Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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.
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.
Contenido
Pg.
Resumen .................................................................................................................................... IX
Abstract ....................................................................................................................................... X
Introduccin .................................................................................................................................1
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
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
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
Figura 5-17 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 Berlin 52 ..............................................................................................................78
Figura 5-18 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 Berlin 52 .............79
Figura 5-19 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 Pr 76 ....................................................................................................................79
Figura 5-20 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 Pr 76 ...................80
Figura 5-21 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 KroA 100 .............................................................................................................80
Figura 5-22 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foragingy DHBFGA en la solucin del problema TSP KroA 100 ..............81
Figura 5-23 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 Ch 130 .................................................................................................................81
Figura 5-24 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 Ch 130 ................82
Figura 5-25 Promedio de los valores de la funcin fitness obtenidos en la solucin de los
problemas de Layout empleando AG, BFOA, Bacterial-GA Foraging y DHBFGA ......................83
Figura 5-26 Desviacin estndar de los valores de la funcin fitness obtenidos en la solucin de
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
Figura 5-28 Desviacin estndar del tiempo empleado por los algoritmos AG, BFOA, Bacterial-
GA Foraging y DHBFGA en la obtencin de las soluciones de los problemas TSP ......................85
Figura 5-29 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 de Layout 5x7 ..............................................................................................................85
Contenido XV
Figura 5-30 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 5x7.............. 86
Figura 5-31 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 de Layout 7x11 ............................................................................................................ 86
Figura 5-32 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 7x11............ 87
Figura 5-33 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 de Layout 14x24 .......................................................................................................... 87
Figura 5-34 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 14x24 ......... 88
Figura 5-35 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 de Layout 24x40 .......................................................................................................... 88
Figura 5-36 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 24x40 .......... 89
Figura 5-37 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 de Layout 35x20 .......................................................................................................... 89
Figura 5-38 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
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
Figura 5-50 Soluciones no dominadas obtenidas luego de 250000 llamados a las funciones fitness
en la solucin del problema del Layout de celdas de manufactura 14x24 por los algoritmos DH-
BCMOA, NSGA2 y SPEA2 .......................................................................................................99
Figura 5-51 Soluciones no dominadas obtenidas luego de 250000 llamados a las funciones fitness
en la solucin del problema del Layout de celdas de manufactura 20x40 por los algoritmos DH-
BCMOA, NSGA2 y SPEA2 .......................................................................................................99
Figura 5-52 Soluciones no dominadas obtenidas luego de 250000 llamados a las funciones fitness
en la solucin del problema del Layout de celdas de manufactura 35x20 por los algoritmos DH-
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
Figura 5-54 Soluciones no dominadas obtenidas luego de 200 segundos en la solucin del
problema del Layout de celdas de manufactura 7x11 por los algoritmos DH-BCMOA, NSGA2 y
SPEA2 ...................................................................................................................................... 101
Figura 5-55 Soluciones no dominadas obtenidas luego de 200 segundos en la solucin del
problema del Layout de celdas de manufactura 14x24 por los algoritmos DH-BCMOA, NSGA2 y
SPEA2 ...................................................................................................................................... 101
Figura 5-56 Soluciones no dominadas obtenidas luego de 200 segundos en la solucin del
problema del Layout de celdas de manufactura 24x40 por los algoritmos DH-BCMOA, NSGA2 y
SPEA2 ...................................................................................................................................... 102
Figura 5-57 Soluciones no dominadas obtenidas luego de 200 segundos en la solucin del
problema del Layout de celdas de manufactura 35x20 por los algoritmos DH-BCMOA, NSGA2 y
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
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.
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
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
Objetivo general
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.
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).
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.
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).
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
8 Modelo para la definicin del layout de una celda de manufactura a travs de
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.
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.
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.
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.
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.
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.
12 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
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
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.
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
= + (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
excepcionales fuera del bloque diagonal, entonces la eficiencia de agrupamiento se puede expresar
de la siguiente forma:
Eficacia de agrupamiento
= = "$",
(* "("
$+
(1.3)
%
( ),. = % .
"
vacantes en el bloque diagonal ( ) y el total del nmero de operaciones en la matriz de incidencia
"
=
/(",
/$"%
(1.4)
=
/(1"% $( (1)",
/$1"% $( (1)",
(1.5)
ndice de agrupamiento
2 =
/(1"% $( (1)(", (3)
/$1"% $( (1)(", (3)
(1.6)
Donde 4 es un factor de correccin con 4 = 0 si ' 0, y 4 = ' 0 si ' > 0. Esta mtrica
denominada ndice de agrupamiento supera las limitaciones de las anteriores propuestas y ofrece
una ponderacin igual para los elementos vacantes y excepcionales.
15
La eficacia de agrupamiento ponderada 6, es una mtrica propuesta por Ng (1993) para las
matrices de incidencia particionadas:
1("(", )
6 = 1("$"
% (", )$( (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 .
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)
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.
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
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.
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.
20 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
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.
P (M) 0 = 1, , Q (2.3)
Dnde: = (M: X Y, Z = Y)
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.
Los problemas de optimizacin se dividen en dos categoras de acuerdo a las variables que
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
Pseudocdigo AG
Begin
Inicializacin de parmetros
Generacin de la poblacin inicial
While (criterio de terminacin)
Evaluacin
Seleccin
Cruzamiento
Mutacin
End While
End
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
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).
24 Modelo para la definicin del layout de una celda de manufactura a travs de
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
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.
En la figura 2-3 se presenta el pseudocdigo del algoritmo propuesto por Passino (2002).
Pseudocdigo BFOA
Begin
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
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.
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:
(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:
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)).
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:
""R = (2.10)
Passino recomienda que estos valores se ajusten dependiendo del problema, finalmente la funcin
de atraccin repulsin se define de la siguiente forma:
26 Modelo para la definicin del layout de una celda de manufactura a travs de
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.
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.
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.
Begin
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
P (M) 0 = 1, , Q (2.15)
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
28 Modelo para la definicin del layout de una celda de manufactura a travs de
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:
= 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.
P = x : x
: f (x ) f (x) (2.18)
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)
= (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.
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
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.
S H J K L (-) (2.23)
( ) L ( ) , = 1,2, , g, K (2.25)
30 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Mtodo lexicogrfico
S H J K L (-) (2.26)
S H J K L (-) (2.28)
L (-) = L (2.30)
S H J K L (-) (2.31)
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)
$ 0, = 1,2, , g (2.37)
31
( 0, = 1,2, , g (2.38)
$ ( = 0, = 1,2, , g (2.39)
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
S H J K L (-) (2.40)
S H J K L (-) (2.42)
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:
= 1 (2.47)
32 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
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
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)
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.
+1
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
34 Modelo para la definicin del layout de una celda de manufactura a travs de
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
1. Jerarqua de no dominacin R .
S if ( R d R ) (2.48)
Or (( R = R ) (2.49)
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
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
Inicializacin de parmetros
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
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
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
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.
Pseudocdigo SPEA2
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 .
$ . 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:
End Do
End
h( ) = | | + | (2.51)
( ) = $ , h( ) (2.52)
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
( ) =
$
(2.53)
( ) = ( ) + ( ) (2.54)
Seleccin ambiental
La operacin de actualizacin del archivo en SPEA-2 difiere respecto a SPEA en los siguientes
aspectos:
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.
Que el archivo sea muy grande. Cuando el tamao del archivo del conjunto no dominado excede a
38 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Para este procedimiento se realiza el torneo binario de seleccin con remplazo sobre $ para
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).
Inicializacin
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
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:
Actualizar ( ), h( ) y h( )
For t ()
Evaluar !f ( )& (Evaluar las funciones objetivo)
For t () ()
Aplicar ordenamiento rpido no dominado
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)
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
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.
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)
h ( ) = 0.1 ( ) (2.58)
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.
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
42 Modelo para la definicin del layout de una celda de manufactura a travs de
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:
capacidad de agrupamiento( ).
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
Bloques
FACTO RES Problemas de prueba
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
Bloques
FACTO RES Problemas de prueba
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
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%
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
Bloque s
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)
#
46 Modelo para la definicin del layout de una celda de manufactura a travs de
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
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
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
48 Modelo para la definicin del layout de una celda de manufactura a travs de
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
: , = S H H S I KS
( ) 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
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).
50 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
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
4. Algoritmos Propuestos
Inicializacin
Criterio de parada
Pseudocdigo DHBFGA
Discrete Hybrid Bacterial Foraging Genetic Algorithm
Begin
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
Ciclo quimiotctico
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
=
Else
End If
End while
End If
End For
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.
54 Modelo para la definicin del layout de una celda de manufactura a travs de
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).
Inicializacin
Criterio de parada
Clasificacin de no dominancia
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:
For t = Z
Aplicar ordenamiento rpido no dominado Deb et al., (2002)
Aplicar quimiotaxis a f ( )
For t = Z
If t () t () Zt d !
t () t () Zt!
Eliminar y dispersarf ( )
End If
For t ()
End For
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.
56 Modelo para la definicin del layout de una celda de manufactura a travs de
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
f ( ) R " R
Generar nueva bacteria por inversin
(f ( ) R " R )
Evaluar
t ()
If ( tt domina a ()) Then
t
f ( ) = f ( ) R " R
End If
End If
End If
End For
Preservacin de la diversidad
Con el fin de estimular la diversidad de las soluciones, se emplea el parmetro S propuesto por
For t ()
Aproximacin de bacterias dbiles a fuertes
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.
S H J K , I ,
,
(5.1)
60 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Sujeto a: I , = 1 K = 1, , SH K (5.2)
I , = 1 K = 1, , SH K (5.3)
I , 0,1 (5.4)
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
Mutacin
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
Eliminacin y dispersin
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).
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
=
Else
End If
End while
End If
End For
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)
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)
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/
Codificacin de las soluciones
Operadores de cruce
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.
64 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Figura 5-4 Mutacin de las soluciones en el problema del agente viajero TSP
Eliminacin y dispersin
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
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
f ( ) R " R
Generar nueva bacteria por inversin
(f ( ) R " R )
Evaluar
t ()
If ( tt domina a ()) Then
t
f ( ) = f ( ) R " R
End If
End If
End If
End For
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).
Tabla 5-2 Fuentes de las matrices de incidencia de los problemas del layout de celdas de
manufactura
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.
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
66 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
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
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:
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:
4 1
6 3 5
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.
Padre 2 3 5 1 6 4 2 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
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).
68 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Individuo se le ccionado
Cantidad Limite s Limite s
Mquinas Parte s
de ce ldas ce ldas familias
6 4 3 1 2 5 3 4 1 2 3 2 5 6 0 1 3 4 0
Individuo mutado
Cantidad Limite s Limite s
Mquinas Parte s
de ce ldas ce ldas familias
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
Eliminacin y dispersin
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
f ( ) R"> '
f ( ) R" R
Evaluar la funcin fitness para f ( ) R"> ' y f ( ) R" R
Ordenar las soluciones de acuerdo a su valor de fitness.
f ( )" '
Seleccionar la mejor bacteria generada por intercambio e insercin.
=
Else
End If
End while
End If
End For
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
Generar nueva bacteria por insercin de las permutaciones de las mquinas y partes
Else
f ( ) R" R
(f ( ) R" R )
Evaluar
f ( ) R " R
mquinas y partes
(f ( ) R " R )
Evaluar
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
70 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
remplaza, de lo contario genera otra alternativa por insercin aplicando este operador a las
permutaciones de las mquinas y partes, si esta alternativa domina a la bacteria original, sta la
remplaza, de lo contario genera otra alternativa por inversin aplicando este operador a las
permutaciones de las mquinas y partes, si esta alternativa domina a la bacteria original, sta la
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.
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.
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.
S =
' '>"R ' " R"( ' ' R
' ' R
(5.15)
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
= 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.
72 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Bloques
FACTORES Problemas de prueba
Algoritmo % Cruzamiento % Mutacin o Ped TSP
Bloques
FACTORES Problemas de prueba
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.
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
FACTORES Problemas de prueba
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.
Problemas TSP
Algoritmo % Cruzamiento % Mutacin o Ped
BFOA 0,1
Bacterial-GA 0.9 0,1
DHBFGA 0.9 0,1
Problemas Layout
Algoritmo % Cruzamiento % Mutacin o Ped
BFOA 0,3
Bacterial-GA 0.9 0,3
DHBFGA 0.9 0,3
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.
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/
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
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
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
76 Modelo para la definicin del layout de una celda de manufactura a travs de
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
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
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.
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
78 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
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
Figura 5-17 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 Berlin 52
79
Figura 5-18 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 Berlin 52
Figura 5-19 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 Pr 76
80 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Figura 5-20 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 Pr 76
Figura 5-21 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 KroA 100
81
Figura 5-22 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foragingy DHBFGA en la solucin del problema TSP KroA 100
Figura 5-23 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 Ch 130
82 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Figura 5-24 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 Ch 130
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.
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
Figura 5-25 Promedio de los valores de la funcin fitness obtenidos en la solucin de los
problemas de Layout empleando AG, BFOA, Bacterial-GA Foraging y DHBFGA
84 Modelo para la definicin del layout de una celda de manufactura a travs de
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
Figura 5-26 Desviacin estndar de los valores de la funcin fitness obtenidos en la solucin de
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
Figura 5-28 Desviacin estndar del tiempo empleado por los algoritmos AG, BFOA, Bacterial-
GA Foraging y DHBFGA en la obtencin de las soluciones de los problemas TSP
Figura 5-29 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 de Layout 5x7
86 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Figura 5-30 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 5x7
Figura 5-31 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 de Layout 7x11
87
Figura 5-32 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 7x11
Figura 5-33 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 de Layout 14x24
88 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Figura 5-34 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 14x24
Figura 5-35 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 de Layout 24x40
89
Figura 5-36 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 24x40
Figura 5-37 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 de Layout 35x20
90 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Figura 5-38 Comparacin de los valores de fitness respecto al tiempo de los algoritmos AG,
BFOA, Bacterial-GA Foraging y DHBFGA en la solucin del problema de Layout 35x20
Tabla 5-14 Parmetros obtenidos a partir de la solucin de los problemas de las mochilas o
Knapsack
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
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).
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
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
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 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
DH-BCMOA NSGA2 SPEA2
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
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
94 Modelo para la definicin del layout de una celda de manufactura a travs de
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
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 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
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
Figura 5-45 Soluciones no dominadas obtenidas en la solucin del problema de las 2 mochilas
con 500 tems por los algoritmos DH-BCMOA, NSGA2 y SPEA2
96 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
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.
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
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.
98 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
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
Figura 5-49 Soluciones no dominadas obtenidas luego de 250000 llamados a las funciones fitness
en la solucin del problema del Layout de celdas de manufactura 7x11 por los algoritmos DH-
BCMOA, NSGA2 y SPEA2
99
Figura 5-50 Soluciones no dominadas obtenidas luego de 250000 llamados a las funciones fitness
en la solucin del problema del Layout de celdas de manufactura 14x24 por los algoritmos DH-
BCMOA, NSGA2 y SPEA2
Figura 5-51 Soluciones no dominadas obtenidas luego de 250000 llamados a las funciones fitness
en la solucin del problema del Layout de celdas de manufactura 20x40 por los algoritmos DH-
BCMOA, NSGA2 y SPEA2
100 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Figura 5-52 Soluciones no dominadas obtenidas luego de 250000 llamados a las funciones fitness
en la solucin del problema del Layout de celdas de manufactura 35x20 por los algoritmos DH-
BCMOA, NSGA2 y SPEA2
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
101
Figura 5-54 Soluciones no dominadas obtenidas luego de 200 segundos en la solucin del
problema del Layout de celdas de manufactura 7x11 por los algoritmos DH-BCMOA, NSGA2 y
SPEA2
Figura 5-55 Soluciones no dominadas obtenidas luego de 200 segundos en la solucin del
problema del Layout de celdas de manufactura 14x24 por los algoritmos DH-BCMOA, NSGA2 y
SPEA2
102 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
Figura 5-56 Soluciones no dominadas obtenidas luego de 200 segundos en la solucin del
problema del Layout de celdas de manufactura 24x40 por los algoritmos DH-BCMOA, NSGA2 y
SPEA2
Figura 5-57 Soluciones no dominadas obtenidas luego de 200 segundos en la solucin del
problema del Layout de celdas de manufactura 35x20 por los algoritmos DH-BCMOA, NSGA2 y
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.
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.
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
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
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
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
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
Anexo A. Matrices problemas de prueba layout de las celdas de manufactura 107
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
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
108 Modelo para la definicin del layout de una celda de manufactura a travs de optimizacin
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
Anexo A. Matrices problemas de prueba layout de las celdas de manufactura 109
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
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
110 Modelo para la definicin del layout de una celda de manufactura a travs de optimizacin
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
Anexo A. Matrices problemas de prueba layout de las celdas de manufactura 111
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
112 Modelo para la definicin del layout de una celda de manufactura a travs de optimizacin
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
Anexo A. Matrices problemas de prueba layout de las celdas de manufactura 113
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.
116 Modelo para la definicin del layout de una celda de manufactura a travs de
optimizacin
[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
118 Modelo para la definicin del layout de una celda de manufactura a travs de
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
[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
122 Modelo para la definicin del layout de una celda de manufactura a travs de
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