.11)
Si se considera la atraccin cada vez que se evala la funcin objetivo se le suma a esta la funcin
de atraccin repulsin.
L !f ( , g, Q)& = L !f ( , g, Q)& + L !f, f ( , g, Q)& (2.12)
En este trabajo se implementa una versin discreta de este algoritmo que est basada en los
trabajos de Hezer y Kara (2011), Atasagun y Kara (2011) y Nouri et. al., (2010), esta versin no
considera atraccin entre las clulas, y se diferencia de esta en el tipo de variables (discretas), la
codificacin de las soluciones y los operadores empleados al realizar el paso quimiotctico donde
los nados y giros se realizan por medio de intercambios, inserciones e inversiones de los elementos
de cada solucin, se presenta en el captulo 5.
2.1.4 Algoritmo Bacterial-GA Foraging

Chen, Tsai, Chu y Pan (2007) propusieron el algoritmo hbrido Bacterial-GA Foraging descrito en
la figura 2-4, el cual tiene la estructura del BFOA (Bacterial foraging optimization algorithm),
propuesto por Passino (2002), al cual se le adiciona posterior al nado y dentro del paso
quimiotctico la seleccin, cruzamiento y mutacin de un algoritmo gentico. Los autores de este
algoritmo manifiestan que realizan esta hibridacin para aprovechar la capacidad de bsqueda
global de los AG (convergencia) y de escapatoria de mnimos locales del BFOA.
Este algoritmo fue desarrollado para problemas con variables continuas, en este trabajo se realiz
una versin discreta que se compara con el algoritmo que se propone en este trabajo, la
comparacin en el desempeo solucionando un conjunto de problemas de prueba se hace sobre la
estructura general del algoritmo, debido a que la codificacin y las funciones empleadas difieren de
la propuesta original de los autores.
La codificacin de las soluciones as como la descripcin de los operadores empleados se

presentan en el captulo 5.
27
Pseudocdigo Bacterial-GA Foraging
Begin
Generacin de la poblacin inicial de bacterias f ( , g, Q) , = 1, , h

Evaluar la funcin objetivo a cada bacteria L(f ( , g, Q)) , = 1, , h
For l=1 to Ned Do

For k=1 to Nre Do
For j=1 to Nc Do
Realizar el paso quimiotctico para cada bacteria f ( , g, Q)

For i=1 to S Do
Seleccin
Cruzamiento
Mutacin
End For
End For
Realizar reproduccin por duplicacin
End For
Realizar la dispersin de las bacterias que tengan una probabilidad < Ped
End For
End
Figura 2-4 Pseudocdigo Algoritmo Bacterial-GA Foraging
2.2 Optimizacin multi - objetivo

El problema general de optimizacin multi-objetivo se puede plantear de la siguiente forma:
minimizar / H I H J K L (M), L (M), , L (M) S g 2 (2.13)
Sujeto a: (M) = 0 = 1, , H (2.14)
P (M) 0 = 1, , Q (2.15)
Donde M = (I , I , , IR ) es un vector de S variables de diseo, L (M), L (M), , L (M) son las

funciones objetivo o costo, k es el nmero de objetivos que debe ser mayor o igual a dos (g 2)
para considerarlo un problema multi-objetivo, son las restricciones de igualdad y P son las
restricciones de desigualdad. De tal forma que M sea una solucin factible (I ).
De forma general los problemas multi-objetivo se presentan porque se requiere optimizar de forma
simultnea varios objetivos que generalmente estn en conflicto, en este sentido Vilfredo Pareto
(1848-1923), quien fue un socilogo, economista y filsofo italiano, demostr que dada una
determinada distribucin de riqueza entre un conjunto de individuos, y en un ambiente con un
mercado competitivo no es posible reorganizar la riqueza para incrementar el bienestar de uno o
ms individuos, si no es a costa de reducir el bienestar de los restantes. Por esta razn en la
optimizacin multi-objetivo el concepto de ptimo se modifica en comparacin con la
optimizacin
optimizacin global ya que no se busca una solucin nica, en cambio la solucin ptima u ptimo
de Pareto se define en relacin con los diferentes objetivos de la siguiente forma:
Un vector M , es un ptimo de Pareto si y solo si no existe un vector M para el cual:
L (M) L (M ) para todo , = 1,2, . . . , g objetivos y (2..16)
L (M) d L (M ) para al menos un , 1 g objetivos (2..17)
un minimizacin, para todos los objetivos L ( ) L (), (con

( ),, en el caso de realizar una
A partir de esto se desprende el concepto de dominancia de Pareto. Si un vector domina a
= 1, , g objetivos) y por los menos para uno de los objetivos ( ), L ( ) d L (). En otras
palabras, para que una solucin domine a otra, sta debe ser estrictamente mejor en al menos un
objetivo y no peor
eor en ninguno de los otros.
En la figura 2-5 la solucin domina a las soluciones , , estas se encuentran en el cuadrante

dibujado en esta figura que representa todas las soluciones que domina cuando se considera una
minimizacin,, ya que para todos las soluciones de este cuadrante es menor o igual para todos los
objetivos, y al menos para uno de los objetivos es menor.
Figura 2-5 Frente ptimo de P

Pareto y concepto de dominancia
Pareto estar definido por:

Dado que en un problema multi-objetivo
multi objetivo no existe una solucin nica el conjunto de ptimos de
P = x : x

: f (x ) f (x) (2.18)
pertenecientes al conjunto de ptimos de Pareto .

Y el frente de Pareto corresponder a los valores de las funciones objetivo de las soluciones
De la misma forma que los problemas mono mono-objetivo

objetivo los problemas multi
multi-objetivo pueden
dividirse en problemas con variables continuas
continuas y discretas, estos ltimos denominados de
optimizacin combinatoria sobre los cuales trata este documento.
29
2.2.1 Mtodos de optimizacin multi-objetivo

Se han desarrollado varios mtodos para resolver problemas de optimizacin multiobjetivo.
Algunos de los mtodos clsicos se describen brevemente a continuacin. Posteriormente se
presentan los tres algoritmos empleados en este trabajo el NSGA2, el SPEA2 y el BCMOA.
Mtodo de la funcin de utilidad
En el mtodo de la funcin de utilidad, una funcin de utilidad (L ) se define para cada objetivo
dependiendo de la importancia de L en relacin con las dems funciones objetivo. Entonces la
funcin de utilidad total o global se define:
= (L ) (2.19)
El vector solucin es entonces encontrado por la maximizacin de la funcin de utilidad total

sujeta a las restricciones P (-) 0, = 1,2, , H. La forma simple de la funcin de utilidad
est dada por:
= (L ) = L (2.20)
Donde es un factor de ponderacin escalar asociado con la funcin objetivo . Este mtodo es
tambin conocido como mtodo de la funcin de ponderacin.
Mtodo de Criterio Global
preseleccionado (-), el cual puede ser la suma de los cuadrados de las desviaciones relativas de
En el mtodo de criterio global la solucin ptima X* se encuentra al minimizar un criterio global
las funciones objetivo individuales de las soluciones factibles ideales. As X* se encuentra al

minimizar:

( ()
(-) =
(2.21)
Sujeto a: P (-) 0, = 1,2, , H. (2.22)
Donde es una constante (un valor comn para es 2) y -t es la solucin ideal para la funcin
objetivo . La solucin -t es obtenida por minimizacin de L (-) sujeta a las restricciones
P (-) 0, = 1,2, , H.
Mtodo de la Funcin Objetivo Acotada
rendimiento para cada funcin objetivo L se especifican respectivamente como ( ) y ( ) , para

En el mtodo de la funcin objetivo acotada, los niveles mnimo y mximo aceptables de
= 1, 2, . . . , g. Entonces, la solucin ptima - se encuentra al minimizar el objetivo ms

importante de la funcin, por ejemplo el nmero K como se muestra a continuacin:
S H J K L (-) (2.23)
Sujeto a: P (-) 0, = 1,2, , H. (2.24)
( ) L ( ) , = 1,2, , g, K (2.25)
optimizacin
Mtodo lexicogrfico
En el mtodo lexicogrfico, los objetivos se clasifican en orden de importancia por el diseador.

Las soluciones ptimas X* se encuentran, reduciendo al mnimo las funciones objetivo
comenzando con el ms importante y procediendo de acuerdo con el orden de importancia de los
importancia de este. As L (-) y L (-) denotan respectivamente la ms importante y la menos

objetivos. Los subndices no solo indican el nmero del objetivo sino tambin el orden de
importante de las funciones objetivo. El primer problema es formulado como
S H J K L (-) (2.26)
Sujeto a: P (-) 0, = 1,2, , H. (2.27)
y su solucin y L = L ( ) se obtiene. A continuacin, el segundo problema es formulado

como:
S H J K L (-) (2.28)
Sujeto a: P (-) 0, = 1,2, , H. (2.29)
L (-) = L (2.30)
La solucin de este problema se obtiene como y L = L ( ). Este procedimiento se repite

hasta que todos los objetivos g han sido considerados. El problema simo est dado por:
S H J K L (-) (2.31)
Sujeto a: P (-) 0, = 1,2, , H. (2.32)
L (-) = L , Q = 1,2, , 1 (2.33)
y su solucin se encuentra como y L = L ( ). Finalmente, la solucin obtenida al final (es

decir, ) se toma como la solucin deseada del problema de optimizacin multi-objetivo
original.
Mtodo de la programacin por metas u objetivos
objetivo que se desea alcanzar. La solucin ptima se define entonces como la que reduce al
En la versin ms simple de la programacin por metas, el diseador establece las metas para cada
mnimo las desviaciones de los objetivos fijados. As, la formulacin del problema de optimizacin
multi-objetivo de la programacin por metas conduce a:
#

S H J K $ + ( , 1 (2.34)
Sujeto a: P (-) 0, = 1,2, , H. (2.35)
L (-) + $ + ( = , = 1,2, , g (2.36)
$ 0, = 1,2, , g (2.37)
31
( 0, = 1,2, , g (2.38)
$ ( = 0, = 1,2, , g (2.39)
Donde es el objetivo fijado por el diseador para el objetivo -simo y son $ , ( ,
utilidad elegida por el diseador. A menudo, el objetivo para el -simo objetivo , se encuentra
respectivamente el bajo y el alto rendimiento del objetivo . El valor de se basa en la funcin de
resolviendo el siguiente problema:
S H J K L (-) (2.40)
Sujeto a: P (-) 0, = 1,2, , H. (2.41)
Si la solucin del problema anterior es - entonces es tomado como = L ( ).
Mtodo de consecucin de objetivos
En el mtodo de consecucin de objetivos, los objetivos se establecen como para la funcin

objetivo L (-), i = 1, 2, . . . , k. Por otra parte, se definen factores de ponderacin > 0 para la
funcin objetivo L (-) que denotan la importancia relativa de la funcin objetivo -sima respecto
a las otras funciones objetivo en el cumplimiento del objetivo , i = 1, 2, . . . , k. A menudo, el
objetivo es encontrado solucionando el problema de optimizacin:
S H J K L (-) (2.42)
Sujeto a: P (-) 0, = 1,2, , H. (2.43)
Si la solucin del problema se denota - entonces puede ser tomado como el valor ptimo del
objetivo L , L = L (- ). Un escalar se introduce como una variable de diseo, adems de las S
variables de diseo I , = 1, 2, . . . , S. Entonces el problema es resuelto:
Encontrando I , = 1, 2, . . . , S y
Para minimizar
(I , I , , IR , 6) = 6 (2.44)
Sujeto a:
P (-) 0, = 1,2, , H. (2.45)
L (-) 6 , = 1,2, , g (2.46)
Donde los factores de ponderacin deben satisfacer la condicin de:
= 1 (2.47)
optimizacin
2.2.2 Non-dominated Sorting Genetic Algorithm2 -

NSGA2
Deb, Agrawal, Pratap y Meyarivan (2002), presentaron una segunda versin del algoritmo NSGA,
el NSGA-2 que conserva la estructura principal de su predecesor, pero cuenta con mejoras
significativas que lo hacen ms eficiente computacionalmente.
El algoritmo NSGA-2, es un algoritmo evolutivo multi-objetivo, elitista basado en dominancia de

Pareto y crowding, que emplea un enfoque de ordenamiento rpido de no dominancia para
clasificar las soluciones en frentes de Pareto y un operador de comparacin de hacinamiento
(crowded comparison) para definir los individuos de la siguiente generacin considerando la
clasificacin en frentes de Pareto y la distancia crowding de cada solucin. A continuacin se
describen las diferentes fases que componen al NSGA-2.
For
Ordenamiento rpido no dominado - Fast non dominated sort
h = Y
S = 0
For
If( ) then Si domina a
h = h
por
Se asigna al conjunto de soluciones dominadas
Else if ( ) then Si domina a

S = S + 1
If S = 0 then pertenece al primer frente
Incrementa el contador de dominacin en 1
R = 1
=
=1
While t Y
Se inicializa el contador de frentes
=Y
For
For h
S1 = S1 1
If S1 = 0 then
R = + 1
pertence al siguiente frente
=
= +1
=
Figura 2-6 Pseudocdigo ordenamiento rpido no dominado Fast non dominated sort (Deb et
al., 2002)
Ordenamiento rpido no dominado
En el ordenamiento rpido no dominado (Fast non dominated sort)(Deb et al., 2002), para cada
individuo p de la poblacin P se determina el valor de dos entidades: 1) un contador de dominacin
np, que indica el nmero de soluciones que domina la solucin p y 2) un conjunto de soluciones Sp
que la solucin p domina. Esto significa que todas las soluciones en el primer frente no dominado
33
(F1), tendrn su contador de dominancia np igual a cero puesto que ninguna otra solucin las
domina. Por cada solucin p con np= 0, se visita cada miembro q del conjunto Sp y se decremento
su contador en uno. Al hacerlo, si para algn miembro q el contador de dominacin llega a ser
cero, esta solucin se asigna a una lista Q. Todos los miembros de Q pertenecen al segundo frente
no dominado (F2). Se contina con el procedimiento anterior con cada miembro de Q y se forma el
tercer frente no dominado (F3). Este procedimiento se mantiene, hasta que todos los frentes (Fi) son
identificados.
El pseudocdigo del algoritmo fast non dominated sort se muestra en la figura 2-6, donde prank y
qrank denotan el rango jerrquico de las soluciones p y q.
Preservacin de la diversidad en la poblacin
Durante la convergencia hacia el conjunto de ptimos de Pareto, es deseable que un algoritmo

mantenga una buena dispersin en el conjunto de soluciones obtenido. En el NSGA-II, se emplea
la comparacin de agrupamiento (crowded-comparison) (Deb et al., 2002). De esta manera, no se
requiere definir parmetros adicionales para mantener la diversidad en la poblacin. Para definir el
operador de comparacin de agrupamiento (crowded-comparison operator) (Deb et al., 2002) es
necesario primero definir el concepto de mtrica de estimacin de densidad (density-estimation
metric)(Deb et al., 2002).
+1
Figura 2-7 Clculo de la distancia crowding (Deb et al., 2002)
1) Estimacin de densidad - Density-estimation metric (Deb et al., 2002)
Para obtener una estimacin de la densidad de las soluciones circundantes en una solucin en
particular, se calcula la distancia promedio de dos puntos vecinos, uno a cada lado del punto de
inters, utilizando el valor de sus funciones objetivo. Esta cantidad sirve como un estimador
del permetro del cuboide formado por los vecinos ms cercanos como vrtices; a esto se le
conoce como distancia crowding y se ilustra en las figuras 2-7 y 2-8. El procedimiento para
calcular la distancia crowding, requiere ordenar descendentemente la poblacin de acuerdo con el
valor de cada funcin objetivo. Despus, por cada funcin objetivo se asigna un valor de distancia
infinito a los individuos que estn en los extremos (individuos con el menor y el mayor valor). Al
resto de las soluciones, se les asigna un valor de distancia normalizado, que es igual al valor
optimizacin
absoluto de la diferencia de los valores de las funciones, correspondientes a los puntos adyacentes.
El valor de la distancia crowding, se calcula como la suma de los valores de todas las distancias de
los elementos correspondientes a cada objetivo. Se normaliza cada funcin objetivo antes de
calcular la distancia de agrupamiento.
= S S Q S S H S
Clculo de la distancia crowding
Q = ||
For t, tt = Y
For H
Ordenar de acuerdo a cada objetivo H
1 = Q =
For t = ( )
+ 1. 1.
= +
L L R
Figura 2-8 Pseudocdigo Clculo de la distancia crowding (Deb et al., 2002)
2) Operador de comparacin de agrupamiento - Crowded-comparison operator (Deb et al.,

2002)
El operador de comparacin de agrupamiento S, gua el proceso de seleccin a varias fases del

algoritmo hacia un frente de Pareto ptimo y disperso. Asumiendo que cada individuo en la
poblacin tiene dos atributos:
1. Jerarqua de no dominacin R .
2. Distancia de agrupamiento R" .
A partir de esto se define un orden parcial S como:
S if ( R d R ) (2.48)
Or (( R = R ) (2.49)
And ( R" > R" )) (2.50)
Lo anterior significa, que entre dos soluciones con distintos rangos de no dominacin, se prefiere la
solucin con el menor rango. En otro caso, si dos soluciones pertenecen al mismo frente, entonces
se prefiere la solucin que est ubicada en una regin de menor densidad.
Procedimiento NSGA-II
En este procedimiento inicialmente, se crea una poblacin aleatoria P0 de tamao N que es

ordenada con base en el principio de no dominacin. A cada solucin se le asigna un valor de
jerarqua igual al nivel de su dominacin (el nivel 1 es el mejor, el nivel 2 es el siguiente mejor y
as sucesivamente). Al principio del algoritmo, se aplica la seleccin por torneo binario (Gen y
Cheng, 2000), as como los operadores de cruzamiento y mutacin, para crear una poblacin de
descendientes Q0 de tamao N. El concepto de elitismo se aplica al comparar la poblacin actual
35
con las mejores soluciones previamente encontradas (seleccin (+l)). El procedimiento difiere
despus de producir la generacin inicial tal y como se describe a continuacin con la t-exima
generacin.
Pseudocdigo NSGA2
Begin
Generacin de la poblacin inicial Po
Evaluar la funcin objetivo a Po
Aplicar ordenamiento rpido no dominado a Po
Seleccin
Se genera Qo por cruzamiento y mutacin
=
While (Criterio de parada) Do
Aplicar ordenamiento rpido no dominado a
Generar + 1 a partir de aplicando R

Calcular distancia crowding
Se genera + 1 por cruzamiento y mutacin

End While
End
Figura 2-9 Pseudocdigo NSGA2
En primera instancia, se obtiene una poblacin formada por = de tamao

2.Despus, la poblacin se ordena de acuerdo a los principios de no dominacin. Dado que
todos los miembros de la poblacin previa y actual estn incluidos en , el elitismo est
de la poblacin y deben ser enfatizadas ms que alguna otra solucin en la poblacin

asegurado. Las soluciones no dominadas pertenecientes al conjunto F1 son las mejores soluciones
combinada. Si el tamao de 1 es ms pequeo que , se eligen todos los miembros del conjunto
1 para ser parte de la poblacin + 1. Los individuos restantes de la poblacin + 1 son
del conjunto 2 son elegidas, seguidas por las soluciones del conjunto 3 y as sucesivamente.
elegidos de los subsecuentes frentes no dominados en el orden de su rango. As que las soluciones
Evidentemente, la suma de las cardinalidades de los conjuntos 1 a Q es mayor que . Para

Este procedimiento contina hasta que no pueden acomodarse ms conjuntos de soluciones.
solucionar esta situacin, se ordena en forma descendente el ltimo conjunto Q usando el operador
de comparacin de agrupamiento ( S) para seleccionar las mejores soluciones y llenar
exactamente el espacio de la nueva poblacin de tamao . A la nueva poblacin + 1 se le
aplican los operadores de seleccin, cruza y mutacin para formar una nueva poblacin + 1 de
operador de comparacin de agrupamiento ( S). Este operador requiere que se conozca la

tamao N. Es importante decir que en la tcnica de seleccin de torneo binario, se aplica el
jerarqua y la distancia de agrupamiento de cada solucin de la poblacin. El pseudocdigo del

algoritmo NSGA-II se describe en la figura 2-9.
optimizacin
2.2.3 Strength Pareto Evolutionary Algorithm 2 -

SPEA2
El SPEA-2 propuesto por Zitzler, Laumans y Thiele (2001) es una versin mejorada del Strength
Pareto Evolutionary Algorithm - SPEA (Zitzler y Thiele, 1999), este algoritmo tiene tres
diferencias fundamentales respecto a su antecesor:
Utiliza un esquema de asignacin de fitness mejorado, el cual toma en cuenta para cada
individuo cuantos individuos domina y cuantos lo dominan.
Una tcnica de estimacin de la densidad de vecindad es incorporada, la cual permite guiar
el proceso de bsqueda de una forma ms precisa.
Un nuevo mtodo de truncamiento que garantiza la preservacin de las soluciones en la
frontera.
A continuacin se describe el procedimiento seguido por el SPEA2 que se presenta en

pseudocdigo en la figura 2-10.
Pseudocdigo SPEA2
Inicializacin de parmetros: (tamao de la poblacin)

Begin
(tamao del archivo)

(mximo nmero de generaciones)
Generar una poblacin inicial ' y crear un archivo vacio (conjunto externo) ' = 0, = 0.
Do
Calcular los valores de fitness de los individuos en y .

Clculo de los valores de fitness:
Copiar todos los individuos no dominados en y a $ . Si el tamao de $ excede ,

Seleccin ambiental:
entonces reducir $ por medio del operador de truncamiento, en otro caso si el tamao de $ es
menor que entonces completar $ con individuos dominados en y .
Si w u otro criterio de parada es satisfecho, asignar ( contiene las soluciones no

Evaluacin del criterio de parada:
$ . Parar.
dominadas) a el conjunto de vectores de decisin representados por individuos no dominados en
Realice el torneo binario de seleccin con reemplazo sobre $ para seleccionar los padres para
Seleccin de acoplamiento:
el paso de variacin.
Variacin:
poblacin resultante $ . Incrementar el contador de generaciones ( = + 1).

Aplicar operadores de cruzamiento y mutacin a los individuos seleccionados y asignarlos a la
End Do
End
Figura 2-10 Pseudocdigo SPEA2
Asignacin del fitness
A cada individuo t en el archivo , y la poblacin se le asigna un valor de fuerza (strength)

h( ), representando el nmero de soluciones que domina .
37
h( ) = | | + | (2.51)
Donde corresponde a la relacin de dominancia de pareto ( , i domina a j). Sobre la base de

los valores de h, se calcula ( ), que es determinado por la sumatoria de h( ). Donde pertenece a
la unin de la poblacin y el archivo, y representa los elementos que dominan a t.
( ) = $ , h( ) (2.52)
( ) = 0 corresponde a los individuos no dominados, mientras que valores altos de ( )

representan que es dominado por muchos individuos.
Aunque la asignacin del fitness provee un mecanismo de niching basado en el concepto de

dominancia de Pareto, esto podra fallar cuando muchos individuos no son dominados por otros.
individuos que tienen iguales valores de ( ). La tcnica de estimacin de la densidad empleada en

Por lo tanto, se incorpora informacin adicional sobre la densidad para discriminar entre
SPEA2 es una adaptacin del Kth vecino ms cercano (Silverman, 1986), donde la densidad en
cualquier punto es una funcin decreciente de la distancia a el Kth dato ms cercano del punto.
Para cada individuo las distancias (en el espacio de objetivos) a todos los individuos en el
orden creciente, el Kth elemento da la distancia estimada, denotada por . En este caso se
archivo y la poblacin son calculadas y ordenadas en una lista. Despus de ordenar la lista en
emplea g = + . La densidad ( ) correspondiente a est definida por:
( ) =
$
(2.53)
Finalmente fitness ( ) es:
( ) = ( ) + ( ) (2.54)
Seleccin ambiental
La operacin de actualizacin del archivo en SPEA-2 difiere respecto a SPEA en los siguientes
aspectos:
El nmero de individuos contenidos en el archivo es constante todo el tiempo.

El mtodo de truncamiento previene que sean removidas de este las soluciones que estn
en la frontera.
Durante esta operacin, el primer paso es copiar todos los individuos no dominados, los cuales
tienen un fitness menor que uno, del archivo a la siguiente generacin.
$ = | + ( ) d 1 (2.55)
Si la frontera no dominada se ajusta exactamente dentro del archivo el paso de seleccin ambiental
est completo. En otro caso pueden suceder dos situaciones:
Que el archivo sea muy pequeo. En este caso los mejores individuos dominados en el archivo y
poblacin previos son copiados al nuevo archivo hasta completar el tamao de la poblacin.
, un procedimiento de truncamiento del archivo es invocado.
Que el archivo sea muy grande. Cuando el tamao del archivo del conjunto no dominado excede a
optimizacin
Seleccin de acoplamiento - Mating selection
Para este procedimiento se realiza el torneo binario de seleccin con remplazo sobre $ para
individuos son escogidos de la poblacin no dominada de acuerdo al valor de su funcin

seleccionar los padres para el paso de variacin. La seleccin es un proceso por medio del cual dos
fitness para someterse a la accin futura de otros operadores.
En la seleccin por torneo binario, de forma aleatoria se seleccionan dos individuos de forma
aleatoria de los cuales se selecciona aquel que domine al otro aplicando el concepto de dominancia
de Pareto (Gen y Cheng, 2000).
2.2.4 Bacterial Chemotaxis Multiobjective Optimization

Algorithm-BCMOA
El BCMOA fue propuesto por Guzmn, Delgado y Carvalho (2010), es un algoritmo multiobjetivo
que emula el comportamiento quimiotctico de la bacteria E. Coli en su bsqueda de alimento.
Est basado en dominancia de pareto y crowding, y fue diseado para solucin de problemas con
variables continuas. A continuacin se describen sus rasgos ms importantes y posteriormente el
pseudocdigo se presenta en la figura 2-11.
Inicializacin
Se ubican las bacterias en el espacio de parmetros, dimensiones representan el valor de las

variables de decisin, el espacio de bsqueda est limitado por el rango de las variables. El
las bacterias en el espacio de parmetros. Todas las bacterias de una colonia con h miembros son
espacio de funciones que representa los valores de las funciones objetivo para cada ubicacin de
ubicadas inicialmente de forma aleatoria.
Evaluacin de las funciones fitness y clasificacin de no dominancia
Para cada bacteria en la ubicacin inicial, la funcin objetivo es evaluada. Aplicando el

procedimiento de ordenamiento rpido de no dominancia propuesto por Deb et al.,(2002) las
ubicaciones actuales son clasificadas en frentes de Pareto (POF). Las bacterias que se clasificaron
en el primer frente de Pareto (POF1) se denominan bacterias fuertes (estas no son dominadas por
ninguna otra solucin). Las dems bacterias se clasifican en diferentes frentes y se denominan
dbiles (estas son dominadas por otras soluciones).
Estrategia quimiotctica para las bacterias fuertes
Las bacterias fuertes comparan su ubicacin actual con la anterior aplicando el concepto de no
dominancia de Deb et al., (2002), como resultado de esta comparacin cada bacteria fuerte puede
reaccionar realizando uno de estos movimientos: si una de las posiciones (previa o actual) domina
a la otra, la bacteria se mueve a la posicin no dominada y a partir de esta realiza un pequeo giro-
nado en una direccin aleatoria sin alejarse del rastro de nutrientes. Por otro lado si cualquiera de
las ubicaciones (previa y actual) no domina a la otra, a partir de la ubicacin actual realiza un gran
giro-nado en una direccin aleatoria.
39
Pseudocdigo BCMOA
Begin
Inicializacin de parmetros:
:h (Nmero mximo de pasos quimiotcticos)

S (nmero de bacterias)
Generar una poblacin inicial de bacterias ( )

(ndice de bacterias), j (ndice de pasos quimiotcticos) y k (ndice de parmetros)
(donde f ( ) es la posicin de cada bacteria y f ( ) ^ )

While ( d M ) Do
Asignar ( ) y f ( ) a la lista 0
(Criterio de parada)
Actualizar ( ), h( ) y h( )
For t ()
Evaluar !f ( )& (Evaluar las funciones objetivo)
For t () ()
Aplicar ordenamiento rpido no dominado
Generar un vector ( ) ^ , donde cada es un nmero aleatorio entre

(Para toda bacteria fuerte)
1,1 y g = 1,2, ,
If !t ()& t () Then
S Q" = S Q
t ()
t ()Then
t
f ( + 1) = f ( )" + h ( ) ( )
If
Ift () t t () Then
f ( + 1) = f ( ) + h ( ) ( )
Ift () t () Then
f ( + 1) = f ( ) + ( ) ( )
If|| > 0.5
If t () ()
Calcular parmetro S
For t () ()
f ( + 1) = f ( )'R + f ( )'R K1 + h ( )
(Para toda bacteria dbil)
(donde K1 es un nmero aleatorio entre 0.01,0.01)

If t () t
Aplicar estrategia de paredes absorbentes a ( ) (Robinson y Rahmat-Samii, 2004)
End Do
End
Figura 2-11 Pseudocdigo BCMOA
Comunicacin y estrategia quimiotctica para bacterias dbiles
Simulando la comunicacin bacteriana en la naturaleza, cada bacteria dbil selecciona una bacteria
fuerte y se aproxima a sta, ubicndose en una posicin cercana a sta, adicionalmente sigue la
misma direccin del rastro de nutrientes que esta sigue.
Preservacin de la diversidad
Con el fin de estimular la diversidad de soluciones, se emplea el parmetro S propuesto por

Kumar et al., (2007) para el TV-MOPSO (Time Variant Multi-Objective Particle Swarm
Optimization). Para una solucin, el clculo de este parmetro se basa en la distancia a su vecino
ms cercano en el frente de Pareto al que pertenece, dando una estimacin de la densidad de las
optimizacin
soluciones en el frente. Valores altos indican una mayor dispersin de las soluciones. Cuando el
tamao del POF1 es mayor al 50% del tamao de la colonia, el parmetro de densidad es calculado
para todas las bacterias fuertes con el fin de ordenarlas de acuerdo a este valor en orden
ascendente. Esto con el fin de que las bacterias dbiles seleccionen al mejor 20% de esta lista.
Tamao del paso
La seleccin del tamao de los pasos demostr ser un tema crtico. Si los tamaos de los pasos son
demasiado pequeos, la bsqueda puede quedar atrapada en un ptimo local, pero si los pasos son
demasiado largos la bsqueda puede perder un ptimo global. Teniendo en cuenta esto, las
ecuaciones para el tamao de paso del nado-giro largo (LT), el tamao de paso para el nado-giro
corto (ST) y el tamao de nado (SW) se definen sin casi ninguna intervencin del usuario, esto
debido a su actualizacin automtica durante el proceso.
Vamos a definir en primer lugar un factor , que disminuye en forma lineal de uno a cero en
cada paso quimiotctico como se muestra a continuacin:
( )=
(

(2.56)
Donde :h es el nmero mximo de pasos quimiotcticos; es el ndice para el paso

quimiotctico. Sea h el nmero de miembros de la colonia, el ndice g para los parmetros del
problema; 1( ), el conjunto de soluciones no dominadas; y f( ) "" es la ubicacin de una
bacteria y; f( )> es la ubicacin de una bacteria dbil. El tamao de los pasos para el nado-
giro largo, nado-giro corto y el nado para cada parmetro g estn definidos por:
( ) = !H I1( ) H S1( ) & ()

(2.57)
h ( ) = 0.1 ( ) (2.58)
h ( ) = f ( ) "" f ( )> () (2.59)
Donde, H I(1) , H S(1) son el mximo y el mnimo valor para el parmetro k con
las soluciones del conjunto 1( ).
41
3. Modelos propuestos
El problema del layout de las celdas de manufactura como se describi anteriormente tiene en s
una naturaleza multiobjetivo debido a que debe solucionar los problemas de la formacin de las
celdas de manufactura y del layout inter e intra celdas. En este trabajo se aborda de forma separada
la formulacin matemtica de cada uno de estos problemas como funcin objetivo para
posteriormente integrarlos. A continuacin se describe el proceso seguido para definir las
funciones objetivo del modelo mono-objetivo y multi-objetivo.
3.1 Formacin de las celdas de manufactura

La formacin de las celdas de manufactura es un problema combinatorio que tiene como objetivo
agrupar las mquinas en celdas y las partes en familias, este proceso debe realizarse considerando
las similitudes en procesos de fabricacin entre las partes para lograr maximizar la asociacin entre
los elementos de las celdas y las familias. Adems este proceso se debe hacer lo ms simple
posible debido a la complejidad intrnseca que tiene, por lo anterior en este trabajo se emplea una
mtrica de agrupamiento, debido a que se adapta muy bien como funcin objetivo ya que evala la
calidad del agrupamiento al mismo tiempo que gua el proceso de formacin de las celdas de
manufactura.
Como se describi en el captulo 1, para medir la calidad del agrupamiento de las celdas de
manufactura existen diversas mtricas que tienen diferentes caractersticas que les permiten
solucionar determinados tipos de problemas, por esta razn la seleccin de la mtrica que se
empleara como funcin objetivo se realiz evaluando de forma experimental el desempeo de la
Eficacia de agrupamiento (), Eficacia de agrupamiento modificada 1 ( ), ndice de capacidad de
agrupamiento (GCI), Eficiencia de agrupamiento (), Eficacia de agrupamiento modificada 2 ( ),
ndice de agrupamiento ( 2 ), Eficacia de agrupamiento ponderada () y la Mtrica de
agrupamiento doblemente ponderada ( 1 ), emplendolas como funcin objetivo. La tcnica de
optimizacin empleada fue algoritmos genticos.
El proceso realizado inici con la sintonizacin de los parmetros de los algoritmos genticos y
cada una de las mtricas, para finalmente probar el desempeo de cada una de estas en la solucin
de cinco problemas de prueba que se presentan como anexos a este documento. Para el desarrollo
de esta tarea se emple un computador con procesador Intel Core 2 Duo T6400 de 2.00 GHz y 3
GB de memoria RAM, los algoritmos genticos se programaron en lenguaje Fortran 90. Para la
evaluacin del desempeo de las alternativas de solucin propuestas se plantearon cuatro
experimentos con diseos factoriales encaminados a determinar su comportamiento en la solucin
de cinco problemas de prueba reconocidos en la literatura. La variable de respuesta para los
experimentos fue denominada xito y representa la obtencin o no de una solucin ptima al
optimizacin
problema de prueba por parte de la alternativa evaluada. Cuando esta obtiene una solucin ptima
xito=1, en caso contrario xito=0 y se considera un fracaso.
Para obtener conclusiones validas estadsticamente, se realizaron 50 repeticiones para cada uno de
los tratamientos en cada experimento. A continuacin se describen los experimentos realizados
presentando: los porcentajes de cruzamiento, los porcentajes de mutacin, las mtricas empleadas
como funcin fitness y los factores de ponderacin. Al respecto, considerando la gran diversidad
de factores y con el nimo de agrupar las alternativas similares, se clasificaron las mtricas en tres
grupos a partir de los cuales se plantearon los tres primeros experimentos de la siguiente forma:
eficacia de agrupamiento ( ), eficacia de agrupamiento modificada 1 ( ) y el ndice de

1. El primer experimento se realiz con las mtricas sin factor de ponderacin (ver tabla 3-1):
capacidad de agrupamiento( ).
3-2): eficiencia de agrupamiento( ), eficacia de agrupamiento modificada 2 ( ), ndice

2. El segundo experimento se realiz con las mtricas con un factor de ponderacin (ver tabla
de agrupamiento 3 ( ) y eficacia de agrupamiento ponderada ( ).
(ver tabla 3-3).

3. El tercer experimento se realiz con la mtrica de agrupamiento doblemente ponderada
El cuarto experimento se plante con el objetivo de comparar los AG y las mtricas de

agrupamiento entre s con los mejores valores de porcentaje de cruzamiento y mutacin que
permitieran obtener la mayor cantidad de xitos a los AG, y los valores de q, q1 y q2 que
favorezcan un mejor desempeo de las mtricas de agrupamiento obtenidos de los primeros tres
experimentos. Las variables de respuesta fueron la tasa de xitos, la generacin en la cual se logr
el ptimo y la desviacin de los fracasos respecto al valor ptimo de la funcin objetivo.
Tabla 3-1 Factores y bloques del primer experimento
Bloques
FACTO RES Problemas de prueba
% Cruz amiento % Mutacin M trica empleada Matriz (Mquinas x Partes)
0,6 0,1 Eficacia de agrupamiento () Matriz de incidencia 5x7
0,7 0,2 Eficacia de agrupamiento modificada 1 (1) Matriz de incidencia 7x11
Niv eles
0,8 0,3 ndice de capacidad de agrupamiento (GCI) Matriz de incidencia 14x24

Matriz de incidencia 35x20
Matriz de incidencia 24x40
Tabla 3-2 Factores y bloques del segundo experimento
Bloques
Factor de
% Cruzamiento % Mutacin Mtrica empleada Matriz (Mquinas x Partes)
ponderacion q
0,6 0,1 Eficiencia de agrupamiento () 0,1 Matriz de incidencia 5x7
0,7 0,2 Eficacia de agrupamiento modificada 2 (2 ) 0,3 Matriz de incidencia 7x11
N iv eles
0,8 0,3 ndice de agrupamiento (3) 0,5 Matriz de incidencia 14x24

Eficacia de agrupamiento ponderada (). 0,7 Matriz de incidencia 35x20
0,9 Matriz de incidencia 24x40
43
Tabla 3-3 Factores y bloques del tercer experimento
Bloques
Factor de Factor de
% Cruzamiento % Mutacin Mtrica empleada Matriz (Mquinas x Partes)
ponderacion q1 ponderacion q2
0,6 0,1 0,1 0,1 Matriz de incidencia 5x7
0,7 0,2 Mtrica de 0,3 0,3 Matriz de incidencia 7x11
N iv eles
agrupamiento
0,8 0,3 0,5 0,5 Matriz de incidencia 14x24
doblemente ponderada
(q ) 0,7 0,7 Matriz de incidencia 35x20
0,9 0,9 Matriz de incidencia 24x40
Los resultados demostraron que para el algoritmo gentico empleado la mejor configuracin de
porcentaje de cruzamiento y mutacin, es 0.8 cruzamiento y 0.3 mutacin como se puede ver en la
figura 3-1, debido a que en esta configuracin la tasa de xitos es superior.
Para los experimentos 2 y 3 fue necesario considerar los factores de ponderacin y su influencia en
agrupamiento ( ) presenta un comportamiento estable respecto a las variaciones en el factor de

la obtencin de las soluciones ptimas. Como se puede observar en la figura 3-2 la eficiencia de
ponderacin q, para la eficacia de agrupamiento modificada 2 ( ), la eficacia de agrupamiento

modificada 3 ( ) y la eficacia de agrupamiento ponderada ( ), el incremento de q a valores
prximos de 1.0 mejora su desempeo. La interaccin en el experimento 2 del factor de
cercanos a 1.0 es mejor. La mtrica de agrupamiento doblemente ponderada presenta el

ponderacin con respecto a las matrices de incidencia refleja tambin que el uso de valores
mismo comportamiento (Figura 3-3) dado que con valores de q1 y q2 cercanos a 1.0 mejora su
desempeo, sin embargo valores inferiores a 0.5 de q1 y q2 no permiten obtener soluciones
ptimas como se observa en la figura 3-3.
11,80%
11,60%
11,40%
% de xitos
11,20%
11,00%
10,80%
10,60%
10,40%
10,20%
pm0,1 pm0,2 pm0,3
pc0,6 10,66% 10,69% 11,33%
pc0,7 10,66% 11,04% 11,16%
pc0,8 11,41% 11,46% 11,58%
Figura 3-1 Porcentaje de xitos para las diferentes combinaciones de % de mutacin y % de

cruzamiento
optimizacin
7%
6%
5%
% de xitos
4%
3%
2%
2 3
1%
0%
q0,1 q0,3 q0,5 q0,7 q0,9
Figura 3-2 Porcentaje de xitos de las mtricas ( ), ( ),( ) y ( ) respecto a la variacin del
factor de ponderacin q en el experimento 2
40%
35%
30%
% de xitos
25%
20%
15%
10%
5%
0%
q1-0,1 q1-0,3 q1-0,5 q1-0,7 q1-0,9
q2-0,1 q2-0,3 q2-0,5 q2-0,7 q2-0,9
Figura 3-3 Porcentaje de xitos de la mtrica respecto a la variacin de los factores de

ponderacin q1 y q2, para los tres tipos de AG.
45
Tabla 3-4 Factores y bloques del cuarto experimento
Bloque s
FACTO RES Proble mas de prue ba

M trica e mple ada Matriz (Mquinas x Parte s)
Eficacia de agrupamiento () Matriz de incidencia 5x7
Eficacia de agrupamiento modificada 1 (1) Matriz de incidencia 7x11
ndice de capacidad de agrupamiento (GC I) Matriz de incidencia 14x24
Eficiencia de agrupamiento () (q=0.9) Matriz de incidencia 35x20
Niveles
Eficacia de agrupamiento modificada 2 (2 ) (q=0.9) Matriz de incidencia 24x40

ndice de agrupamiento (3) (q=0.9)
Eficacia de agrupamiento ponderada (). (q=0.9)
Mtrica de agrupamiento doblemente ponderada (q )
(q1=0.9) (q2=0.9)
Experimento 4
350
300
250
200
No. de xitos
150
100
50
0
Q 1 3 CGI 2
Total 315 309 285 258 247 244 200 185
Figura 3-4 Porcentaje de xitos del total obtenido por las mtricas de agrupamiento en el cuarto
experimento
El cuarto experimento se realiz siguiendo el esquema establecido en la tabla 3-4, los resultados
obtenidos al comparar las alternativas de solucin en sus mejores versiones demostraron que la
alternativa con la mtrica eficacia de agrupamiento () como funcin fitness obtuvo el mejor
desempeo (figura 3-4), es importante resaltar que la mtrica de agrupamiento doblemente
ponderada (q) y la eficacia de agrupamiento modificada 1 (1), tuvieron un buen desempeo, sin
embargo se emplea la eficacia de agrupamiento () en esta propuesta porque no requiere factores
de ponderacin que ajustar.
= =
(* "(",
$+ "$"%
(3.1)
# # #
=
# # $ #! & # ( # # #
(3.2)
#
optimizacin
= S Q H S ; = 1, , H SH K H S
Donde:
= S Q K ; = 1, , S SH K K
g = S Q Q ; g = 1, , mc mximo nmero de celdas
= 1, si la parte es asignada a la celda g, en otro caso es cero
= 1, si la mquina es asignada la celda g, en otro caso es cero
= 1, si la parte es procesada por la mquina , en otro caso es cero ( es la matriz de

incidencia)
3.2 Layout intra e inter celdas

La propuesta planteada en este trabajo para la definicin del layout intra e inter celdas se
fundamenta en las siguientes suposiciones:
El espacio es considerado discreto, de esta forma el espacio se divide en unidades iguales a

las cuales cualquier mquina puede ser asignada sin inconvenientes, ya que cada unidad de
espacio cumple con todos los posibles requerimientos para todas las mquinas. Esta
suposicin hace que el problema maneje variables enteras.
Los tiempos requeridos para realizar cada operacin se desprecian, debido a que se asume
que las cargas de trabajo asignadas a cada mquina de cada celda estn balanceadas, por lo
tanto los tiempos de procesamiento de las operaciones de cada parte estn balanceados.
No se consideran tampoco rutas alternativas de fabricacin ni duplicacin de equipos.
Cada mquina es asignada nicamente a una celda y a una determinada posicin en esa
celda (condicin de unicidad), no se permiten movimientos de las mquinas.
No se presentan variaciones en el tiempo de los volmenes de produccin, por lo tanto el
modelo es esttico en el tiempo.
En el modelo propuesto las celdas se disponen en filas paralelas en las cuales se ubican las
mquinas en lnea recta. Los puntos de carga y descarga de materiales a cada celda son
respectivamente la primera y ltima mquina de esta.
No se consideran los costos de cada mquina, ni de su instalacin, como tampoco del rea
requerida, ni de la mano de obra, ni otros costos indirectos de fabricacin asociados al
layout.
La mtrica de desempeo empleada fue el costo del transporte y manipulacin de materiales.

Como se describi en el captulo 1 la minimizacin de este es el criterio ms usado para definir el
layout, esto se debe a que permite evaluar el rendimiento de los flujos de materiales en el layout y
relacionarlos con otros factores del sistema de manufactura, en este caso se considera el costo del
transporte y manejo de materiales teniendo en cuenta los siguientes factores:
Volmenes de produccin: porque estos definen el tipo y forma global del layout, las
dimensiones del sistema de manufactura, adems permiten proyectar la cantidad de
movimientos (flujo de materiales) y el tipo de sistema de manejo y transporte de
materiales.
Cantidad de partes que se pueden transportar por movimiento: este factor afecta
directamente el costo total del transporte y manipulacin de materiales y debe ser tenido en
47
cuenta en la seleccin del sistema de manejo de materiales porque de l depende el nmero

de movimientos que se realizan conjuntamente con los volmenes de produccin.
Secuencia de las operaciones: permiten establecer la mejor posicin relativa de las
mquinas al interior de las celdas, y de estas entre s, para evitar retrocesos y mantener
flujos lineales continuos.
Los puntos de origen de la materia prima al interior de la planta y los puntos de destino de
las partes procesadas, ya que influyen en la posicin relativa de las celdas entre s.
La distancia recorrida en cada movimiento de cada pieza es la variable que integra en s
todos los factores y es a travs de ella que es posible evaluar el desempeo del layout. sta
se calcula estableciendo la distancia mnima de cada movimiento considerando los
siguientes criterios: 1) la distancia no es la distancia euclidiana, la distancia que se calcula
tiene en cuenta los obstculos fsicos del sistema como pasillos y zonas permitidas de
trfico, as como direcciones de flujo, 2) no se permiten retrocesos, por lo cual si una
pieza debe ir a una mquina que precede a la que se encuentra, debe ir hasta el final de la
celda salir y volver a ingresar a esta, y avanzar luego hasta la mquina destino, 3) las
distancias de los movimientos a la primera y ltima operaciones respectivamente se
calculan entre la primera mquina de la celda y la mquina que realiza la primera
operacin, y entre la mquina que realiza la ltima operacin y la ltima mquina de esa
celda, 4) las distancias de los movimientos entre el origen del material y la primera
operacin se calcula entre la ubicacin de origen y la primera mquina de la celda donde se
realiza la primera operacin, de la misma forma cuando el movimiento se realiza entre la
ltima operacin y la posicin final de la pieza, se considera la distancia entre la ltima
mquina de la celda donde se realiza la ltima operacin y la posicin final de destino.
El costo de cada tipo de movimiento agrupa el costo del tipo de sistema de manejo y
transporte de materiales con las restricciones o criterios establecidos para realizar cada
uno de los movimientos posibles, por esta razn se establece un costo diferencial
dependiendo del movimiento que realiza la pieza: 1) para un movimiento dentro de una
celda sin retrocesos, 2) para movimientos con retrocesos, 3) cuando se realizan
movimientos entre celdas y 4) cuando el movimiento es desde o hacia una celda, desde
o hacia una ubicacin externa. De esta forma se penalizan los movimientos indeseables
como los retrocesos o movimientos entre celdas, logrando un layout ms fluido que va
acorde a la secuenciacin de las operaciones.
Finalmente la funcin que se estableci para el costo de transporte y manejo de materiales integra
los factores y variables antes expuestos y se define de la siguiente forma:
: = R : , ,

/
(3.3)
Donde:
t = S Q H S ; = 1, , H SH K H S
= S Q K ; = 1, , S SH K K
= S Q Q ; g = 1, , mc mximo nmero de celdas
= S K S ; Q = 1, , SH K K S Q K
= HI H SH K K S Q K
, = S K KK Q K SK Q K S Q 1 Q
, = : Q H H S Q K SK Q K S Q 1 Q
optimizacin
= QH S K S Q K
= H Q Q K H H S Q K
, = H K J S ,
S S Q SH K Q H S K Q J Q K S Q Q K
t = SH K Q Q K S Q H S
t = S Q H S S Q Q Q K S
tX
,
= S Q Q g Q S K P S Q H K Q K L K K Q K
t, = S Q Q g Q S L S Q Q P S K Q K
, y , pueden tomar diferentes valores dependiendo del nmero de la operacin que se va a

realizar o se realiz, como tambin del tipo de movimiento que realiza:
Si = Movimiento entre el punto de origen del material para fabricar la parte y la

posicin de la mquina que realiza esta primera operacin
( , Q) = :h( , Q) + ' "R , :h( , Q)!

: , = S H H S I KS
Si
Si (, ) = (, )
Si (, ) > (, )
( , Q) = :h( , Q) :h( , Q 1)
: , = S H H S SK Q Q
Si (, ) d (, )
( , Q) = 2 :h( , Q 1) + :h( , Q) :h( , Q 1)
: , = S K K
Si (, ) (, )
( , Q) = 2 :h( , Q 1) + :h( , Q) :h( , Q 1)
+ |:h( , Q) :h( , Q 1)|
: , = S H H S SK Q
Si = + movimiento entre la ltima operacin de la parte j y la posicin final de
( , Q) = ::h( , Q 1) :h( , Q 1) + R , :h( , Q)!

esta
: , = S H H S I KS
3.3 Modelos propuestos

A continuacin se presentan los modelos mono-objetivo y multi-objetivo propuestos en este
trabajo los cuales emplean la eficacia de agrupamiento y el costo de transporte y manejo de
materiales que ya se describieron.
49
3.3.1 Modelo mono-objetivo
( ) y el costo del manejo y transporte de materiales (w). Para poder solucionar el modelo como una
El modelo mono-objetivo propuesto integra en una sola funcin objetivo la eficacia de agrupamiento
minimizacin es necesario restar la eficacia de agrupamiento de 1.1 (1.1 ), de esta forma se evita
que se anule la funcin fitness u objetivo cuando = 1 ( toma valores entre cero y 1), lo cual
provocara convergencia prematura a mnimos para pero no necesariamente para TC. La formulacin
del modelo se presenta a continuacin:
SHJ K
R

:(1.1 ) = : , , "1.1
0

R

# $%
R +

R

!

R

(3.4)
h :

= 1, , = 1, , H (3.5)

= 1, , = 1, , S (3.6)

& = 1, ,

= 1, , H (3.7)
Donde:
t = S Q H S ; = 1, , H SH K H S
= S Q K ; = 1, , S SH K K
= S Q S ;
= 1, , H HI H SH K S Q Q g
-t = 1 , si la mquina pertenece a la celda g, en caso contrario -t = 0
' = 1 , si la parte pertenece a la celda g, en caso contrario ' = 0
(t = 1 , si la mquina ocupa la posicin de la celda g, en caso contrario (t = 0
Esta propuesta minimiza el costo de transporte y manejo de materiales al mismo tiempo que maximiza
el agrupamiento de las celdas de manufactura, adicionalmente contempla restricciones de unicidad que
garantizan que cada mquina y parte nicamente sean asignadas a una sola celda (ecuacin 3.5) o
familia (ecuacin 3.6), y que a cada posicin del layout nicamente sea asignada una mquina
(ecuacin 3.7).
optimizacin
3.3.2 Modelo multi-objetivo

El modelo multi-objetivo propuesto minimiza la eficacia de agrupamiento ( ) y el costo del
manejo y transporte de materiales (w) como dos objetivos distintos, maneja las mismas
variables, factores, restricciones y funciones de la propuesta mono-objetivo. A continuacin se
presenta este:
S H J K:
# # #
(1.1 ) = "1.1 # $%
# # $ #! & # ( # # #
(3.8)
#
S H J K:
TC = R : , ,

/
(3.9)
h :

= 1, , = 1, , H (3.10)

= 1, , = 1, , S (3.11)

& = 1, ,

= 1, , H (3.12)
Donde:
t = S Q H S ; = 1, , H SH K H S
= S Q K ; = 1, , S SH K K
= S Q S ;
= 1, , H HI H SH K S Q Q g
-t = 1 , si la mquina pertenece a la celda g, en caso contrario -t = 0
' = 1 , si la parte pertenece a la celda g, en caso contrario ' = 0
(t = 1 , si la mquina ocupa la posicin de la celda g, en caso contrario (t = 0

51
4. Algoritmos Propuestos
4.1 Discrete Hybrid Bacterial Foraging Genetic

Algorithm- DHBFGA
El algoritmo DHBFGA propuesto en este trabajo es un algoritmo de optimizacin global que toma
la idea general de la hibridacin de AG y BFOA del algoritmo Bacterial-GA Foraging propuesto
por Chen et al., (2007). De forma general este cuenta con un ciclo quimiotctico como el BFOA
(Passino, 2002) y el BCMOA (Guzmn et al., 2010), que se aplica a las bacterias que pertenecen a
la lite (bacterias mejor adaptadas), a continuacin de forma anloga a un AG se realiza un proceso
de seleccin y cruzamiento, para culminar con un proceso de eliminacin y dispersin como el
BFOA. La idea original para desarrollar este algoritmo parte de la necesidad de solucionar el
problema del layout de las celdas de manufactura, el cual es un problema de optimizacin
combinatoria del tipo NP-Hard que maneja variables discretas (sin embargo la estructura del
DHBFGA puede ser empleada para solucionar problemas con variables continuas, en este caso se
requiere modificar la codificacin de las soluciones y adaptar las funciones y/o operadores
empleados), debido a esto y a su estructura general toma el nombre de discrete hybrid bacterial
foraging genetic algorithm (algoritmo hbrido discreto basado en forrajeo de bacterias y
algoritmos genticos), en la figura 4-1 se presenta su pseudocdigo y a continuacin se explica
cada uno de los pasos que lo conforman.
Inicializacin
El algoritmo inicia generando de forma aleatoria las h (tamao de la poblacin) bacterias f ( ),

( =ndice de las bacterias, =ndice de los pasos quimiotcticos, = 1, , mximo nmero
de pasos quimiotcticos) que conforman la poblacin inicial.
Criterio de parada
Se evala el criterio de parada, se puede emplear el nmero mximo de ciclos quimiotcticos, el

nmero de llamados a la funcin objetivo o el que defina el usuario.
Evaluacin de la funcin fitness
La evaluacin de la funcin fitness permite establecer la adaptacin de la bacteria al ambiente, o
valores de la funcin fitness u objetivo de la solucin representada por la bacteria f ( ).

cuantificar el nivel de nutrientes en la ubicacin de sta. En trminos generales establece los
optimizacin
Pseudocdigo DHBFGA
Discrete Hybrid Bacterial Foraging Genetic Algorithm
Begin
Generacin de la poblacin inicial de bacterias f ( ) , = 1, , h

Evaluar la funcin objetivo a cada bacteria L(f ( )) , = 1, , h
For t = Z
While (Criterio de parada) Do
If ( f ( )*+;+ ) Then
Se realiza el ciclo quimiotctico a la Bacteria f ( )
End If
End For
Seleccin
Cruzamiento
If ( f ( ) +;+ K Q d ) Then
Realizar eliminacin y dispersin a la Bacteria f ( )
End If
End While
End
Figura 4-1 Pseudocdigo Algoritmo DHBFGA
Ciclo quimiotctico
El ciclo quimiotctico emula la bsqueda de nutrientes que hacen la bacterias E. Coli en el

intestino humano, para ello realizan movimientos de nado-giro o nado en una determinada
direccin aleatoria siguiendo el rastro de nutrientes o escapando de sustancias o ambientes
peligrosos o pobres de nutrientes.
En un espacio de bsqueda con variables continuas es posible realizar una analoga directa de los
movimientos que realizan las bacterias reales en el intestino humano, como lo plantean Passino
(2002) y Guzmn et al. (2010), esto es posible porque se pueden definir vectores que guan la
bsqueda de las soluciones como si siguieran un rastro de concentracin de nutrientes o huyeran de
sustancias peligrosas, sin embargo en un espacio discreto no siempre es posible tener el mismo
grado de proximidad en el espacio de variables que en el de funciones, esto significa que pequeos
cambios en las variables pueden llegar a significar cambios muy grandes en las funciones y
viceversa, esta situacin se presenta en problemas donde las posibles soluciones son permutaciones
o combinaciones de ciertos elementos, las cuales necesariamente implican cumplir condiciones de
unicidad para que la solucin sea factible.
En un problema con variables discretas las soluciones generalmente se codifican con vectores o
matrices enteras que representan combinaciones o permutaciones de elementos, que pueden
representar asignaciones de elementos, secuencias, rutas u otras, esto depende del diseador o
usuario del algoritmo. Por esta razn se adapta el concepto de pasos guiados por un vector
53
aleatorio que se emplea en espacios continuos a una estrategia elitista que se describe a
continuacin. Para cada una de las bacterias mejor adaptadas que pertenecen a la lite (porcentaje
de la poblacin que tiene los mejores valores de funcin fitness, este porcentaje es definido por el
usuario), se generan nuevas bacterias realizando intercambios, inserciones e inversiones (Coello,
2011) de los elementos de la solucin codificada, para luego ordenarlas de acuerdo al valor de su
funcin fitness y seleccionar la mejor de estas, si esta es mejor que la bacteria original la remplaza
de lo contrario se termina el ciclo, el pseudo-cdigo general se muestra en la figura 4-2.
For t = Z
Ciclo quimiotctico DHBFGA
If ( t () , -. w-) Then
While ( d )Do
f ( ) R"> '
Generar soluciones por intercambio, insercin e inversin
f ( ) R" R
f ( ) R " R
Evaluar la funcin fitness para f ( ) R"> ' , f ( ) R" R y

f ( ) R " R
Ordenar las soluciones de acuerdo a su valor de fitness.
insercin e inversin. f ( )" '

Seleccionar la mejor bacteria generada por intercambio,
If ( f ( )" ' f ( )) Then

f ( ) = f ( )" '
= +
=
Else
End If
End while
End If
End For
Figura 4-2 Ciclo quimiotctico general del DHBFGA
Seleccin
Posterior al ciclo quimiotctico se realiza la seleccin de los padres, primero se selecciona la lite
que corresponde al mejor 20% de la poblacin y luego por torneo se completan los individuos que
van a actuar padres.
Cruzamiento
A partir de los padres seleccionados se genera una nueva generacin de bacterias por medio de
cruzamiento de los mejores individuos.
optimizacin
Eliminacin y dispersin
Finalmente se eliminan y dispersan las bacterias que no pertenezcan a la lite y obtengan una
probabilidad < Ped, si el criterio de parada no se ha cumplido se repite el proceso, de lo contrario
se termina el proceso.
Los operadores empleados en cada uno de los problemas solucionados en este trabajo se detallan
posteriormente en el desarrollo experimental (captulo 5).
4.2 Discrete Hybrid - Bacterial Chemotaxis

Multiobjective Optimization Algorithm DH-
BCMOA
El algoritmo que se propone a continuacin es una versin hbrida y discreta del BCMOA
propuesto por Guzmn et al., (2010), el cual es un algoritmo para solucin de problemas multi-
objetivo en espacios continuos que se basa en el comportamiento quimiotctico de la bacteria E.
Coli. De forma general se emple la estructura del algoritmo BCMOA la cual se adapt con
operadores evolutivos para solucionar problemas discretos, de esta hibridacin se obtuvo un
algoritmo que logra un mejor desempeo en convergencia de las soluciones al Frente ptimo de
Pareto en menos tiempo en comparacin con los algoritmos NSGA2 y SPEA2, en la solucin de
los problemas de prueba resueltos en este trabajo (ver captulo 5).
De la misma forma que el algoritmo DHBFGA el algoritmo DH-BCMOA aprovecha la capacidad

de las bacterias para salir de ptimos locales y la convergencia que se logra con los algoritmos
genticos para solucionar el problema del layout de las celdas de manufactura, los operadores que
emplea son anlogos a los del algoritmo DHBFGA. A continuacin se describe cada uno de sus
pasos, el pseudocdigo se puede apreciar en la figura 4-3.
Inicializacin
El algoritmo inicia generando de forma aleatoria las h (tamao de la poblacin) bacterias f ( , ),

( =ndice de las bacterias, =ndice de los pasos quimiotcticos, = 1, , mximo nmero de
pasos quimiotcticos, = 1, . . , nmero de objetivos) que conforman la poblacin inicial.
Criterio de parada
Se evala el criterio de parada, se puede emplear el nmero mximo de ciclos quimiotcticos, el

nmero de llamados a la funcin objetivo o el que defina el usuario.
Evaluacin de las funciones fitness
La evaluacin de las funciones fitness permiten cuantificar el nivel de nutrientes en la ubicacin de
solucin representada por la bacteria f ( ).

cada bacteria. En trminos generales establece los valores de las funciones fitness u objetivo de la
Clasificacin de no dominancia
Se aplica el procedimiento de ordenamiento rpido de no dominancia propuesto por Deb et al.,

(2002) las bacterias son clasificadas en frentes de Pareto (POF). Las bacterias que se clasificaron
55
en el primer frente de Pareto (POF1) se denominan bacterias fuertes (estas no son dominadas por
ninguna otra solucin). Las dems bacterias se clasifican en diferentes frentes y se denominan
dbiles (estas son dominadas por otras soluciones).
Pseudocdigo DH-BCMOA
Begin
Inicializacin de parmetros:
:h (Nmero mximo de pasos quimiotcticos)

S (nmero de bacterias)
Generar una poblacin inicial de bacterias f ( )

(ndice de bacterias), j (ndice de pasos quimiotcticos)
While ( d M ) Do Criterio de parada

Evaluar !f ( )& Evaluar las funciones objetivo
For t = Z
Aplicar ordenamiento rpido no dominado Deb et al., (2002)
Aplicar quimiotaxis a f ( )
Calcular parmetro S Kumar et al., (2007)

End For
For t = Z
If t () t () Zt d !
t () t () Zt!
Eliminar y dispersarf ( )
End If
For t ()
End For
Aproximar f ( ) f ( ) "" por cruzamiento

End For
End Do
End
Figura 4-3 Pseudocdigo DH-BCMOA
Quimiotaxis
La quimiotaxis que realiza el DH-BCMOA se aplica a toda la poblacin a diferencia del BCMOA
(en este solo se aplica a las bacterias fuertes o no dominadas) y es anlogo al ciclo quimiotctico
que realiza el DHBFGA, pero en este caso particular se emplea una estrategia jerrquica basada en
dominancia de Pareto. Inicia generando una nueva bacteria por intercambio (Coello, 2011), si esta
domina a la bacteria original la remplaza y continua con la siguiente bacteria, de lo contrario se
genera una nueva bacteria por insercin (Coello, 2011), si esta domina a la bacteria original la
remplaza y continua con la siguiente bacteria, de lo contrario se genera una nueva bacteria por
inversin (Coello, 2011), si esta domina a la bacteria original la remplaza y se continua con la
siguiente bacteria, de lo contrario se termina la quimiotaxis y se continua el mismo proceso con la
siguiente bacteria. El pseudocdigo se presenta en la figura 4-4.
optimizacin
For t = Z
Quimiotaxis DH-BCMOA
f ( ) R"> '
Generar nueva bacteria por intercambio
(f ( ) R"> ' )
Evaluar
t ()
If ( tt domina a ()) Then
t
f ( ) = f ( ) R"> '
Else
f ( ) R" R
Generar nueva bacteria por insercin
(f ( ) R" R )
Evaluar
If (t ()tt domina a t ()) Then

f ( ) = f ( ) R" R
Else
f ( ) R " R
Generar nueva bacteria por inversin
(f ( ) R " R )
Evaluar
t ()
t
f ( ) = f ( ) R " R
End If
End If
End If
End For
Figura 4-4 Quimiotaxis en el DH-BCMOA
Preservacin de la diversidad
Con el fin de estimular la diversidad de las soluciones, se emplea el parmetro S propuesto por
bacterias conjuntamente con la probabilidad de eliminacin y dispersin ( ). Si una bacteria no

(Kumar et al., 2007). Este parmetro se emplea como criterio para realizar o no la dispersin de las
pertenece al POF1 y obtiene una probabilidad inferior a o si est hacinada (sobre-agrupada -

overcrowded) o repetida (para las implementaciones realizadas en este trabajo se aplic este
criterio cuando las bacterias estaban repetidas, sin embargo se puede establecer un nivel mximo
de agrupamiento o hacinamiento a criterio del usuario), se elimina y dispersa la bacteria (esta es
una variacin estructural respecto al BCMOA), lo mismo sucede si pertenece al POF1 y est
repetida.
Comunicacin y estrategia quimiotctica para bacterias dbiles
Simulando la comunicacin bacteriana en la naturaleza, cada bacteria dbil (bacteria dominada)

selecciona al azar una bacteria fuerte (bacteria no dominada) y se aproxima a esta mediante
cruzamiento. El resultado es una bacteria mejorada (figura 4-5).
57
For t ()
Aproximacin de bacterias dbiles a fuertes
Seleccionar de forma aleatoriaf ( ) ""

Realizar cruzamiento entre f ( ) y f ( ) ""
Asignar el hijo resultante a f ( )
End For
Figura 4-5 Aproximacin de bacterias dbiles a fuertes en el DH-BCMOA

5. Desarrollo experimental
El desarrollo experimental que se realiz en este trabajo tena como objetivo evaluar el desempeo
de los algoritmos propuestos, mediante la comparacin de sus resultados con otros algoritmos
similares solucionando un conjunto de problemas de prueba. De forma general primero se afinaron
los parmetros de los algoritmos y posteriormente se corrieron cada uno de estos en su mejor
configuracin de parmetros solucionando los problemas de prueba, los resultados de las
propuestas planteadas (mono-objetivo y multi-objetivo) en este trabajo se compararon con los
resultados de los dems algoritmos (mono-objetivo AG, BFOA y Bacterial-GA Foraging y multi-
objetivo NSGA2 y SPEA2) en la solucin de los problemas de prueba, empleando la misma
codificacin de las soluciones en cada caso y los mismos operadores para que todos los algoritmos
estn en igualdad de condiciones, la mutacin modifica un individuo existente mientras que la
eliminacin y dispersin, elimina un individuo y genera otro nuevo en una ubicacin diferente.
A continuacin se describe el proceso seguido para evaluar las propuestas planteadas, iniciando
con los problemas de prueba, describiendo la codificacin y operadores empleados para cada uno
de estos, posteriormente se describen los experimentos que se realizaron y la determinacin del
nmero de rplicas para cada uno, para finalmente presentar y discutir los resultados obtenidos.
5.1 Problemas de prueba

Para evaluar el desempeo de las propuestas planteadas en este trabajo se realiz para la propuesta
mono-objetivo como para la multi-objetivo, primero la solucin de un problema de prueba
combinatorio para luego solucionar los problemas de prueba de layout. Los problemas de prueba
combinatorios empleados fueron en el caso mono-objetivo cinco problemas del agente viajero TSP
y en el caso multiobjetivo el problema de la mochila multiobjetivo (Multi-objective Knapsack
Problem). Los problemas de layout se basaron en matrices de incidencia de problemas de prueba
existentes en la literatura a los cuales se les generaron las matrices de secuencias. A continuacin
se describen cada uno de estos problemas.
5.1.1 Problema del agente viajero TSP

El problema del agente viajero o TSP (Traveling Salesman Problem), es un problema de
optimizacin combinatoria que consiste en definir la ruta ms corta para que un agente viajero
visite todas las ciudades de una lista una sola vez, teniendo como origen una de las ciudades de la
lista a la cual debe volver una vez recorra todas las dems (Lawler et al., 1985). De forma general
este se define as:
S H J K , I ,
,
(5.1)
optimizacin
Sujeto a: I , = 1 K = 1, , SH K (5.2)
I , = 1 K = 1, , SH K (5.3)
I , 0,1 (5.4)
Donde , es la distancia entre la ciudad y la ciudad , I , = 1, si se toma el recorrido entre la

ciudad y la ciudad . Las restricciones I , = 1 y I , = 1, implican que cada una de las
ciudades nicamente se llega una vez y se parte de esta una vez.
Los problemas TSP que se emplearon en este trabajo se obtuvieron de la pgina

http://elib.zib.de/pub/mp-testdata/tsp/tsplib/tsp/index.html en http://comopt.ifi.uni-
heidelberg.de/software/TSPLIB95/ (estn disponibles online), estos se seleccionaron considerando
que el nmero de variables fuese ascendente y similar a los problemas de layout, estos se resumen
en la tabla 5-1.
Tabla 5-1 Problemas del agente viajero TSP
Nombre del problema Cantidad de ciudades

Ulysses22 22
Berlin52 52
Pr76 76
KroA100 100
Ch130 130
Codificacin de las soluciones
Las soluciones se codificaron como vectores que contienen una permutacin que representa la ruta
que debe tomar el agente viajero, esta codificacin permite garantizar el cumplimiento de las
restricciones del problema y nicamente manejar soluciones factibles. Para un problema con 5
ciudades una posible solucin sera (2, 4, 5, 1, 3), lo que representara que sale de la ciudad 2, y
luego va a la 4, 5, 1, 3 y retorna a la ciudad 2. La poblacin inicial se genera de forma aleatoria.
Operadores de cruce
Para el cruzamiento de las soluciones en los algoritmos genticos y los algoritmos hbridos, se
emplea cruzamiento PMX (Partially Mapped Crossover) (Coello, 2011), el cual realiza un
intercambio de los genes entre los dos puntos de cruce (los cuales se seleccionan aleatoriamente),
posteriormente se completa el individuo con los datos que no provienen del otro padre tratando de
conservar la posicin relativa que tenan estos en el padre original y evitando que se repitan datos
como se muestra en la figura 5-1.
61
Ciudade s PMX Ciudade s

Padre 1 6 4 3 1 2 5 Hijo 1 6 5 1 4 2 3
Puntos de
cruce
Padre 2 3 5 1 6 4 2 Hijo 2 5 4 3 6 1 2
Figura 5-1 Cruzamiento PMX en el problema del agente viajero TSP
Mutacin
Se realiza la mutacin empleando inversiones, inserciones e intercambios de los elementos de la

solucin como se muestra en la figura 5-2.
Individuo original Individuo mutado

Ciudade s Ciudade s
Inve rsin 6 4 3 1 2 5 6 2 1 3 4 5
Inse rcin 6 4 3 1 2 5 6 3 1 2 4 5
Intercambio 6 4 3 1 2 5 6 2 3 1 4 5
Figura 5-2 Mutacin y eliminacin y dispersin de las soluciones en el problema del agente
viajero TSP
En la eliminacin y dispersin los individuos que no pertenecen a la lite y que obtienen una
probabilidad inferior a Ped, se eliminan y se generan nuevos individuos.
Paso quimiotctico
El paso quimiotctico se realiza siguiendo el procedimiento descrito en la figura 4-2 (ver copia de
esta en la siguiente pgina).
Reproduccin por duplicacin

2
En el BFOA la reproduccin por duplicacin se realiz copiando veces las bacterias mejor
adaptadas.
optimizacin
For t = Z
Ciclo quimiotctico DHBFGA
If ( t () , -. w-) Then
While ( d )Do
f ( ) R"> '
Generar soluciones por intercambio, insercin e inversin
f ( ) R" R
f ( ) R " R
Evaluar la funcin fitness para f ( ) R"> ' , f ( ) R" R y

f ( ) R " R
insercin e inversin. f ( )" '

Seleccionar la mejor bacteria generada por intercambio,
If ( f ( )" ' f ( )) Then

f ( ) =f ( )" '
= +
=
Else
End If
End while
End If
End For
Figura 4-2 Ciclo quimiotctico general del DHBFGA (Se repite)
5.1.2 Problema multi-objetivo de la mochila

El problema de la mochila (Knapsack problem) (Martello y Toth, 1990) en su versin mono-
objetivo consiste en llenar una mochila con una serie de productos que tienen una ganancia dada,
de tal forma que se maximice la ganancia y que no se supere la restriccin de peso de la mochila,
esto se puede expresar como:
I H J K f(x) = "
I (5.5)
Sujeto a:
g(x) = "
I d Q H Q , = 1, , SH K H (5.6)
I 0,1 (5.7)
Donde es la ganancia obtenida con el tem , I = 1 si el tem es introducido en la mochila, de

lo contario I = 0, es el peso del tem .
63
En la versin multiobjetivo de este problema se realiza lo mismo pero empleando varias mochilas
como se describe a continuacin:
I H J K:
L (x) = "
I (5.8)
L (x) = "
I (5.9)
Sujeto a:
P (x) = "
I d Q H Q 1, = 1, , SH K H (5.10)
P (x) = "
I d Q H Q 2, = 1, , SH K H (5.11)
I 0,1 (5.12)
Donde los subndices 1 y 2 identifican la mochila 1 y la 2.
En este trabajo se solucionaron tres problemas con 2 objetivos y 100, 250 y 500 tems
respectivamente, los cuales fueron propuestos por Zitzler y estn disponibles online en:
http://www.tik.ee.ethz.ch/sop/download/supplementary/testProblemSuite/
Las soluciones se codificaron como vectores binarios I 0,1, donde I = 1, si el tem es

seleccionado para introducirlo en las mochilas, de lo contario I = 0. Para un problema con 7
tems una posible solucin sera (0,1,0,0,1,1,1). La poblacin inicial se genera de forma aleatoria,
de la siguiente forma, primero se genera un numero aleatorio entre 0 y 1, si este es menor a 0.5 se
asigna 0, de lo contrario se asigna 1 a la posicin del vector solucin.
Operadores de cruce
Para el cruzamiento de las soluciones en los algoritmos NSGA2, SPEA2 y el DH-BCMOA se

emplea cruzamiento con dos puntos de cruce como se muestra en la figura 5-3.
Puntos de cruce
Padre 1 1 0 0 1 1 0 1 0 1 0 Hijo 1 1 0 0 0 0 1 0 0 1 0
Padre 2 0 0 1 0 0 1 0 1 1 1 Hijo 2 0 0 1 1 1 0 1 1 1 1
Figura 5-3 Cruzamiento con dos puntos de cruce en el problema multi-objetivo de las mochilas
Mutacin
La mutacin se realiza generando un nmero aleatorio para cada una de las posiciones de los
vectores solucin, si este es menor que la probabilidad de mutacin, se invierte su valor, si es 1 se
asigna un 0, y viceversa. Como se muestra en la figura 5-4.
optimizacin
Individuo original Individuo mutado

0 0 1 0 0 1 0 1 1 1 0 0 1 1 1 1 0 1 1 1
Figura 5-4 Mutacin de las soluciones en el problema del agente viajero TSP
En la eliminacin y dispersin los individuos dominados que obtienen una probabilidad inferior a
Ped, o los no dominados sobre agrupados (repetidos) se eliminan y se generan nuevos individuos.
Paso quimiotctico
El paso quimiotctico se realiza siguiendo el procedimiento descrito en la figura 4-4.
For t = Z
Quimiotaxis DH-BCMOA
f ( ) R"> '
Generar nueva bacteria por intercambio
(f ( ) R"> ' )
Evaluar
t ()
t
f ( ) = f ( ) R"> '
Else
f ( ) R" R
Generar nueva bacteria por insercin
(f ( ) R" R )
Evaluar

f ( ) = f ( ) R" R
Else
f ( ) R " R
Generar nueva bacteria por inversin
(f ( ) R " R )
Evaluar
t ()
t
f ( ) = f ( ) R " R
End If
End If
End If
End For
Figura 4-4 Quimiotaxis en el DH-BCMOA (se repite)
Manejo de restricciones
Debido a que este problema tiene restricciones de capacidad de las mochilas y no es posible
manejarlas con la codificacin, se aplica una tcnica de penalizacin de las soluciones no factibles
que consiste en multiplicar por un factor el valor de las funciones objetivo, en este caso el factor
65
usado fue 0.4 (se emplea este valor considerando la descripcin del problema que plantea Zitzler
en su pgina web).
5.1.3 El problema del layout de las celdas de

manufactura
Este problema ya fue descrito en los captulos anteriores, las matrices y vectores de los problemas
que se describen a continuacin se emplean para el problema del layout de las celdas de
manufactura mono-objetivo y multi-objetivo. A continuacin se describe el proceso que se sigui
para construir las matrices de secuencias y los vectores de volmenes de produccin y tamaos de
lotes empleados en este trabajo a partir de las matrices de incidencia de problemas de formacin de
las celdas de manufactura que se encuentran en la literatura, que se resumen en la tabla 5-2, este
proceso se muestra para la matriz ms sencilla de 5 mquinas y 7 partes, las matrices y vectores
que se emplearon se presentan como anexo a este trabajo.
Tabla 5-2 Fuentes de las matrices de incidencia de los problemas del layout de celdas de
manufactura
Matriz (Mquinas x Partes) Fuente

Matriz de incidencia 5x7 Vitanov, Tjahjono y Marghalany, 2008
Matriz de incidencia 7x11 Seifodini y Djassemi, 1996
Matriz de incidencia 14x24 King, 1980
Matriz de incidencia 35x20 Burbidge, 1969
Matriz de incidencia 24x40 Chandrasekharan y Rajagopalan, 1989
Partiendo de la matriz de incidencia (Tabla 5-3) se orden est de acuerdo a la solucin ptima al
problema de formacin de las celdas, luego en cada celda las mquinas y partes se ordenaron de
forma ascendente, finalmente para cada parte se remplazaron los unos de la matriz de incidencia
por nmeros enteros positivos desde uno hasta el mximo nmero de operaciones de cada parte
recorriendo cada vector que representa la parte, la matriz de secuencias resultante se presenta en la
tabla 5-4. Este proceso se realiz de esta forma para lograr el mejor agrupamiento de las celdas, lo
cual implica sesgo en la determinacin del ptimo. Para que los problemas de prueba fuesen
genricos se decidi usar vectores de volmenes de produccin y tamao del lote por movimiento
con todos sus elementos iguales a uno, para no ejercer presin en la forma final del layout debido a
los volmenes de produccin, sin embargo la funcin objetivo los contempla y funciona
correctamente. Respecto de las distancias a los puntos de origen de los materiales y finales de las
partes se consideraron estas con un valor igual a cero.
Tabla 5-3 Matriz de incidencia de 5 mquinas y 7 partes (Vitanov et al., 2008)
Partes
1 2 3 4 5 6 7
1 0 1 0 0 1 1 1
Mquinas
2 1 0 1 0 0 0 0
3 0 1 0 0 1 1 1
4 1 1 0 0 1 1 0
5 0 0 1 1 0 1 0
optimizacin
Tabla 5-4 Matriz de secuencias de 5 mquinas y 7 partes (Vitanov et al., 2008)
Partes
2 5 6 7 1 3 4
1 1 1 1 1 0 0 0
Celda 1
3 2 2 2 2 0 0 0
Mquinas
4 3 3 3 0 2 0 0
Celda 2
2 0 0 0 0 1 1 0
5 0 0 4 0 0 2 1
Familia 1 Familia 2
A continuacin se describe la codificacin y los operadores empleados para este problema.
La codificacin que se emplea para el problema del layout est basada en grupo u orden, toma la
estructura de la descripcin que realizan de esta Gen, Lin y Zhang (2009). Cada una de las
soluciones se representa en un cromosoma, en el cual la primera parte corresponde a un vector que
contiene la agrupacin de las mquinas, a continuacin la agrupacin de las partes, luego la
cantidad de celdas o familias de partes y finaliza con los lmites en las posiciones de las
permutaciones de las mquinas y partes para conformar las celdas y familias como se muestra
continuacin:
Cantidad Limites Limites

Mquinas Partes
de celdas celdas familias
Cromosoma 6 4 3 1 2 5 3 4 1 2 3 2 5 6 0 1 3 4 0
Posiciones 1 2 3 4 5 6 1 2 3 4
Lmites 2 5 6 1 3 4
C1 C2 C3 F1 F2 F3
Celdas Familias
Figura 5-5 Ejemplo codificacin basada en grupo para el problema del layout
Para el ejemplo de la figura 5-5 las celdas y familias de partes quedaran conformadas de la
siguiente forma:
Celda 1= Mquinas 6 y 4 Familia 1= Parte 3

Celda 2= Mquinas 3, 1 y 2 Familia 2= Parte 4 y 1
Celda 3= Mquinas 5 Familia 3= Partes 2
67
4 1
6 3 5
Celda 1 Celda 2 Celda 3
Figura 5-6 Representacin del layout del ejemplo de la figura 5-5
Generacin de la poblacin inicial
En este caso se generan las permutaciones para las mquinas y partes, desordenando un arreglo que
va desde 1 hasta el nmero de mquinas o partes, la cantidad de celdas se asigna con un numero
aleatorio entre 1 y el mximo nmero de celdas, el cual define la cantidad de lmites en las
posiciones para formar las celdas y familias asignando a estas las mquinas o partes que quedan en
los intervalos que estos definen.
Cruzamiento
El cruzamiento se realiza separando el cromosoma en cada una de sus partes, las dos primeras
correspondientes a las permutaciones de las mquinas y las partes se cruzan empleando
cruzamiento PMX (Partially Mapped Crossover), el resto del cromosoma se intercambia
completamente para formar cada hijo como se puede ver en la figura 5-7.
Cantidad Limite s Limite s

Mquinas Parte s
de ce ldas ce ldas familias
Padre 1 6 4 3 1 2 5 4 1 3 2 3 2 5 6 0 1 3 4 0
Puntos de cruce
Padre 2 3 5 1 6 4 2 2 3 1 4 2 3 6 0 0 2 4 0 0

PMX Mquinas Parte s
Hijo 1 6 5 1 4 2 3 2 3 1 4 2 3 6 0 0 2 4 0 0
Hijo 2 5 4 3 6 1 2 4 1 3 2 3 2 5 6 0 1 3 4 0
Figura 5-7 Ejemplo de cruzamiento PMX para la codificacin de las soluciones
Mutacin
En la mutacin se tiene un tratamiento diferente para las permutaciones que para el resto del
cromosoma, las primeras se mutan por inversin y el resto del cromosoma se muta como si se
generara un nuevo individuo (Figura 5-8).
optimizacin
Individuo se le ccionado
Mquinas Parte s
6 4 3 1 2 5 3 4 1 2 3 2 5 6 0 1 3 4 0
Individuo mutado
Mquinas Parte s
6 2 1 3 4 5 3 1 4 2 4 1 2 4 5 1 2 3 4
Figura 5-8 Ejemplo mutacin o eliminacin y dispersin individuo para codificacin de las
soluciones
En la eliminacin y dispersin mono-objetivo los individuos que no pertenecen a la lite y que

obtienen una probabilidad inferior a Ped, se eliminan y se generan nuevos individuos. En el caso
multi-objetivo los individuos dominados que obtienen una probabilidad inferior a Ped, o los no
dominados sobre agrupados (repetidos) se eliminan y se generan nuevos individuos.
For t =
Ciclo quimiotctico DHBFGA en el problema del Layout
If ( f ( )*+;+) Then
While ( d ) Do
Generar soluciones por intercambio e insercin de los elementos que conforman
realiza esta operacin por cada celda que tenga la bacteria f ( ))

cada celda (nicamente se opera sobre las permutaciones de las mquinas, y se
f ( ) R"> '
f ( ) R" R
Evaluar la funcin fitness para f ( ) R"> ' y f ( ) R" R
f ( )" '
Seleccionar la mejor bacteria generada por intercambio e insercin.
If ( f ( )" ' f ( )) Then

f ( ) = f ( )" '
= +
=
Else
End If
End while
End If
End For
Figura 5-9 Ciclo quimiotctico del DHBFGA en el problema del Layout
Paso quimiotctico y quimiotaxis
Para el problema mono-objetivo el paso quimiotctico sigue un esquema diferente al de la

quimiotaxis del problema multi-objetivo. El paso quimiotctico que se implement fue el resultado
69
de un proceso que por prueba y error permiti definir la estrategia que lograba los mejores
resultados respecto a convergencia y valores de fitness, para los algoritmos BFOA, Bacterial-GA
Foraging y DHBFGA. De forma general el procedimiento implementado que se muestra en la
figura 5-9, opera sobre las permutaciones de las mquinas generando alternativas de solucin por
medio de intercambios e inserciones de las mquinas que conforman cada celda, de esta forma se
generan para cada bacteria que pertenezca a la lite tantas alternativas por intercambio e insercin
como celdas tenga la bacteria, de esta forma la bacteria explora entre alternativas que minimicen el
costo de transporte pero conservando el mismo agrupamiento de las mquinas en celdas. La
exploracin de nuevas alternativas con diferentes nmeros de celdas y lmites de estas para formar
las celdas se delega en la eliminacin y dispersin.
For t = Z
Quimiotaxis DH-BCMOA para el problema del layout
Generar nueva bacteria por intercambio de las permutaciones de las mquinas y partes
f ( ) R"> '
(f ( ) R"> ' )
Evaluar

f ( ) = f ( ) R"> '
Generar nueva bacteria por insercin de las permutaciones de las mquinas y partes
Else
f ( ) R" R
(f ( ) R" R )
Evaluar

f ( ) = f ( ) R" R
Else
Generar nueva bacteria por inversin de las permutaciones de las
f ( ) R " R
mquinas y partes
(f ( ) R " R )
Evaluar
If (f ( ) R" R domina a f ( )) Then

f ( ) = f ( ) R " R
Else
f ( )R " R " "

Generar nueva bacteria con nueva cantidad de celdas
(f ( )R " R " " )

Evaluar
If (f ( )R " R " " domina af ( )) Then

f ( ) = f ( )R " R " "
End If
End If
End If
End If
End For
Figura 5-10 Quimiotaxis en el DH-BCMOA para el problema del layout
La quimiotaxis que realiza el DH-BCMOA opera de forma jerrquica sobre todos los elementos
del cromosoma, primero genera una alternativa por intercambio aplicando este operador a las
permutaciones de las mquinas y partes, si esta alternativa domina a la bacteria original, sta la
optimizacin
remplaza, de lo contario genera otra alternativa por insercin aplicando este operador a las
remplaza, de lo contario genera otra alternativa por inversin aplicando este operador a las
remplaza, de lo contario genera otra alternativa asignando una nueva cantidad de celdas al
cromosoma y generando nuevos lmites para las celdas y familias, si esta alternativa domina a la
bacteria original, sta la reemplaza, de lo contrario termina la quimiotaxis. Este proceso se describe
en la figura 5-10.
Reproduccin por duplicacin

4
En el BFOA la reproduccin por duplicacin se realiz copiando veces las bacterias mejor
45
adaptadas.
5.2 Experimentos realizados

Para evaluar el desempeo de las propuestas planteadas se realizaron varios experimentos que se
pueden dividir en dos grandes grupos, los primeros consistieron en afinar los parmetros de
probabilidad de cruzamiento y probabilidad de mutacin o eliminacin y dispersin, para obtener
la mejor configuracin de estos, los segundos consistieron en evaluar el desempeo corriendo los
algoritmos (mono-objetivo DHBFGA, AG, BFOA y Bacterial-GA Foraging y multi-objetivo DH-
BCMOA, NSGA2 y SPEA2) en la mejor configuracin de sus parmetros obtenida de los primeros
experimentos.
Todos los algoritmos se programaron en lenguaje Fortran 90, los grficos y tablas de resultados se
realizaron en Microsoft Excel y Matlab, y los anlisis de varianza en Minitab. Para el desarrollo de
este trabajo se emple un computador con procesador Intel Core 2 Duo T6400 de 2.00 GHz y 3
GB de memoria RAM.
A continuacin se describe el proceso que se realiz para determinar el nmero de rplicas para
cada experimento y posteriormente se describen los experimentos mono-objetivo y multi-objetivo
que se realizaron.
5.2.1 Nmero de rplicas

Dada la necesidad de evaluar el desempeo de las propuestas planteadas en este trabajo y con el
objetivo de lograr resultados estadsticamente confiables se determin el nmero mnimo de
rplicas para cada uno de los experimentos. De forma general se realiz una prueba piloto con tres
rplicas por tratamiento para estimar la media y la desviacin estndar, estos datos alimentaron la
siguiente ecuacin (Kuehl, 2001), que determina el nmero de rplicas necesario para una prueba
de hiptesis acerca de las diferencias entre las medias:

K 2 J67 + J8 ! & (5.13)
9
Donde K es el nmero de rplicas, J67 es una variable normal estndar con probabilidad :72 y J8
es una variable normal con probabilidad ;, : es el nivel de significancia de la prueba o la
probabilidad de cometer error tipo I (no aceptar la hiptesis nula ' ), ; es la probabilidad de
71
cometer error tipo II (no rechazar la hiptesis nula ' ), < es el tamao de la diferencia y es la

de la anterior ecuacin donde se emplea el coeficiente porcentual de variacin %: = 100 >
desviacin estndar. Debido a las diferencias entre los problemas de prueba se emple una versin
(donde ? es la media) que remplaza a . La diferencia < se debe expresar como porcentaje de la
media global esperada del experimento %< = 100 . La ecuacin que se emple finalmente tom
9
>
la siguiente forma:
K 2 J67 + J8 ! &
%
(5.14)
%9
Para todos los experimentos se calcul el nmero de rplicas con : = 0.01, ; = 0.1, y se
determin que el error porcentual debera ser %< = 5. Luego de realizados los clculos el nmero
de rplicas de cada experimento se normaliz en 10 rplicas para los experimentos de ajuste de
parmetros y 30 para la evaluacin del desempeo de las propuestas con la mejor configuracin de
parmetros, estos valores son superiores a los calculados a partir de las pruebas piloto y buscaban
estandarizar los experimentos.
5.2.2 Experimentos mono-objetivo

Para los problemas mono-objetivo la variable de respuesta de los primeros experimentos fue la
desviacin de la solucin ptima que consista en:
S =
' '>"R ' " R"( ' ' R
' ' R
(5.15)
La configuracin de parmetros que tuviera el promedio ms bajo de desviacin era la

seleccionada para alimentar los segundos experimentos. Se seleccion este criterio debido a que
los valores de las soluciones ptimas entre un problema y otro cambian. En este sentido la
desviacin del valor ptimo resultaba un mejor factor de comparacin del desempeo de los
algoritmos respecto a los niveles de los parmetros de cruzamiento y mutacin. En las tablas 5-5 y
5-6 se resume los factores y bloques de los primeros experimentos mono-objetivo.

lite correspondiente al 20% de la poblacin, una relacin = 5 (para que fuese comparable con
Para todos los algoritmos mono-objetivo se emple un tamao de poblacin de 100 individuos, una
quimiotcticos = 5, nmero de ciclos de reproduccin K = 5, mximo nmero de nados

el tamao de la lite y siguiendo la recomendacin de Nouri et al. (2010), nmero de ciclos
= 10, el nmero de ciclos de eliminacin y dispersin Q = 500 (se defini este valor alto
para cumplir con el criterio de parada) y como criterio de parada se consider un nmero mximo
de llamados a la funcin objetivo igual a 250000.
optimizacin
Tabla 5-5 Experimentos para ajuste de parmetros problemas TSP
Bloques
FACTORES Problemas de prueba
Algoritmo % Cruzamiento % Mutacin o Ped TSP
Algoritmos genticos AG 0,7 - 0,8 - 0,9 0,1 - 0,2 - 0,3

Ulysses22, Berlin52, Pr76, KroA100, Ch130
BFOA 0,1 - 0,2 - 0,3 Ulysses22, Berlin52, Pr76, KroA100, Ch130
Bacterial-GA 0,7 - 0,8 - 0,9 0,1 - 0,2 - 0,3 Ulysses22, Berlin52, Pr76, KroA100, Ch130
DHBFGA 0,7 - 0,8 - 0,9 0,1 - 0,2 - 0,3 Ulysses22, Berlin52, Pr76, KroA100, Ch130
Tabla 5-6 Experimentos para ajuste de parmetros problemas layout
Bloques
Algoritmo % Cruzamiento % Mutacin o Ped Matrices (Mquinas x Partes)
Algoritmos genticos AG 0,7 - 0,8 - 0,9 0,1 - 0,2 - 0,3 5x7, 7x11, 14x24, 35x20 y 24x40
BFOA 0,1 - 0,2 - 0,3 5x7, 7x11, 14x24, 35x20 y 24x41
Bacterial-GA 0,7 - 0,8 - 0,9 0,1 - 0,2 - 0,3 5x7, 7x11, 14x24, 35x20 y 24x42
DHBFGA 0,7 - 0,8 - 0,9 0,1 - 0,2 - 0,3 5x7, 7x11, 14x24, 35x20 y 24x43
Determinados los valores ptimos de los parmetros de los algoritmos, se procedi a comparar el
desempeo de las alternativas planteadas en la mejor configuracin de sus parmetros
considerando los resultados de dos variables, la primera el valor de fitness obtenido y la segunda el
tiempo requerido para lograr ese valor de fitness. Este esquema se aplic en la solucin de los
problemas TSP y layout.
5.2.3 Experimentos multi-objetivo

Los experimentos multi-objetivo que se plantearon buscan determinar de la misma forma que los
mono-objetivo los valores de la probabilidad de cruzamiento y la probabilidad de mutacin o
eliminacin y dispersin que permiten tener el mejor desempeo de los algoritmos evaluados.
Dado que los problemas multi-objetivo no tienen una sola solucin, sino un conjunto de soluciones
no dominadas es necesario establecer un criterio para definir qu conjunto de soluciones es mejor
que otro, al respecto las soluciones se comparan en varios aspectos. El primero la convergencia al
frente ptimo de Pareto. Para esto existen diferentes mtricas como lo describe Grosan (2003), en
este trabajo se emplea la mtrica de convergencia propuesta por Deb y Jain (2002). El segundo
criterio es la diversidad de las soluciones, el objetivo en este caso es establecer que tan dispersas o
describen varias de estas entre ellas la mtrica , propuesta por Deb et al., (2002) que es la que se
diversas son las soluciones entre s y con respecto al frente ptimo de Pareto, Yan et al. (2007),
implementa en este trabajo. Otros aspectos que se pueden considerar son el nmero de soluciones
no dominadas o que pertenecen al primer frente de Pareto o el tiempo requerido para cumplir cierto
criterio. En el caso de los experimentos para obtener los valores de los parmetros que lograran el
mejor desempeo de los algoritmos se consider la mtrica de proximidad como variable de salida
ya que primordialmente las soluciones se deben acercar al frente ptimo de Pareto, se emplearon
nicamente los problemas de las mochilas porque de estos se tena el frente ptimo de Pareto, estos
se resumen en la tabla 5-7.
73
Tabla 5-7 Experimentos para ajuste de parmetros problemas de las mochilas o Knapsack
Bloques
Mochila - Knapsack
Algoritmo % Cruzamiento % Mutacin o Ped
(tems - No. Objetivos)
DH-BCMOA 0,005 - 0,015 - 0,025 (100 - 2), (250 - 2), (500 - 2)
NSGA2 0,7 - 0,8 - 0,9 0,005 - 0,015 - 0,025 (100 - 2), (250 - 2), (500 - 2)
SPEA2 0,7 - 0,8 - 0,9 0,005 - 0,015 - 0,025 (100 - 2), (250 - 2), (500 - 2)
Para los algoritmos DH-BCMOA, NSGA2 y SPEA2 se emple un tamao de poblacin de 250
individuos como lo recomienda Zitzler et al.(2001) (en el caso del NSGA2 y SPEA2 el tamao de
la poblacin no dominada o archivo es tambin de 250 individuos), por ltimo como criterio de
parada se consider un nmero mximo de llamados a la funcin objetivo igual a 250000. En la
segunda fase de experimentos se realiza al final una comparacin grfica entre los algoritmos
empleando como criterio de parada el tiempo.
Una vez determinados los valores de los parmetros se procedi a comparar el desempeo de los
algoritmos en la solucin de los problemas de las mochilas y de layout, evaluando el desempeo
respecto a convergencia, diversidad, tiempo y nmero de elementos en el frente ptimo de Pareto.
5.3 Resultados y discusin

A continuacin se presentan los resultados de los experimentos obtenidos, se inicia con los
experimentos mono-objetivo y posteriormente se presenta los multi-objetivo.
5.3.1 Resultados y discusin experimentos mono-

objetivo
El ajuste de parmetros que se realiz solucionando los problemas mono-objetivo del agente
viajero TSP y los problemas de layout, arrojaron los valores que se presentan en las tablas 5-8 y 5-
9 de los parmetros de cruzamiento y mutacin o eliminacin y dispersin. Con estos valores se
procedi a evaluar el desempeo de los cuatro algoritmos solucionando los problemas TSP y
Layout, para esta segunda parte las variables de respuesta fueron el valor promedio de la funcin
fitness y el tiempo promedio empleado para solucionar cada problema.
Tabla 5-8 Parmetros obtenidos a partir de la solucin de los problemas TSP
Problemas TSP
Algoritmos genticos AG 0.9 0,1
BFOA 0,1
Bacterial-GA 0.9 0,1
DHBFGA 0.9 0,1
Tabla 5-9 Parmetros obtenidos a partir de la solucin de los problemas Layout

optimizacin
Problemas Layout
Algoritmos genticos AG 0.9 0,3
BFOA 0,3
Bacterial-GA 0.9 0,3
DHBFGA 0.9 0,3
Problemas del agente viajero TSP
El desempeo de los cuatro algoritmos en la solucin del problema del agente viajero se presenta a
continuacin, las variables de respuesta fueron los valores mnimos obtenidos de la funcin fitness
y el tiempo empleado por cada algoritmo para obtener estas soluciones, inicialmente estos fueron
sometidos a anlisis de varianza con el objetivo de verificar si existan diferencias entre las medias
de los valores de la funcin fitness y el tiempo obtenidas por cada algoritmo. En la tabla 5-10 se
puede verificar que efectivamente existen diferencias entre las medias de la funcin fitness
obtenidas por los algoritmos probados, estas estn influenciadas por el tipo de algoritmo empleado
y el tipo de problema, ya que el valor ptimo de fitness depende de cada problema, adems existe
interaccin entre estos dos factores. La variable tiempo tambin presenta el mismo
comportamiento entre las medias como se observa en la figura 5-11, porque el tiempo que emplea
cada algoritmo en solucionar cierto problema depende de la complejidad de ste y de la estructura
particular de cada algoritmo, esto genera que se presente interaccin entre estos factores.
Tabla 5-10 Resultados ANOVA Funcin fitness Vs Algoritmos*Problemas TSP
Fuente GL SC sec. SC ajust. MC ajust. F P

Algoritmo 3 79435770237 79435770237 26478590079 1697,85 0
Problema 4 1,55544E+12 1,55544E+12 3,8886E+11 24934,33 0
Algoritmo*Problema 12 1,62018E+11 1,62018E+11 13501523734 865,74 0
Error 380 5926236770 5926236770 15595360
Total 399 1,80282E+12
Tabla 5-11 Resultados ANOVA Tiempo Vs Algoritmos*Problemas TSP

Algoritmo 3 442522 442522 147507 14760,62 0
Problema 4 487551 487551 121888 12196,94 0
Algoritmo*Problema 12 410330 410330 34194 3421,71 0
Error 380 3797 3797 10
Total 399 1344200
Los resultados presentados en la figura 5-11 muestran que en cuatro de los cinco problemas TSP el
algoritmo propuesto DHBFGA obtiene promedios inferiores en relacin a los dems algoritmos,
con una desviacin estndar menor (figura 5-12) que demuestran una variabilidad ms baja. Los
algoritmos BFOA y Bacterial-GA Foraging, logran resultados anlogos al DHBFGA, pero con
promedios superiores. De forma general los algoritmos basados en bacterias presentan promedios y
75
desviaciones estndar inferiores (figura 5-11 y 5-12), mientras que el algoritmo gentico tiene
promedios superiores en todos los problemas respecto a los dems.
300000,00
250000,00
200000,00
Fitness
150000,00
100000,00
50000,00
0,00
Ulysses 22 Berlin 52 Pr 76 KroA 100 Ch 130
AG 76,25 11390,07 255263,70 73149,69 2524,22
BFOA 75,51 8123,79 136634,05 36261,18 2085,17
Bacterial GA 75,52 8029,17 131533,65 34904,61 2151,29
DHBFGA 75,35 7969,35 134763,90 34599,81 2022,76
Mejores
soluciones 70.13 7542 108159 21282 6110
reportadas *
*Fuente: http://comopt.ifi.uni-heidelberg.de/software/TSPLIB95/
problemas TSP empleando AG, BFOA, Bacterial-GA y DHBFGA
16000
14000
Desviacin estandar fitness
12000
10000
8000
6000
4000
2000
0
Ulysses 22 Berlin 52 Pr 76 KroA 100 Ch 130
AG 0,92 1002,44 14950,82 3811,75 233,19
BFOA 0,33 181,11 5297,78 1125,63 150,92
Bacterial GA 0,30 198,00 5368,06 1411,29 142,70
DHBFGA 0,18 161,84 3372,02 1064,07 77,06
los problemas TSP empleando AG, BFOA, Bacterial-GA y DHBFGA
optimizacin
300,00
250,00
200,00
Tiempo (Seg)
150,00
100,00
50,00
0,00
5x7 7x11 14x24 24x40 35x20
AG 1,41 2,44 44,35 264,22 149,14
Bacterial-GA 2,65 4,62 22,58 146,82 99,31
BFOA 1,06 1,87 2,95 35,06 31,97
DHBFGA 1,76 2,24 55,24 262,49 139,86
Figura 5-13 Promedio del tiempo empleado por los algoritmos AG, BFOA, Bacterial-GA y
DHBFGA en la obtencin de las soluciones de los problemas TSP
80,00
Desviacin estndar Tiempo
70,00
60,00
50,00
40,00
30,00
20,00
10,00
0,00
5x7 7x11 14x24 24x40 35x20
AG 1,90 3,40 21,75 47,45 30,99
Bacterial-GA 2,16 4,32 18,45 69,17 44,45
BFOA 1,65 3,82 3,61 70,39 22,37
DHBFGA 1,59 3,47 12,55 24,04 25,47
GA y DHBFGA en la obtencin de las soluciones de los problemas TSP
Los resultados anteriores demostraron que los algoritmos basados en bacterias lograron mejores
resultados de fitness para el problema del agente viajero TSP, al analizar el tiempo promedio
77
empleado por cada algoritmo para obtener dichas soluciones se presenta el mismo comportamiento
(figura 5-13), los algoritmos basados en bacterias obtienen promedios y desviaciones estndar
menores. El algoritmo ms rpido es el BFOA, seguido por Bacterial-GA Foraging, DHBFGA y
finalmente AG, esto implicara que los algoritmos basados en bacterias tienen una ventaja sobre los
algoritmos genticos en la solucin de los problemas TSP ya que respecto al tiempo seran ms
eficientes, probablemente porque pueden explorar de una forma ms eficaz el espacio de bsqueda
en un problema con permutaciones. Este comportamiento puede verse claramente de forma grfica
en las figuras 5-15 a 5-24, donde respecto al nmero de llamados a la funcin fitness el algoritmo
propuesto DHBFGA logra el mejor desempeo, ya que obtiene las soluciones con los menores
valores de fitness, sin embargo considerando el tiempo BFOA supera a los dems aunque sus
valores de fitness son superiores a DHBFGA.
problema TSP Ulysses 22
optimizacin
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema TSP Ulysses 22
problema TSP Berlin 52
79
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema TSP Berlin 52
problema TSP Pr 76
optimizacin
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema TSP Pr 76
problema TSP KroA 100
81
BFOA, Bacterial-GA Foragingy DHBFGA en la solucin del problema TSP KroA 100
problema TSP Ch 130
optimizacin
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema TSP Ch 130
Problemas mono-objetivo del layout de las celdas de manufactura
La solucin mono-objetivo de los problemas del layout sigui los mismos criterios que los
problemas TSP, primero se realizaron los anlisis de varianza que se presentan en las tablas 5-12 y
5-13 donde se observa que existen diferencias entre las medias obtenidas en los valores de fitness y
tiempo, que estn influenciadas por el tipo de algoritmo empleado en la solucin y las dimensiones
del problema solucionado, siendo este ltimo el factor que ms afecta el tiempo.
Tabla 5-12 Resultados ANOVA Funcin Fitness Vs Algoritmos*Problemas Layout

Algoritmo 1 24423 24423 24423 7,83 0,006
Problema 4 12395202 12395202 3098801 993,64 0
Error 190 592543 592543 3119
Total 199 13127461
Tabla 5-13 Resultados ANOVA Tiempo Vs Algoritmos*Problemas Layout

Algoritmo 3 412230 412230 137410 155,19 0
Problema 4 1854743 1854743 463686 523,69 0
Error 380 336459 336459 885
Total 399 3113827
83
En los problemas del layout de celdas de manufactura el desempeo de los algoritmos fue diferente
respecto a los problemas TSP, en este caso los mejores desempeos los obtuvieron el algoritmo
propuesto DHBFGA y AG, como se puede apreciar en la figura 5-25, donde estos dos algoritmos
presentan los promedios ms bajos, con valores muy cercanos entre s. Resaltndose que el
algoritmo propuesto DHBFGA logra para el problema ms complejo 35x20 un promedio muy
inferior a los dems, adems la dispersin de sus datos de fitness y tiempo crece en un tasa menor
que los otros algoritmos en la medida que se incrementa la complejidad del problema (figuras 5-26
y 5-28). AG y DHBFGA lideran el desempeo en cuanto a fitness. Respecto al tiempo (figuras 5-
27) los algoritmos BFOA y Bacterial-GA Foraging tienen tiempos promedio bajos, pero presentan
convergencia prematura a soluciones no ptimas (figuras 5-29 a 5-38), por lo tanto sus menores
tiempos reflejan un pobre desempeo. Probablemente esto se debe a que este problema no solo
maneja permutaciones sino tambin combinaciones, ya que debe agrupar las mquinas en celdas y
las partes en familias, al mismo tiempo que se establece las posiciones de las mquinas y celdas,
por lo tanto para solucionarlo no solo es necesario explorar soluciones sino tambin lograr una
buena convergencia.
En este sentido la hibridacin con el algoritmo gentico le permite al algoritmo DHBFGA mejorar
su convergencia y el ciclo quimiotctico le permite explorar las permutaciones, esto es ms notorio
en los problemas ms complejos donde el espacio de bsqueda es ms grande. Esto se puede
apreciar en las figuras 5-29 a 5-38, en las cuales se puede ver el comportamiento de la funcin
fitness de cada algoritmo respecto al nmero de llamados a la funcin fitness y respecto al tiempo
para cada problema, aprecindose como el algoritmo DHBFGA de una forma ms eficaz realiza la
bsqueda de la solucin ptima escapando a mnimos locales (figuras 5-33 a 5-36) y con una
constante tendencia a descender al valor mnimo.
1600,00
1400,00
1200,00
1000,00
Fitness
800,00
600,00
400,00
200,00
0,00
5x7 7x11 14x24 24x40 35x20
AG 9,45 10,86 78,78 321,43 714,60
BFOA 15,52 24,06 162,99 733,19 1430,76
Bacterial-GA 11,29 17,09 117,30 540,73 956,05
DHBFGA 9,45 9,81 75,99 332,42 596,95
Soluciones
9.45 2.50 42.0614 68.5876 107.413
ptimas
problemas de Layout empleando AG, BFOA, Bacterial-GA Foraging y DHBFGA
optimizacin
250,00
Desviacin estndar Fitness
200,00
150,00
100,00
50,00
0,00
5x7 7x11 14x24 24x40 35x20
AG 0,00 2,34 14,39 47,57 123,98
Bacterial-GA 1,53 3,28 17,07 53,16 202,46
BFOA 1,73 2,53 11,67 42,30 105,54
DHBFGA 0,00 4,93 10,35 47,33 104,73
los problemas de Layout empleando AG, BFOA, Bacterial-GA Foraging y DHBFGA
300,00
250,00
Tiempo (Seg)
200,00
150,00
100,00
50,00
0,00
5x7 7x11 14x24 24x40 35x20
AG 1,41 2,44 44,35 264,22 149,14
Bacterial-GA 2,65 4,62 22,58 146,82 99,31
BFOA 1,06 1,87 2,95 35,06 31,97
DHBFGA 1,76 2,24 55,24 262,49 139,86
Figura 5-27 Promedio del tiempo empleado por los algoritmos AG, BFOA, Bacterial-GA
Foraging y DHBFGA en la obtencin de las soluciones de los problemas TSP
85
Desviacin estndar Tiempo 80,00

70,00
60,00
50,00
40,00
30,00
20,00
10,00
0,00
5x7 7x11 14x24 24x40 35x20
AG 1,90 3,40 21,75 47,45 30,99
Bacterial-GA 2,16 4,32 18,45 69,17 44,45
BFOA 1,65 3,82 3,61 70,39 22,37
DHBFGA 1,59 3,47 12,55 24,04 25,47
GA Foraging y DHBFGA en la obtencin de las soluciones de los problemas TSP
problema de Layout 5x7
optimizacin
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 5x7
87
optimizacin
89
optimizacin
5.3.2 Resultados y discusin experimentos multi-

objetivo
Para los experimentos multi-objetivo los parmetros se ajustaron solucionando el problema multi-
objetivo de las mochilas a partir del mejor desempeo de las soluciones respecto a la convergencia
de estas al frente ptimo de Pareto, empleando como variable de respuesta los valores de la mtrica
de proximidad (Deb y Jain, 2002) obtenidos por NSGA2, SPEA2 y DH-BCMOA, los resultados
obtenidos se presentan en la tabla 5-14.
Tabla 5-14 Parmetros obtenidos a partir de la solucin de los problemas de las mochilas o
Knapsack
Algoritmo % Cruzamie nto % Mutacin o Pe d

DH-BCMOA 0,005
NSGA2 0,8 0,005
SPEA2 0,8 0,005
Definidos los parmetros ptimos se procedi a evaluar el desempeo de los algoritmos en relacin
con la convergencia, diversidad, nmero de soluciones no dominadas y tiempo. A continuacin se
presentan los resultados de los problemas de la mochila y luego los de layout.
91
Problemas multi-objetivo de la mochila
Se probaron los algoritmos solucionando tres problemas multi-objetivo de la mochila con dos
objetivos y 100, 250 y 500 tems respectivamente. De la misma forma que los problemas mono-
objetivo primero se presentan los anlisis de varianza respecto a cada una de las variables de
respuesta con el objetivo de verificar si existen diferencias entre las medias de estas. En la tabla 5-
15 se puede evidenciar que las medias obtenidas de los valores de la mtrica de proximidad
demuestran que existen diferencias entre estas influenciadas principalmente por el tipo de
algoritmo el cual ejerce una mayor influencia qu las dimensiones del problema, la interaccin que
se presenta entre estos dos factores se puede evidenciar en la figura 5-39, ya que cada algoritmo
presenta comportamientos distintos. En el caso del DH-BCMOA mejoran los resultados con el
incremento del nmero de tems del problema (figuras 5-43 a 5-45), lo opuesto sucede con NSGA2
y SPEA2, adems presentan una alta dispersin de sus resultados para el problema con 500 tems.
Al considerar la mtrica, el nmero de soluciones no dominadas y el tiempo empleado para
realizar 250000 llamados a las funciones fitness, se presenta una influencia superior del tipo de
algoritmo respecto a las dimensiones del problema solucionado (tablas 5-15, 5-16 y 5-17).
Tabla 5-15 Resultados ANOVA Mtrica de Proximidad Vs Algoritmos*Problemas Mochilas

Algoritmo 2 0,0004703 0,0005771 0,0002886 10,67 0
Problema 2 0,0000437 0,0002165 0,0001082 4 0,019
Algoritmo*Problema 4 0,0005922 0,0005922 0,0001481 5,48 0
Error 664 0,0179541 0,0179541 0,000027
Total 672 0,0190603
Tabla 5-16 Resultados ANOVA Mtrica de Vs Algoritmos*Problemas Mochilas

Algoritmo 2 10,4377 9,4472 4,7236 236,66 0
Problema 2 2,8048 1,2634 0,6317 31,65 0
Error 664 13,2528 13,2528 0,02
Total 672 28,5683

Mochilas

Algoritmo 2 910894 910326 455163 168,59 0
Problema 2 284328 140516 70258 26,02 0
Error 664 1792716 1792716 2700
Total 672 3212530
optimizacin
Tabla 5-18 Resultados ANOVA Tiempo Vs Algoritmos*Problemas Mochilas

Algoritmo 2 1490495550 1460737331 730368666 4184,13 0
Problema 2 2106077 3897395 1948697 11,16 0
Error 664 115905871 115905871 174557
Total 672 1613146033
0,01800
0,01600
Mtrica de Proximidad
0,01400
0,01200
0,01000
0,00800
0,00600
0,00400
0,00200
0,00000
Knapsack Knapsack Knapsack Knapsack Knapsack Knapsack Knapsack Knapsack Knapsack
100 items 250 items 500 items 100 items 250 items 500 items 100 items 250 items 500 items
DH-BCMOA NSGA2 SPEA2
Promedio de PROXIMIDAD 0,00231 0,00225 0,00157 0,00345 0,00293 0,00316 0,00287 0,00320 0,00774
Desvest de PROXIMIDAD 0,00059 0,00068 0,00116 0,00742 0,00373 0,00590 0,00027 0,00161 0,01555
Figura 5-39 Promedio y desviacin estndar de los valores de la mtrica de proximidad

obtenidos por los algoritmos DH-BCMOA, NSGA2 y SPEA2 solucionando los problemas de las
mochilas
En cuanto a diversidad de las soluciones el SPEA2 logra el mejor desempeo (figura 5-40). Sin
embargo todos los algoritmos para los problemas ms complejos presentan un agrupamiento de las
soluciones no dominadas lo cual va en detrimento de la diversidad (figuras 5-44 y 5-45). Al
analizar el nmero de soluciones no dominadas obtenidas (figura 5-41), NSGA2 obtiene mayores
promedios que los dems en todos los problemas, los cuales aumentan en la medida que se
incrementa la complejidad del problema, este comportamiento tambin se presenta en el DH-
BCMOA. SPEA2 presenta el comportamiento opuesto.
93
1,4000
1,2000
Mtrica Delta
1,0000
0,8000
0,6000
0,4000
0,2000
0,0000
Promedio de DELTA 0,6640 0,7342 0,9211 0,8435 0,8860 1,0130 1,1620 1,0902 1,0329
Desvest de DELTA 0,1178 0,0884 0,1121 0,1726 0,1923 0,1258 0,1422 0,1399 0,1707
Figura 5-40 Promedio y desviacin estndar de los valores de la mtrica obtenidos por los
algoritmos DH-BCMOA, NSGA2 y SPEA2 solucionando los problemas de las mochilas
250
No. de Soluciones NO DOMINADAS
200
150
100
50
0
Knapsack 100 Knapsack 250 Knapsack 500 Knapsack 100 Knapsack 250 Knapsack 500 Knapsack 100 Knapsack 250 Knapsack 500
items items items items items items items items items
Promedio de NEF(1) 98 101 187 200 204 228 175 169 159
Desvest de NEF(1) 49 47 86 44 43 51 13 31 56
Figura 5-41 Promedio y desviacin estndar del nmero de soluciones NO DOMINADAS

obtenidas por los algoritmos DH-BCMOA, NSGA2 y SPEA2 solucionando los problemas de las
mochilas
Finalmente al observar los tiempos requeridos para realizar los 250000 llamados a las funciones
fitness (Figura 5-42), claramente los mejores resultados los tiene el DH-BCMOA, los tiempos
promedio que emplea en cada problema son inferiores al NSGA2 y SPEA2, este ltimo presenta
unos tiempos muy superiores a los dems. Si se consideran simultneamente todas las variables de
respuesta se puede afirmar que el DH-BCMOA tiene el mejor desempeo, esto se puede evidenciar
claramente en las figuras 5-43 a 5-45, donde el DH-BCMOA logra el conjunto no dominado ms
optimizacin
prximo al frente ptimo de Pareto, en el menor tiempo y con un buen nmero de soluciones no
dominadas.
4500,00
4000,00
3500,00
3000,00
Tiempo (seg)
2500,00
2000,00
1500,00
1000,00
500,00
0,00
Promedio de TIEMPO 30,05 49,45 83,83 88,47 97,65 118,39 3576,00 4062,39 3971,49
Desvest de TIEMPO 1,13 0,51 0,78 4,32 3,36 3,10 920,72 964,84 962,98
Figura 5-42 Promedio y desviacin estndar del tiempo empleado por los algoritmos DH-
BCMOA, NSGA2 y SPEA2 solucionando los problemas de las mochilas
Figura 5-43 Soluciones no dominadas obtenidas en la solucin del problema de las 2 mochilas con
100 tems por los algoritmos DH-BCMOA, NSGA2 y SPEA2
95
con 250 tems por los algoritmos DH-BCMOA, NSGA2 y SPEA2
con 500 tems por los algoritmos DH-BCMOA, NSGA2 y SPEA2
optimizacin
Problemas multi-objetivo del layout de las celdas de manufactura
La evaluacin del desempeo de los algoritmos en la solucin de los problemas multi-objetivo del
layout de celdas de manufactura se realiz de forma cuantitativa analizando el tiempo empleado
por cada algoritmo para realizar 250000 llamados a las funciones fitness y el nmero de soluciones
no dominadas obtenidas luego de realizado esto. No se analiza convergencia y diversidad de forma
cuantitativa debido a que no se cuenta con el frente ptimo de Pareto. Siguiendo el esquema
desarrollado anteriormente se realizaron anlisis de varianza para determinar si existan diferencias
entre las medias. Respecto al tiempo, como se puede ver en la tabla 5-19, las medias no son iguales
estadsticamente y se ven influenciadas tanto por el tipo de algoritmo como por las dimensiones del
problema, as mismo existe interaccin entre estos dos factores. Esto se puede confirmar en la
figura 5-46 donde claramente el menor tiempo en todos los problemas lo obtiene DH-BCMOA,
NSGA2 logra tiempos un tanto superiores, sin embargo SPEA2 obtiene tiempos muy superiores en
todos los problemas. Al analizar el nmero de soluciones no dominadas las medias no son iguales,
pero en este caso nicamente estn influenciadas por el tipo de algoritmo que se emplea y no por
las dimensiones del problema, por lo tanto esta caracterstica dependera principalmente de la
estructura y configuracin de cada algoritmo. En este sentido NSGA2 y SPEA2 tienen valores muy
cercanos entre s superiores a DH-BCMOA en una relacin aproximada de 2 a 1, este
comportamiento puede deberse a que NSGA2 y SPEA2 emplean dos poblaciones mientras que
DH-BCMOA solo una.
Tabla 5-19 Resultados ANOVA Tiempo Vs Algoritmos*Problemas Layout multi-objetivo

Algoritmo 2 1,37E+08 1,37E+08 68511568 377,09 0
Problema 4 1,96E+08 1,96E+08 49048468 269,96 0
Error 135 24527775 24527775 181687
Total 149 3,81E+08
5000,0
4500,0
4000,0
Tiempo (seg)
3500,0
3000,0
2500,0
2000,0
1500,0
1000,0
500,0
0,0
5x7 7x11 14x24 35x30 24x40
DH-BCMOA 75,7 131,1 458,3 1542,5 2997,0
NSGA2 452,9 502,4 770,6 1484,2 4486,7
SPEA2 2016,9 2774,2 2902,8 4203,1 4458,7
Figura 5-46 Promedio del tiempo empleado por los algoritmos DH-BCMOA, NSGA2 y SPEA2
solucionando los problemas multi-objetivo del layout de celdas de manufactura
97

Layout multi-objetivo

Algoritmo 2 12682,65 12682,65 6341,33 1085,71 0
Problema 4 10,71 10,71 2,68 0,46 0,766
Error 135 788,5 788,5 5,84
Total 149 13715,87
40
No. de Soluciones NO DOMINADAS
35
30
25
20
15
10
0
5x7 7x11 14x24 35x30 24x40
DH-BCMOA 11 14 13 13 16
NSGA2 35 34 34 33 31
SPEA2 32 32 32 32 32
Figura 5-47 Promedio estndar del nmero de soluciones NO DOMINADAS obtenidas por los
algoritmos DH-BCMOA, NSGA2 y SPEA2 solucionando los problemas multi-objetivo del layout
de celdas de manufactura
En las figuras 5-48 a 5-52 se pueden observar las soluciones no dominadas obtenidas por los tres
algoritmos en las solucin de los problemas de layout de las celdas de manufactura luego de
250000 llamados a las funciones fitness. En estos se observa que SPEA2 logra mejor convergencia
pero con un consumo de tiempo muy alto (figura 5-46), seguido por el algoritmo propuesto DH-
BCMOA con unos tiempos muy cortos y finalmente NSGA2 con tiempos similares pero superiores
a DH-BCMOA. En este escenario SPEA2 supera a los dems, por esta razn se plante una
comparacin grfica donde se corri cada algoritmo con un criterio de parada de 200 segundos.
Los resultados se presentan en las figuras 5-53 a 5-57, en este caso con un tiempo constante DH-
BCMOA y NSGA2 mejoran su desempeo, presentando resultados anlogos, probablemente
porque comparten el operador de ordenamiento rpido no dominado, sin embargo en cuatro de los
cinco problemas la mejor convergencia la obtiene DH-BCMOA, mientras que SPEA2 obtiene los
peores resultados.
optimizacin
BCMOA, NSGA2 y SPEA2
99
optimizacin
SPEA2
101
SPEA2
SPEA2
optimizacin
SPEA2
SPEA2
6. Conclusiones y recomendaciones
6.1 Conclusiones
Los modelos mono-objetivo y multi-objetivo propuestos del problema del layout de las celdas de
manufactura permitieron de forma simultnea lograr la formacin de las celdas de manufactura y
la definicin del layout intra e inter celdas.
En la estrategia de solucin propuesta, se integr la formulacin matemtica del problema a su

estructura. Esto se logr gracias a que la codificacin empleada para la solucin del problema del
layout de las celdas de manufactura fue la base para definir la estructura de los operadores de los
algoritmos de solucin y permiti satisfacer siempre las restricciones con lo cual todas las
soluciones resultantes eran factibles.
Los resultados obtenidos por los algoritmos AG, BFOA, Bacterial-GA Foraging y DHBFGA en la
solucin de los problemas del agente viajero y layout de las celdas de manufactura, demostraron
que los algoritmos basados en bacterias presentan un mejor desempeo en problemas con
permutaciones mientras que los algoritmos genticos se comportan mejor en problemas de
agrupamiento o que manejen combinaciones.
El algoritmo hbrido propuesto en este trabajo (DHBFGA) se adapta bien a los problemas TSP y
layout de las celdas de manufactura logrando un desempeo del fitness y del tiempo de proceso
mejores en comparacin con los otros algoritmos estudiados, este comportamiento refleja la suma
de fortalezas lograda con la hibridacin.
La comparacin entre las soluciones al problema de las mochilas (multi-objetivo) obtenidas por los
algoritmos NSGA2, SPEA2 y DH-BCMOA demuestran un desempeo superior del algoritmo
hbrido propuesto en este trabajo (DH-BCMOA) en la solucin de este tipo de problemas. Mejor
convergencia y mucho menor tiempo de procesamiento son las ventajas obtenidas con DH-
BCMOA, esto se explica por la estructura gil que tiene BCMOA que sumada a la hibridacin
permiti abordar estos problemas de forma exitosa.
De igual manera que con el problema de las mochilas, en la solucin multi-objetivo del problema
del layout de las celdas de manufactura el algoritmo DH-BCMOA demostr un mejor desempeo
ya que logra mejores soluciones no dominadas en menor tiempo para un escenario de tiempo
constante.
Los resultados del algoritmo SPEA2 para los dos tipos de problemas (mochilas y layout) presentan
una buena convergencia pero en un tiempo elevado, esto se debe a que requiere de forma
recurrente operaciones de ordenamiento lo que lo hace lento respecto a los dems algoritmos
evaluados.
104 Modelo para la definicin del layout de una celda de manufactura a travs de optimizacin
El comportamiento similar entre NSGA2 y DH-BCMOA para los dos problemas se debe a que
comparten el operador de ordenamiento rpido no dominado, pero los menores tiempos de DH-
BCMOA son producto de manejar una sola poblacin y un mecanismo de diversidad ms gil que
NSGA2.
Los algoritmos DHBFGA y DH-BCMOA representan un nuevo e importante aporte ya que

amplan las posibilidades de solucin efectiva y eficiente del problema del layout de las celdas de
manufactura y de otros problemas similares. Adems la estructura de estos algoritmos puede ser
empleada en la solucin de problemas con variables continuas y mixtas, nicamente se requiere
emplear otras codificaciones y operadores.
6.2 Recomendaciones y trabajo futuro

A partir de los resultados obtenidos y la experiencia lograda en el desarrollo de este estudio es
necesario prestarle especial atencin a la formulacin matemtica del problema y a la codificacin.
En cuanto a la formulacin del problema del layout de las celdas de manufactura es posible
integrar otros factores como los tiempos de operacin, la capacidad y costo de los equipos y otros
como el impacto ambiental, para hacer ms tiles los modelos en situaciones reales.
Es recomendable explorar otras codificaciones con el objetivo de evaluar su influencia en el

desempeo de los algoritmos, sobre todo en la estructura de los operadores para que faciliten la
bsqueda de las soluciones ptimas en problemas con permutaciones, combinaciones y mixtos.
Respecto a los algoritmos planteados es posible seguir mejorndolos para hacerlos ms robustos y
veloces.
Anexo A. Matrices problemas de prueba layout de las celdas de manufactura 105
Anexo A: Matrices problemas de prueba

layout de celdas de manufactura
Matriz de incidencias 5x7 (Vitanov, Tjahjono y Marghalany, 2008)
Partes
1 2 3 4 5 6 7
1 0 1 0 0 1 1 1
Mquinas
2 1 0 1 0 0 0 0
3 0 1 0 0 1 1 1
4 1 1 0 0 1 1 0
5 0 0 1 1 0 1 0
Matriz de secuencias 5x7
Partes
1 2 3 4 5 6 7
1 0 1 0 0 1 1 1
Mquinas
2 1 0 1 0 0 0 0
3 0 2 0 0 2 2 2
4 2 3 0 0 3 3 0
5 0 0 2 1 0 4 0
Matriz de secuencias 5x7 solucionada
Partes
2 5 6 7 1 3 4
1 1 1 1 1 0 0 0
Mquinas
3 2 2 2 2 0 0 0
4 3 3 3 0 2 0 0
2 0 0 0 0 1 1 0
5 0 0 4 0 0 2 1
Matriz de incidencia 7x11 (Seifodini y Djassemi, 1996)
Partes
1 2 3 4 5 6 7 8 9 10 11
1 0 0 1 0 0 0 1 0 0 0 1
2 1 1 0 0 0 1 0 0 1 0 0
Mquinas
3 1 1 0 0 0 1 0 0 1 0 0
4 0 0 0 1 1 0 0 1 0 1 0
5 0 0 1 0 0 0 1 0 0 0 1
6 0 0 1 0 0 0 1 0 0 0 1
7 0 0 0 1 1 0 0 1 0 1 0
Partes
1 2 3 4 5 6 7 8 9 10 11
1 0 0 1 0 0 0 1 0 0 0 1
2 1 1 0 0 0 1 0 0 1 0 0
Mquinas
3 2 2 0 0 0 2 0 0 2 0 0
4 0 0 0 1 1 0 0 1 0 1 0
5 0 0 2 0 0 0 2 0 0 0 2
6 0 0 3 0 0 0 3 0 0 0 3
7 0 0 0 2 2 0 0 2 0 2 0
Partes
1 2 6 9 3 7 11 4 5 8 10
2 1 1 1 1 0 0 0 0 0 0 0
3 2 2 2 2 0 0 0 0 0 0 0
Mquinas
1 0 0 0 0 1 1 1 0 0 0 0
5 0 0 0 0 2 2 2 0 0 0 0
6 0 0 0 0 3 3 3 0 0 0 0
4 0 0 0 0 0 0 0 1 1 1 1
7 0 0 0 0 0 0 0 2 2 2 2
Matriz de incidencia 14x24 (King, 1980)
Partes
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
4 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 1 0
5 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0
6 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 0 0 0 0 0 1 0 0
Mquinas
7 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
8 0 0 0 0 1 0 0 0 1 1 0 1 0 1 1 1 0 0 0 0 0 1 0 0
9 0 0 0 0 1 0 0 0 1 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0
10 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
11 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1
12 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
13 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0
14 0 0 0 0 0 0 0 0 1 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0
Partes
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
4 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 1 0
5 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 2 0 0 2 0
6 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 0 0 0 0 0 1 0 0
Mquinas
7 3 3 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
8 0 0 0 0 1 0 0 0 2 2 0 2 0 2 2 2 0 0 0 0 0 2 0 0
9 0 0 0 0 2 0 0 0 3 0 0 3 1 0 3 0 0 0 0 0 0 0 0 0
10 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
11 0 0 4 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 2
12 0 0 0 0 0 0 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
13 0 0 0 0 0 2 4 2 0 0 0 0 0 0 0 0 0 1 0 0 0 0 3 0
14 0 0 0 0 0 0 0 0 4 0 2 0 2 0 4 0 0 0 0 0 0 0 0 0
Partes
1 2 17 19 20 23 6 7 8 18 3 4 21 24 5 9 10 11 12 13 14 15 16 22
4 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 2 2 2 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
7 3 3 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
12 0 0 0 0 0 0 0 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
13 0 0 0 0 0 3 2 4 2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Mquinas
2 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 2 2 1 0 0 0 0 0 0 0 0 0 0 0
10 0 0 0 0 0 0 0 0 0 0 3 0 0 1 0 0 0 0 0 0 0 0 0 0
11 0 0 0 0 0 0 0 0 0 0 4 3 2 2 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 1
8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 2 0 2 0 2 2 2 2
9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 3 0 0 3 1 0 3 0 0
14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 2 0 2 0 4 0 0
Matriz de incidencia 24x40 (Chandrasekharan y Rajagopalan, 1989)

Partes
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0
3 0 1 0 0 0 0 0 0 0 0 1 1 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
4 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 0
5 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0
6 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 1 0 0 0 0 0 0 0 1 0 0
7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1
8 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1
10 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
11 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0
Mquinas
12 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0
13 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
14 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
15 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 1 0 0 0 0 0 0 1 0 0 0
16 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 0
17 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 1
18 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0
19 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 1
20 0 1 0 0 0 0 0 0 0 0 1 1 0 0 1 0 0 0 1 0 0 0 1 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0
21 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
22 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
23 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
24 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0

Partes
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 2 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 6 0 0 1 0 0 0 0
3 0 1 0 0 0 0 0 0 0 0 1 1 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
4 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 3 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 2 1 0
5 0 0 0 0 1 0 0 0 0 3 0 0 0 2 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 1 2 0 0 0 0
6 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 2 1 0 0 1 0 0 0 0 0 0 0 1 0 0
7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 4
8 0 0 0 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 2 0 0 2 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1
10 0 0 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
11 0 0 0 0 0 0 0 0 0 4 0 0 2 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 2 3 0 0 0 0
Mquinas
12 0 0 0 2 4 0 0 0 0 0 0 0 0 0 0 0 0 2 0 3 0 0 0 3 0 0 3 0 0 3 0 0 0 0 0 0 0 0 0 0
13 1 0 0 0 0 0 0 0 2 0 0 0 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0
14 0 0 1 0 0 0 0 0 0 0 0 0 0 4 0 5 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
15 4 0 0 3 5 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 4 4 0 0 4 0 0 0 0 0 0 1 0 0 0
16 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 4 0 2 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 2 3 2 0
17 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 2 0 1 0 0 0 0 0 0 0 0 2
18 0 0 0 4 6 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 5 5 0 0 5 0 0 0 0 0 0 0 0 0 0
19 0 0 0 0 0 0 0 0 0 5 0 0 3 3 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 3 4 0 0 0 3
20 0 2 0 0 0 0 0 0 0 0 2 2 0 0 2 0 0 0 1 0 0 0 2 2 0 0 0 0 0 0 2 0 0 2 0 0 0 0 0 0
21 2 0 0 0 0 0 0 0 3 1 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0
22 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0
23 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0
24 0 3 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0
Partes
6 7 20 29 40 2 11 12 15 23 24 31 34 1 9 16 17 33 10 13 14 22 35 36 4 5 18 26 27 30 3 25 32 8 19 21 28 37 38 39
9 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
10 2 2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
17 0 3 2 2 2 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 1 1 1 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
20 0 0 0 0 0 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0
13 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 2 2 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
21 0 0 0 0 0 0 0 0 0 0 0 0 0 2 3 3 0 4 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
22 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 4 3 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 2 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 2 2 1 2 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Mquinas
11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 2 0 3 2 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
19 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 5 3 3 4 3 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 2 1 1 0 0 0 0 0 0 0 0 1 0
8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 0 3 2 2 0 0 0 0 0 0 0 0 0 0
12 0 0 3 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 2 4 2 0 3 3 0 0 0 0 0 0 0 0 0 0
15 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 3 5 3 4 4 4 0 0 0 0 0 0 0 1 0 0
18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 6 4 5 5 5 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0
14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 4 0 0 0 0 0 0 0 0 0 1 2 0 0 0 0 0 0 0 0
23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 3 2 0 0 0 0 0 0 0
24 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 3 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 3 1 1 0 2 1
16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 2 4 2 0 2 3 2
Matriz de incidencia 35x20 (Burbidge, 1969)
Partes
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 1 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0
2 0 1 0 1 0 0 0 0 0 0 0 0 1 1 0 0 0 1 0 0
3 1 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0
4 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 1 0
5 0 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0
6 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 0 0
7 0 1 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
8 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0 1
9 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 1 0
10 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0
11 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 1 0
12 0 1 0 1 0 0 0 0 0 0 0 0 1 1 0 0 0 1 0 0
13 0 1 0 1 0 0 0 0 0 0 0 0 1 1 0 0 0 1 0 0
14 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0 1
15 0 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0
16 0 0 0 0 1 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0
Mquinas
17 0 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0
18 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0
19 0 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 1
20 1 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0
21 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 1 0
22 0 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0
23 1 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 1
24 0 1 0 1 0 0 0 0 0 0 0 0 1 1 0 0 0 1 0 0
25 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0
26 0 0 0 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 1
27 0 1 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
28 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1 0 0 1 0
29 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0
30 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1 0 0 1 0
31 0 1 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0
32 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0
33 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
34 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
35 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
Partes
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 1 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0
2 0 1 0 1 0 0 0 0 0 0 0 0 1 1 0 0 0 1 0 0
3 2 0 2 0 0 0 2 2 0 0 0 0 0 0 0 0 2 0 0 0
4 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 1 0
5 0 0 3 0 0 0 3 3 0 0 0 0 0 0 0 0 3 0 0 0
6 0 0 0 0 0 0 0 0 0 0 2 2 0 0 2 2 0 0 0 0
7 0 2 0 2 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0
8 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0 2
9 0 0 0 0 0 0 0 0 0 0 3 3 0 0 3 3 0 0 2 0
10 0 3 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 2 0 0
11 0 0 0 0 0 0 0 0 0 0 4 4 0 0 4 4 0 0 3 0
12 0 4 0 3 0 0 0 0 0 0 0 0 2 4 0 0 0 3 0 0
13 0 5 0 4 0 0 0 0 0 0 0 0 3 5 0 0 0 4 0 0
14 0 0 0 0 2 2 0 0 2 2 0 0 0 0 0 0 0 0 0 3
15 0 0 4 0 0 0 4 4 0 0 0 0 0 0 0 0 4 0 0 0
16 0 0 0 0 3 3 0 0 0 3 0 0 0 0 0 0 0 0 0 0
Mquinas
17 0 0 5 0 0 0 5 5 0 0 0 0 0 0 0 0 5 0 0 0
18 0 6 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 5 0 0
19 0 0 0 0 0 4 0 0 3 4 0 0 0 0 0 0 0 0 0 4
20 3 0 0 0 0 0 6 6 0 0 0 0 0 0 0 0 6 0 0 0
21 0 0 0 0 0 0 0 0 0 0 5 5 0 0 5 5 0 0 4 0
22 0 0 0 0 0 5 0 0 4 5 0 0 0 0 0 0 0 0 0 0
23 4 0 0 0 0 0 7 7 0 0 0 0 0 0 0 0 7 0 0 1
24 0 7 0 5 0 0 0 0 0 0 0 0 4 7 0 0 0 6 0 0
25 5 0 0 0 0 0 0 8 0 0 0 0 0 0 0 0 8 0 0 0
26 0 0 0 0 0 6 0 0 5 6 0 0 0 0 0 0 0 0 0 5
27 0 8 0 6 0 0 0 0 0 0 0 0 0 8 0 0 0 0 0 0
28 0 0 0 0 0 0 0 0 0 0 6 0 0 0 6 6 0 0 5 0
29 0 0 6 0 0 0 0 9 0 0 0 0 0 0 0 0 9 0 0 0
30 0 0 0 0 0 0 0 0 0 0 7 0 0 0 7 7 0 0 6 0
31 0 9 7 0 0 0 0 0 0 0 0 0 0 9 0 0 0 7 0 0
32 0 0 0 0 0 0 0 0 0 0 8 0 0 0 0 8 0 0 7 0
33 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0
34 0 0 0 0 4 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0
35 0 0 0 0 0 0 0 0 0 0 9 0 0 0 0 0 0 0 0 0
Partes
1 3 7 8 17 11 12 15 16 19 2 4 13 14 18 5 6 9 10 20
1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 3 3 3 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
15 0 4 4 4 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
17 0 5 5 5 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
20 3 0 6 6 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
23 4 0 7 7 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
25 5 0 0 8 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
29 0 6 0 9 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 3 3 3 3 2 0 0 0 0 0 0 0 0 0 0
11 0 0 0 0 0 4 4 4 4 3 0 0 0 0 0 0 0 0 0 0
21 0 0 0 0 0 5 5 5 5 4 0 0 0 0 0 0 0 0 0 0
28 0 0 0 0 0 6 0 6 6 5 0 0 0 0 0 0 0 0 0 0
30 0 0 0 0 0 7 0 7 7 6 0 0 0 0 0 0 0 0 0 0
Mquinas
32 0 0 0 0 0 8 0 0 8 7 0 0 0 0 0 0 0 0 0 0
33 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0
35 0 0 0 0 0 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0
7 0 0 0 0 0 0 0 0 0 0 2 2 0 2 0 0 0 0 0 0
10 0 0 0 0 0 0 0 0 0 0 3 0 0 3 2 0 0 0 0 0
12 0 0 0 0 0 0 0 0 0 0 4 3 2 4 3 0 0 0 0 0
13 0 0 0 0 0 0 0 0 0 0 5 4 3 5 4 0 0 0 0 0
18 0 0 0 0 0 0 0 0 0 0 6 0 0 6 5 0 0 0 0 0
24 0 0 0 0 0 0 0 0 0 0 7 5 4 7 6 0 0 0 0 0
27 0 0 0 0 0 0 0 0 0 0 8 6 0 8 0 0 0 0 0 0
31 0 7 0 0 0 0 0 0 0 0 9 0 0 9 7 0 0 0 0 0
8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 2
14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 2 3
16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 3 0 3 0
19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 3 4 4
22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 4 5 0
26 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 5 6 5
34 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 7 0 0 0
Bibliografa
[1] Ahi, A., Aryanezhad, M. B., Ashtiani, B., y Makui, A. (2009) A novel approach to
determine cell formation, intracellular machine layout and cell layout in the CMS problem
based on TOPSIS method. Computers & Operations Research. 36 (5), 1478-1496.
[2] Aiello, G., Enea, M., y Galante, G. (2006). Multi-objective approach to facility layout
problem by genetic search algorithm and Electre method. Robotics and Computer-
Integrated Manufacturing, 22(5-6), 447455.
[3] Ariafar, S. Ismail, N. Tang, S.H. Ariffin, M.K.A.M. y Firoozi, Z. (2011). "Inter-cell and
intra-cell layout design in a cellular manufacturing system" Business, Engineering and
Industrial Applications (ISBEIA), 2011 IEEE Symposium on , 25-28 Sept. 2011,pp.28-33
[4] Armour, G. C., y Buffa, E. S. (1963). A heuristic algorithm and simulation approach to
relative allocation of facilities. Management Science, 9(2), 294300.
[5] Askin, R. G. y Standridge, C. R. (1993) Modeling and analysis of manufacturing
systems. John Wiley y Sons. New Jork.
[6] Atasagun, Y., y Kara, Y. (2011). Assembly line balancing using bacterial foraging
optimization algorithm. Proceedings of the 41st International Conference on Computers &
Industrial Enginnering. Los Angeles. CA USA, October 23-26, 2011.
[7] Balakrishnan, J., y Cheng, C. H. (2000). Genetic search and the dynamic layout
problem. Computers & Operations Research, 27(6), 587593.
[8] Balakrishnan, J., Cheng, C. H., Conway, D. G., y Lau, C. M. (2003). A hybrid genetic
algorithm for the dynamic plant layout problem. International Journal of Production
Economics, 86(2), 107120.
[9] Baykasoglu, A., Dereli, T., y Sabuncu, I. (2006). An ant colony algorithm for solving
budget constrained and unconstrained dynamic facility layout problems. Omega, 34(4),
385396.
[10] Belegundu, A.D., y Chandrupatla, T.R. (1999). Optimization concepts and
applications in engineering. Prentice Hall. 2da Ed. New Jersey.
optimizacin
[11] Berardi, V.L. Zhang, G. y Offodile, O.F. (1999) A mathematical programming

approach to evaluating alternative machine clusters in cellular manufacturing.
International Journal Production Economics 58 (253-264)
[12] Bozer, Y. A., Meller, R. D., y Erlebacher, S. J. (1994). An improvement-type
layout algorithm for single and multiple floor facilities. Management Science, 40(7),
918932.
[13] Braglia, M., Zanoni, S., y Zavanella, L. (2003). Layout design in dynamic
environments: Strategies and quantitative indices. International Journal of Production
Research, 41(5), 9951016.
[14] Burbidge, J. L. (1969). An Introduction of Group Technology. Proceedings of
Seminar on Group Technology. Turin.
[15] Coello, C.A. (2011). Introduccin a la computacin evolutiva (Notas de curso).
CINVESTAV-IPN. Mxico.
[16] Companys, R. y Corominas, A. (1998). Organizacin de la produccin l,
Barcelona: Ediciones UPC.
[17] Chandrasekharan, M.P. y Rajagopalan, R. (1986). MODROC: an extension of
rank order clustering for group technology. International Journal of Production Research
24 (5), 1221-1233.
[18] Chandrasekharan, K. P. y Rajagopolan, R. (1989) Groupability: an analysis of the
properties of binary data for group technology, International Journal of Production
Research, 27(6), 10351052.
[19] Chen, T., Tsai, P., Chu, S., y Pan, J. (2007)A novel optimization approach:
bacterial-GA foraging. Proceedings of the Second International Conference on Innovative
Computing, Information and Control. Washington DC, USA, September 2007: 391-394.
[20] Cheng, R. y Gen, M. (1998) Loop layout design problem in flexible
manufacturing systems using genetic algorithms. Computers & Industrial Engineering,
34(1), 53 - 61.
[21] Cheng, R., Gen, M. y Tosawa, T. (1996). Genetic algorithms for designing loop
layout manufacturing systems. Computers & Industrial Engineering, 31(34), 587591.
[22] Chwif, L., Pereira Barretto, M. R., y Moscato, L. A. (1998). A solution to the
facility layout problem using simulated annealing. Computers in Industry, 36(12), 125
132.
Bibliografa 117
[23] Deb, K. y Jain, S. (2002). Running performance metrics for evolutionary multi-
objective optimization. KanGal Report No. 2002004, Kanpur Genetic Algorithms
Laboratory, Indian Institute of Technology, Kanpur, India.
[24] Deb, K., Pratap, A., Agarwal, S. y Meyarivan, T. (2002). A fast and elitist multi
objective genetic algorithm: NSGA II. IEEE Transactions on Evolutionary Computation
6(2),182197.
[25] Devise, O., y Pierreval, A. (2000). Indicators for measuring performances of
morphology and materials handling systems. International Journal of Production
Economics, 64(13), 209218.
[26] Djellab, H., y Gourgand, A. (2001). A new heuristic procedure for the single row
facility layout problem. International Journal of Computer Integrated Manufacturing,
14(3), 270280.
[27] Drira, A., Pierreval, H. y Hajri-Gabouj, S. (2007), Facility layout problems: A
survey. Annuals Reviews in Control 31, 255-267.
[28] El-Baz, M. A. (2004). A genetic algorithm for facility layout problems of
different manufacturing environments. Computers y Industrial Engineering 47(2-3), 233
246.
[29] Elwany, M. H., Khairy, A. B., Abou-Ali, M. G. (1997). "A Combined Multicriteria
Approach for Cellular Manufacturing Layout".ClRP Annals Manufacturing Technology.
46(1). 369 371.
[30] Ficko, M., Brezocnick, M., y Balic, J. (2004). Designing the layout of single and
multiple-rows flexible manufacturing system by genetic algorithms. Journal of Materials
Processing Technology, Volumes 157158: pp150158.
[31] Gen, M., y Cheng, R. (2000). Genetic algorithms and engineering optimization.
Jonh Wiley and Sons Inc. New York.
[32] Gen, M., Lin, L. y Zhang, H. (2009). Evolutionary techniques for optimization
problems in integrated manufacturing system: State of art survey. Computers & industrial
engineering, 56(3), 779-808.
[33] Goldberg, D. E. (1989). Genetic Algorithms in Search Optimization, and Machine
Learning. Ed. Addison-Wesley.
[34] Golmohammadi, V. R. Jaafari, A. A. Badhshayeshi Baygi, M. Esfanji, E. y
Rahimi, M. (2010). An approach for facility layout problem. Proceedings of the
optimizacin
International Multi Conference Of Engineers and Computer Scientists 2010 Vol 3. IMECS
2010, March 17-19, Hong Kong.
[35] Gonalves, J. F. y Resende, M.G.C. (2004). An evolutionary algorithm for
manufacturing cell formation. Computers & Industrial Engineering 47(2-3), 247273.
[36] Grosan, C. (2003). Performance metrics for multiobjective optimization
evolutionary algorithms. In proceedings of Conference on Applied and Industrial
Matematics (CAIM). Oradea.
[37] Guzmn, M. A., Delgado, A. y Carvalho, J. (2010) A novel multiobjective
optimization algorithm based on bacterial chemotaxis. Engineering Applications of
Artificial Intelligence. 23(3), 292-301.
[38] Hamann, T., y Vernadat, F. (1992). The intra cell layout problem in automated
manufacturing system. INRIA-00074957, version 1. N Research Report -1603 (1992).
http://hal.inria.fr/inria-00074957
[39] Heragu, S. S. (1997). Facilities design. Boston: BWS.
[40] Heragu, S. S., y Kusiak, A. (1988). Machine layout problem in flexible
manufacturing systems. Operations Research in manufacturing, 36(2), 258268.
[41] Heragu, S. S., y Kusiak, A. (1991). Efficient models for the facility layout
problem. European Journal of Operational Research, 53(1), 1-13.
[42] Hezer, S., y Kara, Y. (2011). Solving vehicle routing, problema with
simultaneous delivery and pick-up using bacterial foraging optimization algorithm.
Proceedings of the 41stInternational Conference on Computers & Industrial Enginnering.
Los Angeles. CA USA, October 23-26, 2011.
[43] Ho, Y. C., y Liao, T. W. (2011). A concurrent solution for intra-cell flow path
layouts and I/O point locations of cells in a cellular manufacturing system, Computers &
Industrial Engineering, 60(4), 614-634.
[44] Holland, J. H. (1975). Adaptation in natural and artificial systems: an introductory
analysis with applications to biology, control and artificial intelligence. The University of
Michigan Press.
[45] Hsu, C.P. (1990). Similarity coefficient approaches to machine component cell
formation in cellular manufacturing: A comparative study. Ph.D. Dissertation,
Department of Industrial and Systems Engineering, University of Wisconsin, Milwaukee,
WI.
Bibliografa 119
[46] Johnson, R. V. (1982). SPACECRAFT for multi-floor layout planning.

Management Sciences, 28(4), 407417.
[47] Kaebernick, H., Bazargan-Lari, M.y Arndt, G. (1996) An Integrated Approach to
the Design of Cellular Manufacturing. ClRP Annals Manufacturing Technology. 45(1).
421 425.
[48] Kia, R., Tavakkoli-Moghaddam, R., Javadian, N., Kazemi, M., y Khorrami, J.
(2011). "A simulated annealing for solving a group layout design model of a dynamic
cellular manufacturing system" Industrial Engineering and Engineering Management
(IEEM), 2011 IEEE International Conference on , vol., no., pp.1113-1117, 6-9 Dec. 2011
[49] Kim, J. G. y Kim, Y. D. (2000). Layout planning for facilities with fixed shapes
and input and output points. International Journal of Production Research, 38(18), 4635
4653.
[50] Kim, C. B., Kim, S. S., y Foote, B. L. (1996). Assignment problems in single row
and double-row machine layouts during slow and peak periods. Computers & Industrial
Engineering, 30(3), 411422.
[51] King J.R. (1980). Machine-component group formation in group technology.
Omega, 8 (2), pp. 193-199.
[52] Kochhar, J. S., y Heragu, S. S. (1998). MULTI-HOPE: A tool for multiple floor
layout problems. International Journal of Production Research, 36(12), 34213435.
[53] Koopmans, T. C., y Beckmann, M. (1957). Assignment problems and the location
of economic activities. Econometrica, 25(1), 5376.
[54] Kuehl, R.O. (2001). Diseo de experimentos. Ed. Thomsom Learning. Mxico.
[55] Kumar, P., Bandyopadhyay, S., y Kumar, S. (2007). Multi-objective Particle
Swarm Optimization with time variant inertia and acceleration coefficients. Information
Sciences 177 (22), 50335049.
[56] Kumar C.S. y Chandrasekharan M.P. (1990). Grouping efficacy:a quantitative
criterion for goodness of block diagonalforms of binary matrices in group technology.
International Journal of Production Research 28 (2),233-243.
[57] Kumar, K. R. Hadjinicola, G. C. y Lin, T. L. (1995). A heuristic procedure for the
single-row facility layout problem. European Journal of Operational Research, 87(1), 65
73.
[58] Kusiak, A. (1990) Intelligent manufacturing systems. Prentice Hall.
optimizacin
[59] Kusiak, A. y Heragu, S. (1987). The facility layout problem. European Journal
of Operational Research 29. 229-251
[60] Lawler, E.L., Lenstra, J.K., Rinnooy Kan, A.H.G., y Shmoys, D.B. (1985). The
traveling salesman problem. John Wiley & Sons. Great Britain.
[61] Lee, G. C., y Kim, Y. D. (2000). Algorithms for adjusting shapes of departments
in block layouts on the gird-based plane. Omega, 28(1), 111122.
[62] Lee, R., y Moore, J. M. (1967). CORELAP-computerized relationship layout
planning. The Journal of Industrial Engineering, 18, 195200.
[63] Lee, K. Y., Roh, M. I.,y Jeong, H. S. (2005). An improved genetic algorithm for
multi-floor facility layout problems having inner structure walls and passages. Computers
& Operations Research, 32(4), 879899.
[64] Liang, L.Y., y Chao, W.C. (2008)The strategies of tabu search technique for
facility layout optimization. Automation in Construction 17(6). 657-669.
[65] Mahdavi, I. Khaksar-Haghani, F. Javadian, N. y Kia, R. (2011). "Multi-floor
layout design of cellular manufacturing systems". Communication Software and Networks
(ICCSN), 2011 IEEE 3rd International Conference on, 27-29 May 2011, pp.740-744.
[66] Martello, S. y Toth, P. (1990). Knapsack problems: algorithms and computer
implementations. John Wiley & Sons, England.
[67] Matsuzaki, K. Irohara, T., y Yoshimoto, K. (1999). Heuristic algorithm to solve
the multi-floor layout problem with the consideration of elevator utilization. Computers
& Industrial Engineering, 36(2), 487502.
[68] Meja, C., Lara D. F. y Crdoba, E. (2010) Crculos Tecnolgicos de Parentesco,
Revista Ingeniera e Investigacin Vol. 30 No. 1, Abril de 2010 (163-167), ISSN 0120-
5609.
[69] Meller, R. D., y Bozer, Y. A. (1997). Alternative approaches to solve the
multifloor facility layout problem. Journal of Manufacturing Systems, 16(3),192203.
[70] Meller, R. D., Narayanan, V., y Vance, P. H. (1998). Optimal facility layout
design. Operations Research Letters, 23(35), 117127.
[71] Ming, L.C., y Ponnambalam S.G.(2008) "A hybrid GA/PSO for the concurrent
design of cellular manufacturing system" Systems, Man and Cybernetics, 2008. SMC
2008. IEEE International Conference on, 12-15 Oct. 2008, pp.1855-1860.
Bibliografa 121
[72] Nair, G.J.K. y Narendran, T.T. (1996). Grouping index: A new quantitative
criterion for goodness of block diagonal forms in group technology. International Journal
of Production Research 34 (10), 2767-2782.
[73] Nearchou, A. C. (2006). Meta-heuristics from nature for the loop layout design
problem. International Journal of Production Economics, 101(2), 312328.
[74] Ng, S.M. (1993). Worst-case analysis of an algorithm for cellular manufacturing.
European Journal of Operational Research 69 (3), 384-398.
[75] Noktehdan, A., Karimi, B. y HusseinzadehKashan, A. (2010).A differential
evolution algorithm for the manufacturing cell formation problem using group based
operators. Journal Expert Systems with Applications. 37 (7), 4822-4829.
[76] Nouri, H., Tang, S.H., Hang Tuah, B.T., y Anuar, M.K. (2010). BASE: A bacteria
foraging algorithm for cell formation with sequence data. Journal of Manufacturing
Systems. Vol 29, 102-110.
[77] Papadimitriou, C. H., y Steiglitz, K. (1998). Combinatorial optimization:
algorithms and complexity. Dover Publications Inc. New York.
[78] Papaioannou, G. y Wilson, J. M. (2010). The evolution of cell formation problem
methodologies based on recent studies (1997-2008): Review and directions for future
research". European Journal of Operational Research 206(39, 509-521
[79] Passino, K.M., (2002). Biomimicry of bacterial foraging for distributed
optimization and control. IEEE Control Systems Magazine 22 (3), 5267.
[80] Patsiatzis, D. I., y Papageorgiou, L. G. (2002). Optimal multi-floor process plant
layout. Computers and Chemical Engineering, 26(45), 575583.
[81] Potts, C. N. y Whitehead, J. D. (2001).Workload balancing and loop layout in the
design of a flexible manufacturing system. European Journal of Operational Research,
129(2), 326336.
[82] Rao, S. S. (2009). Engineering optimization: theory and practice. Ed. John Wiley
& Sons. 4ed.
[83] Robinson, J., y Rahmat-Samii, Y., (2004). Particle swarm optimization in
electro-magnetics. IEEE Transactions on Antennas and Propagation, 52 (2), 397-407.
[84] Saeedi, S. Solimanpur, M. Mahdavi, I. y Javadian, N. (2010), Heuristic
Approaches for Cell Formation in Cellular Manufacturing. Journal of Software
Engineering & Applications, 3(7), 674-682
optimizacin
[85] Sandbothe, R.A. (1998). Two observations on the grouping efficacy measure for
goodness of block-diagonal forms. International Journal of Production Research 36 (11),
3217-3222.
[86] Sarker, B. R. (2001). Measures of grouping efficiency in cellular manufacturing
systems. European Journal of Operational Research, 130(3), 588-611.
[87] Seehof, J. M., y Evans, W. O. (1967). Automated layout design program. The
Journal of Industrial Engineering, 18, 690695.
[88] Seifoddini, H. y Djassemi, M. (1996). "A New Grouping Measure for Evaluation
of Machine-Component Matrices" International Journal of Production Research 34(5).
1179-1193.
[89] Selim, H. M., Askin, R. G. y Vakharia, A. J. (1998). Cell formation in group
technology: review, evaluation and directions for future research. Computers & Industrial
Engineering 34(1), 3-20.
[90] Silverman, B. W. (1986). Density estimation for statistics and data analysis.
London: Chapman and Hall.
[91] Singh, N. (1996). Systems approach to computer - integrated design and
manufacturing. New York: John Wiley.
[92] Singh, S. P. y Sharma, R. R. K. (2006). A review of different approaches to the
facility layout problems. International Journal Advanced Manufacturing Technology,
30(5-6), 425-433.
[93] Solimanpur, M., Vrat, P., y Shankar, R. (2004) Ant colony optimization algorithm
to the inter-cell layout problem in cellular manufacturing. European Journal of
Operational Research 157(3), 592606.
[94] Solimanpur, M., Vrat, P., y Shankar, R., (2004b). A multi-objective genetic
algorithm approach to the design of cellular manufacturing systems. InternationalJournal
of Production Research 42 (7), 14191441.
[95] SudhakaraPandian, R. y Mahapatra, S. S. (2009). Manufacturing cell formation
with production data using neural networks Computers & Industrial Engineering, 56(4).
1340-1387
[96] Tariq, A., Hussain, I. y Ghafoor, A. (2009).A hybrid genetic algorithm for
machine-part grouping. Computers &Industrial Engineering 56(1), 347-356.
Bibliografa 123
[97] Tavakkoli-Moghaddam, R. (2003). A continuos plane model to machine layout

problems considering pick-up and drop-off points: An evolutionary algorithm. IJE
Transactions B: Aplications. 16(1), 59-70.
[98] Tomelin, M. y Colmenero,J. C. (2010) Mtodo para definio de layout em
sistemas job-shop baseado em dados histricos. Produo, 20(2), 274-289
[99] Tompkins, J. A., White, J. A., Bozer, E. H., y Tanchoco, J. M., (2006) Planeacin
de instalaciones. 3ra Ed. Thomson.
[100] Vitanov, V., Tjahjono, B. y Marghalany, I. (2008). Heuristic rules-based logic
cell formation algorithm. International Journal of Production Research, 46(2), 321344.
[101] Wu, X., Chu, C. H., Wang, Y., y Yan, W. (2007) A genetic algorithm for cellular
manufacturing design and layout. European Journal of Operational Research 181(1). 156
167.
[102] Xie, W., y Sahinidis, N. V. (2008). A branch-and-bound algorithm for the
continuous facility layout problem. Computers and Chemical Engineering 32(4-5). 1016
1028.
[103] Yan, J., Li, C., Wang, Z., Deng, L., y Sun, D. (2007) Diversity metrics in multi-
objective optimization: Review and perspective. Proceeding of the 2007 IEEE
International Conference on Integration Technology, March 20-24, 2007, Shenzhen,
China.
[104] Yang, T., Peters, B. A. y Tu, M. (2005) Layout design for flexible manufacturing
systems considering single-loop directional flow patterns. European Journal of
Operational Research 164(2). 440455.
[105] Yin, Y. y Yasuda, K. (2006). Similarity coefficient methods applied to cell
formation problem: a taxonomy and review. International Journal of Production
Economics 101(2). 329-352.
[106] Zitzler, E., Laumanns, M., yThiele, L. (2001)SPEA2: Improving the strength
pareto evolutionary algorithm for multiobjective optimization. Technical report TIK-103,
Computer Engineering and Network Laboratory (TIK). Swiss Federal Institute of
Technology (ETH). Gloriastrasse 35, CH-8092 Zurich, Switzerland, May 2001.
[107] Zitzler, E., y Thiele, L. (1999). Multiobjective evolutionary algorithms: A
comparative case study and the strength pareto approach. IEEE Transactions on
Evolutionary Computation 3(4), 257-271.

PARA DISEÑO TEXTIL Camilomejiamoncayo.2012

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PARA DISEÑO TEXTIL Camilomejiamoncayo.2012

Cargado por

Copyright:

Formatos disponibles

Modelo para la definicin del layout de

una celda de manufactura a travs de

Camilo Meja Moncayo

Universidad Nacional de Colombia

Camilo Meja Moncayo

Tesis presentada como requisito parcial para optar al ttulo de:

Universidad Nacional de Colombia

Modelo para la definicin del layout de

Palabras clave: Layout, celdas de manufactura, optimizacin, Algoritmos genticos, BFOA,

Model for definition the layout of a

Keywords: Layout, cell manufacturing, optimization, Genetic Algorithms, BFOA, NSGA2,

Lista de figuras....................................................................................................................... XIII

Lista de abreviaturas ...........................................................................................................XVIII

1. El problema del layout..........................................................................................................5

3. Modelos propuestos ........................................................................................................... 41

5. Desarrollo experimental .................................................................................................... 59

6. Conclusiones y recomendaciones..................................................................................... 103

Anexo A: Matrices problemas de prueba layout de celdas de manufactura .......................... 105

Bibliografa .............................................................................................................................. 115

algoritmos DH-BCMOA, NSGA2 y SPEA2 solucionando los problemas de las mochilas........... 93

Tabla 5-16 Resultados ANOVA Mtrica de Vs Algoritmos*Problemas Mochilas .................. 91

Tabla 5-17 Resultados ANOVA No. De soluciones no dominadas Vs Algoritmos*Problemas

De forma general encontramos distribuciones de planta (Companys y Corominas, 1998) por

La implementacin implica formar las celdas (Kusiak, 1990)(Singh,1996)(Selim et al.,1998)(Yin y

Este es un problema de optimizacin combinatoria, donde el espacio de bsqueda corresponde a

El problema de trabajo seleccionado de layout de las celdas de manufactura, est basado en la

A continuacin se presentan los objetivos propuestos para este trabajo.

Desarrollar un modelo que determine el layout de una celda de manufactura a partir de

Implementar numricamente el modelo y evaluar su desempeo.

Dada su importancia, el layout en la manufactura ha sido un problema activamente investigado

1.1 Definicin del problema del layout

1.1.1 Volmenes de produccin y variabilidad de los

1.1.3 Sistemas de manipulacin de materiales

Dependiendo del sistema de manejo de materiales se encuentran principalmente los siguientes

1.1.4 Mltiples pisos

1.1.5 Problemas estticos y dinmicos

1.2 Planteamiento del problema del layout

1.2.1 El espacio fsico en el planteamiento del problema

representacin discreta, continua y mixta. La representacin discreta divide el espacio en

Figura 1-1 Representacin discreta del espacio

Figura 1-2 Representacin continua del espacio

1.2.2 La evaluacin del desempeo del layout

1.2.3 Mtodos de solucin

1.3 El layout de las celdas de manufactura

1.3.1 La formacin de las celdas de manufactura

Tabla 1-1 Matriz de incidencia de 7 mquinas y 11 partes

En general, los procedimientos descriptivos se pueden clasificar en tres tipos principales. El

En el anlisis de agrupamiento se emplean diversas tcnicas para el reconocimiento de diferentes

Los mtodos de programacin matemtica se pueden clasificar en cuatro grandes grupos

Chandrasekharan y Rajagopalan (1986) propusieron la primera mtrica cuantitativa de la calidad

factor de ponderacin (0 1).

Siendo ( ) el nmero total de unos 1 en la matriz de incidencia, ( ) es el nmero total de ceros

= !" & + (1 ) !('(" &

Kumar y Chandrasekharan (1990) propusieron otra mtrica llamada eficacia de agrupamiento, la

Donde - es la relacin entre el nmero de elementos excepcionales ( ) y el total del nmero de

Eficacia de agrupamiento modificada

Sandbothe (1998) estudi el efecto de la degeneracin del bloque diagonal en la eficacia de

Donde 0 es el nmero de elementos (unos 1) en el bloque diagonal de la matriz solucionada.

elementos excepcionales, introdujo un factor de ponderacin ( ) a la expresin de la eficacia de

agrupamiento de la siguiente forma:

modificada , ellos incorporaron un factor de correccin a como se expone a continuacin:

Eficacia de agrupamiento ponderada

ndice de capacidad de agrupamiento GCI

Mtrica de agrupamiento doblemente ponderada <=