ANTECEDENTES 01 Tesis Doctoral Metodología para La Optimización Del Diseño de Distribuciones de Plantas Industriales

Departamento de Diseño en la Ingeniería
TESIS DOCTORAL
para la obtención del título de
Doctor por la Universidad de Vigo
METODOLOGÍA PARA LA OPTIMIZACIÓN

DEL DISEÑO DE DISTRIBUCIONES EN
PLANTAS INDUSTRIALES
presentada por:
JOSÉ CARLOS TRONCOSO SARACHO
Director de tesis
Dr. JOSÉ POSE BLANCO
Vigo, septiembre de 2015

Derechos
Metodología para la Optimización del Diseño de Distribuciones en Plantas Industriales.

D. José Carlos Troncoso Saracho. Dpto. Diseño en la Ingeniería. Universidade de Vigo.
© José Carlos Troncoso Saracho, 2003 - 2015
Edición: TRONCOSOFT
José Carlos Troncoso Saracho
C/ Marqués de Valterra 41A – 1ºB
36202 – Vigo (Pontevedra)
Reservados todos los derechos.

Ninguna parte de este documento podrá ser reproducido, almacenado en un sistema documental o
informático, ni transmitido en formato alguno ni por medios electrónicos, mecánicos, químicos, electro-
ópticos, fotocopias, grabaciones o cualquiera otro medio, ni total ni parcialmente, sin el previo permiso
escrito del autor-editor. La infracción de los derechos mencionados puede ser constitutiva de delito
contra la propiedad intelectual (arts. 270 y sgts. del Código Penal vigente).
Departamento de Diseño en la Ingeniería
TESIS DOCTORAL
METODOLOGÍA PARA LA OPTIMIZACIÓN DEL

DISEÑO DE DISTRIBUCIONES EN PLANTAS
INDUSTRIALES
presentada por
JOSÉ CARLOS TRONCOSO SARACHO
para optar al título de

DOCTOR POR LA UNIVERSIDAD DE VIGO
Director de tesis
Dr. JOSÉ POSE BLANCO
Vigo, septiembre de 2015

Autorización
Dr. José Pose Blanco, Catedrático de Escuela Universitaria del

Departamento de Diseño en la Ingeniería de la Universidad de Vigo.
CERTIFICA:
Que la presente tesis doctoral titulada “METODOLOGÍA PARA LA
OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS
INDUSTRIALES”, presentada por José Carlos Troncoso Saracho, Ingeniero en
Organización Industrial, ha sido realizada bajo mi dirección, contiene material
original y suficiente y reúne las condiciones de forma exigida, por lo que autorizo
su admisión a trámite para su lectura y defensa con el fin de obtener el grado de
doctor.
Para que así conste y surta los efectos oportunos, firmo la presente en
Vigo, a 21 de septiembre de 2015
Fdo: Dr. José Pose Blanco

Firma
Don José Carlos Troncoso Saracho, doctorando de la Universidad de Vigo,
hace constar que esta tesis titulada “METODOLOGÍA PARA LA
OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS
INDUSTRIALES” ha sido realizada en la Universidad de Vigo, en la Escuela de
Ingeniería Industrial (E.E.I.)
Se ha realizado en el departamento de Diseño en la Ingeniería, dentro del
programa de doctorado “Ingeniería de Diseño y Fabricación”, bajo la dirección del
Dr. José Pose Blanco.
En Vigo, septiembre de 2015
Fdo: José Carlos Troncoso Saracho

“La línea consta de un número infinito de puntos;
el plano de un número infinito de líneas;
el volumen, de un número infinito de planos;
el hipervolumen, de un número infinito de volúmenes...
No, decididamente no es éste, more geométrico,
el mejor modo de iniciar mi relato.”
El libro de arena.
Jorge Luis Borges (1899-1986), escritor argetino.
Dedicado a mi madre, por su saber esperar,

a mi hermano Angel Luis, porque lo sabrá y
no lo entenderá…
y a Lupe, por lo que ha sido, por lo que es y
por lo que será...
AGRADECIMIENTOS
“De gente bien nacida es agradecer los beneficios que reciben, y uno de los
pecados que más a Dios ofende es la ingratitud.”
...
“… alzó don Quijote la voz, y dijo:
- Entre los pecados mayores que los hombres cometen, aunque algunos
dicen que es la soberbia, yo digo que es el desagradecimiento, ateniéndome a
lo que suele decirse: que de los desagradecidos está lleno el infierno.“
Miguel de Cervantes Saavedra (1547-1616),
El Ingenioso Hidalgo Don Quijote de la Mancha
Hay quien dice que reconocer a quien nos ayuda nos hace más humanos y personas
mejores y como reza el refranero español “… de bien nacidos es ser agradecidos …”, por ello
no querría dejar pasar esta ocasión sin expresar mi agradecimiento a las personas que, de
una u otra forma, colaboraron para hacer posible la realización de este trabajo, rogando, en
todo caso, que me sepan perdonar las inevitables omisiones que pudieran producirse.
Al profesor Dr, José Pose Blanco, director de esta Tesis, que ha confiado en mi y que
con infinita paciencia, me ha espoleado y orientado a lo largo de todas las fases de esta
investigación y en la posterior redacción de este documento.
A los profesores Dr. Antonio Gómez Barbeito y Dr. José Luis Gonzalez Cespón, de la
Universidad de Vigo, por sus visitas, buenos consejos y reiteradas preguntas de: ¿cómo
llevas eso …? Que han ido empujando este barco al agua, especialmnte cuando más
ampantanado estaba.
Al profesor, y “gran amigo”, D. José Antonio Alonso Rodríguez, por su desinteresada
e inestimable colaboración en todo momento, y por todas esas fructíferas discusiones que
han dado importantes empujones a la investigación en los momentos más aciagos.
A mis alumnos y profesores, por todo lo que me han enseñado ‒tanto unos como
otros‒ porque con sus ‘exigencias’ me han ayudado a ser lo que soy y me han obligado a
aumentar, en lo humanamente posible, mi nivel de exigencia personal.
A todos los compañeros, profesores y PAS, del Departamento de Diseño en la
Ingeniería, al que me siento orgulloso de pertenecer, así como a la Universidad de Vigo,
como institución, por su colaboración siempre que ha sido necesaria.
Al conjunto de correctores, doctores profesores de Universidades (nacionales e
internacionales), a los que he recurrido, y, en muchos casos, abusado de su buena
disposición, para recabar información y, lo que es más importante, su opinión personal sobre
el trabajo realizado y sobre este documento.
Al personal de las distintas bibliotecas, en las que he trabajado y buscado
documentación, pimero por aguantarme y, segundo y más importante, por su colaboración y
facilidades prestadas a la hora de conseguir y revisar las distintas referencias bibliográficas.
A los muchos investigadores que me han precedido y han trabajado duramente en el
campo de los algoritmos heuristicos aplicados a las distribuciones en plantas industriales
por enseñarme el camino… y ¿cómo no? a los que pudieran continuar éste en el futuro.
Y, finalmente, a los innumerables anónimos que de alguna forma han contribuido a la
realización y finalización de este trabajo.
Alicia se rió: “no tiene sentido intentarlo”, dijo;
“no se puede creer en cosas imposibles”.
“Yo más bien diría que es cuestión de práctica” dijo la Reina.
“Cuando yo era joven, practicaba todos los días durante media hora.
Muchas veces llegué a creer en seis cosas imposibles antes del desayuno”.
Lewis Carroll (1832-1898)
-seudónimo de Charles Lutwidge Dodgson-,
en “Alicia en el país de las maravillas”.
RESUMEN
RESUMEN
¡Las decisiones que tomamos “satisfacen”, no optimizan!
Herbert A. Simon (1916-2001),
Economista Estadounidense. Premio Nobel de Economía en 1978.
Este trabajo de investigación tiene como principal objetivo presentar

algunos procedimientos operativos para facilitar la resolución de problemas de
distribución en planta de instalaciones industriales, de modo que instalaciones no
adyacentes estén enlazadas por pasillos. Los datos de entrada considerados por el
problema son principalmente: la matriz de flujos, las áreas de las instalaciones y las
respectivas razones de forma. Los modelos que describen el problema y los
métodos existentes en la literatura para su solución, se presentan en la revisión
bibliográfica.
De la revisión bibliogáfica se extrae que aunque las técnicas de diseño de

distribuciones en planta han evolucionado a lo largo de los años, el cambio de los
sistemas productivos, pasando de sistemas de producción en masa a sistemas de
producción centrados en las necesidades de los clientes, y la incorporación de
nuevas tecnologías, hacen necesario que los proyectistas de distribuciones en planta
tengan que incorporar herramientas simulación de eventos discretos, de diseño
asistidas por ordenador y la simulación humana para optimizar el diseño de nuevas
distribuciones en planta que satisfagan las demandas impuestas por las nuevas
formas de organizar y gestionar la producción.
Por este motivo se ha abordado como principal objetivo de este trabajo de

investigación el estudio de la integración de técnicas y herramientas de distribución
en planta desarrolladas hasta la actualidad con herramientas de diseño y simulación
asistida por ordenador para optimizar el diseño nuevas distribuciones en planta en
proyecto de instalaciones industriales.
El modelo propuesto, considera tres etapas distintas. En la primera etapa, a

través del método de análisis multivariante, se genera una estructura de árbol que
pretende situar las instalaciones de tal modo que se mantengan más próximas
aquellas que presentan mayor flujo entre sí. En la segunda etapa, se pretende, con la
ABSTRACT
What is understood need not be discussed.

Loren Adams (1945 - ),
Pintor Norteamericano.
This work has as main objective to present some operational procedures to

facilitate the resolution of distribution problems in plant of industrial facilities, so
that no adjacent facilities are linked by corridors. The input data for the problem
considered are mainly: the matrix of flows, areas of facilities and the respective
procedural grounds. The models describing the problem and methods in the
literature for their solution are presented in the bibliographical review.
The technical developments of plant layout have evolved over the years
trying to cope with the new demands imposed by new technologies and ways of
organizing production. New technologies will eventually be incorporated into the
tools of the designer of plant layout and discrete event simulation, design tools for
computer (CAD) and human-assisted simulation. Thus new tools that facilitate the
quantitative comparison of the possible solutions found and help the final decisions
should be created. The trend of change in production systems, from mass
production systems to production systems focused on the needs of customers,
expands the importance given to industrial facilities projects, largely because of the
strategy devised for production materialized through the implanted distribution
plant.
For this reason it has been addressed the main objective of this work to see
the possibility (feasibility) to integrate development tools plant distribution with
CAD simulation tools, trying to create a method for treating industrial plant
installation.
The method developed in its three computational tools, enables the
development of industrial facilities projects by multidisciplinary teams. Plus the
ability to support development activities, the method allows better communication
between project team members, and the proper recording of results.
The finally proposed model considers three distinct stages. In the first stage,
through the multivariate analysis method, a tree structure, which aims to place the
facilities so that they stay closer those having greater flow together is generated. In
ABSTRACT
What is understood need not be discussed.

Loren Adams (1945 - ),
Pintor Norteamericano.
This work has as main objective to present some operational procedures to

facilitate the resolution of distribution problems in plant of industrial facilities, so
that no adjacent facilities are linked by corridors. The input data for the problem
considered are mainly: the matrix of flows, areas of facilities and the respective
procedural grounds. The models describing the problem and methods in the
literature for their solution are presented in the bibliographical review.
The technical developments of plant layout have evolved over the years
trying to cope with the new demands imposed by new technologies and ways of
organizing production. New technologies will eventually be incorporated into the
tools of the designer of plant layout and discrete event simulation, design tools for
computer (CAD) and human-assisted simulation. Thus new tools that facilitate the
quantitative comparison of the possible solutions found and help the final decisions
should be created. The trend of change in production systems, from mass
production systems to production systems focused on the needs of customers,
expands the importance given to industrial facilities projects, largely because of the
strategy devised for production materialized through the implanted distribution
plant.
For this reason it has been addressed the main objective of this work to see
the possibility (feasibility) to integrate development tools plant distribution with
CAD simulation tools, trying to create a method for treating industrial plant
installation.
The method developed in its three computational tools, enables the
development of industrial facilities projects by multidisciplinary teams. Plus the
ability to support development activities, the method allows better communication
between project team members, and the proper recording of results.
The finally proposed model considers three distinct stages. In the first stage,
through the multivariate analysis method, a tree structure, which aims to place the
facilities so that they stay closer those having greater flow together is generated. In
utilización de un algoritmo genético, determinar el árbol de corte, que minimiza el
momento de transporte entre instalaciones y maximiza el cumplimiento de la razón
de forma de las mismas. En la tercera y última etapa, a partir de una distribución en
planta sin pasillos, obtenida con la aplicación de las dos etapas anteriores, se hacen
los ajustes necesarios para la introducción de los pasillos, a fin de interrelacionar
instalaciones no adyacentes, manteniendo el momento de transporte lo menor
posible.
De la aplicación del método desarrollado a diversos problemas propuestos
en la literatura se observa una mejora de los resultados obtenidos y de la
comunicación entre los elementos del equipo de proyecto, así como de un
adecuado registro de los resultados obtenidos.
A lo largo de la realización del trabajo de investigación se deja constancia
de que la línea de trabajo propuesta para integrar las técnicas algorítmicas ya
existentes, con las técnicas asistidas por ordenador actualmente disponibles (pero
no utilizadas directamente para resolver los problemas de distribución en planta),
constituye una nueva alternativa para conseguir que todos los esfuerzos que se han
realizado, y se siguen realizando, para solucionar le problema de la distribución en
planta desemboquen en aplicaciones más ‘creíbles’ y que puedan ser
implementadas por los técnicos responsables.
Palabras Clave: Distribución en Planta, Instalaciones Industriales, Diseño

Aasistido por Ordenador, Algoritmos Genéticos, Interrelaciones de Instalaciones.
PUBLICACIONES
Viendo lo que todo el mundo ve,
leyendo lo que todo el mundo lee,
oyendo lo que todo el mundo oye,
innovar es realizar lo que nadie ha imaginado,
todavía ...
Patricio Morcillo Ortega
Catedrático de Organización de Empresas de la UAM.
Director del IDAE.
Basadas en algunos de los trabajos realizados para la investigación de este

trabajo, han sido presentadas comunicaciones en distintos congresos y foros
internacionales, con el objeto de dar divulgación a algunos de los resultados de las
investigaciones realizadas y permitir contrastar opiniones con algunos de los
máximos expertos nacionales e internacionales en el tema que nos atañe.
Se citan, a continuación, algunas de las publicaciones fimadas por el autor

del presente trabajo, junto con algunos de sus compañeros y colaborradores, que
han sido presentadas con algunos de los contenidos señalados en este documento.
q Ponencia con Comunicación Oral y Publicación de Resumen en el "VIII

CONGRESO INTERNACIONAL DE INGENIERIA DE
PROYECTOS", celebrado en Bilbao los días 6, 7 y 8 de Octubre de 2004,
sobre "MODELO PARA LA RESOLUCIÓN DEL PROBLEMA DE LA
OPTIMIZACIÓN DE LAS DISTRIBUCIONES EN PLANTA DE
INSTALACIONES INDUSTRIALES”. Autores: Troncoso Saracho, José C.;
Alonso Rodríguez, José A.; Pose Blanco, José. ISBN: 84-95809-22-2.
q Ponencia con Comunicación Oral y Publicación del Resumen en el

"CONGRESO CONJUNTO: XVII CONGRESO INTERNACIONAL
DE INGENIERIA GRAFICA – XV AMD", celebrado en Sevilla los días
1, 2 y 3 de Junio de 2005, sobre "PROCEDIMIENTO PARA RESOLUCION
DEL PROBLEMA DE LAS DISTRIBUCIONES DE INSTALACIONES EN
PLANTAS INDUSTRIALES”, Autores: Troncoso Saracho, José C.; Alonso
Rodríguez, José A.; González Cespón, J. Luis; Pose Blanco, J. ISBN: 84-
95475-39-1.
q Citacion de Artículo en revista ‘Virtual PRO’, especializada en Procesos

Industriales, en Monográfico sobre “Distribuciones en Planta”.
"PROCEDIMIENTO PARA RESOLUCION DEL PROBLEMA DE LAS
DISTRIBUCIONES DE INSTALACIONES EN PLANTAS INDUSTRIALES
(Methodology for Problem Solving Industrial Plants Layout)”, Autores:
Troncoso Saracho, José C.; Alonso Rodríguez, José A.; González Cespón, J.
Luis; Pose Blanco, J.; Número 113, Junio 2011. Pag. 17. ISSN: 19006241
SUMARIO
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
INDICE
CAPÍTULO - 1
1. INTRODUCCIÓN 3
1.1. CONSIDERACIONES GENERALES. …………………………………………………………………………… 4
1.2. HIPOTESIS. ………………………………………………………………………………………………………..…… 13
1.3. OBJETIVOS. …………………………………………………………………………………………………..………. 13
1.3.1. Objetivo general. ……………………………………………………………………………………………….. 13
1.3.2. Objetivos específicos. ………………………………………………………………………………………… 14
1.4. LIMITACIONES. …………………………………………………………………………………………………….. 15
1.5. IMPORTANCIA DEL TRABAJO. ……………………………………………………………………………….. 16
1.6. CONSIDERACIONES SOBRE EL TRABAJO. …………………………………………………………..….. 18
1.7. ESTRUCTURA DEL TRABAJO. ………………………………………………………………………………….. 20
CAPÍTULO - 2
2. EL PROBLEMA DE DISTRIBUCIÓN EN PLANTA 25
2.1. CONSIDERACIONES INICIALES. ……………………………………………………………………………… 25
2.2. CARACTERÍSTICAS DEL PROBLEMA. ………………………………………………………………………. 30
2.2.1. Introducción. …………………………………………………………………………………………………….. 30
2.2.2. Tipos de problemas. …………………………………………………………………………………………… 30
2.2.3. Diferencia entre los problemas. ……………………………………………………………………… 31
I
2.2.4. Relación entre el problema de distribución en planta de instalaciones y el

proceso de producción. ……………………………………………………………………………………………… 33
2.3. PROYECTO DE DISTRIBUCIÓN DE INSTALACIONES INDUSTRIALES. ……….………………… 37
2.3.1. Planificación y Proyecto de Instalaciones. ………………………………..………………………… 37
2.3.1.1. Layout de Instalaciones Industriales. ……..……………………………………………………… 38
2.3.1.2. Tipos de Layout Basados en el Flujo. …………………………………………..………………… 40
2.3.1.3. Tipos de Layout Basados en la Funcionalidad. ……………………………………………… 41
2.3.2. Recogida de Información para el Layout de Instalaciones Industriales. …………… 42
2.3.2.1. Productos. …………………………………………………………………………………………………….. 43
2.3.2.2. Especificación del Proyecto. ………………………………………………………………………….. 44
2.3.3. Principios que deben cumplir las distribuciones. ……………………………………………….. 45
2.4. MODELADO MATEMÁTICO PARA PROBLEMAS DE DISTRIBUCIÓN EN PLANTA. ….... 46
2.4.1. Introducción. ………………………………………………………………………………..…………………… 46
2.4.2. Modelo cuántico de asignaciones. …………………………………………………………………..… 47
2.4.3. Modelo cuántico de recubrimiento de conjunto. ………………………………………..…… 51
2.4.4. Modelo de Programación Lineal Entera. …………………………..……………………………… 53
2.4.5. Problemas de Programación Entera Mixta. ……………………………………………………… 56
2.4.6. Modelos que utilizan la teoría de grafos. ………………………………………….……………… 57
2.4.7. Modelo de distribución en planta de instalaciones propuesto por Tam y Li. …… 59
2.4.7.1. Definición del problema. ………………………………………………………………………………… 59
2.4.7.2. Características geométricas. ……………………………………………………………………… 60
2.4.7.3. Restricciones del modelo. ……………………………………………………………………… 60
2.4.7.4. Modelado del problema. …………………………………………………………………………..… 61
2.4.8. Otros modelos. ………………………………………………………………………………………………… 62
2.5. ALGORITMOS Y MÉTODOS DE RESOLUCIÓN DE PROBLEMAS DE DISTRIBUCIÓN EN

PLANTAS. …………………………………………………………………………………………………………………..… 64
II
2.5.1. Clasificación de los métodos de solución. ………………………………………………………… 64
2.5.2. Algoritmos para solución del problema de distribución en planta. ………………..… 66
2.5.2.1. Algoritmos de ramificación y acotamiento (“branch and bound”). …………..…… 68
2.5.2.2. Algoritmos de Planos de corte (“Cutting plane”). …………………………………..…… 70
2.5.2.3. Algoritmos constructivos. ……………………………………………………………………..……… 71
2.5.2.4. Algoritmos de mejora. …………………………………………………………………………………… 72
2.5.2.5. Algoritmos híbridos. ………………………………………………………………………………….…… 73
2.5.2.6. Algoritmos que utilizan la teoría de los grafos. …………………………………………..… 74
2.5.2.7. Otros métodos encontrados en la literatura. ……………………………………………..… 75
2.6. ALGORITMOS HEURÍSTICOS Y METAHEURÍSTICOS. ………………………………………………… 79
2.6.1. Algoritmos Heurísticos. ……………………………………………………………………………….……… 81
2.6.2. Algoritmos metaheurísticos. …………………………………………………………………………..… 85
2.6.3. Búsqueda Local. ………………………………………………………………………………………………… 90
2.6.4. GRASP. ……………………………………………………………………………………………………………… 91
2.6.5. Búsqueda Tabú (TS o “Tabú Search”). ………………………………………………………………… 94
2.6.6. Recocido Simulado (SA: Simulated Anealing). …………………………………………..……… 102
2.6.7. Algoritmos Biológicos. ……………………………………………………………………………………… 108
2.6.7.1. Algoritmos Genéticos. …………………………………………………………………………………… 109
2.6.7.2. Optimización por Colonia de Hormigas (ACO: “Ant Colony Optimization”). …… 111
2.6.7.3. Optimización por Enjambre de Partículas (PSO: “Particle Swarm

Optimization”). ………………………………………………………………………………………………………..… 112
2.7. COMENTARIOS FINALES. ……………………………………………………………………………………… 116
III
CAPÍTULO - 3
3. CUESTIONES GEOMETRICAS. ………………………………………………………..…………………… 121
3.1. NUEVO PARADIGMA. ……………………………………………………………..…………………………… 121
3.2. CUESTIONES PREVIAS. …………………………………………………………………………………………… 125
3.3. EL MODELO GEOMÉTRICO Y EL ESPACIO DE SOLUCIONES. ………………………………..… 131
3.4 PROBLEMA DE FORMA. ………………………………………………………………………………………… 133
3.4.1. Consideraciones Generales. ……………………………………………………………………………… 133
3.4.2. MODELOS DE REPRESENTACIÓN ESPACIAL. ………………………………………………..…… 134
3.4.2.1. Modelos topológicos. ……………………………………………………………………………………… 136
3.4.2.1. 1. Aspectos básicos de la teoría de grafos. ………………………………..………..………… 137
3.4.2.1. 2. Aplicación al problema de distribución en planta. ……………………………………… 142
3.4.2.2. Modelos Geométricos. …………………………………………………………………………………… 143
3.4.2.2.1. Modelos de una dimensión (SRLP). ……………………………………………………………. 143
3.4.2.2.2. Modelos de dos dimensiones (FLP). ………………………………………………………….. 144
3.4.2.2.3. Modelos de dos dimensiones y media (MFLP). …………………………………………… 160
3.4.2.2.4. Modelos de tres dimensiones. …………………………………………………………………… 169
3.4.3. INDICADORES PARA EL PROBLEMA DE SITRIBUCIÓN EN PLANTA. ……………………… 170
3.4.3.1. Indicadores Cualitativos. ………………………………………………………………………………… 171
3.4.3.2. Indicadores Cuantitativos. ……………………………………………………………………………… 174
3.5. PROBLEMA DE FRONTERA. …………………………………………………………………………………… 186
3.6. PROBLEMA DE DISTANCIAS Y MÉTRICAS. ……………………………………………………………… 190
3.6.1. Consideraciones Generales. ……………………………………………………………………………… 190
IV
3.6.2. Adyacencia. ………………………………………………………………………………………………………… 191
3.6.3. Distancia entre Centroides. ………………………………………………………………………..……… 192
3.6.4. Contorno Lateral. ………………………………………………………………………………………..…… 192
3.6.5. Camino más corto. ……………………………………………………………………………………….…… 194
3.6.6. Minsowoski. ……………………………………………………………………………………………………… 194
3.6.7. Manhattan. ………………………………………………………………………………………………………… 196
3.6.8. Euclídea. ……………………………………………………………………………………………………..…… 196
3.6.9. Tchebychev. ……………………………………………………………………………………………………… 198
3.6.10. EDIST. ……………………………………………………………………………………………………………… 198
3.6.11. Análisis de la Distancia de Recorrido. ……………………………………………………………… 201
3.6.12. ELECCIÓN DE METRICA ADECUADA. ………………………………………………………………… 204
3.6.13. Método de cálculo propuesto para distancias entre las distintas instalaciones. 205
3.6.13.1. Caso de Planta a un solo nivel. ……………………………………………………………………… 205
3.6.13.2. Caso de Planta a con varios niveles. ……………………………..……………………………… 210
3.6.13.3. Caso general implementado. ……………………………………………………………………… 211
3.7. APORTACIONES DE LA COMPUTACIÓN GEOMÉTRICA. ………………………………………… 214
3.7.1. Modelado propuesto. ………………………………………………………………………………………… 215
CAPÍTULO - 4
4. MODELO PROPUESTO PARA INCORPORAR PASILLOS. 221
4.1. INTRODUCCION. ……………………………………………………………..…………………………………… 221
4.2. FORMULACION MATEMÁTICA DEL PROBLEMA. ……………………………………………..…… 222
4.3. MÉTODO DE RESOLUCION PROPUESTO. ………………………..…………………………………… 223
4.3.1. Consideraciones generales. ………………………………………………………….…………………… 223
V
4.3.2. Algoritmo de búsqueda genética. ……………………………………………………………………… 226
4.3.3. Estructura del cromosoma. ………………………………………………………………………………… 228
4.3.3.1. Codificación de una solución. ………………………………………………………………………… 228
4.3.3.2. Construcción de una estructura de árbol de corte. ………………………………………… 234
4.3.3.3. Construcción de una distribución en planta de instalaciones a partir de un

cromosoma. ………………………………………………………………………………………………………………… 236
4.3.4. Función de evaluación del cromosoma. ……………………………………………………………… 244
4.3.5. Proceso de selección natural. …………………………………………………………………………..… 251
4.3.6. Proceso de reproducción de cromosomas. Operación de cruzamiento. ……………… 252
4.3.7. Proceso de mutación. ………………………………………………………………………………………… 252
4.4. ESTRATEGIA DE APLICACION DEL ALGORITMO GENÉTICO. ……………………………..…… 253
4.5. RESULTADOS OBTENIDOS PARA EL PROBLEMA DE LOS PASILLOS. ………………………… 254
4.5.1. EXPERIMENTO. …………………………………………………………………………………………………… 255
4.5.2. CONVERGENCIA DEL PROCESO. ……………………………………………………..………………… 256
4.5.3. ANÁLISIS DE LOS RESULTADOS. ………………………………………………………………………… 262
4.5.3.1. En cuanto a la forma. ……………………………………………………………………………………… 263
4.5.3.2. En cuanto al coste. ………………………………………………………………………………………… 264
4.5.3.3. Análisis conjunto. ………………………………………………………………………………………..… 265
4.5.4. RESULTADOS OBTENIDOS PARA EL PROBLEMA DE 30 INSTALACIONES (SIN

LIMITACION EN EL NÚMERO DE ITERACIONES). ………………………………………………………… 267
CAPÍTULO - 5
5. CONCLUSIONES Y RECOMENDACIONES. 273
5.1. CONSIDERACIONES FINALES. …………………………..…………………………………………………… 273
5.2. CONCLUSIONES. ……………………………………………………………………………………………..…… 274
VI
5.3. RECOMENDACIONES. ………………………………………………………………………………………..… 277
BIBLIOGRAFÍA
REFERENCIAS DE FUENTES BIBLIOGRAFICAS Y DOCUMENTALES. …………………………… 281
ANEXOS
. ANEXO A. BÚSQUEDA DE CAMINOS MÍNIMOS EN GRAFOS. …………………………………..… 297
. ANEXO B. ALGORITMO DE DIJKSTRA. ………………………………………………………………………… 298
. ANEXO C. ALGORITMO DE JARVIS PARA ENVOLVENTE CONVEXA. …………………………… 300
. ANEXO D. ALGORITMOS PARA DISTRIBUCIÓN EN PLANTA. ……………………………………… 304
. ANEXO E. ALGUNOS PROGRAMAS ESPECÍFICOS PARA LA IMPLANTACIÓN EN PLANTA

DE MULTIPLES INSTALACIONES. …………………………………………………………………………………… 307
. ANEXO F. RESTRICCIONES PARA LAS INSTALACIONES. ……………………………………………… 315
. ANEXO G. CUADRO DE AREAS Y RAZON DE FORMA PARA 30 INSTALACIONES. ………… 317
. ANEXO H. CUADROS DE LOS FLUJOS. ………………………………………………………………………… 318
. ANEXO I. LISTADOS DE PROGRAMAS DE APLICACIONES PROGRAMADAS. ………………… 320
VII
LISTA DE Figuras
Costo de manejo de materiales, que es prácticamente indiferente
Figura 1.1:
de la distancia. ……………………………………………………………………………….. 9
Figura 2.1: Diagrama de la transformación del problema P1 en P2. ………………… 28
Figura 2.2: Métodos de resolución empleados en la bibliografía. …………………… 28
Figura 2.3: Tipos de distribución en planta de máquinas. ……………………………….. 31
Figura 2.4: (a) Layout de bloque y (b) layout detallado. ………………………………….. 40
Métodos de modelado para el Problema de Distribuciones en
Figura 2.5:
Planta. …………………………………………………………………………………………… 47
Clasificación de algunos de los modelos de construcción de
Figura 2.6:
distribuciones. ………………………………………………………………………………… 78
Publicaciones metaheurísticas usadas en el problema de
Figura 2.7:
Distribución en Planta. …………………………………………………………………… 81
Función multimodal. Suele acarrear el encasillamiento de los
Figura 2.8:
algoritmos heurísticos en óptimos locales. …………………………………… 85
Figura 2.9: Composición de las metaheurísticas. ……………………………………………. 88
Figura 2.10: Trayectorias del movimiento de las partículas en el enjambre. …….. 114
Trayectorias influidas por los atractores en del movimiento de las
Figura 2.11:
partículas. …………………………………………………………………………………….. 114
Paisaje tras una serie de iteraciones en el que se aprecian ya valles y
Figura 2.12:
colinas (mínimos y máximos locales). …………………………………………… 116
Estado de “pixelización” o digitalización para obtener entorno
Figura 3.1:
simulado partiendo del contorno real. …………………………………………… 132
Clasificación de los modelos espaciales empleados por las técnicas
Figura 3.2:
de resolución del problema de distribución en planta). ………………… 135
Figura 3.3: Clasificación de los modelos de representación espacial. ……………… 136
Figura 3.4: Representaciones de diagramas de relación. ……………………………….. 132
Figura 3.5: Grafo y subgrafos. ………………………………………………………………………… 138
Figura 3.6: Ejemplo de planaridad de un grafo. ……………………………………………… 139
Figura 3.7: Incumplimiento relacional consecuencia de la planaridad. ……………… 140
Figura 3.8: Grafo dual. …………………………………………………………………………………….. 141
Figura 3.9: Árbol de expansión maximal. ……………………………………………………….. 141
Figura 3.10: Transformación en un G.P.P.M. ……………………………………………………… 143
Figura 3.11: Arreglo unidimensional (SRLP). ……………………………………………………… 144
Figura 3.12: Clasificación de los modelos geométricos en 2D. …………………………… 144
Figura 3.13: Discretización de un dominio y su representación. ……………………….. 146
Figura 3.14: Curva de Hilbert generada para recorrer el plano. ……………………….. 149
Figura 3.15: Esquema del modelo ABSMODEL. ………………………………………………… 150
Figura 3.16: Características fundamentales del ABSMODEL2 . ………………………… 151
Figura 3.17: Características fundamentales del ABSMODEL3 . ………………………… 152
Figura 3.18: Descomposición en subactividades. ………………………………………………… 154
Figura 3.19: Ejemplo de solución de las distribución. ………………………………………… 154
Figura 3.20: Geometría de árboles de corte. …………………………………………………….. 155
Figura 3.21: Dendograma. ………………………………………………………………………………… 157
Figura 3.22: Representación de un árbol de corte. …………………………………………… 157
VIII
Figura 3.23: Modelo Multi-bay. ………………………………………………………………………… 158

Figura 3.24: Transformación de solución en layout de bloques. ………………………. 160
Representación de la Distribución de un problema MFLP de dos
Figura 3.25:
plantas. …………………………………………………………………………………………. 160
Figura 3.26: Uso de SFC para la distribución de las instalaciones en cada nivel. 164
Colocación de las actividades en la planta por medio de las curvas
Figura 3.27:
SFC. ………………………………………………………………………………………………… 165
Figura 3.28: Distribución en dos pisos. ………………………………………………………………. 166
Figura 3.29: Distribución de tres plantas empleando el operador “D”. ……………… 166
Figura 3.30: Distribución en una planta entorno al ascensor. ………………………….. 167
Figura 3.31: Áreas de trabajo accesibles. ………………………………………………………… 168
Figura 3.32: Solución al ejemplo 3 para el “process plant layout”. ……………………… 168
Figura 3.33: Representación de entrada/salida de una actividad en 3D. …………… 170
Figura 3.34: Clasificación de los indicadores aplicados al FLP. ………………………….. 171
Figura 3.35: Factores para calcular FLF. ……………………………………………………………… 173
Figura 3.36: Indicadores de Flujo. ……………………………………………………………………… 176
Figura 3.37: Indicadores geométricos en el problema de distribución en planta. 181
Figura 3.38: Clasificación de las distancias. ………………………………………………………. 191
Figura 3.39: Distancia de contorno. …………………………………………………………………… 193
Figura 3.40: Distancia por contorno lateral. …………………………………………………….. 193
Disposiciones Diana y Sandwich que minimizan las distancia entre
Figura 3.41:
centroides de las áreas de las actividades. ……………………………………… 195
Figura 3.42: Métricas de distancia entre actividades. ……………………………………….. 197
Figura 3.43: Distintas Métricas para medir distancias entre actividades. …………… 198
Figura 3.44: Ejemplo de aplicación de métrica EDIST. ………………………………………… 200
Distintas métricas calculadas para unir dos puntos esquivando
Figura 3.45:
obstáculos. ……………………………………………………………………………………. 202
Figura 3.46A: Combinación de métrica Rectilínea y de Contorno. …………………….. 205
Figura 3.46B: Combinación de métrica Euclídea y de Contorno. ………………………… 205
Figura 3.47 Distancia actual y la calculada por métrica Manhattan. ………………… 206
Figura 3.48: Grafo de adyacencias original. ……………………………………………………… 207
Definición incorrecta de los puntos de base para pasillos
Figura 3.49:
horizontales. ………………………………………………………………………………….. 208
Figura 3.50: Definición correcta de los puntos base para los pasillos horizontales. 209
Figura 3.51: Grafo de adyacencias modificado. ………………………………………………….. 210
Figura 4.1: Estructura de funcionamiento del modelo propuesto. …………………… 226
Figura 4.2: Una estructura de corte con seis instalaciones. ……………………………… 229
Figura 4.3: Un árbol de corte con seis instalaciones. ………………………………………… 229
Una secuencia de árbol de corte y estructura de corte
Figura 4.4a:
correspondiente. ………………………………………………………………………….. 230
Una secuencia de árbol de corte y estructura de corte
Figura 4.4b:
correspondiente. …………………………………………………………………………… 230
Ejemplos de árbol de corte y estructura de corte correspondiente
Figura 4.5:
representando tipos de cortes: (a) sin pasillos y (b) con pasillos. ….. 231
Ejemplos de árboles de corte y estructuras de corte
Figura 4.6: correspondientes utilizando sólo dos operadores. ……………………….. 232
IX
Figura 4.7: Una estructura de árbol de corte. 233

Ejemplo de un árbol de corte con las coordenadas de las
Figura 4.8:
instalaciones. …………………………………………………………………………………. 237
Un árbol de corte con pasillo y su estructura de corte
Figura 4.9:
correspondiente. …………………………………………………………………………… 238
Figura 4.10: Coordenadas para una instalación i. ……………………………………………… 238
Figura 4.12: Árbol de corte con pasillo de 1m. …………………………………………………… 242
Diferencia relativa de área (%) en el ajuste de los pasillos por
Figura 4.11:
iteración. ……………………………………………………………………………………….. 243
Figura 4.13: Estructura de corte relacionada al árbol de corte de la figura 4.12. 243
Estructura de corte asociado al problema presentado en las tablas
Figura 4.14:
4.1 y 4.2, con los respectivos puntos auxiliares o de control. ………… 244
Figura 4.15: Ejemplo de cruzamiento entre dos soluciones (strings). ………………… 252
Gráfico de la distribución acumulada del número de instalaciones
Figura 4.16: por error de la razón de forma (%), para distribución en planta con
12 instalaciones. …………………………………………………………………………….. 257
15 instalaciones. ……………………………………………………………………………… 258
20 instalaciones. ……………………………………………………………………………… 258
30 instalaciones. ……………………………………………………………………………. 259
Gráfico de la variación del coste en relación al número de
Figura 4.20:
iteraciones, para distribución en planta con 12 instalaciones. ………… 261
Figura 4.21:
Figura 4.22:
Figura 4.23:
iteraciones, para distribución en planta con 30 instalaciones. ……….. 262
Figura 4.24: Comparación entre errores medios de las razones de forma. ……….. 263
Comparación entre los costes medios de transporte determinados
Figura 4.25:
por ST1 y ST2 en la primera y segunda fase. ………………………………….. 264
Distribución en planta obtenida con la heurística ST1 para el
Figura 4.26:
problema de 2 instalaciones. ………………………………………………………….. 266
Figura 4.27: Figura que ejemplifica un error de 21% en la razón de forma. ………… 266
Gráfico da variación del coste en relación al número de iteraciones,
Figura 4.28:
para distribución en planta con 30 instalaciones. ………………………….. 268
30 instalaciones. ……………………………………………………………………………… 268
Figura 4.30: (a) Layout de bloques y (b) layout detallado. ………………………………… 270
X
LISTA DE TABLAS
Tabla 1.1: Características principales que contienen en su proceso cada método. 10
Tabla 2.1: Características de los tipos básicos de distribución en planta. …………… 36
Tabla 2.2: Algunos algoritmos de distribución en planta de instalaciones. ………… 73
Tabla 2.3: Selección del mejor candidato admisible. ………………………………………… 98
Tabla 2.4: Componente de memoria de término corto de la búsqueda tabú. …… 98
Tabla 2.5: Restricciones tabú y atributos para movimientos de intercambio. …… 99
Tabla 2.6: Analogía entre la evolución natural y los algoritmos genéticos. ………… 110
Técnicas para reducir problemas en las distribuciones asistidas por
Tabla 3.1:
ordenador. ………………………………………………………………………………………… 128
Clasificación de las metodologías aplicadas MFLP en función de las fases.
Tabla 3.2:
………………………………………………………………………………………………………………… 162
Tabla 4.1: Áreas y restricciones geométricas por instalación. ………………………………… 221
Tabla 4.2: Matriz simétrica de flujos de producción para seis instalaciones. …………… 222
Momentos de transporte obtenidos utilizando el algoritmo genético
Tabla 4.3:
para problemas con 12, 15, 20 y 20 instalaciones. ………………………………… 224
Momentos de transporte obtenidos utilizando ‘simulated annealing’
Tabla 4.4:
para problemas de 20 y 30 instalaciones. …………………………………………… 224
Momentos de transporte obtenidos utilizando algoritmo de búsqueda
Tabla 4.5:
tabú tras 150 iteraciones. ……………………………………………………………………… 225
Momentos de transporte obtenidos utilizando algoritmo de búsqueda
Tabla 4.6:
tabú tras 150 iteraciones. …………………………………………………………………….. 225
Tabla 4.7: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 1m. 241
Tabla 4.8: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 2m. 241
Tabla 4.9: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 4 m. 241
Relaciones entre instalaciones y pasillos para el árbol de corte de la
Tabla 4.10:
figura 4.12. …………………………………………………………………………………………….. 247
Coordenadas de los centroides de instalaciones, de los puntos que
Tabla 4.11: enlazan instalaciones a los ejes de los pasillos e intersección de ejes de
pasillos de la figura 4.12. ………………………………………………………………………… 248
Tabla 4.12: Caminos mínimos obtenidos con el Algoritmo de Dijkstra. …………………… 250
Distribución acumulada del número de instalaciones por procedimientos
Tabla 4.13:
y error (%) en la razón de forma. …………………………………………………………… 257
Momento de transporte obtenidos en distribución en planta de 15
Tabla 4.14:
instalaciones. ……………………………………………………………………………………….. 259
Momentos de transporte obtenidos en distribuciones en planta de 20
Tabla 4.15:
instalaciones. ……………………………………………………………………………………….. 260
Momentos de transporte obtenidos en distribuciones en planta de 30
Tabla 4.16:
instalaciones. ……………………………………………………………………………………….. 260
Valores de media, desviación estándar y estadísticas obtenidos con la
Tabla 4.17:
aplicación de ST1 y ST2, para los distintos problemas. ……………………….. 263
Tabla 4.18: aplicación de la primera fase de ST1 y ST2, para los distintos problemas.
………………………………………………………………………………………… 264
Tabla 4.19:
aplicación de la segunda fase de ST1 y ST2, para los distintos problemas. 265
XI
XII
GLOSARIO DE TÉRMINOS Y ABREVIATURAS

ACO: Ant Colony Optimization.
AG: Algoritmos Genéticos.
ALDEP: Automated Layout Design Program.
ARS: Algoritmo de Recocido Simulado.
B&B: Branch & Bound.
BBA: Branch & Bound Algoritm.
BCA: Branch & Cut Algoritm.
BPP: Bin Packing Problem.
BT: Búsqueda Tabú.
C&P: Cutting and Packing problems.
CAD: Computer Aided Design.
CORELAP: Computerized Relationship Layout Planning.
CP: Cutting Plane method.
CR: Closeness Rating.
CRAFT: Computerized Relative Allocation Facilities Technique.
CSP: Cutting Stock Problem.
DAO: Dibujo Asistido por Ordenador.
DCG: Delayed Column Generation.
EA: Evolutionary Algorithm.
EA: Evolutionary Algoritm.
ECP: Extended Cutting Plane method.
EP: Evolutionary Programming.
FFD: First Fit Decreasing algorithm.
FITNESS: Valor evaluado de bondad.
FL: Fuzzy Logic.
FLP: Facility Layout Planning (o Problem).
FLDP: Facility Layout Design Problem.
FMS: Flexible Manufacturing Systems.
GA: Genetic Algorithm.
GBD: Generalized Benders Decomposition method.
GHA: Genetic Hybrid Algorithm.
GOA: Generalized Outer Approximation method.
GPPM: Grafo planar Ponderado Maximal.
GRAS: Greedy Randomized Adaptive Search procedure
GT: Group Tecnologic.
ILP: Integer Linear Program.
LAP: Lineal Assigment Problem.
LP: Linear Program.
XIII
LSA: Local Search Algoritms.

MALDEP: Multicriteria Automated Layout Design Problem.
MAT: Modular Allocation Technique.
MCDA: Técnicas de análisis de decisión multicriterio.
MFLP: Multi Facility Layout Problem.
MHC: Material Handling Cost.
MILP: Mixed Integer Linear Program.
MINLP: Mixed Integer Nonlinear Program.
MIP: Mix Integer Programation.
NFL: No Free Lucnh Theore.
NP–Completo: problema para el cual no existe un algoritmo polinomial (eficiente)
para resolverlo.
NP–Duro: (NP – Hard) problema para el cual no ha sido hallado aun un
algoritmo polinomial.
NP: No polinómico (en oposición a polinomial o polinómico).
OA: Outer Approximation method.
PPLI: Problema del Proyecto de Layout de Instalaciones.
PQA: Problema Cuadrático de Asignaciones o Problema de Asignación
Cuadrática.
PSO: Particle Swarm Optimization.
QAP: Quadratic Assignment Problem.
PQA: Problema de Asignación Cuadrática o Problema Cuadrático de
Asignación.
QSP: Quadratic Set Covering Problem.
SA: Simulateed Aneeling /.
SAA: Simulateed Aneeling Algorithm.
SFC: Space Filling Curves.
SFF: Sistemas de Fabricación Flexible.
SGM: Segunda Guerra Mundial.
SHP: Sequential Heuristic Procedure.
SLP: Systematic Layout Planning.
SOS: Special Ordered Set.
SPU: Space Planification Unit.
SRLP: Single Row Layout Problem.
SS: Scatter Search.
SSGA: Steady State Genetic Algorithm.
TA: Theshold Algoritm.
TRA: Tabla Relacional de Actividades.
TS: Tabu Search.
TSP: Travelling Salesman Problem.
XIV
VLSI: Very Large Scale Integration.
XV
CAPÍTULO – 1
INTRODUCCIÓN
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 2 de 337
CAPÍTULO 1
Para investigar la verdad es preciso dudar,

en cuanto sea posible,
de todas las cosas, una vez en la vida.
René Descartes (1596-1650),
filósofo francés.
1. INTRODUCCION.
Me gustaría comenzar la presentación de este trabajo de investigación citando

la respuesta que el gran economista norteamericano, Herbert Simon1 dio en una
entrevista al final de su vida y que resume en gran medida sus ideas y que, muy
probablemente, le sirvieron para la consecución del Premio Nóbel en 1978:
“… Para comprender la gestión, hay que percibir de qué manera las

personas resuelven, realmente, los problemas y toman sus decisiones. Una
persona tiene enormes limitaciones en su capacidad para tener en cuenta
todos los hechos que se dan en el mundo o en lo que lo circunda, que serían
relevantes para tomar una decisión. Estos límites de los que hablo –la
racionalidad limitada, que dio origen al título de uno de mis libros- surgen
simplemente porque los seres humanos tienen un conocimiento restringido,
tienen capacidades limitadas para poder analizar las consecuencias del
propio saber que detentan. Especialmente, existen serios límites para predecir
el futuro y las reacciones de los otros como respuesta a esas decisiones. Esto
no significa que toda decisión sea puramente intuitiva, sino que no es posible
conocer todas las alternativas que están disponibles para la toma de decisión,
1
Respuesta a la pregunta: “¿Qué es lo que está equivocado, entonces, en este enfoque
“racionalista”?. La entrevista fue realizada a través de correo electrónico por Jorge Nascimento
Rodrigues, el 20 de Abril de 2001.
Pág. 3 de 337
puesto que muchas de ellas están aún por ser descubiertas o diseñadas. A
pesar de todo, las decisiones tienen que ser tomadas después de haber tenido
en cuenta una ínfima fracción de aquellas posibilidades. …”
Precisamente este pensador, que fue un especialista en psicología y ciencias

de la computación con una influencia decisiva en la teoría de la gestión y de la
microeconomía, afirma que:
"Toda la racionalidad en el proceso de decisión es limitada.

El gerente (ingeniero) no maximiza, toma decisiones que lo satisfacen,
descubre soluciones aceptables para problemas bien reales.
Se contenta con alternativas satisfactorias".
En este contexto de toma de decisiones en entornos de incertidumbre, gran

competitividad y variabilidad (entornos borrosos) es en el que se enmarca el presente
trabajo intentando ofrecer conocimiento a la empresa para mejorar su estructura
interna con el objetivo de que pueda ser más competitiva.
1.1. CONSIDERACIONES GENERALES.
Las últimas décadas han estado marcadas por el crecimiento desmedido de la

competencia empresarial y por la búsqueda de mercados dispersos globalmente. El
ambiente de competencia empresarial está sujeto a incertidumbres crecientes,
haciendo que las empresas busquen nuevas formas de supervivencia, procurando
tecnologías y técnicas capaces de mantenerlas en producción y con beneficios.
Además, los nuevos paradigmas de sistemas de fabricación exigen instalaciones
industriales capaces de apoyar los objetivos de la empresa. Surge así la necesidad de
que las empresas se reformulen y busquen soluciones que optimicen sus funciones,
visando flexibilidad, seguridad y reducción de costes. Esos cambios afectan a todos
los sectores de la empresa, que precisan responder al unísono a todas ellas.
Bennett (1972) y posteriormente Konz (2004) afirman que existen cuatro

criterios generales que deben ser considerados a la hora de diseñar los sistemas de
trabajo:
1) Seguridad y Salud: ya que ningun puesto de trabajo o instalación es aceptable

cuando puede poner en peligro la seguridad o salud de los trabajadores. Se
Pág. 4 de 337
deben tomar las precauciones razonables aun considerando que la vida no tiene
un valor infinito.
2) Desempeño: La relación costo/beneficio debe ser favorable desde el punto de
vista de la organización y del individual.
3) Comodidad: La fatiga, el sufrimiento o el dolor innecesarios pueden ser
eliminados por un buen diseño aunque pudiera no haber cambios en los
resultados a corto plazo.
4) Necesidades Mayores: Se puede, y debe, diseñar un puesto de trabajo para
estimular en lo posible el contacto social o para hacerlo más interesante.
Aunque hacer los trabajos más “placenteros” y/o “satisfactorios” no tienen una
prioridad relevante en las culturas actuales y no cabe duda de que en breve
periodo de tiempo se deberán diseñar las instalaciones fabriles con un enfoque
más “humano”.
Cuando se plantea un proyecto de una nueva instalación industrial destacan,

entre muchas otras, dos decisiones que condicionarán todo el desarrollo posterior del
proyecto y condicionarán en gran medida el posterior existo del mismo.
La primera se refiere a la ubicación o localización de la nueva instalación, y

ésta que se considera una decisión estratégica, suele ser tenida en gran consideración
realizando previamente, en la mayor parte de los casos, un estudio pormenorizado,
tomándose posteriormente esta decisión a nivel de grupo y por un amplio equipo de
decisores.
La segunda, y no menos importante, se refiere a lo que denominados

distribución en planta, esto es, una vez decidido en donde pondremos la planta,
decidir cómo repartiremos las distintas actividades e instalaciones en el espacio
disponible. En muchos casos, igual que la decisión anterior, se trata de una decisión
estratégica ya que, sea cual sea la opción elegida, afectará durante mucho tiempo el
funcionamiento y posibilidades de explotación y mejora de productividad de la
industria. Por desgracia, esta decisión suele ser tomada de forma precipitada e
imprecisa, debido en gran medida a la dificultad que su estudio pormenorizado
conlleva, considerando frecuentemente que siempre será posible corregir posibles
deficiencias a posteriori, estando en este punto los proyectistas y decisores más
preocupados normalmente en el ahorro en la construcción de las instalaciones, en las
Pág. 5 de 337
exigencias de seguridad, y en las posibles limitaciones técnicas existentes, y se hace,

por desgracia, en muchos casos sin hacer un estudio pormenorizado y sin tener en
cuenta el verdadero alcance y relevancia que estas decisiones pudieran tener en el
futuro, a medio y largo plazo. Por decirlo de una manera sencilla, en este punto
estamos más preocupados por el ahorro en las instalaciones (inversión) que por ver si
la opción elegida es o no la más correcta a largo plazo considerando los beneficios en
el ahorro de los costes de producción que otras opciones pudieran reportar.
Por medio de la distribución en planta se pretende pues conseguir un mejor

funcionamiento de las instalaciones y se aplicará a todos aquellos casos en los que sea
necesaria la disposición de unos medios físicos en un espacio determinado, ya esté
prefijado o no. Y por tanto la distribución de una planta se entenderá al final como la
localización de los posibles departamentos, de los grupos de trabajo dentro de estos
departamentos, de las estaciones de trabajo, de las células de fabricación, de las
máquinas y de los puntos de mantenimiento, de las existencias o almacenes, fijos o
temporales, dentro de unas instalaciones de producción.
En un entorno actual altamente competitivo y global, en el que los precios de

los productos los impone el mercado, los costes de impuestos son iguales para todos,
los salarios de la mano de obra son negociados sectorialmente por los sindicatos, el
acceso a las tecnologías esta generalizado, los sistemas de información y
comunicación llegan a todos los lugares, etc. y en el que los márgenes comerciales
son francamente estrechos dado que todos los competidores son conocidos y están
muy igualados en los costes variables, la decisión de una correcta distribución en
planta puede convertirse prácticamente en la única ventaja competitiva que permita a
una empresa acceder al mercado con menores costes en la etapa productiva. “La
responsabilidad del ingeniero industrial es la de diseñar una instalación de
producción que elabore el producto especificado a la tasa estipulada de producción
a un costo mínimo” (Hicks, 1999), ya que en la elaboración de un producto está
directamente ligado a una buena distribución de planta, ya que de forma directa
minimiza costos y aumenta la efectividad del proceso.
El problema de distribución en planta de instalaciones, que se ha abordado en

este trabajo, se refiere a la distribución física de un número de instalaciones, que
denominaremos en otras ocasiones actividades por mantener la denominación usada
Pág. 6 de 337
por otros autores con anterioridad, sobre una región plana. Pertenece a una clase de
problemas de localización espacial que ha sido estudiado en diversos contextos,
incluyendo la planificación de espacios en arquitectura, distribución en planta de
células de fabricación, distribución en planta de oficinas, hospitales, distribución de
teclas en teclados de máquinas, montajes de componentes electrónicos en placas y
proyectos de VLSI (Very-Large-Scale Integration). Aunque el tipo de instalación
pueda variar en cada contexto, la formulación del problema en gran parte permanece
similar. En general, el área de cada instalación y los costes de flujos entre cada par de
instalaciones son estimativas de datos obtenidos por un ingeniero de producción. El
coste asociado al flujo puede ser especificado por una medida cuantitativa (por
ejemplo el flujo de materiales), o cualitativa (por ejemplo la proximidad exigida entre
instalaciones). La meta es minimizar los costes totales de los flujos satisfaciendo un
conjunto de restricciones especificadas, como por ejemplo, la no sobreposición de
instalaciones (Tan y Li, 1991). Los primeros estudios relevantes de este problema se
realizan tras la SGM, cuando Immer (1950) presenta los pasos básicos a seguir en la
planificación de la implantación y la estrecha relación de ésta con los sitemas de
manutención, Cameron (1952) hace la primera referencia al uso de las cartas
relacionales de actividades, concepto que será utilizado por la teoria para la
resolución del problema en su aspecto cualitativo, posteriormente Reed (1961) el que
proponga como la fase más importante de la planificación sistemática de la
distribución en planta el “Gráfico de Planificación de la Implantación”, pero
realmente será Richard Muther (Muther,1968) desarrollando su técnica SLP
(Systematic Layout Planning) el que marque sin lugar a dudas un antes y un después
en el desarrollo de las técnicas de elaboración y estudio de las distribuciones en
planta, utilizando para ello tanto el análisis del flujo de materiales (factores
cuantitativos) como el análisis de las relaciones entre actividades (factores
cualitativos) para configurar un layout adecuado.
Una buena distribución resulta a todas luces clave para asegurar un buen nivel
de competitividad en la empresa y por eso hace más de diez lustros que se ha
convertido en un objetivo primordial para los decisores, como bien cita Ontiveros
(2004), ya Immer (1950) –en un entorno empresarial mucho más relajado que el
actual- hacía referencia a las apreciaciones de Mallick y Sansoneti (1945) al afirmar
que:
Pág. 7 de 337
“Una buena distribución en planta de las instalaciones significa:

(a) emplazar el equipamiento corecto,
(b) acoplado con el método correcto,
(c) en la posición adecuada,
(d) permitiendo el procesado de una unidad de producto de la forma más eficaz,
(e) a través de las distancias más cortas posibles, y
(f) en el menor tiempo posible.
La importancia de una buena distribución en planta, como factor que asegure

bajos costes de producción, queda bien establecido y es necesario que sea bien
comprendido”.
Aunque, para ser realistas con la importancia de la distribución, las distancias

entre las instalaciones –que es uno de los parámetros a los que más relevacia se le da
en los cálculos– al final resulta no ser tan relevante dado que los costes de manejo de
materiales son en realidad poco dependientes de las distancias entre las instalaciones
en factorías normales (Konz, 2004).
En la figura 1.1 se muestra el costo de movimiento por unidad de distancia en

donde se puede observar una representación, ciertamente realista, en la que el costo
del movimiento es muy bajo, y en donde se ve que la mayor parte del costo de
movimientos de materiales viene, en términos absolutos, determinado por los costes
de carga y descarga (iniciar y detener, aun cuando se omiten la aceleración y
desaceleración o frenada) o de papelería o burocracia interna siempre inherente a la
administración y gestión de las industrias.
Para recorrisods de forma rectangular:
Dist = Lk + Ck (|Xij - Xj| + |Yij – Yk|) (1.1)

O para recorridos en linea recta:
__________________
Dist = Lk + Ck · √ (Xij - Xj)2 + (Yij – Yk)2 (1.2)
en donde:
Lk = costo de carga + descarga (incluyendo papeleo) por recorrido entre el k-ésimo

usuario y la ubicación factible.
Ck = costo/distancia unitaria (excluyendo Lk).
Pág. 8 de 337
5
Recorido
4
Coste
2 Carga y Descarga
0
0 10 20 30 40
Distancia
Figura 1.1: Costo de manejo de materiales, que es prácticamente indiferente de la

distancia. (Konz, 2004)
Dada la complejidad del problema, que es reconocido como un NP-

Completo2, esto es, que no resulta factible encontrar una solución óptima en un
tiempo normal de computación, innumerables algoritmos de distribución en planta
han sido desarrollados para auxiliar al proyectista en un planeamiento de procesos
entre instalaciones. De acuerdo con Kusiak y Heragu (1987), esos algoritmos se
pueden clasificar de forma general en cuatro tipos principales:
a) métodos constructivos;
b) métodos de mejora;
c) métodos híbridos, y
d) métodos que utilizan la teoría de grafos.
Con el auxilio de los ordenadores y la informática, los sistemas basados en los

métodos de construcción generan distribuciones en planta ubicando las instalaciones
de forma secuencial hasta que se han considerado todas. Una vez ubicada una
instalación, esta se mantiene fija en el local asignado. Ejemplos de este tipo de técnica
son aplicados en los sistemas CORELAP, ALDEP y otros. Debido a su
secuenciamiento y naturaleza de no retorno, el método usualmente necesita de menos
2
Para entender el termino NP-completo es necesario conocer las funciones de complejidad temporal
de los algoritmos. Estas funciones permiten conocer un mayorante para la tasa de aumento de la
cantidad de tiempo que un algoritmo necesita para solucionar un problema en función del crecimiento
de la dimensión del problema. Cuando esta función es exponencial entonces se dice que el algoritmo es
NP-completo. Para una discusión más detallada acerca de esta teoria se recomienda la consulta del
texto de Garey y Johnson (1979).
Pág. 9 de 337
esfuerzo de proceso, y aunque la calidad de la solución no es buena en relación a los

otros métodos, estas metodolías son frecuentemente usadas como un primer paso en
la planificación de las distribuciones en plantas industriales.
Los métodos de mejora, a su vez, se inician con una distribución en planta, ya

existente o obtenida por métodos constructivos, y la mejoran por medio de cambios
de ubicaciones de locales entre las instalaciones. Se produce un incremento
considerable de las necesidades de recursos computacionales por lo que para resolver
el problema de distribución en planta con un gran número de instalaciones, los
sistemas de mejora recurren a sistemas heurísticos de cambios eficientes, en lugar de
buscar la distribución en planta óptima.
Los heurísticos de intercambio de instalaciones han sido las técnicas más

usadas en la literatura hasta la actualidad. Usando los heurísticos de cambios, la
decisión de cambiar dos o más instalaciones es determinada por una estrategia ‘hill-
climbing’ (o ‘valley-seeking’) o por un procedimiento estocástico. El proceso de
cambios se para cuando no se verifica mejora en la solución o cuando el tiempo
definido para el proceso se ha terminado. La heurística de intercambio de pares
desarrollada por Hiller (1963) y Hiller y Connors (1966) y los aumentos para 3, 4 y 5
cambios (Liggett, 1981; Block, 1977; Picone y Wilhelm, 1984) forman la base de
numerosos sistemas de mejora tales como CRAFT, H63, H66, FRAT, CLO, COFAD
y otros. En general, las distribuciones en planta que presentan buenos resultados en
términos de coste asociado a los flujos pueden ser obtenidos por los métodos de
mejora sin utilizar un excesivo tiempo computacional.
En la práctica se ha comprobado que, tal como ya afirmaba Liggett (1981), los

métodos de mejora resultan muy sensibles para la distribución en planta inicial,
miestras que los métodos constructivos, pueden ser usados para generar una
distribución en planta inicial que puede ser mejorado a continuación. Como
consecuencia, se han planteado los denominados métodos de aproximación híbrida
que combinan los dos métodos anteriores haciendo el resultado mucho más adecuado
para llevarlo a la práctica. Como ejemplo de esta forma de afrontar el problema
tenemos el sistema FLAC. Tal y como afirma Ontiveros (2004), y anteriormente Kim
y Kim (2000) y Contero (Contero 1995; Contero et al. 2000) entre otros autores, la
utilización de las tecnicas mixtas permiten reducir el número de alternativas a
analizar, rechazandose las improcedentes o no factibles y seleccionando solo las que
Pág. 10 de 337
contengan mayores posibilidades de ser soluciones eficientes difiniendo estas como

aquellas soluciones que se acercan a la óptima mediante la ejecución de un número
razonable de itraciones.
Con el uso de la teoría de grafos, una distribución en planta puede ser

representada de forma aproximada por un grafo no diseccionado en el que las
instalaciones corresponderán a los vértices y los costes de flujos entre instalaciones
se asociarán a las aristas. El método de solución viene dado por el dual de un
subgrafo maximal planar que determina la distribución en planta final de las
instalaciones. Muchos han sido los autores, tal y como se verá más detenidamente en
el proximo capitulo, que han utilizado esta metodología para buscar soluciones al
problema planteado (Levin 1964; Eastman 1973; Roth 1988; Schwarz 1994; Recuero
2004; San Jose 2004).
A pesar de que el problema de distribución en planta ha sido sistemáticamente

estudiado durante más de cuatro décadas, los métodos desarrollados hasta ahora
presentan restricciones comunes encontradas en las tareas diarias de distribución en
planta (Canen y Williamson, 1998). Debido a esto para transformar una distribución
en planta generada por el ordenador en una distribución en planta con aplicación
práctica, son necesarios ajustes manuales, especialmente cuando existen restricciones
de tamaño, orientación, y forma de cada instalación. De hecho, los métodos
informáticos en la gran mayoría de los casos no hacen una inspección visual de la
respuesta de salida del funcionamiento del programa, como seria de esperar, en
particular cuando el flujo dominante es grande (Block, 1977), precisamente facilitar
alguna herramienta que ayude al ingeniero a la hora de aplicar este tipo de
restricciones y problemáticas es uno de los retos que se han planteado, con la
incorporación de recursos de CAD, como principal objetivo a la hora de presentar
este trabajo de investigación.
La limitación de la mayor parte de los métodos existentes hasta la actualidad

es que ellos dividen la planta en un conjunto de regiones del mismo tamaño. La
formulación cuadrática de atribución, que es la base de numerosos modelos de
distribución en planta, divide el espacio en una malla rectangular donde en cada
célula de la malla se localiza una instalación. La característica geométrica de cada
instalación es ignorada en la formulación. De todos modos existen sistemas tales
como CRAFT que resuelven esta limitación atribuyendo un conjunto de células
Pág. 11 de 337
adyacentes para una instalación y por considerar tales conjuntos como una unidad
cuando efectúa los cambios, esos programas no tienen control sobre la forma de cada
instalación, pudiendo aparecer en las distribuciones físicas finales con instalaciones
de formas irregulares. Además de eso, Gondran y Minoux (1984) muestran que el
problema cuadrático de atribución (PQA) es NP-completo, lo que transforma su
aplicación en la resolución de problemas de mayor porte inviable.
Métodos Elementos
Diagrama de relación de actividades
Producto (P), bienes producidos
SLP Cantidad (Q), Volumen producido

Ruta (R), Procesos realizados
Servicios (S), Auxiliar y utilidad a las
actividades
Flujo de materiales y personas entre
departamentos
Datos de entrada
CRAFT Distancias
Almacén de valores
Disposición de departamentos
Flujo de materiales entre departamentos
COMBINED COMPUTER
AIDED APPROACH Distancia entre departamentos
Dimensión de los departamentos
BLOCPLAN
Formas de los departamentos
Relación entre departamentos
Distancia entre departamentos
DIAGRAMA DE
RELACIÓN DE Flujo de material y personas entre
ACTIVIDADES departamentos
Distancia entre departamentos

Localización de departamentos
MULTIPLE
Distribuciones de planta
Tabla 1.1: Características principales que contienen en su proceso cada método

(Ortega 2003).
Pág. 12 de 337
Según Tam y Li (1991), las restricciones presentadas motivan un abordaje de

planeamiento continuo en el proyecto de distribución en planta que no sea restrictiva
por el paradigma de "atribuir instalaciones para una célula (o para un conjunto de
células)". Por tanto no se debe dividir el espacio en partes discretas sino considerarlo
como un plano contínuo con todas las características geométricas de las instalaciones
que deben ser tenidas en consideración. La malla es simplemente retirada y las
instalaciones se pueden mover a algún lugar en el espacio de área designado.
En la tabla 1.1 se muestra como los diferentes métodos tienen elementos

comunes dentro de sus funcionamientos como puedan ser: el flujo de los materiales a
transportar y de personas dentro de los recintos, las relaciones y las distancias que
pueda existir entre los distintos departamentos.
1.2. HIPOTESIS.
La hipótesis de la que se parte este trabajo no es otra que la de desarrollar un

sistema hibrido que para mejar la toma de decisiones en el proceso de diseño de
Distribuciones en Plantas Industriales, mediante la implementación de algoritmos
heurísticos con herramientas de Diseño Asistido por Ordenador para encontrar
soluciones de tipo geométrico a los problemas de Distribuciones en Plantas, en lugar
de recurrir únicamente a la formulación algebraica, para poder trabajar con casos más
aproximados a la realidad cotidiana, incorporando la existencia de pasillos y
ajustando las distintas instalaciones a ubicar con definiciones continuas y no tan solo
con modelalizaciones discretas de las mismas, como hacen prácticamente la totalidad
de los trabajos previos, y que tal y como se verá en muchos casos no resultan del todo
efectivas ni viables técnicamente.
1.3. OBJETIVOS.
1.3.1. Objetivo general.
Antes de plantear un objetivo para el trabajo, y parafraseando el principio de

la Búsqueda Tabú, nos atreveremos a decir que: "Es mejor una mala decisión basada
en información que una buena decisión al azar, ya que, en un sistema que emplea
memoria, una mala elección basada en una estrategia proporcionará claves útiles
Pág. 13 de 337
para continuar la búsqueda. Una buena elección fruto del azar no proporcionará
ninguna información para posteriores acciones"… y ahora si que pueden ser
descritos los objetivos del mismo.
El primer objetivo planteado al iniciar este trabajo de investigación ha sido el

realizar un estudio general, a través de una detenida revisión de la extensa y variada
bibliografía, del problema de distribución en planta de instalaciones y de los distintos
algoritmos de resolución existentes, analizando sus procedimientos para establecer
nuevos algoritmos (o viejos con resultados adecuados) que permitan obtener
soluciones prácticas a dicho problema y que a su vez nos permitan mejorar las
disposiciones de las instalaciones en una planta industrial.
Como segundo objetivo de este trabajo se plantea el proponer un modelo

basado en recursos de Dibujo Asistido por Ordenador (DAO), capaz de auxiliar en el
proyecto de distribución en planta de instalaciones industriales reales, con áreas
diferentes, atendiendo a las restricciones de forma, mejora de la calidad del proyecto
a través de la optimización, dando énfasis a las restricciones de forma de las
instalaciones a implantar y recurriendo a la utilización de pasillos conexos para
enlazar instalaciones no adyacentes.
Ademas, aunque se ha partido inicialmente de la consideración tan solo de

distribuciones en una sola planta, se pretende incorporarar una métrica mejorada que
permita abordar problemas con más de un nivel, lo que podría considerar un avance
importante, en la resolución de los problemas que se plantean en la actualidad
cotidiana, dada la naturaleza real de las plantas industriales.
1.3.2. Objetivos específicos.
El modelo desarrollado propone, además, abordar los siguientes objetivos

específicos:
a) facilitar una herramienta con soporte en entornos DAO que permitan al

decisor trabajar con un soporte visual, adecuado y versátil;
b) reducir, en la medida de lo posible, el momento de transporte asociado a la
distribución en planta de instalaciones, y consecuentemente los costes con
Pág. 14 de 337
transporte de materiales y con el stock (almacenamiento) de materiales en

movimiento (en transito);
c) obtener grados de calidad adecuados en cuanto a la forma y dimensiones de
las instalaciones implicadas en el proyecto, teniendo en cuenta los problemas
geométricos reales existentes;
d) permitir modificaciones puntuales de alguna de las instalaciones ya
implantadas o implantación de nuevas instalaciones, modificando levemente
el resto de las instalaciones ya ubicadas;
e) aumentar, aunque tan solo sea mínimamente, la productividad en el proceso
de planeamiento de la distribución en planta.
f) tener el control real de la distribución existente para poder evaluar a la hora de
realizar modificaciones futuras cuales son los cambios que más nos puedan
favorecer, ajustados a los costes de modificación (obras a realizar) y a los
costes incorporados a los flujos en los procesos de manufactura posteriores.
1.4. LIMITACIONES.
Para aplicar el modelo propuesto se deben conocer de antemano un minimo de

datos como las formas de las instalaciones o los valores de área, y las razones de
forma exisgidos y el flujo entre las distintas instalaciones. Como el modelo es
aplicable en problemas de distribución en planta de departamentos, será necesario
conocer, también, las dimensiones de las superficies donde se localizaran las
instalaciones. El área de esta superficie deberá ser, como resulta evidente, superior a
la suma total de las áreas de las instalaciones incrementada con la correspondiente
área asignada a los pasillos.
Otra restricción asociada al problema es que se ha considerado, al menos en

un primer paso, que todos los pasillos tienen la misma anchura, no considerando, por
ahora, en la construcción del modelo, eventuales conflictos entre los diversos flujos
existentes.
Además de esto, aunque se proponga obtener distribución en planta donde las

instalaciones no adyacentes estén enlazadas por pasillos, esto solo será considerado
en una segunda etapa del proceso de búsqueda de la solución, cuando ya se haya
obtenido una distribución en planta inicial optimizada, en relación al momento de
Pág. 15 de 337
transporte y a la razón de forma, sin el uso de pasillos. Esta estrategia de búsqueda,

aunque limite el universo de soluciones investigadas, tiene por objetivo reducir el
tiempo de computación de la búsqueda, y ha dado resultados muy esperanzadores.
Por otro lado las implementaciones de los programas propuestos para la

resolución de los diferentes programas han sido abordadas en varios entornos de
trabajo utilizando, entre otros, programas implementados en EXCEL, MatLab y
AutoCAD.
1.5. IMPORTANCIA DEL TRABAJO.
El trabajo desarrollado es un paso más en la elaboración de aplicaciones que

permitan ayudar a los ingenieros tomar las decisiones de cómo distribuir las distintas
instalaciones en el espacio disponible con datos de partida comunes y que permita
obtener distribuciones comparables que ofrezcan los mejores resultados potenciales.
Localizar las instalaciones y la eficiencia del diseño de estas resulta en la actualidad
una cuestión fundamental para la estrategia de cualquier industria manufacturera.
Podemos calcular, con los antecedentes de las estimaciones realizadas en 1984

tomando como base la industria Norteamericana por Tompkins y White (1984;
Tompkins et al. 2003), el coste anual de nuevas distribuciones en la industria de un
país industrializado en un 8% del producto nacional bruto (datos promediados desde
el año 1955 hasta 1984), y esto sin considerar los costes de modificaciones sobre
instalaciones ya existentes; y asimismo Francis y White (1984), estimaron que entre
el 20 y 50 por ciento del total de operaciones que se realizan en la fabricación pueden
ser atribuidas directamente a la manipulación y transporte interno de materiales. El
coste de esos transportes es proporcional al flujo y a la distancia entre departamentos.
Una distribución en planta bien planeada puede reducir fácilmente el coste (stoks,
mano de obra, instalaciones, espacios, …) en un mínimo de 10% a 30%, aumentando
con esto la productividad, y por ende la competitividad, de la empresa. Considerando
que los costes asociados a los factores de transporte en la planta no aportan en ningun
caso valor alguno al producto, siendo, por lo tanto, cargas totalmente indeseables se
plantea que en los FLP el objetivo más común usado en los modelos matemáticos
será minimizar los movimientos de materiales lo que resulta ser un factor
cuantitativo. Factores cualitativos tales como la seguridad en la planta, la flexibilidad
Pág. 16 de 337
de la distribución de las instalaciones para diseñar futuros cambios, ruidos o incluso

factores estéticos también pueden, y en todo caso deben, ser cuidadosamente tenidos
en consideración en su contexto.
Por otro lado, como se ha dicho anterirmente, las plantas industriales resultan
cada vez menos inamovibles y es necesario un continuo replanteamiento de la
distribución real que las instalaciones tienen en el espacio disponible, ademas, tal y
como nos confirma Sly (1993), no podremos adoptar en nuestra industria las nuevas
tecnicas de JIT, Células de Fabricación o Tecnología de Grupos sin considerar
primero la necesidad de modificar la distribución de nuestra planta, por eso resulta
fundamental el ahondar en el estudio de recursos que nos permitan rediseñar nuestras
factorias de forma casi continua, minimizando los costes y optimizando los
resultados.
Con la aplicación del modelo propuesto, se pretende obtener una distribución

real que manteniendo la reducción en el momento de transporte y la reducción del
material en tránsito entre las instalaciones (ya conseguida en otros trabajos previos),
lo que implica di facto la reducción de la cantidad de materiales y productos en
proceso (WIP), se ajuste lo máximo posible a la realidad de la planta productiva.
El problema de la distribución en planta de instalaciones industriales se

clasifica como un problema combinacional, lo que lleva casi irremediablemente a la
búsqueda de técnicas heurísticas para su solución. Esto tiene seguramente mucho que
ver con el hecho de que se haya dedicado un considerable espacio al mencionado
problema en la literatura, a través de la consideración de métodos de naturaleza
metaheurísticos. Tales métodos se han mostrado relativamente eficientes en la
solución de muchos problemas de este género, pero tambien han dado lugar a
soluciones poco prácticas y no deseadas en muchos otros, por lo que al final deberá
ser siempre el ingeniero el que con las posibles soluciones presentadas por los
agoritmos se decante por una u otra según el caso, por eso será importante el ofrecer
al mismo las soluciones propuestas con un formato claro y facil de entender e
implementar ya que esta no será más que la primera etapa de un proyecto mayor en el
que las buenas definiciones iniciales acelerarán el resto de etapas y grarantizarán el
éxito final del proyecto.
Pág. 17 de 337
1.6. CONSIDERACIONES SOBRE EL TRABAJO.
Aunque, tal como se verá en el proximo capitulo, desde mediados de los años
60 se han desarrollado un gran número de algoritmos y de aplicaciones infomáticas
que ayudaran a poner en prácica aquellos –y siguen desarrollandose-, las
distribuciones diseñadas por ordenador rara vez son usadas en la práctica, tal y como
ya mostró en sus trabajos Moore (1978) y posteriormente el propio Muther (1980)
quien llega a afirmar: “En 1968 nuestra firma consultiva trabajaba con cuatro
programas de ordenador para la planificación del espacio. Hoy, ya no usamos
ninguno de ellos y se ha observado que se pueden obtener distribuciones incluso
mejores y más rápidamente utilizando SLP” –y que por desgracia sigue siendo una
afirmación bastante real aun en la actualidad– y aunque las revistas y publicaciones
académicas están llenas de artículos acerca de ellas y revisiones de los algoritmos
existentes, en la práctica apenas se usan nuevas técnicas de cálculo.
Otros autores como Vallhonrat y Corominas (1991) y Alvarez et al. (1995) se

lamentaban de que si bien la utilización de los sistemas informáticos podian resultar
de gran ayuda, esto resultaba ser tan solo un planteamiento teórico, dado que en la
práctica no se ha avanzado tanto, pese a las muchas aplicaciones desarrolladas,
indicando que “tal vez esos programas se adelantaron a las posibilidades técnicas de
su tiempo y sus resultados, no completamente satisfactorios, no contribuyeron a
impulsar la tilización de los ordenadores, sino a su estancamiento”. Este
planteamiento nos indica al menos dos limitaciones técnicas de diseño asistido por
ordenador, una referida a que solo intervienen en una fase muy determinada del
proceso clasico del Diseño Sistemático de Distribución en Planta (SLP de Richard
Muther), y una segunda referente a la gran evolución tanto del sofwate como del
harware a utilizar desde la aparición de los primeros programas hace más de medio
siglo.
La cuestión que cabría plantarse por lo tanto es ¿por qué a pesar de que se
mejoren los algoritmos estos no son aplicados después?, o simplificando: ¿por qué no
se usan en la práctica las aplicaciones desarrolladas?. La respuesta puede estar en que
los técnicos pueden resolver ciertas rutinas casi tan bien como las computadoras
(Konz, 2004) lo que ya fue contrastado por los trabajos de Lewis y Block (1980) que
enfrentaron diseñadores experimentados contra una rutina de construcción, FATE.
Las distribuciones calculadas manualmente, salvo los problemas más complejos,
Pág. 18 de 337
resultaron prácticamente tan válidos como los obtenidos informáticamente. Lewis y

Block observaron que el número de departamentos, la complejidad de flujo y la
predominancia del flujo –esto es si éste es aleatorio o altamente especifiado–
resultaban factores importantes, y si los flujos estaban realmente muy determinados
los ordenadores no parecian tener ventajas, aunque tambien resulta interesante
mencionar que, como dejan bien claro Trybus y Hopkins (1980), por otro lado los
sistemas informátios automatizados parecen dar soluciones tan buenas como las de
los técnicos, por lo que se podria considerar “un empate”. La razon más destacada
dada por Konz (2004), para la poca utilización de los nuevos programas informáticos,
está en que la Distribución en Planta es un problema que no se presenta muy a
menudo en una industria por lo que muchos ingenieros jamás planearán una
distribución de un nueva planta en toda su vida profesional o si hacen alguna se trata
en muchos casos de distribuir una célula de fabricación o departamento cada cinco o
diez años pero con frecuencia solo se precisará ubicar uno o dos nuevos elementos en
una instalación ya existente, por eso los ténicos apenas se mantienen actualizados en
el uso de un programa informático que nunca usan y que frecuentemente apenas les
facilitan herramientas versatiles para modificar las distribuciones (porque se da gran
importancia a la implementación algoritmica pero a costa de la versatilidad del
entorno de usuario). Por otro lado los programas informáticos tampoco están
actualizados con manuales de instrucciones detallados y apenas están adaptados hacia
las grandes organizaciones de usuarios, como rutinas de bibliotecas SAS (Statistical
Análisis System) o las muchas rutinas de programación lineal. En realidad, muchos de
los desarrollos publicados son planteamientos totalmente teoricos tal vez alentados
por aquello de que nada resulta más práctico que una buena teoría, pero al final, por
desgracia, resultan ser, en palabras de Konz (2004), técnicas en busca de problemas y
no problemas en búsqueda de solución.
De aquí que en este trabajo de investigación se planteen, más que novedosas

implementaciones algorítmicas –por otro lado sobradamente estudiadas por
numerosos autores–, consideraciones prácticas en sistemas de DAO que, ayuden a
rsolver problemas geométricos en su origen, y que, con la ayuda de los
planteamientos algoritmicos ya desarrollados, permitan finalmente a los ingenieros
ajustar las posibles distribuciones planteadas a las necesidades reales del problema de
partida.
Pág. 19 de 337
Se hará pues aquí un esfuerzo por intentar presentar inicialmente una revisión
de los diversos modelos existentes en la literatura para la resolución del problema de
la distribución en planta, tal y como ya se ha mencionado anteriormnte, pero también
se presentará un modelo que si bien no resuelve definitivamente (dada la
imposibilidad real de hacerlo) si que ayuda a resolver el problema de distribución en
planta de instalaciones tomando en consideración las áreas y formas de cada
instalación, además de interconectar tales instalaciones a través de pasillos, o incluso
comunicación vertical en instalaciones multiplanta, cuando estas no son adyacentes.
Ademas debe mencionarse en este punto que en los trabajos presentados en la
literatura, apenas se abordan planteamientos aplicables en entornos de Dibujo
Asistido por Ordenador, limitandose en la práctica a resultados meramente
matemáticos pero poco aplicables en casos reales y pocos tratan el problema
utilizando pasillos en su solución, y los que lo hacen, utilizan métodos constructivos
simples, sin buscar soluciones optimizadas.
Por último nos permitiremos hacer nuestras las palabras del profesor Islier
(Islier 2000) mencionando que “para un científico la simplicidad que permite la
generalización es de primordial importancia, mientras que la aplicabilidad será
esencial para un ingeniero”, por lo que ambas cuestiones -simplicidad y
aplicabilidad- han sido premisas que se han pretendido mantener en todo momento a
la hora de enfrentarsesa la problemática abordada.
1.7. ESTRUCTURA DEL TRABAJO.
De forma general este trabajo esta subdividido en cinco capítulos, incluyendo

este primero, en el que se presenta una visión general del problema, los objetivos que
se pretenden alcanzar al final del trabajo, las limitaciones en la aplicación del modelo
y su importancia.
En el segundo capítulo se presenta lo que viene a denominarse ‘el estado del

arte’ del tema tratado, esto es una revisión bibliográfica y documental de los modelos
y de los métodos encontrados en la literatura para solucionar el problema de
distribución en planta, los cuales son presentados según su clasificación, modelado
matemático y métodos utilizados en la solución.
Pág. 20 de 337
En el tercer capítulo se presentan, los problemas geométricos abordados y que

seran aplicados posteriormente en el desarrollo de la solucion propuesta, en particular
se abordan los problemas de forma, contorno y de distancias, planteando también su
posible solución con el uso de la Computacion Geométrica, o implementación de
recursos que encuentren soluciones a problemas geométricos en entronos de DAO, y,
además, se discuten algunos detalles del modelo propuesto.
En el cuarto capítulo se presenta la propuesta metodologica de la solución del

problema de distribuciones en plantas industriales con control de forma de las
instalaciones uniendo las mismas por pasillos y dando la posibilidad de trabajar en
distintos niveles, asi como su posible interacción (e implementación) con los sistemas
actuales de DAO. Tambien se presentan algunos ejemplos de plantas industriales y de
problemas propuestos y los resultados obtenidos, en especial se ha realizado una
comparación del modelo propuesto con el modelo presentado por Tam (1992).
Aunque al intentar dar un enfoque más practico al sistema se pierde capacidad de
crear problemas muy genericos, como verificación y contraste del modelo propuesto
se han utilizado, para fines de comparación, algunos problemas cuyos datos y
resultados previos se encuentran disponibles en las fuentes bibliográficas.
Finalmente, en el sexto capítulo, se presentan las conclusiones del trabajo

realizado y algunas recomendaciones que pudieran resultar de interés para trabajos
futuros.
Ademas como complemento, aunque no menos importante, se presenta al final

del documento, un extenso conjunto de referencias bibliográficas y documentales
sobre el tema que han sido consultadas para poder llevar a buen fin este trabajo y que
se presentan como referencia y para que puedan servir de base para cualquiera que
desee ampliar sus conocimientos sobre las distribuciones en plantas industriales y
temas afines. Entendemos que realmente el numero de referencias resulta, en este
caso concreto, muy elevado, seguramente incluso excesivo, pero evidentemente esto
es debido al gran interes que este tema ha suscitado –y suscita– en los investigadores,
y se ha preferido dejar un amplio listado de las mismas eliminando tan solo los que
resultaban más intrascendentes, ya que una gran parte de este trabajo ha consistido en
la busqueda de estos documentos y en intentar digerir la mayor parte de lo ya
desarrollado por otros autores y para que de algun modo sirva en un futuro inmediato
Pág. 21 de 337
–porque el proceso no cesa– de base recopilatoria de los trabajos publicados sobre el

tema. Por el elevado número de referencias consultadas se ha optado por presentar
estas en dos listas una más reducida con las referencias bibliográficas
correspondientes a este trabajo y aparte también se presenta en un anexo un listado
más amplio de referencias bibliográficas encontradas sobre el tema de las
Distribuciones en Planta.
Por último se han incorporado al final del documento algunos anexos que
permitan, sin hacer demasiado tedioso el contenido del documento principal, abordar
ciertos temas relevantes en el trabajo presentado y que pueden facilitar su
comprensión.
Pág. 22 de 337
CAPÍTULO – 2
EL PROBLEMA DE LA
DISTRIBUCIÓN EN PLANTA
Pág. 24 de 337
CAPÍTULO 2
La arquitectura no es otra cosa que orden,

disposición, bella apariencia y proporción de las partes,
conveniencia y distribución.
Miguel Ángel Buonarroti (1475-1564)
Escultor, arquitecto, pintor y poeta italiano.
2. EL PROBLEMA DE LA DISTRIBUCIÓN EN PLANTA.
2.1. CONSIDERACIONES INICIALES.
Según Evans et al. (1987), los términos ingleses ‘facilities planning’

(planeamiento de instalaciones), ‘facilities location’ (localización de instalaciones),
‘facilities design’ (proyecto/diseño de instalaciones), ‘facilities layout’ (distribución
en planta de instalaciones), ‘block layout’ (distribución de superficies), a lo que
podríamos añadir: así como sus posibles equivalentes en otros idiomas ‘arranjo físico
de facilidades’ (portugués), “problema de leiature” (francés), ‘distribución en
planta’, ‘layout de planta’, …o incluso ‘localización’ (castellano), son empleados
frecuentemente de forma indistinta, particularmente en problemas relevantes para
empresas manufactureras. Por otro lado tambien encontramos dificultad al expresar
que es lo que queremos distribir y/o localizar, ya que aquí nos encontramos on
términos tales como: instalaciones, departamentos, facilidades (mala traducción del
vocablo inglés), superficies, equipamientos, zonas, areas, … Para poner un poco de
luz en este galimatías y permitir la distinción entre los distintos términos y sus
posibles relaciones, Tompkins y White (1984, 2003) proponen una clasificación
jerárquica donde el planeamiento de instalaciones se subdivide en:
1) localización de instalaciónn significa la ubicación o posición que una instalación

tiene en relación al mercado, recursos, competidores, clientes, proveedores, grupo de
trabajo, energía, ambiente, etc;
Pág. 25 de 337
2) proyecto de instalaciones significa la forma de contribución de los componentes de

la instalación con los objetivos de la misma, subdividiéndose a su vez en:
a) proyecto estructural tiene las propiedades físicas de una instalación, por

ejemplo, los materiales usados en la construcción, el proyecto mecánico,
utilidades, estética y paisaje;
b) proyecto de distribución en planta consiste en el planeamiento de la

producción o de áreas de trabajo, de almacenamiento, de oficinas, de personal, de
manejo de máquinas y/o equipamientos, etc;
c) proyecto de sistemas manuales significando flujos eficientes de materiales, de

personas, de informaciones o de equipamientos sobre una instalación.
A la hora de hablar de instalaciones se debe dejar bien claro que nos referimos a
un concepto amplio que puede ser una zona de una nave, una compartimento de la misma
o incluso una máquina o equipamiento específico que serán ubicadas dentro de la planta
de la factoria que se pretende desarrollar. Y en cualquiera de estos casos la frontera de
estas instalaciones puede ser muy determinada o muy difusa dependeiendo justamente
del caso qu se esté abordando.
El problema de distribución en planta de instalaciones se caracteriza como un

problema de minimización combinatorial. Tiene una función objetivo que debe ser
minimizada y que es definida sobre un conjunto discreto, cuyos elementos son todas las
posibles ubicaciones de instalaciones. El número de elementos del conjunto de
configuraciones crece exponencialmente con el aumento del número N de instalaciones,
de modo que la búsqueda no puede ser realizada de forma exhaustiva cuando N es
grande. También, por el hecho de que tal conjunto al ser discreto, imposibilita el uso de
las nociones de continuidad, dificultando los procesos que utilizan el concepto de
dirección para caminar en el sentido del óptimo (Cortes, 1996).
Tomando como base la teoría de la complejidad que estudia la dificultad

intrínseca de la resolución de los problemas de optimización y decisión (Garey et al.
1979), cuando tenemos que resolver un problema específico, la solución consistirá
básicamente en obtener una solución con el valor óptimo de la función objetivo, es decir
que se resolverá únicamente si se encuentra dicho valor y no una aproximación al mismo.
Pág. 26 de 337
Esta teoría clasificaba los problemas en diversas categorías o clases en función del
número máximo de pasos que necesitaría un ordenador para la resolución. Veamos
algunas de estas clases o categorías:
Un algoritmo se dice que es determinístico, si explora una a una cada

alternativa del problema a la vez, y retorna posteriormente para explorar las demás
alternativas. Un algoritmo se denomina no-determinístico si explora todas las
alternativas de un problema simultáneamente creando copias de si en cada alternativa.
Todas las copias actúan de forma independientemente pudiendo crear nuevas copias.
Si una copia encuentra una opción improductiva se para, si encuentra una solución,
comunica el suceso a las demás copias que paran la ejecución (Reingold et al, 1977).
Un problema se denomina polinomial si existe un algoritmo denominado

tempo-polinomial, cuyo tiempo de solución, estimado por el número de operaciones
elementales de bits (tales como: or, and, not, xor, etc) sobre una cadena “string” de
entrada de tamaño l, esta limitado superiormente por una polinomial P(l) (Reingold et
al., 1977).
La Clase P, que incluye a los problemas para los que existe un algoritmo de
resolución tal, que el número de pasos de cálculo que requiere se puede expresar
mediante una función polinomial del tamaño del problema; en oposición la clase de
problemas que pueden ser resueltos en tiempo polinomial por un algoritmo no-
determinístico es denominada de clase NP (Gondran y Minoux, 1984), osea que la
Clase NP incluye aquellos problemas para los que no se conoce un algoritmo de
resolución en tiempo polinómico, pero que pueden ser resueltos en dicho tiempo
empleando un proceso de ilimitadas búsquedas paralelas independientes (por medio
de un computación no determinista). La clase NP contiene a todos los problemas para
los que puede determinarse si una solución concreta es factible o no (problema de
decisión), mediante un algoritmo en el que el número de pasos de cálculo se puede
expresar mediante una función polinomial. La clase NP incluye a la clase P.
Un problema P1 se puede transformar en un problema P2, si en cualquier

instancia de P1 puede ser transformada en tiempo polinomial en una instancia de P2,
tal que la solución de P1 puede ser obtenida en tiempo polinomial a partir de la
solución de la instancia de P2.
Pág. 27 de 337
Transformación Transformación
entrada P1 tiempo entrada P2 Algoritmo del salida P2 tiempo salida P1
polinomial problema P2 polinomial
Figura 2.1: Diagrama de la transformación del problema P1 en P2.
Un problema se denomina NP-duro (más conocido por su denominación

inglesa NP-hard), si cualquier problema de la clase NP se puede transformar en dicho
problema. Un problema será NP-completo si es de clase P y NP-duro (Reingold et al,
1977). Los problemas NP-completos tienen la propiedad de que cualquier problema
NP puede ser reducido a él en tiempo polinómico. Esto, y que a este tipo de
problemas pertenezca algunos clásicos (como pueden ser el cálculo Hamiltoniano o el
Problema de Viajante) para los que no se ha encontrado algoritmos de resolución en
tiempos polinomiales, hace asumir que los problemas NP-completos son los más
difíciles de resolver, y que con toda probabilidad necesiten tiempos de cálculo
expresados mediante funciones exponenciales del tamaño del problema (clase EXP).
La teoría de la complejidad nos sugiere, pues, que para los problemas NP-
completos, a los que pertenece el que se trata en el presente trabajo, no existe un
algoritmo que proporcione una solución óptima en un tiempo razonable. Esto, unido a
que el esfuerzo para comprobar la validez de una solución en un problema de este
estilo no es muy elevado, ha provocado que la tendencia en los métodos de resolución
evolucionara desde las técnicas enumerativas o exactas, hacia procedimientos
heuristicos y metaheuristicos que proporcionen soluciones aceptables en tiempos de
calculo realistas (Loyola et al., 2004; Diego-Mas, 2006; Ontiveros, 2004; Contreras,
2010; Montavá, 2011; Gonzalez_Cruz, 2001; Gonzalez_Garcia, 2005).
TECNICAS de RESOLUCION
150
100
50
0
Heuristicas Exactas Metaheuristicas
Figura 2.2: Métodos de resolución empleados en la bibliografía (Loyola et al., 2004)
Pág. 28 de 337
En el caso del proyecto de distribución en planta de sectores o instalaciones

dentro de una nave industrial, el número de distribuciones físicas posibles es igual a
n!, siendo n el número de sectores a ubicar en la misma, considerándose que la suma
del área total de los sectores es igual, en el caso general, al área de la edificación. En
el caso de la distribución en planta de máquinas dentro de un departamento, la
complejidad aumenta, pues, además del espacio de las máquinas, se debe considerar
el espacio para la circulación, el espacio para operaciones y manutención de los
equipamientos y áreas para futuras expansiones. Con esto, el número de alternativas
es igual a [n! • (S/Sn)], siendo: n es el número de máquinas, Sn el área del
departamento n y S el área total ocupada por todas las máquinas juntas (Marques,
1993).
Para que se pueda evaluar la complejidad del problema, el número de

soluciones en un problema de distribución en planta de un sector con apenas 15
departamentos a posicionar sería de 15!, lo que nos da la friolera de
1.307.674.368.000 (¡más de un billón!) posibles soluciones a ser verificadas. Tales
problemas, como se ha dicho, se denominan NP-completos (Reingold et al, 1977;
Gondran y Minoux, 1984), y presentan una complejidad de resolución inabordable,
por consumir excesivo espacio de memoria y elevado tiempo de procesamiento.
Para hallar una solución a estos complicados problemas se han buscado

distintos modelos y distintas orientaciones. Según Kusiak y Heragu (1987)
(contrastados posteriormente por multiples autores como puedan ser Santamarina,
1995; Dos Reis Tabares, 2000; Konz 2004) el problema de distribución en planta de
instalaciones ha sido modelado, entre otros, como: problema cuadrático de asignación
(QAP), problema cuadrático de cobertura de conjuntos (QSP), problema de
programación lineal entera, problema de programación mixta, problema de teoría de
grafos.
Pág. 29 de 337
2.2. CARACTERISTICAS DEL PROBLEMA.
2.2.1. Introducción.
La formulación cuantitativa clásica más simple de este problema es el de un

Problema Cuadrático de Asignación (QAP), donde se consideran todas las actividades
indusriales iguales y cuadradras (Lawer, 1963).
El problema de distribución en planta abarca la distribución en planta de un

número dado de instalaciones tales como, departamentos o máquinas, donde el coste
total para desplazar el material necesario entre instalaciones debe ser minimizado
(Heragu y Kusiak, 1991).
El problema ha sido examinado por más de tres décadas y hoy se estima que
entre 20% y el 50% del total de operaciones utilizadas en manufacturas pueden ser
atribuidas al movimiento/traslado de material en la factoría que estará directamente
relacionado con la distribución en planta de instalaciones (Savsar, 1991).
Dos objetivos han sido considerados para optimizar las distribuciones en

planta de instalaciones. Uno de ellos es cuantitativo mientras que el otro es
cualitativo. En la práctica, esos objetivos son usados, de uno en uno – esto es uno de
cada vez-, en la evaluación de la distribución en planta. Por ejemplo, un objetivo
cuantitativo será el de minimizar o movimiento de material, y un objetivo cualitativo
será el de minimizar algunas medidas de evaluación de la proximidad de los
departamentos (Savsar, 1991).
2.2.2. Tipos de problemas.
Los tipos de problemas de proyectos de instalaciones que podemos encontrar

en la distinta bibliografía son:
a) problema de distribución en planta de instalaciones, y

b) problema de distribución en planta de máquinas.
Para el problema de distribución en planta de máquinas, tres son los patrones

(fig. 2.3) presentados por Hassan (1994):
· problemas de distribución en planta de máquinas en líneas simples;
Pág. 30 de 337
· problemas de distribución en planta de máquinas en líneas múltiplas;

· problemas de distribución en planta de máquinas en lazo (‘loop’).
retorno
robot
saltos
Lineal Forma de U Semicircular
a) Instalaciones en líneas simples.
b) Instalaciones en múltiples líneas c) Instalaciones en lazo
Figura 2.3: Tipos de distribución en planta de máquinas.
2.2.3. Diferencia entre los problemas.
Según Hassan (1994), existen diferencias entre los problemas de distribución

en planta de instalaciones (o bloques) y de máquinas, y algunas de estas diferencias
son presentadas a continuación:
1) En los modelos de distribución en planta de máquinas, las dimensiones y áreas de

las máquinas son relativamente pequeñas y pueden ser consideradas iguales o
ignoradas en el procedimiento de solución sin perdida de precisión. De esta forma,
en la mayoría de los procedimientos de distribución en planta de máquinas,
presentados en las fuentes bibliográficas, las máquinas son representadas
esquemáticamente por un punto. Las posiciones o las posibles localizaciones de las
máquinas en la distribución en planta pueden ser consideradas equidistantes. Como
consecuencia de esta representación y de la estructura geométrica de la
distribución en planta, la distancia entre las posiciones en la distribución
Pág. 31 de 337
esquemática es calculada fácilmente. Por ejemplo, la distancia dij entre las

posiciones i y j es calculada por (Afentakis et al., 1990):
j-i si j>i
dij =
n+j-i si j<i
donde n es el número de la posición (o de la máquina).
Por otro lado, el área y las dimensiones de los departamentos en el

problema de distribución en planta de instalaciones, presentan variaciones lo que
hace imposible la suposición de áreas iguales e impide la representación
esquemática de la distribución en planta de instalaciones. Así, los departamentos
son representados como superficies regulares con diferentes áreas en la
distribución en planta de las instalaciones y las distancias entre ellas deben ser
calculadas. Esas distancias varían con la forma y las áreas de los departamentos
(Hassan et al., 1986);
2) La distribución en planta de máquinas lleva en consideración la estructura

geométrica en cuanto a la distribución en planta de instalaciones en ella (Hassan,
1994);
3) La relación entre máquinas usadas en los problemas de distribución en planta de

máquinas generalmente son relaciones cuantitativas. Ellas representan, tiempo de
trabajo, costes y volúmenes de piezas trasladadas entre máquinas. Esas relaciones
son representadas por una matriz de flujos que no es necesariamente simétrica, y
los valores debajo y encima de la diagonal representan movimientos en
direcciones opuestas. Una lista de piezas con la secuencia de máquinas necesarias
para su fabricación se utiliza algunas veces. Este tipo de dato de entrada puede
ayudar a reducir el retorno y aumentar el movimiento de la secuencia. Las
relaciones cuantitativas entre instalaciones son representadas por un gráfico, que
es utilizado algunas veces en problemas de distribución en planta de
instalaciones, y pueden no ser particularmente convenientes para distribución en
planta de máquinas, y no han sido usadas excepto por Abdou y Dutta (Hassan,
1994);
Pág. 32 de 337
4) Varios factores que son ignorados en el problema de la distribución en planta de

bloques deben ser considerados en la distribución en planta de máquinas dado
que es un problema de distribución en planta detallado, y esos factores presentan
impacto en la operación de la instalación manufacturera. Algunos de estos
factores son: utilización de máquinas, tiempo y longitud de cola, retorno y saltos,
grado de automatización, habilidad del operador en operar más de una máquina,
número y capacidad de cambios de herramienta (‘tool magazine’), adaptabilidad
de equipamientos para manejo de materiales, control de herramientas (‘tooling
policy’), número y localización de las estaciones de carga y descarga, tasa de
producción. Debemos resaltar, mientras tanto, que llevar en consideración todos
esos factores simultáneamente, complica el desarrollo normal de la distribución
en planta analíticamente. Muchos de estos factores no han sido todavía
considerados en los modelos de distribución en planta de máquinas,
simultáneamente o de forma individual (Hassan, 1994).
5) Por los factores citados anteriormente, preparar los datos necesarios para
desarrollar una distribución en planta de máquinas (Hassan y Albin, 1994) requiere
un análisis más elaborado que el necesario para el problema de distribución en
planta de instalaciones (o bloques). Por ejemplo, el tiempo de transporte es una
función de las distancias y de las características del sistema de manejo del
material, tarea desempeñada en el movimiento tal como carga y descarga, la
dirección del movimiento, la cantidad y la localización de las estaciones de carga y
descarga, que deben ser considerados en el problema. Un segundo ejemplo,
muestra la necesidad de considerar la razón de producción de un FMS (‘Flexible
Manufacturing Systems’), en la función objetivo de un modelo de distribución en
planta de máquinas (Co et al., 1989). Estos autores analizaran los valores medios
de desempeño en las redes de filas con el fin de calcular las razones de producción
(Hassan, 1994).
2.2.4. Relación entre el problema de distribución en planta de

instalaciones y el proceso de producción.
Planear la distribución en planta de una cierta instalación significa tomar

decisiones sobre la forma como serán dispuestos, en esa instalación, los centros de
trabajo que deben permanecer ahí. Se puede considerar centro de trabajo, cualquier
cosa que ocupe espacio: un departamento, una sala, una persona o grupo de personas,
Pág. 33 de 337
máquinas, equipamientos, máquinas, bancadas y estaciones de trabajo, etc. En todo el

planeamiento de distribución en planta, existirá siempre una preocupación básica:
hacer más fácil y suave el movimiento del trabajo a través del sistema, sea como fuere
que ese movimiento se refiera al flujo de personas o de materiales (Moreira, 1993;
Ludgero, 1997).
Tal y como se ha mencionado anteriormente en el capitulo uno de este

documento, y sin pormenorizar, tan solo mencionar que Moreira (1993) cita tres
motivos que hacen importantes las decisiones sobre distribución en planta:
a) Afectan a la capacidad de la instalación y la productividad de las operaciones;

b) Cambios en la distribución en planta pueden implicar el gasto (o inversión) de
considerables sumas de dinero, dependiendo del área afectada y de las

alteraciones físicas necesarias en las instalaciones, entre otros factores;
c) Los cambios pueden representar elevados costes y/o dificultades técnicas para
futuras inversiones; pueden incluso causar interrupciones indeseables en el
trabajo.
Por esos motivos, tal vez se pudiera pensar que una distribución en planta, una
vez establecida no debe ser modificada, y solo debe ser utilizada, la posible
experiencia, para proyectar nuevas instalaciones. Nada más lejos de la realidad que
nos demuestra cada día que esto resulta totalmente erroneo, pues diversos factores
tales como: la ineficiencia de operaciones, tasas altas de accidentes, posibles cambios
en el producto o servicio, la implantación de nuevas instalaciones necesarias para la
fabricación, la necesidad de exponer o mostrar convenientemente productos o
servicios al cliente, cambios en las definiciones de las gamas y productos y en el
volumen de producción o flujo de clientes, … pueden conducir inexorablemente a
algún cambio en las instalaciones ya existentes. De hecho siempre se han de
considerar las instalaciones de las factorías productivas como algo vivo y cambiante
que como todo ‘ser vivo’ nacen, crecen, se desarrollan (modifican) y, finalmente,
mueren, por lo que resulta del todo inverosímil el pensar que las instalaciones
industriales implantadas permacecerán inamovibles en el tiempo.
De manrea muy general, pero también muy descriptiva, se acostumbra a

agrupar las distribuciones físicas posibles básicamente en tres grandes grupos, a partir
de los cuales pueden crearse otros tipos híbridos. Cada uno de estos tipos puros tienen
Pág. 34 de 337
sus propias características y consecuencias en lo respecta a los costes de

equipamientos necesarios, trasporte de materiales o movimientos de clientes,
almacenamiento de materiales en proceso, etc. En cierta manera, las características de
estas distribuciones físicas son las de los sistemas de producción que les
corresponden. Los tipos de distribuciones físicas consideradas en los denominados
modelos clásicos son tres (Maynard, 1970; Francis y White 1974; Contero Gonzalez
1995):
· Distribución en planta de posición fija: corresponde al sistema de producción

de proyectos en los cuales los elementos a fabricar no se mueven y es preciso
llevar al sitio todos los elementos necesarios.
· Distribución en planta por proceso o por secciones: corresponde al sistema de
producción de flujo intermitente como la producción por lotes o por pedidos.
Corresponde a un desplazamiento lento.
· Distribución en cadena, en serie y corresponde a un desplazamiento rápido.
· Distribución en planta por producto: o por sistemas de fabricación flexible
(células o semicélulas de fabricación), corresponde al sistema de producción
continua tales como las líneas de montaje y las industrias de proceso.
La elección de uno u otro tipo de distribución debe basarse tanto en el movimiento

de los medios de producción como la clase de operación de producción que se va a
realizar en la industria. Las clases de operaciones de producción más habituales en
las industrias de producción son:
1. Fabricación. El producto final se obtiene mediante la ejecución de una serie

de operaciones encaminadas a cambiar la forma de la materia prima
(extrusión de piezas plásticas).
2. Tratamiento. El producto final se obtiene mediante la ejecución de una serie
de operaciones encaminadas a cambiar las características del material de
partida (mecanización de piezas metálicas).
3. Montaje. El producto final se obtiene mediante el ensamblaje de
diferentes piezas sobre el material de base (montaje de sistemas
electrónicos).
Pág. 35 de 337
Atendiendo a Posición Fija Por proceso En Cadena Sistemas de

Fabricación
Flexib
les
- Varios - Productos - Series
- Bajo pedido. productos con están dar. pequeña s
Producto - Bajo volumen operaciones - Alto volumen medianas (lotes).
producción . comunes. de producción . - Flexibilidad.
- Volumen de - Demanda Gama de
producción estable. productos
variable. amplia.
- Demanda
variable.
- No existen. - Procesos
- Material con - Lín eas lineales. - Cortas y
Líneas flujo entremezcladas - Secuencias sencillas.
posición ija .
material iguales para
todos los
productos
- Alta - Rutinario y
Cualificación flexibilidad de - Intermedia. repetitivo - Solo
del operaciones. - Especializado supervisión .
trabajador - Alta
cualificación .
- Personal de - Gran cantidad
Necesidad de - Programación planificación , - Planificación e - Prác tic a m en te
y coordinación . manejo de material- nula, sól o ara
personal materiales, operarios supervisión
producción - Trabajo de general
control de control y
inventarios. mantenimiento
- Flujo variable. - Flujo - Predecible - Sín cro n o,
Manejo de - Equipos de variable. - Flujo totalmente
manejo - Equipos de sistemát ic o automát ic o .
materiales generales. manejo a automatizable
menudo
duplicados.
- Variables, con - Largos. - Mucha rotación - Mucha rotación
Inventarios continuas - Mucho de materiales, de materiales,
modificaciones. trabajo en inventarios inventarios
curso. reducidos. reducidos.
Uso del - Bajo.

espacio - Bajo. - Alto - Alta. - Muy alta.
requerimiento
(Uds./m2) por trabajo en
curso.
- Equipos y - Equipos y - Elevada con - Elevada con
Inversión procesos procesos equipos equipos
móv ile s e flexibles. especializados. especializados.
propós it o
general.
- Costes fijos - Costes fijos - Costes fijos
Coste del bajos. bajos. elevados - Costes fijos
Producto - Costes - Costes - Costes elevados.
variables variables variables - Costes
elevados elevados (en bajos (en mano variables bajos.
(mano de material y obra y
obra y transporte) materiales)
materiales)
Tabla 2.1 Características de los tipos básicos de distribución en planta.
Pág. 36 de 337
En la Tabla 2.1 se muestran las características más importantes de los tipos

básicos de distribución en planta, tomado de (Adam y Ebert 1991), (Santamarina
1995) y (Moltavá 2011).
En este contexto el modelo que se presentará podemos considerar que será

utilizado principalmente, aunque no exclusivamente, para resolver problemas de
distribución en planta por proceso, esto se asemeja más a la realización de
distribuciones en planta de lo que solemos denominar “taller”.
2.3. EL PROYECTO DE DISTRIBUCIÓN DE INSLACIONES INDUSTRIALES
Determinar la secuencia de operaciones de la fábrica (factoría, taller), cuáles y

cuantos recursos están disponibles para cada tipo de operación, como fluyen los
materiales y las personas, cuales son los locales de los almacenes, como se abastecen
estos y cuáles son los requisitos de espacio necesarios, son algunas de las cuestiones
que debemos responder en la planificación de instalaciones industriales. Este
problema puede ser considerado como un caso particular del problema más general,
conocido por el nombre de problema de proyecto de layout de instalaciones. De
hecho, la planificación y distribución en planta de recursos (materiales y/o humanos)
en instalaciones industriales, servicios, oficinas, instalaciones comerciales, son
problemas típicos de proyecto de layout de instalaciones.
Este capítulo ofrece una visión global de los aspectos relacionados con
resolución de este tipo de problemas, centrandose en su caracterización, en la
identificación de sus principales dificultades, en la descripción de algunos de los
modelos usados y en la presentación de algunos de los principales métodos usados en
su resolución.
2.3.1. Planificación y Proyecto de Instalaciones.
El Problema del Proyecto de Layout de Instalaciones3 (PPLI) considera un

conjunto de instalaciones que se deben colocar dentro de un edifício de tal modo que
3
Este problema es conocido en la literatura internacional por ‘Facility Layout Design Problem’ (FLDP)
o más comunmente simplificando ‘Facility Layout Problem’ (FLP).
Pág. 37 de 337
se asegure una distribución que optimice un conjunto de especificaciones dadas para

un problema. La resolución del PPLI es una actividad con aplicación a diversos
problemas reales, tales como las instalaciones industriales, oficinas, almacenes,
aparcamientos de vehículos, restaurantes, servicios de atención a clientes, etc.
2.3.1.1. Layout de Instalaciones Industriales.
Considerando el caso particular de las instalaciones industriales, algunos de los

objetivos que pueden ser considerados se enumeran a continuación (Mecklenburgh,
1985; Fancis et al, 1992; Heragu, 1997; McKendall et al, 1999):
1. Minimizar el coste de manipulación o maniobra de materiales4, el tiempo y su

frecuencia;
2. Minimizar el capital y coste de operación del equipamiento y de la planta5;
3. Minimizar el tiempo global de produción;
4. Maximizar el uso de espacio en terminos efectivos y económicos;
5. Facilitar la operación del proceso de produción y del flujo;
6. Proporcionar confort y seguridad a los recursos humanos;
7. Asegurar la flexibilidad de la distribución y operación ;
8. Minimizar la variación en los tipos de equipamiento de manipulación y
maniobra de materiales;
9. Facilitar la estructura organizacional y la gestión de la toma de decisiones;
10. Minimizar el riesgo y la incomodidad del público;
11. Asegurar una construción segura y eficiente;
12. Obedecer a consideracciones legales, tales como el bien estar de los recursos
humanos, atender a problemas de seguridad y del medio ambiente.
Aunque, en la resolución de estos problemas, se consideran tipicamente dos tipos

de objetivos, que normalmente se pueden sobreponer a los anteriores. Estos objetivos
se basan en la adyacencia (1 a 12) y en la distancia (1 a 5).
Para solucionar un PPLI también es necesário escoger una representación para las
soluciones. El layout de bloques es una forma frequentemente usada para la
representación de las soluciones. Este estabelece la localización relativa y el tamaño
4
El termino usado en lengua inglesa para manipulación y maniobra de materiais es ‘Material Handling’.
5
Al usar el término planta, se pretende hacer referencia a parte o todo el espacio interior de la instalación
de la factoria que normalmente es el interior de un edifício.
Pág. 38 de 337
de las instalaciones. Normalmente, estas instalaciones requieren un área fija aunque

su forma pueda ser variable. La representación por bloques se puede realizar de una
forma discreta o contínua. En una representación por bloques, discreta, se usa una
colección de rejillas para representar las instalaciones. Por otro lado, en una
representación contínua se consideran parametros como el punto central, el área, la
anchura y la longitud de cada instalación para especificar su localización exacta
dentro de la planta.
La Figura 2.4a muestra una solución para un PPLI representada por un layout de
bloques, en que cada bloque representa una instalación. Es posible, realizar algun
trabajo adicional que ayude a determinar un layout más detallado, en el que la
estructura de pasillos y corredores para el equipamiento de transporte, los locales de
los puntos de entrada y salida y el layout dentro de cada instalación quede claramente
especificado (Figura 2.4b). La determinación del layout detallado incluye problemas
de layout de lineas de flujo, problemas de layout de máquinas y problemas de diseño
de células de fabricación, en donde se considera que las máquinas son de igual área y
de dimensiones fijas (Hasan, 1995; Meller, 1996). En la sección siguiente se
enumeran los diferentes tipos de layout que se pueden encontrar en estas situaciones.
Como se puede constatar, el PPLI posee aspectos geométricos y

combinatórios que hacen del un problema de dificil resolución por medios
informáticos. Además de esto, se le asocian algunos factores cuantitativos y
cualitativos que hacen del un problema de difícil modelación y análisis. Por ejemplo,
el problema de atribuición cuadrática, que consiste en un modelo usado para formular
el PPLI y que es descrito en la sección 2.4.2, a pesar de considerar algunas
simplificacciones es conocido por ser un problema NP-completo6.
6
Para entender el termino NP-completo es necesário conocer las funciones de complejidad temporal de
los algoritmos. Estas funciones permiten conocer un máximo para tasa de aumento de la cantidad de
tiempo que un algoritmo necesita para solucionar un problema en función del crecimiento de la dimensión
del problema. Cuando esta función es exponencial entonces se dice que el algoritmo es NP-completo. Para
una discusión más detallada acerca de esta teoria se aconseja echarle un vistazo al texto de Garey y
Johnson (1979).
Pág. 39 de 337
Figura 2.4: (a) Layout de bloques y (b) layout detalhado.
2.3.1.2. Tipos de Layout Basados en el Flujo.
Los layouts se catalogan frecuentemente según la forma en que ejecuten

transformacciones físicas o conforme ejecuten otro tipo de transformacciones, como,
por ejemplo, servicios. En base al proyecto de layouts, y relacionados con el proceso
productivo, dependiendo de la natureza de los productos y del tipo de operaciones
ejecutadas, se pueden identificar las siguientes categorias de layout:
De producto estático usado cuando el producto a procesar es voluminoso y

no puede ser facilmente desplazado. En estos casos, el producto es fabricado o
montado en un local fijo y los recursos materiales y/o humanos se desplazan
hasta el producto. Algunos ejemplos de este tipo los encontramos en la
construción de edificios, aviones o barcos. La fabricación de este tipo de
productos se controla teniendo en cuenta el proyecto y la localización de los
recursos, y se modifica o altera a medida que la construción avanza.
Basado en el producto o en la produción usado cuando un producto o un

conjunto de productos muy semejantes se fabrican en grandes cantidades. Las
máquinas o estacciones de trabajo son colocadas segun una linea de
fabricación o montage. El orden de las máquinas en la línea sigue el orden en
que se realiza el proceso productivo. Antes de la elaboración de una
configuración de este tipo, es frecuente la determinación del mejor conjunto
de tareas u operaciones que deben ejecutarse en cada estación.
De grupo o celular se utiliza cuando una família de componentes son

fabricados en una pequeña célula. Con esta distribución, un grupo de
Pág. 40 de 337
máquinas forma una célula. Cada célula tendrá su sistema de manejo o

manipulación de materiales, tipicamente un robot o sistema de transporte y
manutención. Si fuera posible, una parte del componente será completamente
procesada en una sola máquina. Todos los componentes son entonces
enviados hacia las áreas de montage.
Basado en el proceso agrupa máquinas que ejecutan tareas u operaciones

similares en diferentes departamentos. De esta forma, se pueden encontrar
departamentos con tornos mecanicos, departamentos con fresadoras,
departamentos con máquinas de pulir, entre otros. Los Layouts de este tipo
generan un enorme volumen de tráfico en el transporte de componentes entre
departamentos para las distintas operaciones. Una ventaja de esta via está en
la especialización de los operarios y supervisores en el proceso productivo.
Híbrido considera que no todas las compañias pueden adoptar tan solo un
tipo de layout. Con la adaptación al mercado, tal vez por el aumento de
volumen y lineas de productos, una compañia puede constatar que ninguna de
las soluciones anteriores resuelve sus problemas. De esta forma es frecuente
encontrar layouts que son una combinación de los anteriormente descritos.
2.3.1.3. Tipos de Layout Basados en la Funcionalidad.
Una forma diferente de catalogar los diferentes tipos de layout se basa en su

funcionalidad. Un típico almacen comercial puede ser catalogado como un layout de
proceso, considerando obviamente los diversos departamentos, tales como vesturios,
oficinas, baños, servicios al cliente, entre outros. Pero como complemento a esta
orientación al proceso, el layout da lugar a un elevado número de nuevas
funcionalidades. Entre estas, se pueden identificar las siguientes:
Marketing y Promoción que determinan una distribución de los pasillos y

zonas y distribución de las mercancias almacenadas y expuestas con el
objetivo primordial de mejorar a capacidad de la firma para vender sus
productos. Los distintos departamentos son ubicados de forma que promueban
la visualización de los productos para inducir la necesidad de su aquisición.
Almacenes que existen porque apenas una parte de los productos del
Pág. 41 de 337
inventario de la firma esta localizado en la área reservada a las ventas, estando

el stock restante en áreas de armacenamiento y, como tal, no se encuentran
disponibles directamente para la venda imediata.
Seguridad que promueve la distribución de los pasillos, las cajas para pago, y
entradas/salidas con la intención de minimizar situaciones de robo y evitar
posibles accidentes.
Acesibilidad y visibilidad que son funcionalidades a tener en cuenta en el

proyecto de layouts cuando se pretende facilitar el flujo de clientes a través de
las instalaciones. Los motivos pueden relacionarse con el posicionamiento
para a visualización y recogida de productos, o minimización del tiempo de
permanencia en las instalaciones, percepción de las colas de espera y/o
posiblemente otras señales.
Sin pretender crear una lista exhaustiva, nos interesa enumerar otras funciones
con alguna importancia en el proyecto de layout. Estas son:
· Proporcionar privacidad o garantizar confidencialidad;

· Considerar cuestiones de seguridad;
· Maximizar el sentido de oportunidad o velocidad en llegar al mercado;
· Obtener eficiencia productiva o control de costes;
· Implementar un flujo de información eficiente.
2.3.2. Recogida de Información para el Layout de Instalaciones

Industriales.
Al iniciar un projecto de layout de una instalación industrial es necesario

comprender los productos y procesos que en ella ocurren. Dependiendo del tamaño y
de la sofisticación de la compañia, mucha de la información necesária ya está
disponible en diferentes departamentos, muchas veces de una forma implícita y
armacenada en diversos soportes y formatos. Sin embargo, parte de la información
puede no existir dentro de la própria compañia, o que exige que esta tenga que ser
obtenida del exterior. Todos estos factores contribuyen para que el proceso de
recogida de información resulte un proceso complejo para lo cual es necesario
realizar un esfuerzo significativo.
Pág. 42 de 337
La recogida de información de una forma sistemática no solo ayuda en la

realización de un buen proyecto de layout, sino que tambien contribuye con otros
benefícios de gran importancia. La documentación de la información de los productos
y de los procesos puede revelar ineficiencias en el proceso, ayudar a revelar fuentes
de problemas de calidad, identificar desperdícios de materiais y ajudar a crear una
estrutura adecuada de contabilidad de costes. Consecuentemente, se debe siempre
procurar recoger la mejor información posible y documentarla de manera que resulte
de fácil acceso y análisis. Esencialmente, desde el punto vista del proyecto de layout
de instalaciones industriales, es necesario saber o que es lo que se va a producir,
como es que va a fabricar y cuando.
2.3.2.1. Productos.
Para proyectar una instalación industrial es necesario tener bien presente los
tipos de productos a fabricar una vez que estos van a afectar fuertemente a la natureza
de la unidad industrial. La información de los productos es tipicamente obtenida en
los departamentos de proyecto. Tambien es importante comprender como los
productos son usados por los clientes para obtener una mejor apreciación de los
requisitos de calidad y especificacciones operacionales.
Para comprender mejor los productos resulta esencial tener acceso a los
diseños técnicos, lista de las partes y a la relación de materiais. Los diseños técnicos
de todos los componentes, subproductos y productos finales permitirán la
comprensión de la complejidad dos productos y de como los diferentes componentes
se juntan y ensamblan para formar el producto final. Al mismo tiempo es de gran
utilidad observar el producto o su prototipo para tener una idea de su envergadura y
peso. La lista de componentes poseerá información detallada acerca de las partes y
del número de componentes necesario de cada parte. Por último, la relación de
materiales7 dará una categorización jerárquica de la lista de partes e indica como estas
se combinan en el proceso de fabricación para formar un producto final. Esta
representación jerárquica puede contener otra información, como, por ejemplo,
decisiones para fabricar o comprar, que resultan críticas para el layout de la planta
industrial.
Además de ser necesario tener un buen conocimiento de los productos, es
7
en la literatura en lengua inglesa, el termino para designar la relación de materiales es ‘bill of materials’.
Pág. 43 de 337
necesario también conocer la cantidad a producir y cuando producir. Muchas

compañías estiman lo que esperan producir en cada año o durante vários anos.
Tipicamente esta estimación forma parte de su plan estratégico. La cantidad a
producir es frecuentemente acompañada de información probabilística acerca de la
posibilidad de ir en búsqueda de criterios expectativos e estimativos. Por ejemplo, las
compañías pueden proporcionar escenarios de valores medios, optimistas y/o
pesimistas. Al proyectar una factoria es importante tener en cuenta esta información
probabilística. Un buen plan para una instalación de fabricación debe permitir la
expansión de su capacidad si las ventas fuesen superiores a las esperadas, asi como
un plan de contingencia si estas fueran inferiores a las que fueran estimadas con
anterioridad.
2.3.2.2. Especificación del Proceso.
Despues de la exacta definición del conjunto de productos a fabricar, es

necesaria la especificación del proceso a utilizar. En esta fase resulta de gran
importancia la implicación del responsable del proyecto del layout. Si la mayor parte
de las decisiones para la especificación del proceso ya fueron tomadas antes de su
desarrollo, habrá que verificar si existe alguna flexibilidad en el plano del proceso que
pueda ser explorada.
La elección del proceso de fabricación a usar depende de un gran número de

factores diferentes. Además de la capacidad del sistema para crear productos, se debe
también considerar la capacidad de produción, la calidad de los productos, los
factores económicos, ambientales y las cuestiones de seguridad. La especificación
final del proceso de fabricación pasa por la creación de algunos documentos, de los
cuales se refieren:
Gráficos de operaciones de Proceso, que listan todas las operaciones, las

herramientas necesarias, los tiempos y el orden por el cual las operaciones serán
realizadas.
Hojas de Ruta (Itinerarios), que indican el orden por el cual las operaciones serán
realizadas, bien será la secuencia de máquinas o estacciones de trabajo a ser utilizadas
por la forma de obtener una parte o la totalidad de un producto.
Pág. 44 de 337
Planos de Proceso, que contienen información más detallada acerca de las

operaciones de fabricación. Además de la información disponible en los gráficos de
operaciones de proceso y en los itinerarios, contienen información detallada para
utilizar tales como los valores de los parametros de las máquinas.
Diagramas de Montaje, que muestran el orden de preferencia en que los distintos

componentes serán agrupados para formar el producto final.
Diagramas de Precedencia, que muestran todas las operaciones a que es sometida

una parte de un producto o los pasos de una operación de montaje para además de
indicar cuales de las tareas que se deben ejecutar antes de que otras comiencen. El
grafo resultante puede usarse para determinar las secuencias alternativas de las
operaciones de fabricación.
2.3.3. Principios que deben cumplir las distribuciones.
Los objetivos que debe cumplir una distribución en planta han sido
abordados de muy diversas formas pero tal vez una de las líneas que más influencia
han marcado es la propuesta por Richard Muther, que indica que los objetivos pueden
resumirse y plantearse en forma de principios, sirviendo estos de base para establecer
una metodología que permita abordar el problema de la distribución en planta de
forma ordenada y sistemática.
I. Principio de la integración de conjunto: “la mejor distribución es la que

integra a los operarios, los materiales, la maquinaria, las actividades, así como
cualquier otro factor, de modo que resulte el compromiso mejor entre todas estas
partes”.
II. Principio de la mínima distancia recorrida: “en igualdad de

condiciones, es siempre mejor la distribución que permite que la distancia a
recorrer por el material entre operaciones será la más corta”.
III. Principio de la circulación o flujo de materiales: “en igualdad de

condiciones, es mejor aquella distribución que ordene las áreas de trabajo de modo
que cada operación o proceso esté en el mismo orden o secuencia en que se tratan,
elaboran, o montan los materiales”.
Pág. 45 de 337
IV. Principio del espacio cúbico: “la economía se obtiene utilizando de un

modo efectivo todo el espacio disponible, tanto en vertical como en horizontal”.
V. Principio de la satisfacción y de la seguridad (confort): “en igualdad de

condiciones, será siempre más efectiva la distribución que haga el trabajo más
satisfactorio y seguro para los operarios, los materiales y la maquinaria”.
VI. Principio de la flexibilidad: “en igualdad de condiciones, siempre será

más efectiva la distribución que pueda ser ajustada o reordenada con menos costos o
inconvenientes”.
Estos principios pueden servir de base para determinar los objetivos a cumplir
durante la definición de la distribución en planta, y para medir el grado en que se ha
logrado alcanzar dichos objetivos. De todos modos debe ternerse en consideración
que esta enumeración de principios data de 1981, y la introducción de nuevos
conceptos en los procesos de fabricación puede conllevar a que algunos de ellos
puedan haber quedado algo desfasados y que deban ser reformulados.
2.4. MODELADO MATEMÁTICO PARA PROBLEMAS DE DISTRIBUCIÓN

EN PLANTA.
2.4.1. Introducción.
El problema de la distribución en planta se puede formular bajo distintos

modelos matemáticos, todos basados en la formulación del problema de localización
como un problema de asignación cuadrática, en el que cada instalación debe ser
asignada a una localización con el fin de obtener la mejor función objetivo.
Tal y como se ha mencionado, según Kusiak y Heragu (1987) los problemas

de distribución en planta de instalación han sido modelados como:
a) problema cuadrático de asignación (QAP; Quadratic Assignment Problem);

b) problema cuadrático de recubrimiento de conjuntos (QSP; Quadratic Set
Covering Problem);
c) problema de programación lineal entera;
d) problema de programación entera mixta;
e) problema de teoría de grafos.
Pág. 46 de 337
Problema de
LAYOUT
Figura 2.5: Métodos de modelado para el Problema de Distribuciones en Planta.
A continuación abordaremos una presentación en detalle de tales problemas.
2.4.2. Modelo cuadrático de asignaciones.
Los primeros investigadores que modelaron un problema para ubicar

instalaciones considerando el flujo de materiales fueron Koopmans y Beckmann
(1957). El modelo utilizado fue de un Problema Cuadrático de Asignaciones,
denotado frecuentemente por el acronimo seudoinglés PQA (en ingles QAP;
Quadratic Assignment Problem). El nombre de Asignación Cuadrática se debe al
hecho de que la función objetivo es una función polinómica de segundo grado en
cuanto que las variables y restricciones son funciones lineales semejantes a las de un
problema de asignación lineal. La notación usada para el problema es la que sigue:
n - número total de localizaciones para instalaciones o posiciones;

aij - retorno líquido ó ingresos netos de la operación de la instalación i en
la posición j;
fik - flujo de material desde la instalación i hacia la instalación k;
cij - coste por unidad de transporte de material desde la posición i hacia la
posición j;
1 si la instalación i está asignada a la posición j,

xij =
0 para los otros casos.
Los autores consideraron que:
Pág. 47 de 337
aij es el retorno bruto menos el coste inicial, y no incluye el coste de transporte

de materiales entre instalaciones;
fik no depende de la posición de las instalaciones;
cij no depende de la instalación y está asociado a la alternativa más barata de

transporte de material de la instalación i hacia la instalación j, considera que
siempre será más barato transportar directamente de la instalación i hasta la
j no pasando por una tercera posición.
El problema (QAP)
n n n n n n
max åå aij × xij - åååå f ik × c jl × xij × x kl (2.1 a)
i =1 j =1 i =1 j =1 k =1 l =1
åx
j =1
ij =1 i = 1, 2,..., n (2.1 b)
åx
i =1
ij =1 j = 1, 2,..., n (2.1 c)
xij Î {0,1} i, j = 1,2,... , n (2.1 d)
Con todo, si aij fuera considerado el coste de ubicación y operación de la

instalación i en la posición j en vez del retorno líquido o ingresos netos de operación
de la instalación i en la posición j, entonces (2.1a) podría ser reescrita como:
n n n n n n
min åå aij × xij + åååå f ik × c jl × xij × x kl (2.2)
i =1 j =1 i =1 j =1 k =1 l =1
Las ecuaciones (2.2), y de (2.1b) hasta (2.1d) pueden ser usadas como modelo
del problema de distribución en planta de instalaciones, donde aij, fik y cjl representan:
aij - el coste fijo para colocar la instalación i en la posición j;

fik - el flujo de material entre las instalaciones i y k;
cjl - coste unitario del flujo de material entre las posiciones j y l;
Lawler (Lawler, 1963) introduce bijkl, donde:
fik · cjl + aij si i = k y j = l;

bijkl =
fik · cjl si i ≠ k o j ≠ 1.
Pág. 48 de 337
que equivale al coste de acarreo de materiales desde la instalación i ubicada en la

posición j a la instalación k localizada en la posición l, y redefine la función objetivo
(2.2) para:
n n n n
min åååå bijkl × xij × x kl (2.3)
i =1 j =1 k =1 l =1
Por las restricciones (2.1b) y (2.1c) en la formulación anterior, i ¹ k si y solo

si j ¹ l, y i = k si y solo si j = l. Observe que en la formulación anterior se asume que,
el número de instalaciones es necesariamente igual al número de locales, y esto no es
siempre cierto. Existen algunos problemas en los que el número de instalaciones m
puede ser menor que el número n de locales, esto es, m < n. Este problema también
puede ser formulado como un problema cuadrático de asignaciones siempre que se
introduzcan instalaciones artificiales 1, 2,... , n-m y se considere el flujo entre esas
instalaciones artificiales y las demás igual a cero.
Para el caso de que los costes fijos de localización (aij) o los flujos de
materiales entre las distintas instalaciones (fik) fuesen iguales o nulos, la función
objetivo (2.2) se reduce a:
n n
min åå aij × xij (2.4 a)
i =1 j =1
si fij = 0 ó fij = cte, o
n n n n
min åååå f jk × c jl × xij × x kl (2.4 b)
i =1 j =1 k =1 l =1
sujeto a la restricciones (2.1 b) a (2.1 d) lo que resulta un Problema Lineal de

Asignación (LAP)
Del problema cuadrático de atribución (2.2) y (2.1b) a (2.1d), se pueden

deducir dos casos especiales:
a) problema lineal de asignación: cuando los fik son iguales entre si, la función
objetivo se reduce a:
n n n n
min åååå f jk × c jl × xij × x kl (2.5)
i =1 j =1 k =1 l =1
Pág. 49 de 337
La ecuación (2.5) sujeta a las restricciones de (2.1b) a (2.1d) representa

un problema lineal de asignación.
b) problema del cajero viajante: si los xij fuesen representados en forma

matricial, la matriz resultante X = [xij] puede ser una matriz de permutación,
esto es, una matriz en que cada fila y cada columna tiene por lo menos un
valor diferente de cero e igual a uno. La función objetivo (2.5) más las
restricciones (2.1b) a (2.1d), y la condición de que la matriz permutación es
cíclica (tal como se muestra a continuación), facilita el modelo del problema
del cajero viajante.
é0 1 0 ... 0ù
ê0 0 1 ... 0úú
ê
X = [ xij ] = ê ... ú
ê ú
ê0 0 0 ... 1ú
êë1 0 0 ... 0úû
El problema cuadrático de asignación (2.2), (2.1b) a (2.1d) ha sido usado

frecuentemente para modelar el problema de distribución en planta de instalaciones.
De todos modos, esto no significa que todo problema de distribución en planta de
instalación deba ser formulado como un problema cuadrático de asignación, como en
el caso del problema de distribución en planta de máquinas donde la localización de
las máquinas no es conocida a priori. Tales problemas no pueden ser formulados
como problemas cuadráticos de atribución, pues las distancias djl no pueden ser
determinadas. La distancia dij entre las ubicaciones j e i dependen de la secuencia y
forma de la distribución de todas las otras máquinas.
Esta situación no se encuentra en problemas de distribución en planta en que

las instalaciones son todas del mismo tamaño, pues las localizaciones son todas de la
misma área y las distancias djl entre las localizaciones j y l independen de la
instalación atribuida a ese local. De este modo, djl no cambia de una instalación
ubicada a otra. Los problemas en que la distancia entre localizaciones dependa de la
instalación en particular ubicada serán tratados generalmente como un problema
general de distribución en planta.
Pág. 50 de 337
El problema más general de distribución en planta de instalaciones, será aquel

e el que la distancia entre dos localizaciones depende siempre de las instalaciones
asignadas a ellas.
Existen dos formulaciones para el problema general de distribución en planta

de instalaciones. El primero es:
n n n n
min åååå f jk × c k jl × xij × x kl (2.6)
i =1 j =1 k =1 l =1
sujeta a las restricciones de las ecuaciones (2.1b) a (2.1d), donde cKjl es el coste de
transporte de una unidad de material desde la posición j hasta la posición l sobre la
solución de distribución k. Observe que k o número de potenciales distribuciones en
planta varia sobre el conjunto de todas las posibles soluciones de la distribución en
planta tal y como ya ha sido resaltado por Armour y Buffa (1963), ese número
depende de las áreas de las instalaciones y no precisa ser necesariamente n!. De hecho
en muchos casos prácticos el número de soluciones viables de la distribución en
planta puede ser mucho menor que n!. Esto ocurre dado que dos o más distribuciones
físicas pueden ser simétricas y solamente una de ellas precisa de ser evaluada.
Desde el punto de vista teórico el modelo presentado expresa lo que se desea

obtener, pero en la práctica es de difícil solución, una vez que los costes dependen de
la solución encontrada para la distribución y viceversa.
2.4.3. Modelo cuadrático de recubrimiento de conjunto.
La segunda formulación para el problema general de distribución en planta de

instalaciones es el modelo cuadrático de recubrimiento de conjunto QSP -Quadratic
Set Covering Problem- (Bazaraa, 1975). En esta formulación, el área total ocupada
por todas las instalaciones es dividida en un número de bloques homogéneos, esta
operación se suele denominar “reticulado”.
La notación usada es:
q - número de bloques en que dividimos el área total ocupada por todas

las instalaciones;
I(i) - número de localizaciones posibles para la instalación i;
Pág. 51 de 337
Ji (j) - conjunto de bloques ocupados por la instalación i situada en la

posición j;
d( ji , lk ) - distancia entre centroides de la posición j y l cuando la instalación i
es situada en la posición j y la instalación k se sitúa en la posición l;
1 si la instalación i es situada en la posición j;

xij =
0 para los otros casos;
1 si el bloque t Î Ji (j)
pijt =
El Problema Cuadrático de Cobertura de conjuntos (PQC) se formula:
n I (i ) n I (i ) n I ( k )
min å å aij × xij - ååå å f ik × d ( ji , l k ) × xij × x kl (2.7 a)
i =1 j =1 i =1 j =1 k =1 l =1
I (i )
åx j =1
ij =1 i = 1, 2, …, n (2.7 b)
n I (i )
åå p
i =1 j =1
ijt × xij £ 1 t = 1, 2, …, q (2.7 c)
xij Î {0,1}, i = 1,2,... , n j = 1,2,... , I(i) (2.7 d)
En el segundo factor de la función objetivo de esta formulación, de igual

forma que en muchas de las siguiente, se considera u coste unitario constante por
unidad de distancia. Obsérvese además que la restricción (2.7b) garantiza que cada
instalación sea atribuida exactamente a un local y la restricción (2.7c) garantiza que
cada bloque sea ocupado por, como máximo, una instalación, evitando que dos o más
instalaciones puedan compartir una misma localización.
Las distancias entre localizaciones son tomadas entre los centroides de las
mismas. Bazaraa (1975) sugiere una alternativa de medir esas distancias utilizando
los flujos entre las instalaciones:
f’ik = fik / Si · Sk , donde Si es el número de bloques ocupados por la instalación i, y

d’jl es la distancia entre los bloques j y l. Usando esta medida se obtiene la siguiente
generalización:
Pág. 52 de 337
n q n q n q
min å å aij × xij + åååå f ' ik ×d ' jl × xij × x kl / S i × S k (2.8 a)
i =1 j =1 i =1 j =1 k =1 l =1
según las siguientes restricciones:
åx
j =1
ij = Si i = 1, 2, …, n (2.8 b)
åx
i =1
ij £1 j = 1, 2, …, q (2.8 c)
xij Î {0,1}, i = 1,2,... , n j = 1,2,... , q (2.8 d)
Aunque la formulación anterior puede ser usada para representar el problema

general de distribución en planta de instalaciones, tiene una desventaja que es que
aumenta el tamaño del problema cuando el área total ocupada por todas las
instalaciones es dividida en bloques más pequeños y las formas irregulares que estas
pueden tomar en la solución final al no establecer posibles localizaciones para cada
instalación I(i) (Bazaraa, 1975). Lo mismo puede decirse en relación a la sugestión
de Hillier y Connors (1966) para el problema general de distribución en planta de
instalaciones, donde las instalaciones deben ser particionadas en sub-instalaciones
disjuntas de la misma área.
2.4.4. Modelos de Programación Lineal Entera.
Además de los modelos de PQA y PQC, existen otros que también utilizan el
modelado de programación lineal entera para el problema de distribución en planta de
instalaciones. Lawler (1963) fue el primero en formularlos, definiendo la variable:
yijkl = xij · xkl (2.9)
y sustituyendo en el problema cuadrático de atribuciones (PQA) (2.2) y (2.1b) a

(2.1d) transformándolo en un problema de programación lineal entera (PPLI):
n n n n
min åååå bijkl × y ijkl (2.10 a)
i =1 j =1 k =1 l =1
sujeto a las restricciones:
Pág. 53 de 337
n n n n
åååå y
i =1 j =1 k =1 l =1
ijkl = n2 (2.10 b)
xij + xkl - 2 yijkl ³ 0 i,j,l,k = 1,2,... , n (2.10 c)
yijkl Î {0,1} i,j,k,l = 1,2,... , n (2.10 d)
y las restricciones de ecuaciones (2.1b) a (2.1d).
En esta formulación las ecuaciones (2.10 b) y (2.10 c) aseguran que los

valores de yijkl sean binarios (2.10 d). En este punto se debe considerar que el PQA
tiene n2 variables xij y 2n restricciones mientras que el PPLI tiene n2 variables xij, n4
variables yijkl y n4+2n+1 restricciones. En esta y en las comparaciones siguientes, las
restricciones de no negatividad fueron excluidas. Un punto negativo en este modelo
de Lawler según Kaku y Thompson (1986) es tener 2n4+ 2n restricciones.
Existe otro modelo propuesto para la solución del PQA por programación
entera es el planteado por Love y Wong (1976) que tiene una formulación más simple
para el problema de asignación cuadrática donde:
a) los locales son definidos como puntos en un plano cartesiano de dos

dimensiones;
b) los costes de transporte son proporcionales a las distancias entre
localizaciones, considerando distancias rectangulares.

Si :
distancia horizontal entre instalaciones i y k, si la instalación i está a la
derecha de k;
hrik =
distancia horizontal entre instalaciones i y k, si la instalación i está a la

izquierda de k;
hlik =
distancia vertical entre instalaciones i y k, si la instalación i está encima

de k;
vaik =
Pág. 54 de 337
distancia vertical entre instalaciones i y k, si la instalación i está debajo

de k;
vbik =
(xi , yi ) es la localización de la instalación i;
(Xj , Yj ) es la localización de la posición j;
1 si la instalación i esta asignada a la localización j;

xij =
la formulación del problema de programación entera para el PQA es:
n n n -1 n
min å å aij × xij + å åf ik (h r ik + h l ik + v a ik + v b ik ) (2.11 a)
i =1 j =1 i =1 k =i +1
sujeto a las siguientes restricciones:
hrik - hlik = Xi - Xk i = 1,2,... , n; k = i + 1; (2.11 b)
vaik - vbik = Yi - Yk i = 1,2,... , n; k = i + 1; (2. 11c)
n
xi + y i = å ( X j + Y j ) × xij i = 1, 2,..., n (2.11 d)
j =1
n
xi - y i = å ( X j - Y j ) × xij i = 1, 2,..., n (2.11 e)
j =1
hrik , hlik , vaik , vbik ³ 0 i = 1,2,... , n; k = i + 1; (2.11 f)
Xi , Yi ³ 0 i = 1,2,... , n (2.11 g)
y las restricciones de ecuaciones (2.1 b) a (2.1 d).
En la formulación anterior, la localización de las instalaciones es definida por

coordenadas cartesianas o rectangulares. Las restricciones (2.11 d) y (2.11 e) definen
solamente la localización de las instalaciones. El problema tiene n2 variables enteras y
n2+3n restricciones. Las restricciones (2.11 d) y (2.11 e) aseguran que cada punto en
el plano represente a una sola instalación. Debido a su complejidad y la gran
capacidad de cálculo necesaria, este modelo solo se puede aplicar eficientemente a
Pág. 55 de 337
problemas con pocas instalaciones. Experiencias informáticas indican que esta

formulación no es conveniente para problemas con nueve o más instalaciones en
función del aumento del número de variables y del número de restricciones.
2.4.5. Problemas de Programación Entera Mixta.
Kaufman y Broeckx (1978) formularon un problema de programación mixta

con un número reducido de variables y restricciones en relación a los formulados con
programación entera para el PQA. La equivalencia entre los problemas fue probada
por Kaufman y Broeckx (1978) y Burkard (1984). Para el nuevo modelo fueron
definidos:
n n
wij = xij åå bijkl × x kl (2.12 a)
k =1 l =1
n n
eij = åå bijkl (2.12 b)
k =1 l =1
La función objetivo es:
n n n n n n n n n n
min åååå bijkl × xij × x kl = åå xij (åå bijkl × x kl ) = åå wij (2.13 a)
i =1 j =1 k =1 l =1 i =1 j =1 k =1 l =1 i =1 j =1
sujeta a las restricciones siguientes:
n n
eij × xij + (åå bijkl × x kl ) - wij £ eij (2.13 b)
k =1 l =1
wij ³ 0 i, j= 1,2,... , n (2.13 c)
y las restricciones de las ecuaciones (2.1 b) a (2.1 d).
La formulación involucra como se puede apreciar n2 variables binarias o

enteras, n2 variables reales o continuas y n2+2n restricciones.
Otro modelo es el propuesto por Bazaraa y Sherali (1980), definido de la

siguiente forma:
gijkl = [ aij + akl / ( n - 1) ] + fik djl + fki dlj (2.14 a)
Pág. 56 de 337
yijkl = xij xkl para i = 1,2,... , n ; k = i+1,... , n; l , j = 1,... , n l ¹ j (2.14 b)
El problema lineal entero mixto equivalente al PQA es:
n -1 n n n
min åå å åg ijkl × y ijkl (2.15 a)
i =1 j =1 k =1+1 l =1
sujeto a:
n n
å åy
k =i +1 l =1
ijkl - (n - i ) × xij = 0 i = 1, 2,..., n-1; j = 1, 2,..., n (2.15 b)
l¹ j
n n
åå y
i =1 j =1
ijkl - (k - 1) × x kl = 0 k = 2, …, n; l = 1, 2, …, n (2.15 c)
j ¹l
yijkl £ 1 i = 1,2,... , n-1, k = i+1,... , n, j, l = 1,2,... , n, j¹ l (2.15 d)
yijkl ³ 0 i = 1,2,... , n-1, k = i+1,... , n, j, l = 1,... , n, j¹ l (2.15 e)
y las restricciones de ecuaciones (2.1 b) a (2.1 d). El problema tiene n2 variables

enteras, n2 (n-1)2 / 2 variables reales y 2n2 restricciones.
Existen además otras muchas formulaciones equivalentes de programación

lineal entera mixta para resolver el problema de asignación cuadrática (Balas y
Mazzola 1980; Bazaraa y Sherali. 1980; Burkard y Bonninger 1983; Frieze y
Yadegar 1983) y todas presentan un número similar de variables, tanto enteras como
continuas, y restricciones.
2.4.6. Modelos que utilizan la teoría de grafos.
Fueron Foulds y Robinson (1976) quienes formularon una de las primeras

formulaciones utilizando la teoría de grafos, partiendo de un grafo planar y
considerando que en cualquier solución factible existen, además de los vértices
(instalaciones), aristas necesarias (instalaciones que necesariamente deben ser
adyacentes), aristas no deseables (instalaciones no adyacentes) y otras que pueden o
no ser añadidas, estas últimas aristas, se denominadas aristas remanentes, tienen
asociado un beneficio (Cij) de situar la instalación i adyacente a la instalación j. La
formulación que utiliza la teoría de grafos necesita conocer los locales para cada par
de instalaciones adyacentes (Foulds y Robinson, 1976).
Pág. 57 de 337
Se usa la siguiente notación:
G = (V , E ) - es un grafo donde V es el conjunto de vértices en el vacío, E es

el conjunto de ligaciones disjuntas de V;
wij - indica la razón de proximidad deseable para colocar la
instalación i adyacente a la instalación j;
m - el número de instalaciones
V - el conjunto de instalaciones;
N - el conjunto de pares de instalaciones que deben ser adyacentes
en alguna solución viable (aristas necesarias);
F - el conjunto de pares de instalaciones que no deben ser
adyacentes en alguna solución viable (aristas no deseables);
P - el conjunto de posibles adyacencias (aristas remanentes);
De forma que: {N, F, P} es una partición de V = {{u, v}| u, v X V, u ≠ v}
Cij (i<j, {i, j} X P) es el beneficio de situar la instalación i adyacente a j.
xij X{0, 1} para cada (i < j, {i, j} X P)
E’ = { ( i , j ) | xij = 1 , ( i , j ) Î E };
La formulación del problema utilizando la teoría de grafos es:
max åå wij × xij {i, j} X P (2.16 a)

iÎE jÎE
xij = 1 , (i , j) Î N (2.16 b)
xij = 0 , (i , j) Î F (2.16 c)
(V, E’ È N) es el máximo grafo planar. (2.16 d)
Según Evans et al. (1987) los problemas de proyectos de distribución en

planta pueden ser separados en dos categorías básicas. La primera usa modelos
cuadráticos de asignación como formulación básica y la segunda categoría es
caracterizada por el uso del gráfico de relación en el proyecto del proceso.
Pág. 58 de 337
En estas misma línea Kusiak (1990) propone algunos modelos lineales y no

lineales para resolver el problema de distribución en planta de máquinas en una fila
SRMLP (‘SingleRow Machina Layout Problem’) o en múltiples filas MRMLP
(‘MultipleRow Machina Layout Problem’).
Aunque se puede considerar que los trabajos basados en la Teoría de Grafos

han generado menos actividad que la busqueda de algoritmos con base numérica (y
esto se nota en la cantidad de publicaciones), si es cierto que la teoría de grafos ha
dado resultados satisfactorios y en muchos casos más adecuados a la realidad de la
industria, por eso aunque en más escasa cantidad y de forma más esporádica aparecen
trabajos que resultan de interes. Podemos citar algunos de los trabajos más actuales
como los de Recuero et al. (2004) en que intentan generar distribuciones en planta de
forma automática a partir de grafos de adyacencia.
2.4.7. Modelo de distribución en planta de instalaciones propuesto por

Tam y Li.
2.4.7.1. Definición del problema.
Los procedimientos usados para resolver los problemas de distribución en

planta, según Tam (1992b), han sido frecuentemente criticados por el hecho de que la
búsqueda es conducida a partir de un único punto en el espacio de soluciones y por la
dificultad que presenta la definición de las restricciones geométricas. En otras
palabras, la dificultad de resolver el problema de distribución en planta se surge del
hecho de que la ubicación de cada instalación depende de la localización de las otras.
La complejidad aumenta aun más, cuando se imponen restricciones de forma y de
tamaño, lo que a nivel industrial resulta a todas luces ineludible.
Según los investigadores Tam y Li (Tan y Li, 1991) las instalaciones son
usualmente modeladas como un bloque con cierta forma. Las tres formas más
comunes son: rectangular, cuadrada y circular.
De entre las formas anteriores, la más común es la rectangular, de la cual la

cuadrada es, como resulta evidente, un caso particular. La forma circular, a pesar de
poder ser representada fácilmente a través de las coordenadas del centro y del radio, y
ser citada por algunos autores como la de más fácil manipulación por medios
informáticos, no representa la realidad.
Pág. 59 de 337
2.4.7.2. Características geométricas.
Existen algunas importantes características geométricas asociadas con las

instalaciones. La mayoría de las características presentadas abajo son relativas a los
bloques rectangulares (Tan y Li, 1991).
a) Tamaño: es el área de una instalación.
Esta puede ser de tamaño fijo o acotado dando como datos la superficie mínima y
máxima entre las que debe estar comprendido el tamaño de la instalación. En
otros casos puede venir dado por un porcentaje que la instalación debe tener
respecto a la totalidad de la planta general de la nave.
b) Razón de forma (‘aspect ratio’): la razón de forma viene dada por la relación:
ai = longitud de instalación i / anchura de instalación i (2.17)
c) Orientación: en general, solamente orientaciones horizontal y vertical son

aceptadas para los bloques rectangulares. Si la instalación puede ser colocada
horizontalmente o verticalmente, tiene orientación libre, caso contrario, es
denominada orientación fija.
d) Razón de sobreposición (‘deadspace ratio’): es una medida que refleja el grado

de distorsión de la forma. La existencia de áreas ocupadas en el interior de una
instalación modificará la forma del área sobrepuesta. La medida de la razón de
sobreposición de áreas tiene este propósito, y es definida como:
oi = área de sobreposición en la instalación i / área de la instalación i (2.18)
Observación: La variación de la instalación, según la orientación, se dice fija

cuando puede ser colocada de una única forma, en caso contrario
se dice móvil.
2.4.7.3. Restricciones del modelo.
De acuerdo con las características geométricas de cada bloque, las

restricciones consideradas en el problema son:
Pág. 60 de 337
a) restricciones de tamaño;
b) restricciones de orientación;
c) restricciones de forma;
d) restricciones de sobreposición.
Para restringir la forma de una instalación su razón de forma debe estar

contenida en el intervalo [aimin , aimax], donde estos valores representan los limites
inferior y superior de la razón de forma de la instalación i. Para las instalaciones que
tienen orientación libre (Tam, 1992b), se considera como razón de forma los valores
ai y 1/ai. Así, Tam propone considerar como intervalo:
[min{ aimin , 1 / aimax }, max{ aimax , 1 / aimin }] (2.19)
Cuando la planta está libre de áreas ocupadas, las razones de sobreposición de

todas las instalaciones son iguales a cero. Una de las utilidades de esta medida, es que
se puede moldear el perímetro de una planta aproximando el mismo a una forma
deseada (Tam, 1992b).
Basándose en esta formulación, dado un árbol de corte (‘slicing tree’), se

puede calcular: los límites, las razones de forma y las razones de sobreposición para
todas las instalaciones. De hecho, todos pueden ser calculados una vez que los puntos
de corte del árbol sean conocidos (Tam, 1992b).
2.4.7.4. Modelado del problema.
El objetivo es asignar espacios para las instalaciones, de tal forma que la

mayoría de las instalaciones con gran flujo de tráfico se sitúen próximas y satisfagan
las restricciones de área y de forma de cada una. El problema de localización de
espacios se define como: encontrar un árbol de corte s Î S, tal que:
n n
min sÎS F = åå vij × d ij (2.20 a)
i =1 j =1
s. a aimin £ ai £ aimax " i = 1,... , n (2.20 b)
0 £ oi £ oimax " i = 1,... , n (2.20 c)
donde:
Pág. 61 de 337
vi j - es el volumen de tráfico entre instalaciones i y j;

di j - es la distancia rectilínea entre los centroides de las instalaciones i y j;
ai - es la razón de forma de la instalación i;
oi - es la razón de sobreposición de la instalación i;
El problema puede ser formulado como un problema de optimización no

restringido. Para esto es necesario transformar las restricciones en funciones de
penalizaciones.
n n n
min sÎS F = åå vij × d ij + å ( wa k × a k + wb k × b k ) (2.21)
i =1 j =1 k =1
donde:
ak = max {0 , max {ak - akmax , akmin - ak )}} " k = 1,... , n (2.22)
bk = max { 0 , ok - okmax } " k = 1,... , n (2.23)
wak , wbk ³ 0 " k = 1,... , n (2.24)
El primer término de F mide el momento de transporte. El es definido por el

producto de la distancia entre las instalaciones y su volumen de tráfico. El segundo
término representa la función de penalización para las restricciones geométricas. El
primer término de la función penalización mide la extensión o cuanto es violada la
restricción de razón de forma. Como cada instalación tiene un único nivel de
tolerancia para violar esta restricción, ak es multiplicado por un factor positivo.
Cuando las instalaciones tienen orientación variable, la penalización ak de la razón de
forma puede ser calculada por:
ak = max {0, max {(ak - max{akmax , 1/ akmin }),(min {akmin , 1/akmax}-ak)}} (2.25)
De la misma forma, el segundo termino bk penaliza la existencia de áreas

ocupadas sobre las instalaciones. Se definen pesos para cada instalación para asegurar
los niveles de tolerancia de las figuras irregulares (Tam, 1992b).
2.4.8. Otros modelos.
Los modelos presentados no son los unicos existentes y otros autores han
formulado otros modelos, con mayor o menor suerte, para representar el problema
planteado.
Pág. 62 de 337
Asi podemos citar que se han utilizando otros modelos de programación lineal
entera como los presentados por Balas y Mazzola (1980), Burkard y Bonninger
(1983) y Friece y Yadegar (1983).
Ritzman et al (1979) formularon un modelo de programación multiobjetivos

mixto, desarrollaron el programa informático y resolvieron un problema de
localización de oficinas en un edificio. Para poder evaluar la solución en cuanto a los
resultados, testaron un problema multiobjetivo con seis objetivos en conflicto.
Otros autores como Heragu y Kusiak (1991) presentaron asimismo dos

modelos lineales para el problema de distribución en planta de instalaciones: uno
continuo (utilizando valores absolutos en la función objetivo y restricciones) y otro
mixto. El modelo mixto tiene menor número de variables enteras que otras
formulaciones existentes para el problema de distribución en planta de instalaciones.
Difiere de la mayoría de los modelos presentados en la bibliografía por no ser una
linealización del PQA. El modelo continuo tiene una forma más compacta. Una de las
ventajas en las formulaciones presentadas es que los locales de localización no
precisan ser conocidos a priori. Las formulaciones modelan problemas de distribución
en planta con instalaciones de áreas diferentes. Los modelos testados con algoritmos
de optimización obtienen soluciones subóptimas de buena calidad en un tiempo de
procesado computacional relativamente pequeño. El modelo continuo aparenta ser
más útil para resolver el problema de distribución en planta de instalaciones que otros
modelos presentados en la literatura.
Mas tarde Cambron y Evans (1991) presentan e ilustran una forma de abordar
el complejo problema de proyecto de distribución en planta englobando múltiples
objetivos conflictivos, llevando en consideración entradas que pueden ser tanto de
naturaleza: cualitativa como cuantitativas. La forma de abordar el problema agrupa el
uso de diversos algoritmos del proyecto de distribución en planta, bien como métodos
manuales para generar distribución en planta candidatos. Esas distribuciones físicas
candidatas son usadas como entrada en el Proceso Analítico Jerárquico de Saaty en el
orden en que el problema de múltiples objetivos permite considerar.
Pág. 63 de 337
2.5. ALGORITMOS Y METODOS DE RESOLUCION DE PROBLEMAS DE

DISTRIBUCIÓN EN PLANTAS.
2.5.1. Clasificación de los métodos de solución.
El problema de distribución en planta, tal y como se ha dicho en el apartado

anterior, puede ser modelado de diversas formas por lo que como resulta lógico
existen una gran variedad de algoritmos que se pueden utilizar para su resolución.
Para tratar de determinar la localización relativa de las distintas instalaciones

de una planta se han de cumplir con una serie de criterios y restricciones que
marcarán los requisitos de una buena distribución, estos criterios pueden ser tanto de
naturaleza cuantitativa (mínimo coste de manipulación de materiales, mínima
distancia entre instalaciones con máximo flujo, mínimo número de viajes entre
instalaciones o mínimo tiempo de preparación, …) como cualitativa (criterios de
cercanía no cuantificables, normalmente estratégicos, entre una instalación y otra).
Normalmente se considera la minimización del coste de manipulación de

material como el principal objetivo del problema; sin embargo existen otros muchos
objetivos críticos como maximización de las adyacencias entre instalaciones,
flexibilidad de las operaciones, utilización efectiva del espacio disponible, etc. Que se
deben de tener en cuenta simultáneamente y que complican la formulación del
problema. Además el problema de distribución en planta contempla la localización de
las áreas ocupadas por las instalaciones, por lo que la forma que estas toman sobre la
planta son variables y afectan decididamente al coste de manipulación y al cálculo de
la distancia entre instalaciones.
Según se recoge en los estudios de Kusiak y Heragu (1987), desde mediados

de los años 50, se han venido desarrollando diversos estudios para resolver el
problema de instalaciones, que tiene algunas características que lo hacen difícil de
formular y resolver por medios analíticos, por una parte el hecho de que cada
instalación es una candidata potencial para cada localización indica que se tienen que
evaluar todas las posibles combinaciones localización-instalación; de modo que si
tenemos n instalaciones para ser ubicadas en n localizaciones posibles, el número
total de combinaciones a considerar es de n!. En estos estudios se han presentado
algoritmos que pueden ser clasificados en dos grupos: algoritmos que presentan
solución óptima y algoritmos que presentan solución subóptima.
Pág. 64 de 337
Asimismo, desde el inicio de los años 60, han sido innumerables las
investigaciones que han sido realizadas para desarrollar algoritmos óptimos en la
solución del problema de asignación cuadrática (QAP). Esos algoritmos pueden
dividirse en dos clases (Kusiak y Heragu ,1987):
a) algoritmos de ramificación y acotamiento (‘branch and bound’);

b) algoritmos de planos de corte (‘cuttng plane’).
Los algoritmos óptimos o exactos presentan la desventaja de precisar mucho

tiempo de procesamiento y mucho espacio de almacenamiento en memoria. El mayor
problema, para el cual se ha determinado el óptimo, constaba de 15 instalaciones.
Pero debemos recordar que siendo en QAP un problema NP-hard, ni siquiera

los algoritmos exactos más rápidos como puedan ser los denominados ‘branch and
bound’ (B&B) resuelven el problema en los casos más complejos y que tan solo son
operativos en un tiempo razonable de procesado abordando problemas de menos de
20 (Gavett y Plyter 1966, Burkard 1991, Hadley et al. 1992, Pardalos et al. 1994,
White 1994). Aun asi algunos autores (Pardalos et al. 1994, Domschke y Drexl 1996)
han seguido trabajando y han mejorado los rendimientos reduciendo el tiempo de
procesado incluso recurriendo al uso de implementaciones de algoritmos B&B
paralelos (Laursen 1993, Mans et al. 1995).
Por esta desventaja, las investigaciones se han orientado a concentrarse en los

algoritmos subóptimos para resolver el problema de distribución en planta.
Los primeros métodos subóptimos o heuristicos no presentan soluciones de

buena calidad, pero aun asi a través de nuevas investigaciones, se han desarrollado
nuevos algoritmos, pudiendo ser clasificados, de forma general en (Kusiak y Heragu,
1987):
a) algoritmos constructivos (‘construction’);

b) algoritmos de mejora (‘improvement’);
c) algoritmos híbridos;
d) algoritmos basados en la teoría de grafos.
Pág. 65 de 337
Algunos de estos métodos subóptimos recurren a gráficos de flujos (‘flow

charts’), procedimientos gráficos basados en la experiencia y en el conocimiento que
el analista tiene de las instalaciones para definir la distribución en planta. Otro
método usado para determinar la distribución en planta es el gráfico de relaciones
(‘Relationships chart’). Este método muestra gráficamente la proximidad deseada
entre los pares de instalaciones; este concepto fue introducido ya anteriormente por
Muther (1955). La proximidad deseada entre los pares de instalaciones es
representada en el gráfico de relaciones por las letras A, E, I, O, U y X. Tales letras
indican si la proximidad entre el par de instalaciones i y j son: absolutamente
necesaria, especialmente importante, importante, común, no importante e indeseable
respectivamente. El gráfico de relaciones es la base de un método popular
denominado de ‘Planeamiento Sistemático de Distribución en Planta’ conocido
normalmente por las siglas del acrónimo ingles “S.L.P.” (‘Systematic Layout
Planning’) (Muther, 1973). Wimmert (1958) presenta un modelo matemático para el
problema de distribución en planta de instalaciones que minimiza los flujos de los
productos y las distancias entre todas las combinaciones de instalaciones. Por
desgracia el teorema que sirvió de base para el método de Wimmert estaba incorrecto
según fue demostraron posteriormente con algún ejemplo Conway y Maxwell (1961).
Buffa (1955) presento un método denominado de análisis de secuencia, basado en el
análisis de la secuencia de operaciones de las partes de una planta. Además de estos,
existen otros métodos desarrollados principalmente entre las décadas de 50 y 60, que
no encuentran soluciones de buena calidad. Tales métodos han sido presentados por
Foulds (1983) y reciben la denominación de métodos esquemáticos y sistemáticos.
En las secciones siguientes, se presentan los algoritmos estudiados con más

detalle.
2.5.2. Algoritmos Exactos para solución del problema de distribución en

planta.
Podríamos preguntarnos: ¿Es posible encontrar la solución óptima a un

problema recorriendo todas las soluciones posibles? A la hora de utilizar un
ordenador para hallar las respuesta a preguntas tales como: ¿Cuántos caminos existen
que …? ¿Listar todas las soluciones posibles para…? ¿Hay un camino qué …?
Normalmente requerirá de una búsqueda exhaustiva dentro del conjunto de todas las
potenciales soluciones. Por eso, los algoritmos que resuelven este tipo de problemas
Pág. 66 de 337
reciben el nombre de algoritmos exactos, óptimos o de búsqueda exhaustiva. Por

ejemplo, si se desean encontrar todos los números primos menores de 104, no existe
un método conocido que no requiera de alguna manera, examinar cada uno de los
números enteros entre 1 y 104. De igual manera manera si se desea encontrar todos
los caminos de un laberinto, se deben examinar todos los posibles caminos que
comiencen desde la entrada. Un ejemplo de este tipo es la búsqueda con "retroceso" o
(backtracking), trabaja tratando continuamente de extender una solución parcial. En
cada etapa de la búsqueda, si una extensión de la solución parcial actual no es posible,
se "va hacia atrás" para una solución parcial mas corta y se trata nuevamente de
continuar desde ese punto. El método "retroceso" es usado en un amplio rango de
problemas de búsqueda, incluyendo el análisis gramatical (parsing), juegos, y
planificación (scheduling). La segunda técnica es "tamiz o criba" (sieves), es el
complemento lógico de "retroceso" en que se tratan de eliminar las no-soluciones en
lugar de tratar de encontrar la solución. El método "tamiz" es útil principalmente en
cálculos numéricos teóricos. Se debe tener en mente, sin embargo, que "retroceso" y
"tamiz" son solamente técnicas generales. Se aplicarán en algoritmos cuyos
requerimientos en tiempo son prohibitivos. En general, la velocidad de los
ordenadores no resulta práctica para una búsqueda exhaustiva de más de 100
elementos. Así, para que estas técnicas sean útiles, deberán ser consideradas
solamente como una estructura dentro de la cual se aproxima el problema. Esta
estructura debe ser hecha a medida, a menudo con gran ingenio, para cuadrar con el
problema particular, de modo que el algoritmo resultante pueda ser de uso práctico.
Los métodos exactos de resolución de problemas se han aplicado con éxito a

una cantidad elevada de problemas. Algunos ejemplos de estos métodos son los
algoritmos voraces, algoritmos de divide y vencerás, algoritmos de ramificación y
acotamiento, backtraking, etc. Todos estos procedimientos resuelven problemas que
pertenecen a la clase P de forma óptima y en tiempo razonable pero tal y como se ha
comentado anteriormente, existe una clase de problemas, denominada NP, con gran
interés práctico para los cuales no se conocen algoritmos exactos con tiempos de
convergencia en tiempo polinómico. Es decir, aunque existe un algoritmo que
encuentra la solución exacta al problema, tardaría tanto tiempo en encontrarla que lo
hace completamente inaplicable. Además, un algoritmo exacto es completamente
dependiente del problema (o familia de problemas) que resuelve, de forma que
Pág. 67 de 337
cuando se cambia el problema se tiene que diseñar un nuevo algoritmo exacto y

demostrar su optimalidad.
Este tipo de algortimos solo son factibles de aplicar en las distribucuiones en

planta cuando las implementaciones buscadas son simplemente de forma lineal
(instalaciones en líneas de producción por ejemplo), pero no resultan aplicables a
problemas de más dimensiones.
2.5.2.1. Algoritmos de ramificación y acotamiento (‘branch and bound’).
Se puede encontrar en la literatura diversos trabajos que presentan la técnica

de ramificación y acotamiento (o poda), más conocida por su denominación inglesa
de ‘branch and bound’ (B&B), para encontrar una solución al problema de la
distribución en planta.
Los dos primeros algoritmos del tipo ‘branch and bound’, para hallar una
solución al problema de la distribución en planta de instalaciones, fueron
desarrollados por Gilmore (1962) y Lawler (1963). La diferencia entre estos dos
trabajos está en calcular los límites. Ambos algoritmos evalúan implícitamente todas
las soluciones potenciales, pero difieren en cuanto al cálculo de la cota inferior.
Pierce y Crowston (1971) clasifican este tipo de enumeración como técnica de
enumeración controlada. En el caso de que no se considerase un límite para podar el
árbol de decisión, como se ha citado en los métodos anteriores, el procedimiento
pasaría a ser una técnica de enumeración completa que es ineficiente desde el punto
de vista informático.
Además de estos, otros dos algoritmos fueron desarrollados por Land (1963) y
por Gavett y Plyter (1966). Estos algoritmos asignan y ubican pares de instalaciones
mientras que los dos primeros algoritmos tan solo sitúan una instalación por vez.
El algoritmo óptimo tiene como característica básica, ubicar paso a paso, una
instalación de cada vez. En cada paso aparecen retornos, donde algunas ubicaciones
son excluidas y el proceso de búsqueda continúa. Pierce y Crowston (1971)
presentaron un algoritmo que se comporta en base de asignaciones paso a paso
excluyendo pares de asignaciones de la solución del problema. Los algoritmos
exactos presentados utilizan mucho espacio de memoria y tiempo de procesado
Pág. 68 de 337
(Burkard, 1984). Lavalle y Roucairol (1985) sugieren el uso de un algoritmo de

‘branch and bound’ paralelo para encontrar el óptimo del PQA. Tales algoritmos
realizan una búsqueda paralela (simultánea) sobre varias ramas del árbol de decisión.
Sin embargo, los resultados computacionales presentados por estos autores indican
que el algoritmo requiere mucho tiempo de procesado para resolver problemas con
doce o más instalaciones.
Little et al. (1963) utilizaran el proceso de reducción en el problema del

Cajero Viajante. Graves y Whinston (1970) desarrollaron un algoritmo heurístico que
se basa en determinar límites usando propiedades estadísticas de la función objetivo.
Esos limites son utilizados en un procedimiento enumerativo que encuentra
soluciones subóptimas.
Burkard (1973) propone un algoritmo óptimo para resolver el problema PQA

basado en la reducción de una matriz cuadrada. La reducción se realiza de una matriz
cuadrada A para otra matriz cuadrada A’ de elementos no negativos, con por lo
menos un cero en cada línea y cada columna, con el objetivo de reducir la
importancia de los términos cuadráticos en la función objetivo y aumentar la de los
términos lineales.
Bazaraa (1975) desarrolló un algoritmo utilizando la técnica de ‘branch and

bound’ para el problema general de distribución en planta de instalaciones,
obteniendo a cada paso una distribución en planta parcial P (no completa) cada vez
que se desea asignar una nueva instalación, en la cual determina un limite inferior
(LB) de los costes de las posibles combinaciones de distribución en planta parcial P
actual en base a la suma de los costes de la distribución actual P, los costes de
interacción de P con las instalaciones no asignadas y los de interacción entre éstas
últimas. La cota inferior, equivalente al coste de la posible terminación de P, se
compara con la mejor función objetivo conocida (C*). Mientras LB sea menor que el
coste de la mejor distribución en planta evaluada C*, se asigna la nueva instalación y
se incrementa P; si LB es mayor entonces se descarta esta asignación y se busca una
nueva instalación para asignar; así el algoritmo continua ubicando una nueva
instalación y consecuentemente aumentando el tamaño | P | de la distribución en
planta parcial. Cuando la búsqueda en esta dirección termina y la última instalación
no puede ser situada, se busca una nueva ubicación. La búsqueda continua utilizando
Pág. 69 de 337
el mismo procedimiento y haciendo crecer la distribución parcial P hasta que se

obtiene una distribución completa.
Foulds y Robinson, 1976 implentean tambien un algoritmo ‘branch and

bound’ para intentar abordar la solución al problema de asignación cuadrática.
Mas tarde Bazaraa y Elshafei (1979) propusieron un algoritmo que utiliza la

técnica de ‘branch and bound’ para hallar la solución del PQA en base a la ubicación
paso a paso de una instalación, o lo que es lo mismo asignación de una instalación a
la vez, en locales aun no ocupados.
Burkard (1984) presenta una revisión sobre el problema cuadrático de

asignación.
Kaku y Thompson (1986) presentaron otro algoritmo utilizando la técnica de

‘branch and bound’ basado en la descomposición del problema original en pequeños
problemas de características similares, con mejores resultados que el algoritmo de
Lawler (1963), especialmente cuando los problemas son grandes.
Heragu y Kusiak (1991) presentaron dos modelos para la posible solución del
problema de distribución en planta de instalaciones: el primero lineal continuo con
valor absoluto en la función objetivo y en las restricciones, otro lineal mixto.
Palekar et al. (1992) presentaron un método exacto y sugiere heurísticas para

resolver el problema de distribución en planta estocástico dinámico.
Kelly et al. (1994) presentaron un planteamiento determinístico a través de la

‘busqueda tabú’, que se ha mostrado más poderosa que los simples cambios
aleatorios.
Kouvelis et al. (1995) presentaron una aplicación de un método óptimo en la

solución del problema de distribución en planta de máquinas en línea.
2.5.2.2. Algoritmos de planos de corte (‘cutting plane’).
Los algoritmos que utilizan el método de planos de corte para resolver el

problema de asignación cuadrática fueron desarrollados por Bazaraa y Sherali (1980)
y Burkard y Bonninger (1983). Los algoritmos óptimos que utilizan las técnicas de
Pág. 70 de 337
‘branch and bound’ y de planos de corte (‘cutting plane’), gastan, tal y como ya se ha
mencionado, mucho espacio de memoria y tiempo de computación en la solución de
los problemas cuadráticos de ubicación. Para mostrar esto baste como ejemplo citar
que el mayor problema que aparece resuelto en la bibliografía para el cual se obtuvo
la solución óptima, por un algoritmo de planos de corte, constaba tan solo de ocho
instalaciones. Otra experiencia con estos algoritmos demuestra que la solución óptima
encontrada en el proceso de búsqueda en los vértices del árbol solo ha sido obtenida
tras que un número significativo de soluciones hayan sido testadas (Burkard y
Stratman, 1978 y Bazaraa y Kirca, 1983), lo que estimuló encerrar el proceso de
búsquedas en el ‘branch and bound’ anticipadamente, sin verificar lo optimo de la
búsqueda, surgiendo la aplicación de algoritmos heurísticos de ‘branch and bound’.
Burkard (1984) presentó dos criterios para el proceso de finalización del

algoritmo ‘branch and bound’:
a) el primer criterio esta basado en la limitación del tiempo, en el cual el

algoritmo para ras exceder un límite de tiempo predefinido;
b) el segundo criterio esta basado en la calidad del límite superior, esto es, tras
un tiempo de procesamiento no obteniéndose una mejora en la solución, el
límite superior es reducido en un cierto porcentaje.
2.5.2.3. Algoritmos constructivos.
En los algoritmos constructivos la solución se construye paso a paso. En otras

palabras, las instalaciones son ubicadas una por una de cada vez, hasta que la
distribución en planta esta completa.
Un estudio realizado por Moore (1974) indicaba la existencia de dos veces

más algoritmos constructivos que algoritmos de mejora, y en la actualidad la cosa no
ha mejorado mucho dado que muchos estudios de “layouts” son de aplicación en
electronica y aquí los nuevos chips y placas de circuitos impresos parten de cero.
Algunos, dado que seria casi imposible hacer referencia a todos –siendo que además
muchos de ellos son apenas pequeñas variantes de otros-, de los más conocidos
algoritmos de construcción son: HC66 (Hiller y Connors, 1966), ALDEP (Seehof y
Evans, 1967), CORELAP (Lee y Moore, 1967), RMA Comp I (Murther y
Pág. 71 de 337
McPherson, 1970), MAT (Edwards et al., 1970), PLANET (Deisenroth y Apple,

1972), LSP (Zoller y Adendorff ,1972), Algoritmo de ubicación lineal (Neghabat,
1974), FATE (Block, 1978), INLAYT (O’Brien y Abdel Barr, 1980), FLAT
(Heragu y Kusiak, 1986) y COMLADII (Ciai y Sule, 1991).
Ketcham et al. (1989) presentaron un estudio comparando y una versión

modificada del ALDEP, el PLANET y el FLAG.
2.5.2.4. Algoritmos de mejora.
La característica básica de los algoritmos de mejora es la de generar

aleatoriamente una solución inicial y, teniendo como base esta solución, realizar
cambios sistemáticos entre instalaciones y evaluar los resultados. Los cambios que
producen una solución mejor son guardados y el procedimiento continúa hasta que no
se obtenga una solución mejor. Luego el algoritmo de mejora depende mucho de la
calidad de la solución inicial. A continuación se citan algunos de los algoritmos de
mejora más conocidos:
a) CRAFT (Armour y Buffa, 1963 y Buffa et al.,1964);
b) variaciones del CRAFT: COFAD (Tompkins y Reed, 1976), basado en la

técnica (Nugent et al., 1968), COL (Vollmann et al., 1968), CRAFT-N (Hicks
y Cowan, 1976), SPACECRAFT (Johnson, 1982), CRAFT-3D (Cinar,
1975), SPACECRAFT (Jacobs, 1984), MOCRAFT (Svestka, 1990) y
FACLO (Allenbach y Werner, 1990);
c) otros algoritmos: H63 (Hillier, 1963), H63-66 (Hillier y Connors, 1966),

COL (Vollman et al., 1968), Algoritmos SAMPLING 1º (Nugent et al.,
1968) y 2º. (Hitchings y Cottam, 1976), PRAT (Khalil, 1973), COFAD
(Tompkins y Reed, 1976) y COFAD-F (modificado por Shore y Thompkins,
1980), Algoritmo revisado de Hillier (Picone y Wilhelm, 1984).
Co et al. (1989) desarrollaron un modelo para la solución de problemas con

sistema de fabricación flexible, que es una extensión del CRAFT incorporando un
modelo, computacionalmente eficiente de filas en red.
Galbraith y Miller (1990) presentan el método MASL (a Multifactor

Approach for Selecting fron among computer generated Layouts) que hace un análisis
en términos de medidas cuantitativas tales como: ineficiencia de flujo, distancia entre
Pág. 72 de 337
áreas funcionales y aumento de capacidad. Los softwares utilizados para generar las
distribuciones físicas de test han sido CRAFT, ALDEP y CORELAP.
Cambron y Evans (1991) presentaron la aplicación del método analítico

jerarquico de Saaty a un problema para encontrar una distribución para impresión
comercial y encuadernación.
Lacksonen (1997) presenta un modelo y un algoritmo de mejora para la

solución del problema de distribución en planta de instalaciones dinámico con áreas
diferentes.
Tipo de Input Construcción Mejora

CRAFT
MCRAFT
PLANET
BLOCPLAN
Cuantitativos BLOCPLAN
LOGIC
LOGIC
MULTIPLE
COFAD
CORELAP
ALDEP
Cualitativos BLOCPLAN
PLANET
BLOCPLAN
Tabla 2.2: Algunos algoritmos de distribución en planta de instalaciones.
2.5.2.5. Algoritmos híbridos.
Bazaraa y Kirca (1983) clasifican los algoritmos de híbridos cuando poseen

características de los algoritmos óptimos y subóptimos al mismo tiempo. Ejemplos de
tales algoritmos son presentados por Burkard y Stratman (1978), Bazaraa y Sherali
(1980), Bazaraa y Kirka (1983), Elshafei (1977) y Scriabin y Vergin (1985). Se
incluyen en esta lista los dos últimos, por usar los principios de los algoritmos de
construcción y de mejora.
Burkard y Stratman (1978) propusieron un algoritmo heurístico que usa el

método de ‘branch and bound’ y el algoritmo de mejora. Obtiene una solución inicial
usando el algoritmo de ‘branch and bound’ y un límite de tiempo. Esta solución
inicial, pasa entonces, a través de un algoritmo de mejora denominado VERBES.
Este algoritmo realiza cambios en forma de pares (2-opt) y hasta de tríos (3-opt),
alternativamente, y finaliza cuando la solución no puede ser mejorada.
Pág. 73 de 337
Burkard y Stratman (1978) propusieron un algoritmo similar al anterior

utilizando para encontrar la solución inicial el algoritmo de Gaschutz y Ahrens
(1968).
Bazaraa y Kirca (1983) presentaron dos algoritmos, el primero un algoritmo

óptimo y el segundo un algoritmo heurístico obtenido a través de modificaciones en
el primero. El algoritmo heurístico se basa en el método de ‘branch and bound’ que
reduzca el tiempo de procesamiento no explorando vértices que son una imagen
invertida de un vértice explorado anteriormente. En otras palabras, si el vértice A es
una imagen invertida del vértice B el límite inferior ya fue calculado anteriormente,
entonces en búsquedas futuras no es necesario realizar cambios en el vértice A. Los
métodos heurísticos, utilizando los algoritmos de mejora de 2-way y 4-way y una
regla para seleccionar vértices a ser investigados, producen resultados de buena
calidad.
Se citan a continuación algunos algoritmos híbridos:
· FLAC (Scriabin y Vergin, 1985);

· DISCON (Drezner, 1980);
· Houshyar y White (1997).
2.5.2.6. Algoritmos que utilizan la teoría de grafos.
Los algoritmos que utilizan la teoría de los grafos buscan un subgrafo

maximal planar a partir de un grafo completo que muestra la relación entre las
instalaciones. El dual de este subgrafo maximal planar determina la distribución en
planta de las instalaciones. Existen algoritmos que pueden ser clasificados como
algoritmos que utilizan la teoría de grafos y como algoritmos constructivos y serán
presentados en este apartado.
Seppanen y Moore (1970) propusieron un procedimiento utilizando la teoría

de los grafos mencionada anteriormente. Los mismos autores en 1975, proponen un
algoritmo heurístico utilizando la misma estrategia (Seppanen y Moore, 1975). El
algoritmo determina el árbol máximo con base en el grafo maximal. Con la ayuda de
un proceso de adición de ejes, el árbol máximo se usa entonces para obtener el
Pág. 74 de 337
subgrafo maximal planar, y del dual del subgrafo maximal planar se determina una
distribución en planta para las instalaciones.
Existen además otros algoritmos que utilizan la teoría de los grafos, algunos de
los cuales fueron presentados por:
· algoritmo Deltahedron (Foulds y Robinson, 1978);

· algoritmo Wheel expansión (Eades et al., 1982);
· algoritmo GASOL (Hammouche y Webster, 1985);
· Kim et al. (1996) presentaron un modelo para resolver el problema de
localización de máquinas en líneas simples y múltiplas para periodos cortos y
largos, utilizando la teoría de ‘simulated annealing’ y teoría de los grafos;
· algoritmo LAMAN (Foulds, 1997);
· Métodos heurísticos que transforman el subgrafo máximal planar en una
distribución en planta de instalaciones con áreas diferentes han sido
presentados por Irvine y Rinsma-Melchert (1997) y por Watson y Giffin
(1997);
· Wascher y Merker (1997) presentan un estudio comparativo entre los métodos
heurísticos.
· Foulds y Partovi (1998) presentan LayoutManager basado en la heurística
Deltahedron.
· Kusumah (2001) presenta otro interesante algoritmo basado en la teoria de
grafos.
· Corral (2002) implementa un algoritmo para la compartimentación del
espacio por medio de R-trees.
· San José (2004) presenta un algoritmo que permite el dibujo automático de
distribuciones en planta a partir de un grafo de adyacencias demostrando que
esta línea de trabajos sigue viva y dando buenos resultados.
2.5.2.7. Otros métodos encontrados en la bibliografía.
Además de los algoritmos presentados se debe mencionar que con el avance de

los sistemas informáticos y al ampliar las posibilidades de cálculo (cómputo) se han
propuesto nuevas técnicas en el área de la Inteligencia Artificial, tales como:
Pág. 75 de 337
· Sistemas Expertos que consisten en proveer al ordenador de mecanismos y

medios, de forma que el sistema funcione-opere como si fuese un especialista
en algún área de interés de una determinada ciencia (Cunha y Ribeiro, 1987).
· Redes Neuronales que estudian algoritmos que simulan el comportamiento
de las neuronas.
A partir de estas nuevas herramientas, se observan en las referencias

bibliográficas otros métodos que están siendo utilizados en la solución del problema
de distribución en planta.
Abdou y Dutta (1990) presentaron un sistema experto en EXSYS que utiliza una
base de dados para obtener distribución en planta de máquinas sobre combinaciones
específicas de fabricación y sistemas de mano de obra. La base de dados incorpora
seis factores, relacionando la variedad y cantidad de productos, grado de flexibilidad,
nivel de automación, sistema de mano de obra, piezas en proceso, consideraciones
generales.
Sirinaovakul y Thajchayapong (1994) presentaron un modelo constructivo,

basado en técnicas de Inteligencia Artificial. El sistema consiste en la situación de
patrones, un método de búsqueda heurística y un sistema de base de dados.
Badiru y Arif (1996) presentaron un sistema FLEXPERT que considera en la

solución la naturaleza multicriterio del problema de distribución en planta y las
variaciones de los datos de entrada por la integración de un sistema especialista y un
algoritmo basado en la teoría de la lógica difusa.
Welgama y Gibson (1996) presentaron un modelo para la solución de

distribuciones en planta y sistemas de mano de obra dinámico integrando abordajes
metodológicos de bases de datos y optimización.
Evans et al. (1987) presentaron una heurística utilizando la teoría de conjuntos

difusos en la solución del problema de distribución en planta de departamentos. Esta
heurística utiliza descripción aproximada para dos categorías distintas del diseño:
proximidad e importancia expresadas en forma de relaciones difusas para cada par de
departamentos.
Pág. 76 de 337
Rosenblatt y Lee (1987) presentan métodos de robustez usados en la solución de

problemas de distribución en planta con demandas estocásticas para periodos simples.
Golany y Rosenblatt (1989) presentan un algoritmo heurístico para resolver el

problema cuadrático de atribución. El algoritmo consta de tres fases distintas:
constructiva, atribución y mejora.
Malakooti (1989) presenta un algoritmo heurístico, en la solución del problema de

distribución en planta de instalaciones multiobjetivos, que genera eficientes
distribuciones en planta a partir de intercambios de pares de departamentos.
Heragu y Kusiak (1990) presentan dos modelos para resolver el problema de

distribución en planta de máquinas en sistemas de fabricación automatizados. De
estos modelos deriva un sistema basado en el conocimiento para hallar la solución del
problema de distribución en planta de máquinas. En este sistema se combinan los
conceptos de optimización y sistemas expertos considerando factores tanto
cuantitativos como cualitativos.
Savsar (1991) presentó un método sistemático y un algoritmo de simulación para

resolver el problema de distribución en planta flexible de instalaciones. Critérios tales
como minimizar el coste total de mano de obra, maximizar la razón total de
proximidad entre departamentos, minimizar los costes futuros con cambios y
minimizar el coste total de mano de obra esperado en posibles cambios futuros son
incorporados en el modelo.
Kaku et al. (1991) presentan un procedimiento heurístico combinando un método

constructivo con un procedimiento de cambios usado repetidamente.
Tam (1992a) presentó un algoritmo utilizando la técnica de ‘simulated annealing’

y compara con dos métodos de búsqueda local.
Hassan (1994) presentó un estudio del problema de distribución en planta de

máquinas en modernas instalaciones manufactureras y sugiere áreas potenciales de
investigación.
Malmborg (1994) presentó un método analítico para el problema de distribución

en planta con previsión de stocks de piezas en fases de procesamiento, resultante de
Pág. 77 de 337
un número fijo de iteraciones (loop), alimentado por vehículos automatizados. El

modelo presentado utiliza dos algoritmos, uno de búsqueda de mejora local y otro de
‘simulated annealing’.
Raoot y Rakshit (1994) presentan una heurística para solución del problema de
distribución en planta de instalaciones, formulado como un problema cuadrático de
atribuciones con simples y múltiples objetivos, basada en la teoría del conjunto
difuso.
Ya a finales del siglo pasado, se empiezan a aplicar a la búsqueda de soluciones

racionales a los problemas las distribuciones en planta las nuevas heurísticas basadas
en los denominados algoritmos biológicos como pueden ser: Algoritmos Geneticos
(Dos Reis Tabares 2000), Ant Colony Optimization (ACO) (Colorni et al. 1991,
Dorigo y Gambardella 1996, Maniezzo y Colorni 1999, Gambardella et al. 1999,
Hospitaler et al. 2003, Solimanpur et al. 2004, Cobo y Serrano 2004, Corry y Kozan
2004, Solimanpur et al. 2005, Baykasoglu et al. 2006) y Particle Swarm Optimization
(PSO) (Hardin y Usher 2005, Acan y Ünveren 2005, Christu-Paul et al. 2006), que
veremos en próximos apartados.
Asignación de
Instalaciones
a Lugares
Cheng y O’Connor (1996) Zouein et al. (2002)

Tommelein et al. (1992) Hegazy y Elbeltagi (1999)
Tommelein y Zouein (1993) Zouein y Tommelein (1999)
Técnicas
Técnicas Numéricas y
Heurísticas Matematicas
Li & Love (1998)
Yeh (1995)
Tam et al. (2001)
Cheung et al. (2002)
Asignacion
de Instalaciones
a Localizaciones
Figura 2.6: Clasificación de algunos de los modelos de construcción de

distribuciones.
Pág. 78 de 337
2.6. ALGORITMOS HEURISTICOS Y METAHEURISTICOS.
Una de las cuestiones computacionales que se deben solventar en los

problemas de optimización combinatoria es la explosión combinatoria. La explosión
combinatoria se encuentra en situaciones donde las elecciones están compuestas
secuencialmente, es decir, dado un conjunto de elementos se podrán obtener
diferentes arreglos ordenados de estos, permitiendo una vasta cantidad de
posibilidades.
Una característica recurrente en los problemas de optimización combinatoria

es el hecho de que en general son muy "fáciles" de entender y de enunciar, pero de
igual modo y por desgracia en general son "difíciles" de resolver. Podría pensarse, tal
y como se ha visto en el Capítulo 1, que la solución de un problema de optimización
combinatoria se restringe únicamente a buscar de manera exhaustiva el valor máximo
o mínimo en un conjunto finito de posibilidades y que usando un sistema informático
veloz, el problema carecería de interés matemático, sin pensar por un momento, en el
tamaño de este conjunto. Los intentos por tratar con el problema de la explosión
combinatoria han encontrado muchos obstáculos. Por ejemplo, no será suficiente
contar con un "conocimiento experto" para manejarlos de manera efectiva, de igual
manera no será suficiente confiar en el poder computacional de alta velocidad de los
superordenadores. Algunos problemas clásicos donde la explosión combinatoria
prevalece, muestran que un intento por generar todas las alternativas relevantes por
computadora no es una tarea factible. Así, por ejemplo, en el problema del agente
viajero, en el cual se tiene que salir de una ciudad y regresar a la misma después de
haber visitado (con costo mínimo de viaje) todas las demás ciudades, si se tienen n
ciudades en total que recorrer entonces existen (n-1)! soluciones factibles, y si un
ordenador se pudiera programar para examinar soluciones a razón de un billón de
soluciones por segundo terminaría su tarea, para n = 25 ciudades (lo que
evidentemente resulta un problema pequeño para muchos casos prácticos) en
alrededor de 19.674 años.
Al respecto Glover (1989) refiriendose a casos como el que se nos plantea

expone: "la clave para tratar con tales problemas es ir un paso más allá de la
aplicación directa de la destreza y del conocimiento del experto, y generar recursos
Pág. 79 de 337
para un procedimiento especial (o marco) el cual monitorea y dirige el uso de esta

habilidad y conocimiento. Careciendo de tal procedimiento, las reglas expertas se
pueden empantanar, permitiendo un punto donde ninguna mejora puede percibirse, a
menos de que existan alternativas superiores."
Algunos problemas de optimización combinatoria como por ejemplo, el

problema de programación lineal, el problema de transporte, el problema de
asignación; existen algoritmos rápidos y eficientes, pero en la mayoría de problemas
de optimización combinatoria, por desgracia no los hay. Como por ejemplo el
problema de asignación cuadrático, el problema de localización de plantas, el
problema del agente viajero, etc. Desde hace varias decadas han sido atacados por
algoritmos desarrollados especialmente para el problema específico y usando una
diversidad de técnicas tales como planos de corte (cutting plane), ramificación y
acotamiento (brounch and bound), enumeración implícita, relajación Lagrangeana,
partición de Benders, etc. o por combinaciones de algunas de las técnicas antes
mencionadas. Sin embargo, tal y como se ha visto anteriormente en el capitulo 1, no
pueden resolverse de manera exacta usando tiempo y espacio de ordenador razonable,
aún cuando se tenga sólo un número moderado de variables. Precisamente por este
motivo es por el que en los últimos tiempos, la investigación se ha dirigido
principalmente hacia el diseño de buenas heurísticas, es decir, algoritmos eficientes
con respecto al tiempo de cómputo y al espacio de memoria, y con cierta
verosimilitud de entregar una solución "buena" esto es, relativamente cercana a la
óptima mediante el examen de sólo un pequeño subconjunto de soluciones del
número total.
El principal problema de algunos algoritmos heurísticos estriba en la

dificultad de escapar de la optimalidad local. Lo anterior ha propiciado que el enfoque
de la inteligencia artificial haya revivido como solución de problemas que requieren
de la búsqueda heurística. Varias aproximaciones han surgido del manejo de
problemas de decisión complejos, como son entre otros: Búsqueda Tabú, Algoritmos
Genéticos, Redes Neuronales, Recocido Simulado, Colonias de Hormigas, Enjambre
de Partículas, Análisis de Objetivos y Búsqueda Dispersa.
Son muchos los algoritmos que pueden aplicarse sobre la búsqueda de

soluciones para las distribuciones en planta en busca de buenos resultados, pero el
Pág. 80 de 337
estudio ha ido evolucionando desde el uso de Algoritmos Exactos hacia Algoritmos

Heurísticos y finalmente Metaheurísticos. Los primeros ya han sido vistos en
apartados anteriores, por lo que veremos a continuación algo más sobre los
procedimientos heurísticos y metaheurísticos.
Figura 2.7: Publicaciones metaheurísticas usadas en el problema de Distribución en

Planta (Hahn 2008)
Una vez presentados los algoritmos más relevantes que se han desarrollado
para abordar el importante problema de la asignación de instalaciones a espacios y
vistos en el apartado anterior los algoritmos exactos que abordan el problema de la
distribución en planta se presentarán a continuación otros procedimientos y técnicas
resolutivas heuristiocas o metaheurísticas que permiten implementar otras técnicas
que también han sido utilizadas para la búsqueda de soluciones al problema
propuesto.
2.6.1. Algoritmos heurísticos
Como hemos visto para la mayoría de problemas de interés no existe un

algoritmo exacto con complejidad polinómica que encuentre la solución óptima a
nuestro problema. Además, la cardinalidad del espacio de búsqueda de estos
problemas suele ser muy grande, lo cual hace inviable en la práctica el uso de
algoritmos exactos ya que la cantidad de tiempo que necesitaría para encontrar una
solución resultaría inaceptable. Debido a esto es preciso recurrir a algoritmos
aproximados o heurísticos que permitan obtener una solución de calidad en un tiempo
Pág. 81 de 337
razonable. El término heurística proviene del vocablo griego heuriskein, que puede
traducirse como encontrar, descubrir o hallar.
Desde un punto de vista científico, el término heurística se debe al matemático

George Polya quien lo empleó por primera vez en su libro How to Solve It 8. Con éste
término, Polya englobaba las reglas con las que los humanos gestionan el
conocimiento común y que, a grandes rasgos, se podían simplificar en:
− Buscar un problema parecido que ya haya sido resuelto.

− Determinar la técnica empleada para su resolución así como la solución obtenida.
− En el caso en el que sea posible, utilizar la técnica y solución descrita en el punto
anterior para resolver el problema planteado.
Existen dos interpretaciones posibles para el término heurística.
La primera de ellas concibe las heurísticas como un procedimiento para resolver

problemas. Para esta interpretación, algunas de las definiciones más interesantes que
se extraen de la literatura son las siguientes: T. Nicholson: “Procedimiento para
resolver problemas por medio de un método intuitivo en el que la estructura del
problema puede interpretarse y explotarse inteligentemente para obtener una
solución razonable”. Otros autores como H. Müller-Merbach las definen como: “En
investigación operativa, el término heurístico normalmente se entiende en el sentido
de un algoritmo iterativo que no converge hacia la solución (óptima o factible)”, e
incluso Barr et al. dicen que: “Un método heurístico es un conjunto bien conocido de
pasos para identificar rápidamente una solución de alta calidad para un problema
dado”.
La segunda interpretación de heurística entiende que éstas son una función que
permiten evaluar la bondad de un movimiento, estado, elemento o solución. En este
sentido algunas de las definiciones más interesantes que se pueden encontrar en la
literatura son: Rich et al.: “Una función heurística es una correspondencia entre las
descripciones de los estados del problema hacia alguna medida de idoneidad,
normalmente representada por números. Los aspectos del problema que se
consideran, cómo se evalúan estos aspectos y los pesos que se dan a los aspectos
8
How to Solve It (titulado en español: Cómo plantear y resolver problemas) es un libro del
matemático húngaro George Pólya (1887-1985), publicado en 1945 en la Universidad de Princeton,
que describe métodos para resolver problemas y elaborar pequeñas demostraciones.
Pág. 82 de 337
individuales, se eligen de forma que el valor que la función da a un nodo del proceso
de búsqueda sea una estimación tan buena como sea posible para ver si ese nodo
pertenece a la ruta que conduce a la solución” o la de Russell et al. Que dicen que:
“Actualmente, el término heurística se utiliza más bien como adjetivo para referirse a
cualquier técnica que permita mejorar el desempeño del caso promedio en una tarea
de resolución de problemas, aunque no necesariamente permita mejorar el
desempeño del peor de los casos. Específicamente en el área de los algoritmos de
búsqueda, se refiere a una función mediante la cual se obtiene una estimación del
coste de una solución”.
De todas las definiciones, quizá una de las que puedan resultar más intuitivas
pudiera ser la siguiente dada por Zanakis y Evans (1981): “Procedimientos simples, a
menudo basados en el sentido común, que se supone que obtendrán una buena
solución (no necesariamente óptima) a problemas difíciles de un modo sencillo y
rápido”
Existen métodos heurísticos (también llamados algoritmos aproximados,

procedimientos inexactos, algoritmos basados en el conocimiento o simplemente
heurísticas) de diversa naturaleza, por lo que su clasificación es bastante complicada.
Se sugiere la siguiente clasificación:
1. Métodos constructivos: Procedimientos que son capaces de construir una

solución a un problema dado. La forma de construir la solución depende fuertemente
de la estrategia seguida. Las estrategias más comunes son:
· Estrategia voraz: Partiendo de una semilla, se va construyendo paso a paso una

solución factible. En cada paso se añade un elemento constituyente de dicha solución,
que se caracteriza por ser el que produce una mejora más elevada en la solución
parcial para ese paso concreto. Este tipo de algoritmos se dice que tienen una visión
"miope" ya que eligen la mejor opción actual sin que les importe que ocurrirá en el
futuro.
· Estrategia de descomposición: Se divide sistemáticamente el problema en

subproblemas más pequeños. Este proceso se repite (generalmente de forma
recursiva) hasta que se tenga un tamaño de problema en el que la solución a dicho
subproblema es trivial. Después el algoritmo combina las soluciones obtenidas hasta
Pág. 83 de 337
que se tenga la solución al problema original. Los algoritmos más representativos de

los métodos de descomposición son los algoritmos de divide y vencerás tanto en su
versión exacta como aproximada.
· Métodos de reducción: Identifican características que contienen las soluciones

buenas conocidas y se asume que la solución óptima también las tendrá. De esta
forma se puede reducir drásticamente el espacio de búsqueda.
· Métodos de manipulación del modelo: Consisten en simplificar el modelo del

problema original para obtener una solución al problema simplificado. A partir de
esta solución aproximada, se extrapola la solución al problema original. Entre estos
métodos se pueden destacar: la linealización, la agrupación de variables, introducción
de nuevas restricciones, etc.
2. Métodos de búsqueda: Parten de una solución factible dada y a partir de ella

intentan mejorarla. Algunos son:
· Estrategia de búsqueda local 1: Parte de una solución factible que la mejora

progresivamente. Para ello examina su vecindad y selecciona el primer movimiento
que produce una mejora en la solución actual (first improvement)
· Estrategia de búsqueda local 2: Parte de una solución factible que la mejora

progresivamente. Para ello examina su vecindad y todos los posibles movimientos
seleccionando el mejor movimiento de todos los posibles, es decir aquel que produzca
un incremento (en el caso de maximización) más elevado en la función objetivo (best
improvement).
· Estrategia aleatorizada: Para una solución factible dada y una vecindad

asociada a esa solución, se seleccionan aleatoriamente soluciones vecinas de esa
vecindad. El principal problema que presentan los algoritmos heurísticos es su
incapacidad para escapar de los óptimos locales. En la Figura 2.8 se muestra como
para una vecindad dada el algoritmo heurístico basado en un método búsqueda local
se quedaría atrapado en un máximo local. En general, ninguno de los métodos
constructivos descritos en la sección anterior tendrían por qué construir la solución
optima.
Pág. 84 de 337
Figura 2.8: Función multimodal. Suele acarrear el encasillamiento de los algoritmos

heurísticos en óptimos locales.
Los algoritmos heurísticos no poseen ningún mecanismo que les permita

escapar de los óptimos locales. Para solventar este problema se introducen otros
algoritmos de búsqueda más inteligentes que eviten en la medida de lo posible quedar
atrapados en óptimos locales. Estos algoritmos de búsqueda más inteligentes,
denominados metaheurísticas, son procedimientos de alto nivel que guían a
algoritmos heurísticos conocidos evitando que éstos caigan en óptimos locales.
2.6.2. Algoritmos metaheurísticos
El término metaheurística o meta-heurística fue acuñado por F. Glover en el

año 1986. Con este término, pretendía definir un “procedimiento maestro de alto
nivel que guía y modifica otras heurísticas para explorar soluciones más allá de la
simple optimalidad local”. Actualmente, existe una cantidad muy importante de
trabajos científicos publicados que abordan problemas de optimización a través de las
metaheurísticas, investigaciones sobre nuevas metaheurísticas o extensiones de las
metaheurísticas ya conocidas. Existen bastantes foros donde se publican todos estos
trabajos de investigación. A partir de la definición original de F. Glover, en la
literatura se pueden encontrar otras definiciones alternativas de metaheurísticas o
heurísticas modernas, entre las que se puede destacar las siguiente deda por J.P. Kelly
et al.:
“Las metaheurísticas son una clase de métodos aproximados que están

diseñados para resolver problemas difíciles de optimización combinatoria, en los que
los heurísticos clásicos no son efectivos. Las metaheurísticas proporcionan un marco
Pág. 85 de 337
general para crear nuevos algoritmos híbridos combinando diferentes conceptos

derivados de la inteligencia artificial, la evolución biológica y los procedimientos
estadísticos”.
La idea básica general es siempre la misma: enriquecer a los algoritmos

heurísticos de forma que éstos no se queden atrapados en óptimos locales. La
evolución de las metaheurísticas durante los últimos 25 años ha tenido un
comportamiento prácticamente exponencial. En el tiempo que transcurre desde las
primeras reticencias (por su supuesta falta de rigor científico) hasta la actualidad, se
han encontrado soluciones de muy alta calidad a problemas que hace tiempo parecían
inabordables.
De modo general, se puede decir que las metaheurísticas combinan ideas que
provienen de cuatro campos de investigación bien distintos, ver Figura 2.9:
− Técnicas de diseño de algoritmo (que resuelven una colección de problemas).

− Algoritmos específicos (que dependen del problema que se quiere resolver).
− Fuente de inspiración (basadas en el mundo real).
− Métodos estadísticos.
Las técnicas metaheurísticas son procedimientos de búsqueda que tampoco

garantizan la obtención del óptimo del problema considerado y que también se basan
en la aplicación de reglas relativamente sencillas. A diferencia de los heurísticos, las
técnicas metaheurísticas tratan de huir de óptimos locales orientando la búsqueda en
cada momento dependiendo de la evolución del proceso de búsqueda.
La aplicación de las técnicas metaheurísticas es especialmente interesante en

caso de problemas de optimización combinatoria: problemas en las que las variables
de decisión son enteras (o discretas, al menos) en las que, generalmente, el espacio de
soluciones está formado por ordenaciones de valores de dichas variables. Sin
embargo, las técnicas metaheurísticas se pueden aplicar también a problemas de otro
tipo, como con variables continuas, por ejemplo.
La lógica de las técnicas metaheurísticas es similar: el punto de partida es una

solución (o conjunto de soluciones) que típicamente no es óptima. A partir de ella se
obtienen otras parecidas, de entre las cuales se elige una que satisface algún criterio, a
Pág. 86 de 337
partir de la cual comienza de nuevo el proceso. Este proceso se detiene cuando se

cumple alguna condición establecida previamente.
Las técnicas metaheurísticas más extendidas son las siguientes: los algoritmos
genéticos, la búsqueda tabú, el recocido simulado, la búsqueda “scatter”, las colonias
de hormigas, la técnica conocida por el nombre inglés GRASP. Las redes neuronales,
también incluidas entre las técnicas metaheurísticas, son de naturaleza diferente a las
tres no se van a considerar.
Todas las técnicas metaheurísticas tienen las siguientes características:
− Son ciegas, no saben si llegan a la solución óptima. Por lo tanto, se les debe
indicar cuándo deben detenerse.
− Son algoritmos aproximativos y, por lo tanto, no garantizan la obtención de

la solución óptima.
− Aceptan ocasionalmente malos movimientos (es decir, se trata de procesos

de búsqueda en los que cada nueva solución no es necesariamente mejor –en términos
de la función objetivo– que la inmediatamente anterior). Algunas veces aceptan,
incluso, soluciones no factibles como paso intermedio para acceder a nuevas regiones
no exploradas.
− Son relativamente sencillos; todo lo que se necesita es una representación

adecuada del espacio de soluciones, una solución inicial (o un conjunto de ellas) y un
mecanismo para explorar el campo de soluciones.
− Son generales. Prácticamente se pueden aplicar en la resolución de cualquier

problema de optimización de carácter combinatorio. Sin embargo, la definición de la
técnica será más o menos eficiente en la medida en que las operaciones tengan
relación con el problema considerado.
− La regla de selección depende del instante del proceso y de la historia hasta

ese momento. Si en dos iteraciones determinadas, la solución es la misma, la nueva
solución de la siguiente iteración no tiene por qué ser necesariamente la misma- En
general, no lo será.
Pág. 87 de 337
Aunque las soluciones que ofrecen los técnicas metaheurísticas no son las
óptimas y, en general, ni siquiera es posible conocer la proximidad de las soluciones
al óptimo, permiten estudiar problemas de gran complejidad de una manera sencilla y
obtener soluciones suficientemente buenas en tiempos razonables.
Figura 2.9: Composición de las metaheurísticas.
Una primera conclusión que se puede extraer de las definiciones dadas es que,
en muchos casos, son reglas de sentido común que permiten hacer una búsqueda
“inteligente”. Debido a esta característica, para bastantes metaheurísticas no existe un
marco teórico que las sustente, sino que es a través de los buenos resultados
experimentales donde encuentran su justificación.
Definir un marco general en el que definir las metaheurísticas resulta un poco

complicado hoy en día aunque se está estudiando la manera de englobarlas a todas.
Por el momento se pueden clasificar de la siguiente manera:
· Atendiendo a la Inspiración:
Natural: algoritmos que se basan en un símil real, ya sea biológico, social, cultural, etc.
Pág. 88 de 337
Sin inspiración: algoritmos que se obtienen directamente de sus propiedades

matemáticas.
· Atendiendo al número de soluciones:
Poblacionales: buscan el óptimo de un problema a través de un conjunto de

soluciones.
Trayectoriales: trabajan exclusivamente con una solución que mejoran

iterativamente.
· Atendiendo a la función objetivo:
Estáticas: no hacen ninguna modificación sobre la función objetivo del problema.
Dinámicas: modifican la función objetivo durante la búsqueda.
· Atendiendo a la vecindad:
Una vecindad: durante la búsqueda utilizan exclusivamente una estructura de

vecindad.
Varias vecindades: durante la búsqueda modifican la estructura de la vecindad.
· Atendiendo al uso de memoria:
Sin memoria: se basan exclusivamente en el estado anterior.
Con memoria: utilizan una estructura de memoria para recordar la historia pasada.
Cualquiera de las alternativas descritas por sí solas no es de grano

suficientemente fino como para permitir una separación clara entre todas las
metaheurísticas. Generalmente, estas características (y pueden incluirse más) se
pueden combinar para permitir una clasificación más elaborada.
Según el teorema NFL (No Free Lucnh Theorem), que demuestra que al
mismo tiempo que una metaheurística es muy eficiente para una colección de
problemas, es muy ineficiente para otra colección), los métodos generales de
Pág. 89 de 337
búsqueda, entre los que se encuentran las metaheurísticas, se comportan exactamente

igual cuando se promedian sobre todas las funciones objetivo posibles, de tal forma
que si un algoritmo A es más eficiente que un algoritmo B en un conjunto de
problemas, debe existir otro conjunto de problemas de igual tamaño para los que el
algoritmo B sea más eficiente que el A. Esta aseveración establece que, en media,
ninguna metaheurística (algoritmos genéticos, búsqueda dispersa, búsqueda tabú, etc.)
resulta mejor que la búsqueda completamente aleatoria. Una segunda característica
que presentan las metaheurísticas es que existen pocas pruebas sobre su convergencia
hacia un óptimo global; es decir, que a priori no se puede asegurar, ni que la
metaheurística converja, ni la calidad de la solución obtenida. Por último, las
metaheurísticas más optimizadas son demasiado dependientes del problema o al
menos necesitan tener un elevado conocimiento heurístico del problema. Esto hace
que, en general, se pierda la genericidad original con la que fueron concebidas.
A pesar de estos aparentes problemas, la realidad es que el comportamiento

experimental de la mayoría de las metaheurísticas es extraordinario, convirtiéndose
para muchos problemas difíciles de resolver en la única alternativa factible para
encontrar una solución de calidad en un tiempo razonable. En general, las
metaheurísticas se comportan como métodos muy robustos y eficientes que se pueden
aplicar con relativa facilidad a una colección amplia de problemas. Además, la
demostración del teorema NFL se basa en que el algoritmo de búsqueda no visita dos
veces la misma solución y en que no se introduce conocimiento heurístico en el
diseño del método metaheurístico y estas dos hipótesis habitualmente no son ciertas.
2.6.3. Búsqueda Local
El método de búsqueda local (Local Search, LS) recorre el conjunto de

elementos seleccionados buscando el mejor intercambio para reemplazar un elemento
seleccionado con un elemento no seleccionado. El método realiza movimientos
siempre que el valor de la función objetivo aumente. Finaliza su ejecución cuando no
se encuentra ningún intercambio de elementos que mejore. Este método de mejora se
clasifica en los métodos que seleccionan el movimiento que más mejora la solución
(best improvement).
Este método es la base de muchos de los algoritmos utilizados en problemas

de optimización. El algoritmo recibe una solución inicial y trata de hallar entre su
Pág. 90 de 337
vecindad un candidato que garantice una mejor solución, para esto el concepto de
vecindad es clave. Se considera vecindad a todas las posibles soluciones que están
próximas a la solución dada.
La técnica de selección en la vecindad es conocida como la regla del pivoteo o

pivoting rule, en general puede ser o best-improvement rule (explicado al inicio de
este apartado) o first-improvement rule, que selecciona el primer vecino que mejora la
solución en lugar deseleccionar al mejor entre todos estos.
Como no podía ser de otra manera esta técnica, aunque no ofrezca gran
calidad en las soluciones, ha venido utilizándose por su facilidad de implementación
como un primer paso para encontrar una primera aproximación a la solución que
posteriormente pueda ser utilizada en otros algoritmos de mejora:
A continuación se explican las características más importantes de estas

técnicas: Grasp, la búsqueda tabú, los algoritmos genéticos y el recocido simulado.
2.6.4. GRASP
El nombre de esta metaheurística viene de su acrónimo en inglés Greedy

Randomized Adaptive Search Procedure (GRASP), que en castellano se podría
traducir como procedimientos de búsqueda miope (constructiva, voraz o ávida),
aleatorizados y adaptativos. Cada uno de los términos incluidos en el nombre se
corresponde con una característica distintiva de la metaheurística. GRASP se basa en
el siguiente principio de operación:
GRASP es un procedimiento multi-arranque en el que cada arranque se

corresponde con una iteración. Cada iteración tiene dos fases bien diferenciadas:
− la fase de construcción, que se encarga de obtener una solución factible de alta

calidad;
− la fase de mejora, que se basa en la optimización (local) de la solución
obtenida en la primera fase.
Originalmente GRASP fue desarrollado por T. Feo y M. Resende (Teo y

Resende 1995) como un algoritmo para resolver justamente problemas de
cubrimiento de conjuntos.
Pág. 91 de 337
Los orígenes algorítmicos de GRASP provienen de la heurística semi-

constructiva (semi-constructive heuristic). Esta técnica también se caracteriza por ser
un método multi-arranque basado en una construcción miope aleatorizada. La
diferencia fundamental con respecto a GRASP es que la primera técnica no utilizaba
un procedimiento de mejora (búsqueda local). El pseudocódigo resultaría tal como se
muestra:
{x:TipoSolucion} = GRASP(NUMREP:Entero, F:
TipoFuncionObjetivo)
variables
i:Entero
: TipoSolucion
inicio
para i = 1 hasta NUMREP hacer
{ } = ConstrucciónAleatorizadaMiope();
{ } =MejorarSolucion( ,F)
{x} = ActualizarSolucion(F,x, )
fin para
fin
GRASP es un procedimiento multi-arranque, donde cada iteración está

compuesta de dos fases: una fase constructiva y una fase de mejora. En la Figura 2.3
se muestra un pseudo-código de alto nivel para esta metaheurística. La fase
constructiva es un procedimiento iterativo encargado de construir una solución
elemento a elemento.
Inicialmente, se parte de una semilla que es una componente o un conjunto de

componentes que determinan una solución parcial. Las componentes introducidas en
ella se señalan como elementos no seleccionables. El resto de componentes
constituyen el conjunto de los elementos seleccionables. Posteriormente, se ordenan
todos los elementos seleccionables, utilizando para ello una función voraz,
constructiva o miope (greedy), que les asigna un coste relacionado con el cambio que
se produce en la función objetivo si se introduce cada uno de los elementos en la
solución parcial. Esta fase del algoritmo es la que le aporta el nombre Greedy.
Una vez que se tienen ordenados todos los elementos seleccionables, se

plantea el problema de elegir uno “bueno”. En el contexto de GRASP no se selecciona
el mejor candidato posible, ya que esta opción no asegura que se obtenga una
solución óptima, sino que se elige aleatoriamente un candidato de un conjunto de
buenos candidatos. Este conjunto recibe el nombre de lista de candidatos restringida
Pág. 92 de 337
o RCL (Restricted Candidate List). Numéricamente, la RCL se construye utilizando

los valores máximo y mínimo del coste asignado a los elementos seleccionables en
una iteración dada. Si se supone que cmax y cmin son respectivamente los valores más
alto y más bajo del coste, la RCL estaría formada por todos aquellos elementos cuyo
coste superase (para problemas de maximización) el umbral dado por la siguiente
expresión:
Donde el parámetro a : < determina el tamaño de la RCL. Si a=1

sólo estaría el mejor candidato (función miope pura). Por contra, si a=0, estarían
todos los candidatos (función aleatoria pura), esta fase es la que aporta la palabra
Randomized.
Una vez que se ha seleccionado un candidato perteneciente a la RCL, éste se

introduce en la solución parcial y se marca como elemento no seleccionable. El resto
de elementos siguen siendo seleccionables; por consiguiente, para ellos se calcula de
nuevo (mediante la función miope) la variación que se produciría en la función
objetivo si se seleccionase cada uno de los elementos. Por lo tanto, según se van
introduciendo candidatos a la solución parcial GRASP, ésta se va adaptando al nuevo
escenario. A esta fase del procedimiento se debe el calificativo de Adaptive.
La solución construida en la primera fase no tiene por qué ser un óptimo local,
ya que existen bastantes elecciones estocásticas. En otras palabras, la fase
constructiva no garantiza una optimalidad de la solución. Para resolver este problema,
GRASP introduce una segunda fase, conocida como fase de mejora, que consiste en
un procedimiento de optimización local basado en una función de búsqueda local o,
incluso, en una metaheurística. Por lo general, esta fase mejora la solución construida
pero tampoco garantiza la optimalidad de la solución (aunque experimentalmente se
ha comprobado que mejora bastante la calidad). La segunda fase termina cuando no
se pueda hacer ningún movimiento que mejore la solución actual.
De forma recursiva gran cantidad de autores han utilizado este tipo de

heurística para abordar el problema de la solución de distribuciones en planta: Teo y
Pág. 93 de 337
Resende 1995, Urban 1998, Delmaire 1999, Urban et al. 2000, Cano et al. 2002,
Zheng y Chew 2009,…
2.6.5. Busqueda Tabú (TS: Tabu Search).
La Busqueda Tabú (BT) o Tabú Search (TS) es un procedimiento heurístico de

"alto nivel" introducido y desarrollado en su forma actual por Fred Glover (1989) y
(1990a), el cual se utiliza con gran éxito para resolver problemas de optimización
cuya característica principal es la de "escapar" de la optimalidad local.
"La filosofía de la BT es la de manejar y explotar una colección de principios

para resolver problemas de manera inteligente. Uno de los elementos fundamentales
de la BT es el uso de la memoria flexible, desde el punto de vista de la BT, la
memoria flexible envuelve el proceso dual de crear y explotar estructuras para tomar
ventaja mediante la combinación de actividades de adquisición, evaluación y
mejoramiento de la información de manera histórica" (Glover y Laguna 1993).
Es una metaheurística de búsqueda del óptimo del problema agresiva para evitar
que la búsqueda quede atrapada en un óptimo local que no sea global. La BT se
cimenta en tres puntos principales:
1. El uso de estructuras de memoria basadas en atributos diseñados para permitir

criterios de evaluación e información de búsqueda histórica, la cual se explota
más a fondo que las estructuras de memoria rígida (como en ramificación y
acotamiento) o por sistemas de pérdida de memoria (como recocido simulado y
otros métodos aleatorizados).
2. Un mecanismo asociado de control, mediante el empleo de estructuras de
memoria, basado en el interjuego entre las condiciones que restringen y liberan al
proceso de búsqueda (envuelto en las restricciones tabú y el criterio de
aspiración).
3. La incorporación de funciones de memoria de diferentes lapsos de tiempo, desde
término corto hasta de término largo, para implantar estrategias que refuercen la
combinación de movimientos y las características de solución que históricamente
se han encontrado buenas, mientras que las estrategias de diversificación manejan
la búsqueda dentro de nuevas regiones.
Pág. 94 de 337
Las estructuras de memoria de la BT operan bajo cuatro dimensiones

principales: pertenencia, frecuencia, calidad e influencia. El papel de estos elementos
en la creación de procesos efectivos para resolver problemas son uno de los focos de
atención de este trabajo. En este trabajo se desarrollan los elementos descritos para la
elaboración de algoritmos originales altamente eficientes para atacar problemas
clásicos considerados en la literatura como difíciles.
En términos generales el método de BT puede esbozarse de la siguiente

manera:
Deseamos movernos desde una solución factible inicial de un problema de

optimización combinatoria paso a paso hacia una solución que proporcione el valor
mínimo de la función objetivo C. Para esto se puede representar a cada solución por
medio de un punto s (en algún espacio) y se define una vecindad N(s) para cada punto
s como un conjunto de soluciones adyacentes a la solución s.
El paso básico del procedimiento consiste en empezar desde un punto factible

s y generar un conjunto de soluciones en N(s), de estas se elige la mejor s* y se
posiciona en este nuevo punto ya sea que C(s*) tenga o no mejor valor que C(s).
Hasta este punto se está cercano a las técnicas de mejoramiento local a

excepción del hecho de que se puede mover a una solución peor s* desde s.
La característica importante de la BT es precisamente la construcción de una

lista tabú T de movimientos: aquellos movimientos que no son permitidos
(movimientos tabú) en la presente iteración. La razón de ésta lista es la de excluir los
movimientos que puedan regresar a algún punto de una iteración anterior. Ahora bien,
un movimiento permanece como tabú sólo duranteun cierto número de iteraciones, de
forma que se tiene que T es una lista cíclica donde para cada movimiento s à s* el
movimiento opuesto s* à s se adiciona al final de T donde el movimiento más viejo
en T se elimina.
Las condiciones tabú tienen la meta de prevenir ciclos e inducir la exploración

de nuevas regiones. La necesidad del significado de eliminar ciclos se debe a que, al
moverse desde un óptimo local, una elección irrestricta de movimientos (persiguiendo
Pág. 95 de 337
aquellos con evaluaciones altas) permite igualmente regresarse al mismo óptimo

local.
Hay que apuntar, sin embargo, que la eliminación de ciclos no es la última

meta en el proceso de búsqueda. En algunos casos, una buena trayectoria de búsqueda
resultará al revisitar una solución encontrada anteriormente. El objetivo es el de
continuar estimulando el descubrimiento de nuevas soluciones de alta calidad como
se verá más adelante.
Ahora bien, las restricciones tabú no son inviolables bajo toda circunstancia.
Cuando un movimiento tabú proporciona una solución mejor que cualquier otra
previamente encontrada, su clasificación tabú puede eliminarse. La condición que
permite dicha eliminación se llama criterio de aspiración.
Es así como las restricciones tabú y el criterio de aspiración de la BT, juegan

un papel dual en la restricción y guía del proceso de búsqueda. Las restricciones tabú,
permiten que un movimiento sea admisible si no está clasificado como tabú, mientras
que si el criterio de aspiración se satisface, permite que un movimiento sea admisible
aunque este clasificado como tabú.
La BT en una forma simple descubre dos de sus elementos claves: La de

restringir la búsqueda mediante la clasificación de ciertos movimientos como
prohibidos (es decir, tabú) y el de liberar la búsqueda mediante una función de
memoria de término corto que proporciona una "estrategia de olvido". Tres aspectos
merecen énfasis:
1. El uso de T proporciona la "búsqueda restringida" de elementos de la

aproximación y por lo tanto las soluciones generadas dependen críticamente
de la composición de T y de la manera como se actualiza.
2. El método no hace referencia a la condición de optimalidad local, excepto
implícitamente cuando un óptimo local mejora sobre la mejor solución
encontrada previamente.
3. En cada paso se elige al "mejor" movimiento.
Para problemas grandes, donde las vecindades pueden tener muchos

elementos, o para problemas donde esos elementos son muy costosos para examinar,
es de importancia el aislar a un subconjunto de la vecindad, y examinar este conjunto
Pág. 96 de 337
en vez de la vecindad completa. Esto puede realizarse en etapas, permitiendo al

subconjunto de candidatos expanderse si los niveles de aspiración no se encuentran.
Muchos problemas de optimización combinatoria tienen como soluciones

factibles, las permutaciones p de un conjunto de objetos. Para explicar algunos
conceptos de la BT, en lo que sigue, vamos a suponer que se está manejando como
soluciones factibles permutaciones p de un conjunto de objetos y un movimiento de s
a s* consiste en obtener la permutación p* a partir de la permutación p.
La selección preliminar de la clase de movimientos a tomarse dentro de la BT

consiste en el cambio común por pares es decir, se intercambia la posición de dos
artículos para transformar una permutación a otra. Suponga que dada una
permutación el objeto p(i) precede, pero no necesariamente es adyacente al objeto
p(j). Un movimiento de intercambio es un rearreglo de los objetos p(i) y p(j) de
forma tal que el objeto p(i) se mueve a la posición j y el objeto p(j) se mueve a la
posición i. El valor del movimiento es la diferencia entre el valor de la función
objetivo después del movimiento, F(p*), y el valor de la función objetivo antes del
movimiento, F(p), es decir,
Valor movimiento = F(p’) - F(p)
El valor de movimiento por lo general proporcionan una base fundamental

para evaluar la calidad de un movimiento, aunque otros criterios también son
importantes como se verá más adelante.
Dada la solución inicial el método realiza movimientos hasta que un tiempo

de computadora (tiempo_límite) específico transcurra. El movimiento que se realiza
en cierta iteración se encuentra revisando el valor de todos los movimientos
candidatos para la solución actual. Un movimiento se considera que es un candidato
si los trabajos a intercambiarse están dentro de una distancia específica (número de
posiciones). Dado que se está minimizando, el mejor movimiento candidato es aquel
que posee el menor valor algebraico. De manera más precisa, el mejor movimiento se
selecciona del conjunto de movimientos admisibles. Un movimiento es admisible si
es no tabú o sí su status tabú puede eliminarse por medio del criterio de aspiración. El
mejor movimiento entonces se realiza y la estructura de datos tabú se actualiza.
Pág. 97 de 337
El proceso fundamental mediante el que BT busca trascender la optimalidad

local es el de introducir un mecanismo para hacer ciertos movimientos prohibidos. En
la solución del problema, la preocupación principal es la de crear un status tabú que
prevenga que algún movimiento se invierta bajo la jurisdicción de la memoria de
término corto, la cual se escoge para que el problema tenga un número específico de
movimientos futuros. Es decir, la memoria de término corto de la BT constituye una
forma de exploración agresiva que busca realizar el mejor movimiento posible (véase
Tabla 2.3), sujeto a requerir elecciones posibles para satisfacer ciertas restricciones
(vea tabla 2.4). Esas restricciones están diseñadas para prevenir el regreso o repetir
ciertos movimientos.
Sea π’ la permutación que proporciona el mejor valor de la

función objetivo hasta el momento, entonces
Para (todos los movimientos candidatos)

Si (status del movimiento ≠ de tabú o
F(π)+valor_movimiento < F(π’))
Si (valor_movimiento < mejor_valor_movimiento)
Mejor_valor_movimiento ß valor_movimiento;
Mejor_movimiento ß movimiento_actual;
Ejecuta mejor_movimiento;
Tabla 2.3: Selección del mejor candidato admisible.
La tabla 2.4, nos presenta la forma de elección del mejor movimiento

admisible, esto es, dado un movimiento que es candidato, se elige al mejor de todos
ellos considerando que si es tabú debe de satisfacer el criterio de aspiración. En la
tabla 2.5, se continúa con el proceso de búsqueda hasta que un criterio de paro se
satisface; por lo general, consiste de un número predeterminado de iteraciones.
Genere solución inicial;
Haga
Crear lista de candidatos (Ejecuta mejor_movimiento);
Actualice condiciones de admisibilidad;
Mientras (Criterio de paro = Falso);
Termine globalmente o transfiera.
Tabla 2.4: Componente de memoria de término corto de la búsqueda tabú.
Existen varias formas para crear las restricciones tabú, la Tabla 2.5 (Laguna
et.al. 1990) muestra una lista de posibles atributos de un intercambio de los objetos
Pág. 98 de 337
p(i) y p(j) donde j > i, y que corresponden a restricciones que pueden imponerse para
prevenir movimientos inversos.
1. (p(i), p(j),i, j) Impide cualquier movimiento que resulte en una

permutación donde el objeto p(i) ocupe la posición i y el
objeto p(j) la posición j.
2. (p(i), i, p(j), j) Impide cualquier movimiento que resulte en una
permutación donde cualquiera de los objetos ya sea p(i)
ocupe la posición i o el objeto p(j) ocupe la posición j.
3. (p(i)) Impide a p(i) regresar a la posición i.
4. (p(i), i) Impide a p(i) regresar a una posición k con k≤ i.
5. p(i) Impide a p(i) moverse.
6. (p(i), p(j)) Impide a p(i) y p(j) moverse.
Tabla 2.5: Restricciones tabú y atributos para movimientos de intercambio.
Otra manera de identificar atributos de un movimiento de intercambio es el de

introducir información adicional, mediante no sólo hacer referencia de los elementos
intercambiados, sino también de las posiciones ocupadas por esos elementos en el
momento de su cambio. Se puede observar que las primeras restricciones van de
menor a mayor en cuanto a que son restrictivas, pero esto no se puede afirmar de
manera uniforme. Ahora bien, no existe una forma que se pueda decir que es la mejor,
esto sólo se puede realizar mediante pruebas. En ocasiones es importante asegurar
que las condiciones puedan manejar los procesos de solución de manera eficaz desde
la vecindad actual.
La meta principal de las restricciones tabú es el permitir al método ir a puntos

más allá de la optimalidad local mientras se permita la realización de movimientos de
alta calidad en cada paso al mismo tiempo de que exista una negociación balanceada
con respecto al esfuerzo computacional al examinar muestras muy grandes, por lo
que, en ocasiones es deseable incrementar el porcentaje de movimientos posibles para
que reciban una clasificación tabú. Esto se puede lograr ya sea mediante el aumento
en la pertenencia tabú o mediante el cambio de la restricción tabú.
Además, se requiere de una estructura de datos para guardar el seguimiento de

los movimientos que son clasificados como tabú y para liberar aquellos movimientos
Pág. 99 de 337
de su condición tabú cuando su pertenencia a la memoria de término corto expire. El

acompañamiento de la memoria basada en la pertenencia junto con la memoria
basada en la frecuencia adicionan una componente que típicamente opera sobre un
horizonte. El efecto de tal memoria se puede estipular por medio de que la BT
mantenga una historia selectiva H de los estados encontrados durante la búsqueda, y
reemplazando la vecindad actual N(s) por una vecindad modificada que depende de
este proceso histórico N(H,s).
El último elemento en el procedimiento básico es el criterio del nivel de

aspiración, cuyo propósito es el de permitir que "buenos" movimientos tabú se
seleccionen si el nivel de aspiración se alcanza. El apropiado uso de tal criterio puede
ser muy importante para posibilitar que un método de BT alcance sus mejores niveles
de realización. Este criterio de aspiración (que puede ser estándar) es el que permite
que el status tabú se elimine si una mejor solución que la alcanzada hasta el momento
se puede obtener, i.e., a un movimiento tabú se le permite ejecutarse si:
F(p) + valor movimiento < F(p’)
Ahora bien, otros criterios de aspiración pueden también proporcionar

efectividad para mejorar la búsqueda, como se verá más adelante. Una base para uno
de esos criterios proviene de introducir el concepto de influencia (Glover y Laguna
1993), la cual mide el grado de cambio inducido en la estructura de solución o de
factibilidad. La influencia por lo general se asocia con la idea de distancia del
movimiento, i.e., donde un movimiento de gran distancia se concibe como de mayor
influencia.
El método inicia con una solución heurística factible, que se guarda como la
mejor encontrada. Un paso crítico, el cual envuelve la orientación agresiva de la
memoria de término corto, es la elección del mejor candidato admisible. La función
mejor_movimiento es la que identifica a un movimiento para el cual el valor del
movimiento es el más pequeño. El dominio de la función es el conjunto de todos los
movimientos admisibles. El mejor_movimiento no tiene que ser necesariamente uno
que mejore. Primero, cada uno de los movimientos de la lista de candidatos se evalúa
en turno.
Pág. 100 de 337

Ahora bien, conforme la búsqueda progresa, la forma de la evaluación

empleada por la BT llega a ser más adaptativa, incorporando referencias
concernientes para la intensificación y la diversificación regional de búsqueda. Cabe
aclarar que en las estrategias basadas en consideraciones de término corto la
clasificación tabú sirve para identificar elementos de la vecindad del movimiento
actual, mientras que en las estrategias de término intermedio y largo pueden no
contener soluciones en esta vecindad, por lo general consisten en seleccionar
soluciones élites (óptimos locales de alta calidad) encontrados en varios puntos en el
proceso de solución. Dichas soluciones élites se identifican como elementos de un
conglomerado regional en las estrategias de intensificación de término intermedio, y
como elementos de diferentes conglomerados en las estrategias de diversificación de
término largo.
La esencia del método depende de cómo el registro de la historia H se define y

se utiliza, y de cómo los candidatos y la función de evaluación se determinan.
Revisar el status tabú es el primer paso en la escena de la admisibilidad. Si el

movimiento no es tabú, es inmediatamente aceptado como admisible; de otra forma,
el criterio de aspiración da una oportunidad para eliminar el status tabú,
proporcionando al movimiento una segunda oportunidad para clasificarse como
admisible.
En algunos casos, si las restricciones tabú y el criterio de aspiración son

suficientemente limitados, ninguno de los movimientos posibles, serán clasificados
como admisible. Un movimiento "menos inadmisible" se salva para manipular tal
posibilidad y se elige si no emergen alternativas admisibles.
La longitud de la lista tabú es un parámetro, si es demasiado pequeño el

ciclado puede ocurrir, pero si es demasiado grande, restringirá bastante la búsqueda
para poder saltar "valles profundos" (i.e., el mejor mínimo local) del espacio de
valores de la función objetivo. Una faceta importante de la BT es la habilidad de
localizar un rango robusto de longitudes de la lista tabú mediante pruebas empíricas
preliminares para identificar para una clase de problemas los tipos de atributos y de
restricciones tabú que se realizan de manera más efectiva. Acerca de esto, existe el
uso de listas tabú múltiples, cada una desarrollada para un tipo particular de atributo.
Pág. 101 de 337

Cuando diferentes tipos de atributos se manejan de esta forma, pueden estar

dados con pesos distintos, dependiendo de su clasificación y edad, para determinar el
status tabú de los movimientos que lo contienen.
En muchas aplicaciones, el componente de término corto por sí mismo ha

producido soluciones superiores a aquellas encontradas mediante procedimientos
alternativos, y el uso de memoria de mayor término en esos casos se ha eludido.
Ahora bien, la memoria de término intermedio y largo puede ser importante para
obtener mejores resultados para problemas difíciles.
La memoria de término intermedio y largo opera primariamente como una

base de las estrategias de intensificar y diversificar la búsqueda.
2.6.6. Recocido Simulado (SA: Simulated Anealing).
El Algoritmo de Recocido Simulado (ARS) (Simulated Annealing Algorithm -

SAA) pertenece una clase de Algoritmos de busqueda local (Local Search Algorithms
– LSA) comunmente llamada Algoritmos de Umbral (Threshold Algorithm - TA).
Hay dos razones por las cuales los TA resultan interesantes dentro de los LSA:
1. parecen funcionar bastante bien en una amplia gama de problemas reales.

2. algunos TA, como el SAA, tienen caracteristicas que permiten hacer un
analisis de la convergencia.
Analogía Física
El metodo del recocido se utiliza en la industria para obtener materiales más

resistentes, o más cristalinos, en general, para mejorar las cualidades de un material.
El proceso consiste en derretir el material (calentarlo a muy altas

temperaturas). En esa situacion, los atomos adquieren una distribucion “azarosa”
dentro de la estructura del material y la energia del sistema es maxima. Luego se hace
descender la temperatura muy lentamente por etapas, dejando que en cada una de esas
etapas los atomos queden en equilibrio (es decir, que los atomos alcancen una
configuracion óptima para esa temperatura). Al final del proceso, los atomos forman
una estructura cristalina altamente regular, el material alcanza asi una maxima
resistencia y la energia del sistema es minima.
Pág. 102 de 337

Experimentalmente se comprueba que si la temperatura se hace descender

bruscamente o no se espera suficiente tiempo en cada etapa, al final la estructura del
material no es la optima.
La rama de la Fisica llamada Mecanica Estadistica se encargo de desarrollar

una serie de metodos para estudiar el comportamiento de grandes cantidades de
atomos de un sistema. Debido a que en promedio, en un sistema hay 1023 atomos por
cm3, solamente puede estudiarse el comportamiento más probable del sistema en
equilibrio a una dada temperatura. La experimentacion mostro que los atomos de un
sistema en un proceso de recocido se comportan según el factor de probabilidad de
Boltzman. En 1953 Metropolis modelo el proceso de recocido: en cada paso del
algoritmo se le da al atomo un desplazamiento azaroso y se mide el cambio de
energia DE. Si DE £ 0 se acepta el desplazamiento. Si DE > 0, se acepta el
desplazamiento con probabilidad exp (-DE / T.K), donde T es la temperatura del
sistema y K es la constante de Boltzman.
Esqueleto de un TA
Sea (S, c) una instancia de un problema de optimizacion combinatoria, donde:
· S es el conjunto de soluciones factibles

· c es la funcion costo (a valores reales positivos)
El problema es hallar un i en S que minimize c.
Para implementar un TA son necesarios ademas:
· Una funcion entorno N de S en partes de S.

· Una sucesion tk (los llamados threshold)
La manera de elegir los tk y el criterio de aceptacion de una nueva solucion

definen 3 tipos de TA:
Dado i en S en la iteracion k
Genero j en N(i)
Utilizo los valores c(j) – c(i) y tk para decidir aceptar o no la solucion j
Local Search Improvement (mejora continua): tk = 0 (para todo k)
Pág. 103 de 337

Si c(j) – c(i) < tk = 0 entonces acepto j
Threshold Accepting (umbral de aceptacion): se fija la sucesion tk tal que tk ³ tk+1, tk

> 0, y tk tiende a 0 cuando k tiende a infinito.
Si c(j) – c(i) < tk entonces acepto j
En este caso, todas las soluciones que disminuyen el costo son aceptadas, y las
que incrementan el costo son aceptadas en forma limitada. A medida que aumenta k
(progresa el algoritmo) solo se aceptan incrementos pequeños, hasta que
eventualmente solo se aceptan mejoras.
Simulated Annealing (recocido simulado): los tk se toman como en el threshold

accepting pero el criterio de aceptacion es probabilistico
Si c(j) – c(i) £ 0 entonces acepto j
Si c(j) – c(i) > 0 entonces acepto j con probabilidad exp [(c(i) – c(j)) / tk]
(en la iteracion k se genera un numero al azar r y se acepta j si r < exp [(c(i) – c(j)) /
tk])
En este caso, cada vecino de una solucion tiene una probabilidad positiva de
reemplazar a la solucion actual. Los tk se eligen de forma tal que a medida que
avanzan las iteraciones, aceptar soluciones con grandes incrementos en el costo es
menos probable (pero sigue existiendo una probabilidad positiva de aceptarlos).
El metodo del Recocido Simulado. (The simulated annealing method).
Sea S el conjunto de soluciones posibles del sistema (a las que identificamos

con los diferentes “estados del sistema”) y tenemos dada una funcion costo sobre los
elementos de S (a la que identificamos con la “energia del sistema”). Se quiere
encontrar un elemento en S que minimize la funcion costo (analogamente, se trata de
encontrar un estado en el cual la energia del sistema sea minima). Asumimos que los
Pág. 104 de 337

estados del sistema tienen la funcion de distribucion de probabilidad de Boltzman,

i.e., la probabilidad de que el sistema se encuentre en el estado j es:
P (j) = (1/Zt) exp [- c(j) / t]
Donde Zt = S exp [- c(i) / t] (suma sobre todos los elementos i de S)

t es la temperatura del sistema y c(i) es el costo de la solucion i.
Sea S* el subconjunto de S de las soluciones que minimizan c (globalmente, es decir

soluciones optimas del problema). Para t suficientemente chico:
exp [- c(j*) / t] >> exp [- c(j) / t]
para todo j != j*
Entonces:
P (j) = exp [- c(j) / t] / {S* exp [- c(j*) / t]} = 0 si j != j*

1/S* si j = j*
(Esto se obtiene de tomar t tendiendo a 0)

Por lo tanto: S P (j*) = 1 (suma sobre todos los j* en S*).
Algoritmo de Recocido Simulado. (Simulated Annealing Algorithm).
Version monotona
El algoritmo se divide en etapas. A cada etapa le corresponde una temperatura

menor que la que tenia la etapa anterior (a esto hace referencia la monotonia: despues
de cada etapa la temperatura baja, se enfria el sistema). Por lo tanto hace falta un
criterio de cambio de la temperatura (“cuanto tiempo” se espera en cada etapa para
dar lugar a que el sistema alcance su “equilibrio termico”).
Datos iniciales y parametros a ser definidos para poder inicializar el algoritmo:
Temperatural inicial (T0)
Pág. 105 de 337

La temperatura inicial T0 debe ser una temperatura que permita casi (o todo)
movimiento, es decir que la probabilidad de pasar del estado i al j (en N(i)) sea muy
alta, sin importar la diferencia c(j) – c(i). Esto es que el sistema tenga un alto grado de
libertad. En problemas como TSP, donde el input son los nodos de un grafo y las
soluciones posibles son distintas formas de recorrer estos nodos, pude tomarse T0
proporcional a la raiz cuadrada de la cantidad de nodos. En general se toma un valor
T0 que se cree suficientemente alto y se observa la primera etapa para verificar que el
sistema tenga un grado de libertad y en funcion de esta observacion se ajusta T0.
Solucion inicial (i0)
En todas las versiones, el sistema debe ser “derretido” antes de implementar el
algoritmo. Esto es que la solucion factible incial que llamamos i0 debería ser una
solucion tomada al azar del conjunto de soluciones factibles. En algunos problemas
esto puede hacerse utilizando números pseudo aleatorios (pseudo-random numbers)
provistos por una maquina (ejemplo de esto es el bandwidth problem). Pero en
muchos casos ya es problemático encontrar una solucion, por lo que es imposible
tomar una al azar. En estos casos se implementa un algoritmo “greedy” tipo local
search para buscar una solucion factible y se toma esta como i0 (ejemplo de esto es el
TSP).
Funcion entorno (N)
Factor de enfriamiento
Tnext = aT (factor de enfriamiento geometrico, a < 1, muy cercano a 1)
Tnext = 1 / (1 + bT) (donde b es un real positivo cercano a cero)
Criterio de cambio de la temperatura

Se usan dos parametros: K = cantidad de iteraciones que estamos dispuestos a
hacer en cada etapa (equivalente a la cantidad de tiempo que vamos a esperar a que el
sistema alcance su equilibrio termico para una dada temperatura T); A = cantidad de
aceptaciones que se permiten hacer en cada etapa.
A medida que T disminuye se supone que al sistema le resulta más dificil alcanzar un
equilibrio porque resulta más dificultoso el movimiento, entonces hay que esperar
más tiempo, esto se traduce en un aumento de K.
Parametro de aumento de K (r, se usan valores alrededor de 1,05)
Pág. 106 de 337

Criterio de STOP
a) Lundy y Mees: si el algoritmo se detiene cuando T < e / [ln (#S – 1)/q]
Donde #S es el cardinal del conjunto de soluciones (debe tenerse un metodo de
estimar este valor).
Entonces, si i es la solucion que da el algoritmo e i* en un optimo global,
P(|c(i) – c(i*)| < e) = q
b) En general se utiliza un parametro de congelamiento (frozen: FRZN). Como a
medida que disminuye la temperatura, aumenta el parametro K y A permanece
constante, la proporcion A/K se hace pequeña. Asumimos que si A/K < FRZN el
sistema esta congelado (la cantidad de aceptaciones respecto de la cantidad de
iteraciones es muy chica, esto da la idea de que cambiar de configuracion es muy
dificil).
El algoritmo:
1. i = i0
2. T = T0
3. K = K0
4. while (condicion de STOP)
5. while (k < K && a < A)
6. generar j en N(i)
7. if (c(j) – c(i) < 0)
8. i = j
9. a = a + 1
10. else
11. generar un numero r al azar (pseudo-
random number)
12. if (r < exp [(c(i) – c(j))/T])
13. i = j
14. a = a + 1
15. k = k + 1
16. T = aT
17 K = rK
18. k = 0
19. a = 0
20. mostrar i, c(i)
Versión no monotona (fast cooling)
Se utiliza un factor de calentamiento que permite enfriar más rapidamente el

sistema. Esto es, elegir un factor de enfriamiento a menor y considerar que si en una
etapa dada, con una temperatura T, el algoritmo no alcanza a realizar A aceptaciones
es porque el sistema se enfrio “demasiado rapido” y entonces en la siguiente etapa se
Pág. 107 de 337

multiplica T por un factor de calentamiento h (1 < h < 2, valores clasicos: mayores a

1,25). Imaginar que en una etapa se alcanzo un minimo local y la temperatura T es
muy baja, entonces la probabilidad de poder salir del minimo es tambien muy baja,
por eso se aumenta un poco la temperatura para que en la siguiente etapa la
probabilidad de “salir” del minimo local sea mayor.
En este caso el algoritmo queda asi:
1. i = i0
2. T = T0
3. K = K0
4. while (condicion de STOP)
5. while (k < K && a < A)
6. generar j en N(i)
7. if (c(j) – c(i) < 0)
8. i = j
9. a = a + 1
10. else
11. generar un numero r al azar (pseudo-
random number)
12. if (r < exp [(c(i) – c(j))/T])
13. i = j
14. a = a + 1
15. k = k + 1
16. if (a = A)
17. T = aT
18. else (k = K)
19. T = hT
20. K = rK
21. k = 0
22. a = 0
23. mostrar i, c(i)
2.6.7. Algoritmos Biológicos.
Los procesos de la naturaleza han sido fuente de inspiración para implementar

un gran número de técnicas, estas técnicas se donimonan como evolutivos ya que se
basan en la evolución y el aprendizaje para ir considerando cuales de las posibles
soluciones resultan mas favorables para los fines buscados …
La evolución natural es responsable de la aparición de todos los organismos
vivos en nuestro planeta tal y como los conocemos actualmente. Resulta un proceso
muy lento que ocurre desde hace millones de años y que continua acaeciendo en este
preciso momento. Es el processo de adaptación de todas las espécies de organismos
vivos que les permite sobrevivir en un ambiente sujeto a cambios regulares. A veces
Pág. 108 de 337

algunas especies desaparecen por falta de adaptación a ese medio ambiente. Hace
unas decenas de años surgio el interés por el estudio de la posibilidad de simular por
medios informáticos el proceso de la evolución natural y de usar estas simulaciones
como herramientas de optimización en lo que se ha denominado Computación
Evolutiva.
Dentro de este tipo de lgoritmos destacan sin duda los Algoritmos Genéticos,
pero también existen otras líneas de trabajo con las denominadas “Cologias de
Hormigas” y los “Enjambres de Partículas” (bandadas de aves o de peces).
2.7.4.1. Algoritmos Geneticos.
Los Algoritmos Genéticos (AG) constituyen un conjunto de métodos

adaptativos que podem ser usados na resolución de problemas de búsqueda y
optimización. Estos métodos se han inspirados en los estudios realizados por los
biólogos especializados en la evolución y pretenden imular los procesos que son
esenciales en la evolución natural de poblaciones de seres vivos. A lo largo de
muchas generaciones, poblaciones de organismos vivos evolucionan de acuerdo con
los principios de la selección natural, que fueron descritos por primera vez por
Darwin9. Los principios básicos de los AG fueron establecidos por Holland (1975) y,
dado que desde su propuesta inicial han ido apareciendo algunas modificaciones y
variaciones sobre el mismo, el algoritmo original propuesto por Holland se designa
por AG canónico o AG simple (Goldberg, 1989).
En la naturaleza, los indicuduos de una población compieten entre si para la
obtención de recursos tales como la alimentación, el agua o el abrigo. Los miembros
de una misma especie también compiten frecuentemente para atraer a un compañero
para la reproducción.
Los individuos con mayor capacidad de supervivencia y de atracción de

compañeros para la reproducción son los que tendrán mas probabilidades de llegar a
tener un mayor número de descendientes. Los menos capaces tendrán de este modo
un menor número de descendentes. De esta forma, los genes de los indivíduos mejor
adaptados al medio ambiente se reproducirán en un número creciente de individuos
9
Charles Darwin (1809-1882) escribió la obra “Sobre el Origen de las Espécies por Medio de la Seleccción Natural”
publicada en 1859 en la que se establecen los principios de la Evolución Natural, aunque ya antes
Jean_Baptiste Lamark (1744-1829) había formulado la teoría de la evolución en su libro “Filosofía Zoológica”
publicado en 1809.
Pág. 109 de 337

en cada geración sucesiva. La combinación de buenas caracteristicas de diferentes

antepasados puede en algunos casos producir descendientes bien adaptados al medio
ambiente, con un mejor grado de integración en el medio considerado. Asi a cada
individuo se le atribuye un valor de aptitud que corresponde a su capacidad de
supervivencia y reproducción. Los indivíduos comn los mayores valores de aptitud
poseen mayores oportunidades de combinarse con otros individuos de la población.
En la reproducción se generarán nuevos individuos que heredan algunas
características de cada uno de los progenitores. La combinación de las buenas
características de los progenitores permitirá de este modo la generación de individuos
(soluciones) mejores.
Paralelismo con la Naturaleza
Evolución Natural ↔ Algoritmos Genéticos

Indiciduo —— Solución
Genotipo (comosomas) —— Representación
Reproducción Sexual —— Operador de Cruzamiento
Mutación —— Operador Mutación
Población —— Conjunto de Soluciones
Generación —— Ciclos
Tabla 2.6: Analogia entre la evolución natural y los algoritmos genéticos.
Los Algoritmos Genéticos (AG) constituyen, por largo, el grupo más extenso
de los métodos mas representativos de la aplicación de las herramientas de los
Algoritmos Biológicos. Estos trabajan con una población de individuos, que
representan las soluciones para resolver el problema, usando operadores de
recombinación, mutación, selección y sustitución. Un AG obtiene sucesivas
geraciones de individuos cada vez más aptos frente a la problemática. La búsqueda
se basa tan soloen el valor de aptitud asociado a cada individuo en la porblación.
Cuando se planea la resolución de un problema cocreto utilizando AG resulta
normalmente necesario tener en cuenta la codificación de las posibles soluciones y la
función de evaluación o función objetivo, siendo estas dependientes del problema
planteado.
Uno de los aspectos más importantes que se deben de considerar cuando se

emplean AGs, consiste en la selección adecuada de la función objetivo (fitness) que
Pág. 110 de 337

se va a emplear para averiguar la “calidad” de una determinada solución. Por medio

de algoritmos genéticos es posible conseguir buenas distribuciones a partir de una
búsqueda guiada sobre una pequeña fracción del espacio de soluciones, aunque tienen
el problema de la dificultad en codificar los individuos o soluciones factibles y de
diseñar las estrategias de búsqueda, en las que es fundamental la asignación de los
parámetros específicos del problema, como por ejemplo las probabilidades de
cruzamiento, mutación o reproducción y el tamaño de la población, aunque el
problema más grave es el de la gestión de las restricciones geométricas del problema
(Michalewicz 1994, Islier 1998), presenta un algoritmo genético en el que se divide
los centros de actividad en un número de celdas de superficie unitaria y se valoran la
forma tomada por cada actividad y por el conjunto, así como los costes de transporte
en el proceso productivo, obteniendo resultados aceptables. Muchos autores han
utilizado los AG en la distribución en planta (Al-Hakim 2000, Islier 2000, De la
Fuente 2001, Contreras 2010) establecen la discusión sobre la aplicabilidad de los
algoritmos genéticos a este tipo de problemas, aportando algunas posibles mejoras en
el campo de la formulación de los mismos a través de los algoritmos genéticos.
2.7.4.2. Optimización por Colonia de Hormigas (ACO: Ant Colony

Optimization).
Basado en el comportamiento de las hormigas que dejan a su paso un rastro de

feromonas que le sirve de medio de comunicación entre ellas. Esta técnica emplea
hormigas que crean soluciones al problema considerado. En cada interación se
dispone de un conjunto de hormigas que construyen un conjunto de posibles
soluciones soluciones.
La Optimización por Colonia de Hormigas (Ant Colony Optimization, ACO)
es una técnica probabilística para solucionar problemas computacionales que pueden
reducirse a buscar los mejores caminos o rutas en grafos. Se trata, por lo tanto, de una
técnica evolucionaria, como los algoritmos genéticos y la búsqueda scatter.
Cada hormiga construye una solución mediante un método constructivo
pasando de unos estados a otros, todos soluciones parciales, cada vez más completos.
En términos de un problema de optimización, el rastro de feromonas depositadas por
las hormigas se traduce en la probabilidad de pasar de un estado a otro determinado.
Al final, tras conocer la calidad de las soluciones obtenidas por cada una de
las hormigas, se modifica el rastro de feromonas asociado a los cambios de estado de
Pág. 111 de 337

acuerdo con algún criterio que premie las transiciones correspondientes a hormigas
que han ofrecido buenos resultados.
En la construcción de nuevas soluciones, las hormigas tendrán en cuenta:
− el atractivo que la transición de un estado a otro ofrece de acuerdo con algún
criterio que a priori permite evaluar la idoneidad de dicha transición;
− la experiencia acumulada a partir de las soluciones construidas en iteraciones
anteriores que esta almacenada en el rastro asociado a los movimientos que se
realizan para construir una solución.
En estos casos el valor del rastro está acotado inferior y superiormente. Se

inicializar los rastros a un valor máximo. A medida que se realizan iteraciones se
actualizan los rastros que nunca quedan por debajo de un determinado valor con el
objeto de evitar el estancamiento en torno a un posible óptimo local.
El primer algoritmo de este tipo de heurística fue propuesto en 1992 por
Marco Dorigo (Dorigo 1992), en su tesis de doctorado con el objetivo de buscar el
camino óptimo en un grafo, basado en el comportamiento de las hormigas cuando
estas están buscando un camino entre la colonia y una fuente de alimentos.
Posteiormente la idea original se ha diversificado para resolver una amplia clase de
problemas numéricos, y como resultado, han surgido gran cantidad de problemas
nuevos, basándose en diversos aspectos del comportamiento de las hormigas y uno de
ellos ha sido justamente el problema de la distribución en planta. (Maniezzo 1999,
Dorigo 1996, Gambardella et al. 1997, Romero et al. 2011)
2.7.4.3. Optimización por Enjambre de Particulas (PSO: Particle Swarm

Optimization).
La Optimización por Enjambres de Partículas (conocida como PSO, por

sus siglas en inglés, Particle Swarm Optimization) es una técnica de
optimización/búsqueda en el campo del aprendizaje automático. Este método fue
descrito alrededor de 1995 por James Kennedy y Russell C. Eberhart (Kennedy y
Eberhart 1995), y se inspira en el comportamiento de los enjambres de insectos,
peces y/o aves en la naturaleza (por eso algunos autores en lugar de enjambres de
partículas usan la denominación de bandadas de aves o bancos de peces). En
concreto, podemos pensar en un enjambre de abejas, ya que éstas a la hora de buscar
polen buscan la región del espacio en la que existe más densidad de flores, porque la
Pág. 112 de 337

probabilidad de que haya polen es mayor. Este método ha sido portado al campo de la
computación en forma de algoritmo y se emplea en la actualidad en la optimización
de distintos tipos de sistemas, entre los que se encuentra la búsqueda de soluciones
para la distribución en planta.
Formalmente hablando, dada una función desconocida, f(x,y), que podemos

evaluar en los puntos que queramos, pero a modo de caja negra, sin conocer su
expresión, se intentan encontrar valores de x e y para los que la función f(x,y) sea
máxima (o mínima, o bien verifica alguna relación extremal respecto a alguna otra
función). Como ya hemos visto en otras entradas similares, a f(x,y) se le suele llamar
función de fitness, ya que va a determinar cómo de buena es la posición actual para
cada partícula (a la función de fitness a veces también se le llama "paisaje de
fitness", ya que puede verse como un paisaje con valles y colinas formados por los
valores que toma la función).
Una primera aproximación a este problema de calcular valores extremos de

una función bidimensional podría ser la selección aleatoria de valores de x e y, y
almacenar el mayor de los resultados encontrados, lo que se conoce como una
búsqueda aleatoria. Para muchos espacios de búsqueda (normalmente, todos
aquellos interesantes) este método es altamente ineficiente, por lo que es
imprescindible encontrar otros métodos más ‘inteligentes’ que, a pesar de el
desconocimiento de la función a optimizar, puedan ofrezcer más posibilidades de
éxito que la simple búsqueda basada en el azar. En PSO, las partículas se sitúan en el
espacio de búsqueda y se mueven a través del mismo de acuerdo a unas reglas que
tienen en cuenta el conocimiento personal de cada partícula y el conocimiento global
del enjambre. A través de sus movimientos por este paisaje de fitness las partículas
llegan a descubrir valores particularmente altos para f(x,y).
Pág. 113 de 337

Figura 2.10: Trayectorias del movimiento de las partículas en el enjambre.
¿Cómo funciona?
Cada partícula (individuo) tiene una posición, (x,y), en el espacio de búsqueda

y una velocidad, (vx,vy), con la que se mueve a través del espacio. Además, como
partículas de un mundo real físico, tienen una cantidad de inercia, que los mantiene en
la misma dirección en la que se movían, así como una aceleración (cambio de
velocidad), que depende principalmente de dos características:
1. Cada partícula es atraída hacia la mejor localización que ella, personalmente, ha

encontrado en su historia (mejor personal).
2. Cada partícula es atraída hacia la mejor localización que ha sido encontrada
globalmente en el espacio de búsqueda (mejor global).
Figura 2.11: Trayectorias influidas por los atractores en del movimiento de las
partículas.
Pág. 114 de 337

La fuerza con que las partículas son empujadas en cada una de estas
direcciones depende de dos parámetros (atracción-al-mejor-personal y atracción-al-
mejor-global), de foma que a medida que las partículas se alejan de estas
localizaciones mejores, la fuerza de atracción es mayor. También se suele incluir un
factor aleatorio que influye en cómo las partículas son empujadas hacia estas
localizaciones. Siguiendo este algoritmo se intenta optimizar una función que viene
determinada por los valores sobre una malla. El paisaje se obtiene asignando
aleatoriamente valores a cada uno de los puntos de la malla, para posteriormente
aplicar un proceso de difusión que suaviza los valores obtenidos, lo que proporciona
un espacio con numerosos mínimos locales (valles) y máximos locales (colinas). Esta
función ha sido creada así solo con fines ilustrativos. Habitualmente, en aplicaciones
reales del PSO las variables (x,y,z,...) pueden corresponderse con parámetros
diversos del problema (por ejemplo, de predicción de un mercado de valores), y la
función f(x,y,z,...) no tendrá las restricciones ni características que aquí se imponen
(en el mismo ejemplo, podría evaluarse por medio de los datos históricos).
Posibles variantes en la metodología
En una primer paso, que se aplica en algunos de los algoritmos que se

engloban dentro de los PSO, y que es fácil de implementar en el modelo visto,
consiste en añadir una fuerza repulsiva entre las partículas con el objeto de intentar
prevenir que todas ellas converjan prematuramente a una pequeña zona del espacio de
búsqueda (lo que supone acabar prematuramente en un máximo local, y con pocas
opciones de escapar de él para encontrar mejores optimizaciones). Realmente, se
puede enriquecer el modelo añadiendo comportamientos diversos a los individuos-
partículas, ya sea inspirándose en comportamientos observados en la naturaleza o
puramente abstractos. Otra posibilidad es no considerar el máximo global que se va
encontrando, sino dividir las partículas en familias y considerar máximos globales por
familias, y de esta forma, cada familia puede trabajar en paralelo y cada partícula solo
ha de tener conocimiento acerca de lo que "sucede" en su familia, y no en el conjunto
global de individuos. Con este planteamiento no resulta difícil modificar el modelo
propuesto con anterioridad para que se genere una función que cambie en el tiempo y
poder así experimentar bajo qué condiciones las partículas del enjambre siguen el
movimiento de los máximos a medida que se trasladan por el espacio. Además,
Pág. 115 de 337

existen variantes en las que estas familias son dinámicas, de forma que las partículas
pueden is cambiando de familia a medida que el algoritmo se va ejecutando o incluso
pertenecer a más de una familia.
Figura 2.12: Paisaje tras una serie de iteraciones en el que se aprecian ya valles y
colinas (mínimos y máximos locales).
2.7. COMENTARIOS FINALES.
Desde la perspectiva que dan los estudios realizados en la búsqueda de la

solución al problema de la distribución en planta de instalaciones, se observa que, a
pesar de ser realmente muchos los trabajos, y utilizando las más diversas técnicas,
muy pocos son los que tratan el problema con consideración seria de la autentica
forma de las instalaciones, quedándose la mayoría en los planteamientos de
procesamiento puramente matemático, ademas apenas se encuentran trabajos que
aborden el problema de conexión entre instalaciones por medio de pasillos u otros
medios fisicos de comunicación, la mayoria tratan tan solo el problema en modelos
monoplanta y muy pocos abordan la solución con departamentos de varios tamaños y
formas variadas.
Pero del elevado número de autores que han abordado estos problemas
debemos citar algunos que si han pretendido abordar los mismos teniendo en
consideración estas limitaciones geométricas.
Pág. 116 de 337

Moon y McRoberts (1989) presentan un sistema experimental FLUKES

(‘Facility Layout Using Knowledge-based Expert System’) basado en sistemas
expertos.
Montreuil y Ratliff (1989), por ejemplo, presentan a su vez un método que

determina un árbol de relaciones entre las instalaciones minimizando sus distancias a
través del arbol de cortes (‘Cut Trees’) y construye la distribución en planta sobre un
esquema de pasillos construidos de forma libre a partir del ‘Cut Trees’.
Langevin et al. (1994) presentaron un método que define un pasillo principal

usado para servir de comunicación entre las células de trabajo, localizadas en ambos
lados y para almacenar temporalmente piezas que están siendo procesadas. El método
se compone de dos pasos, en el primero se genera el orden de las células y el segundo
determina para cada célula la localización, considerando sus dimensiones así como la
localización de entradas y salidas.
Tretheway y Foote (1994) presentan un método constructivo, que genera una

estructura de pasillos y la localización de las instalaciones, a partir de la matriz de
flujos, utilizando el ‘scatter diagram’ propuesto por Drezner (1987).
Ludgero (1997) plantea un estudio en el que aborda la solución al problema de

las distribuciones en planta considerando estas interconectadas por pasillos en
ubicaciones monoplanta.
Como se ha mencionado anteriormente se observa que, entre los modelos

presentados en la bibliografía para la solución del problema de distribución en planta
-que desde luego son muchos-, apenas ninguno se preocupa en el problema de la
forma de las instalaciones. Entre los estudios que si han procurado atender este
requisito se pueden citar: Tam y Li (1991), Tam (1992a), Tam (1992b), Furtado y
Lorena (1997), Ontiveros (2004), Diego-Mas (2006), Gonzalez-Garcia (2005) y
Moltalvá (2011). Como el problema debe atender dos objetivos que pueden entrar en
claro conflicto, flujo y forma, en general –y seguramente debido a que los estudios
vienen propiciados desde un punto de vista más matemático y economico que
técnico– se ha decidido que resulta más fácil, y seguramente productivo, en general el
atender el requerimiento en cuanto a la minimización de los flujos, dado que el
problema de forma que viabiliza el proyecto de la fábrica, factoría o taller no resulta
Pág. 117 de 337

en general solucionado. Esta considración es la que ha propiciado que en este trabajo

se haya planteado siempre que sea posible el atenerse a la forma real de la instalación
cuando esta exista y sea conocida. Otra cuestión observada esta en relación a la
conexión entre instalaciones no adyacentes que puede realizarse por medio de
pasillos, pocos discuten esta realidad y los trabajos presentados son más bien
constructivos sin mucha preocupación por la cuestión de la forma. Con el importante
objetivo de estudiar alguno estos problemas y con la modesta intención de aportar un
granito de arena se ha desarrollado este trabajo de investigación.
Pág. 118 de 337

CAPÍTULO – 3
CUESTIONES GEOMÉTRICAS EN LAS

DISTRIBUCIONES INDUSTRIALES
Pág. 120 de 337

CAPÍTULO 3
Cuanto más se pretenda que algo se asemeje a la realidad

más impreciso será
y cuanto más preciso sea
más se alejará de la realidad.
Albert Einstein (1879-1955),
físico alemán, premio Nobel de Física en 1921.
3. CUESTIONES GEOMETRICAS.
3.1. NUEVO PARADIGMA.
Tras haber realizado un repaso por las distintas técnicas de resolución del
problema de la Distribución en Planta industrial y tras haber analizado las distintas
líneas de trabajo e investigación que se han seguido para abordar este problema nos
damos cuenta de que han sido y siguen siendo enormes los esfuerzos dedicados a
intentar avanzar en la búsqueda de un sistema adecuado que pueda ser aplicado a
casos reales y que también pueda tener un uso generalizado por los expertos a la hora
de encontrar una posible solución para el problema.
Pero, tal y como ya se indicó en el capitulo uno de este trabajo, esto no parece
que haya sido posible ni parece que exista una línea de trabajo que destaque y que
pueda servir de línea principal para continuar con los trabajos. Cierto es que la
búsqueda de algoritmos, mas o menos complejos, que permitan realizar una búsqueda
de una solución si no óptima si por lo menos buena, ha sido una de las tareas que mas
investigadores han abordado, pero dado el escaso interés que estos resultados han
suscitado en los ingenieros encargados de tomar la decisión de como realizar las
implantaciones de sus factorías parece que algo no funciona y que no resulta
adecuado el planteamiento o por lo menos la forma de abordar el problema.
Pág. 121 de 337

Tras analizar las causas de este fracaso de utilización de las aportaciones, se

ha intentado ver n que podían fallar las líneas de trabajo que se vienen utilizando,
para intentar ver si existe alguna posibilidad de cambio que cambien esta tendencia
que casi se podría denominar suicida.
De una forma algo genérica podríamos resumir que en la actualidad los

trabajos abordan la utilización de algoritmos heurísticos o semiheurísticos para la
búsqueda de una solución optimizada con un modelo meno o multiobjetivo pero se
abordan estos problemas con un modelado que permita utilizar estos algoritmos con
una implementación informática clásica, esto es con un procesado de lo que
históricamente se ha venido denominando, desde que Descartes la puso en nuestras
manos geometría analítica. Es cierto que los ordenadores y los sistemas informáticos
actuales nos facilitan herramientas de cálculo que permiten realizar complejos
cálculos y procesar gran cantidad de posibles datos, pero para que esto ocurra
precisamos de disponer de estos datos y de poder modelar y “programar” las
ecuaciones que representen los cálculos que deseamos realizar. Es aquí donde de
alguna manera parece que el sistema pueda estar fallando.
La historia de las matemáticas nos indican que la primera rama de esta ciencia
que se consolidó fue la geometría impulsada por Euclides (siglo II a.c.) al recopilar en
su obra Los Elementos prácticamente todo el conocimiento matemático de su época.
Con esta obra se dispuso de cálculos geométricos que posibilitaban resolver ciertos
problemas: proporciones, operaciones con segmentos y arcos, problemas de
tangencias, problemas de curvas cónicas, problemas de curvas cíclicas, contrucciones
geométricas de lo mas diverso, … y con las posibilidades de trazado que estos
ofrecían (e igualmente con las limitaciones que entonces se imponían de uso tan solo
de regla y compás) se han realizado grandes obras de la humanidad: templos,
pirámides, acueductos, etc. Posteriormente con la aparición de los números mas o
menos complejos (y que los estos evolucionan pasado desde los enteros, pasando por
lo reales e imaginarios hasta llegar a los números complejos) y sus operaciones
aparece el Álgebra y el Cálculo numérico y posteriormente la Geometría Analítica,
postulada por Descartes (en el siglo XVII), dan un gran paso adelante y con la
incorporación de las ecuaciones y de las variables e incógnitas se avanza en todos los
campos de la ingeniería haciendo posible que así mismo avance la propia humanidad
con sus logros. En el siglo pasado, con la aparición de los ordenadores y de los
Pág. 122 de 337

sistemas informáticos, la programación de aplicaciones se ha basado en la

implementación de las ecuaciones algebraicas que permitan hacer cálculos para que
después dependiendo de los resultados obtenidos se puedan tomar decisiones. De este
modo el cálculo y el álgebra se han convertido en herramientas indispensables para la
formulación de respuestas a las cuestiones planteadas aun con la ayuda del ordenador.
La nueva rama de la geometría computacional ha dado pasos interesantes a la

hora de intentar plantear nuevas formas de abordar algunos problemas geométricos y
de encontrar algoritmos innovadores que permitan ser implementados por medio de
sistemas informáticos, pero esta nueva ciencia aborda problemas muy concretos y
sigue utilizando el algebra y el calculo numérico como recursos básicos para realizar
sus procedimientos. Si la entendemos la Geometría Computacional como “la ciencia
dedicada al diseño y análisis de algoritmos informáticos empleados en la solución de
problemas de carácter geométrico”, podríamos definir la Computación Geométrica
como la ”rama de la Geometría Computacional que pretende implementar los
algoritmos para hallar solución a los problemas geométricos pero en un entorno de
DAO, utilizando los recursos para el trazado y que estos entornos poseen”. Dicho de
otro modo, es como volver al trazado geométrico del dibujo clásico para, por medio
de estos, hallar las soluciones a problemas constructivos que presenten datos con
entidades puramente geométricas (líneas, regiones, superficies, planos, puntos,…).
Asi por ejemplo es factible encontrar el punto intersección de dos rectas que
se corten ya que es fácil dada la ecuación de las rectas encontrar cualquier punto de
estas o dadas las rectas por dos puntos de cada una hallar la ecuación de estas rectas y
posteriormente resolver el sistema de ecuaciones planteado. Pero no resulta tan fácil,
aunque evidentemente no imposible, el encontrar el punto intersección de una recta
con una curva cualquiera que pase por N puntos y de la que, a priori, se desconoce su
ecuación. Pero lo que si resulta factible, y hasta podríamos decir que incluso resulta
fácil, es el hallar el punto intersección de la recta y la curva (cualquier curva) con un
sistema de DAO. Del mismo modo el problema se complica si, en vez de la
intersección de recta y curva, se propone encontrar el resultado o resultados (ya que
no tiene por que ser único) de la intersección de dos curvas, pudiendo afirmarse sin
embargo que la resolución de esta cuestión en un sistema DAO resulta prácticamente
similar al problema de las dos rectas o de la recta y la curva.
Pág. 123 de 337

Dicho esto ee postula aquí entonces lo que podríamos denominar

“Computación Geométrica” o la implementación de los problemas geométricos en un
entorno de un sistema DAO en el que los problemas geométricos mas comunes se
resuelven de forma mucho mas sencilla, cierto que apoyándose en programas
complejos y de gran potencia operativa pero de forma transparente para el usuario y
mucho mas intuitiva ya que no precisa de utilizar las ecuaciones de las entidades. Si
desde que a finales del siglo XVIII, Gaspar Monge pone la piedra de la Geometía
Descriptiva y de los Sistemas de Representación en tres dimensiones que permite
solucionar prácticamente todos los problemas tridimensionales que se nos puedan
imaginar (posiciones relativas de elementos en el espacio, verdaderas dimensiones,
intersecciones, etc, etc) y que tengan solución evidentemente, no se había dado otro
gran paso hasta la incorporación de los entornos gráficos de DAO para realizar las
tareas del trazado geométrico, tal vez sea el momento de, una vez implantados de
forma genérica los sistemas de DAO para realizar las tareas de dibujo tanto en 2D
como en 3D, dar otro paso mas utilizando estos entornos con las posibilidades de
programación que estos puedan ofrecer para abordar problemas geométricos mas
complejos por medio de iteraciones computacionales.
Nos encontramos aquí con el nuevo paradigma que permite abordar algunos
problemas geométricos de forma mucho más directa y real, ya que no se precisa un
modelado distinto a la copia de la realidad existente, que además resulta ser la forma
mas común con la que se trabaja en la actualidad para plantear esos problemas.
Parece un poco absurdo el utilizar la geometría para obtener unos datos que se
procesan posteriormente por algoritmos algebraicos para en un paso final volver a
incorporar los posibles resultados dados por esos algoritmos en los sistemas
geométricos de los que partimos. No debemos olvidar que los programas DAO
permiten un trazado geométrico, y por tanto obtener sus resultados analíticos
posteriormente, tanto en 2D como en 3D y permiten mantener relaciones entre las
entidades que intervienen en el problema e incluso aplicar cuanta restricción
geométrica se quisiera imponer.
Dicho esto y planteado este nuevo escenario podemos afirmar que el entorno
más normal para abordar el problema de distribución en planta es seguramente un
entorno Dibujo Asistido por Ordenador (DAO) en el que podremos resolver, con los
distintos algoritmos, y cálculos realizados de forma interna o externa, las distintas
Pág. 124 de 337

cuestiones que se nos presentan a la hora de abordar el problema. Esto permitiría

encontrar una solución, cuando no mas eficiente, al menos si mas real, visual y
fácilmente interpreble, lo que favorecería la credibilidad de los resultados optenidos y
finalmente generalizaría en el futuro el uso de estas técnicas e implementaciones por
parte de los ingenieros.
3.2. CUESTIONES PREVIAS.
La cuestión es que, a pesar de que el problema de la distribución en planta de

procesos industriales (Facility Layout Planning o FLP), tal y como se ha visto con
anterioridad, ha sido ampliamene estudiado y se han planteado muy diversos recursos
que faciliten la ordenación de los elementos (instalaciones o actividades) de un
sistema de producción de forma óptima (o tal vez deberamos decir ‘cuasi-óptima’) y
asistido por medios informáticos, la el problema planteado sigue adoleciendo de
soluciones aplicables al mundo real para que que el ingeniero pueda aplicarlas sin
tener que replantearse todos sus principios de lógica y experiencia y sin tener que
aceptar las posibles soluciones que el sistema asistido le imponga sin poder realizar
modificaciones a ciegas.
Ya en 1978 Tompkins planteaba cinco problemas comunes en lo que se puede

denominar la resolución del problema de distribucions en planta asistidas por
ordenador y que por desgracia siguen perdurando a pesar del paso del tiempo:
1) falta de confianza
2) ubicación irreal de departamentos
3) forma irreal de departamentos
4) formas irreales de plantas (no rectangulares)
5) alineación irreal de departamentos
1) La confianza en las respuestas aunenta a medida que los programas informáticos son
ejecutados múltiples veces. Se varía la distribución inicial usada como entrada. Para
PLANET se varía la prioridad de colocación. Para CORELAP se varian la anchura y
la longitud de los departamentos (siempre rectangulares). Para ALDEP, se varía la
anchura de la forma y el grado de proximidad. Se hacen ligeras modificaciones del
diagrama desde-hacia (o de relación).
Pág. 125 de 337

2) Las ubicaciones irreales no constituyen un problema importante en CRAFT,

COFAD y ALDEP ya que las ubicaciones estan fijas. Si una instalación aparece
situada en una ubicación indeseable, su ubicación se fija en la siguiente iteracción
del programa. CORELAP no permite a asignación a muros o esquinas exteriores
esecíficos. Con PLANET la prioridad de colocación más baja entra al final de la
distribución y, por tanto, está en el exterior y para evitar esto tan solo cabe cambiar
la prioridad de colocación del departamento si fuera necesario.
3) Las formas pueden estar restringidas por el tipo de maquina. Por ejemplo, las
máquinas atornilladotas automáticas pueden medir 1,5 x 5,5 metros, por tanto,
puede ser apropiada un área larga y angosta. Sin embargo, un cuadrado de 3 x 3 no
funcionará aun cuando el area sea suficiente. Para CRAFT y COFAD se toma la
distribución generada, se le da la nueva forma deseada al departamento y se corre
de nuevo con el departamento fijo. Con ALDEP se puede fijar el área o variar la
anchura de la forma. Con CORELAP y PLANET el ejor enfoque es simplemente
usar la entrada del ordenador como primer esquema mental.
4) La forma de planta irreal no es problema para CRAT, COFAD o ALDEP, ya que

permiten especificar la forma de la planta. Con CORELAP se varían las
proporcionesentre longitud y anchura de la planta o se fijan las áreas salientes en
ubicaciones fijas en la siguiente ejecución. Con PLANET sólo se aprueba y apoya, y
debe recordase que su finalidad es generar ideas, no una distribución final.
5) Normalmente, las alineaciones irreales presentan problemas de situación de pasillos.

CRAFT y COFAD permiten usar departamentos ficticios (con flujo nulo) que se
pueden considerar como pasillos. ALDEP permite directamente la entrada de
pasillos. Con CORELAP y PLANET, las rutinas pueden manejar pasillos, y por
tanto, la distribución se debe ajustar manualmente.
A esto hay que sumar de una manera relevante que muchas de las tecnicas
utilizadas para llegar al layout objetivo son del tipo constructivo, casi como si se
presupusiera que la distribución buscada es nueva y que una vez que se haya decidido
como queda permanecerá invariable en el tiempo, y esto es, a todas luces, totalmente
inadeacuado cuando se habla de instalaciones industriales (no ocurriría lo mismo en
otro tipo de distribuciones como puedan ser la arquitectonica, o las distribuciones de
componentes electrónicos en una placa impresa …) Es por esto por lo que como
objetivo primordial de este trabajo se ha planteado el intentar, en la medida de lo
Pág. 126 de 337

posible, paliar algunas de estas limitaciones o problemas que conlleva el

planteamiento de una distribución en planta industrial.
A estos 5 problemas principales ya propuestos por Tompkins se podrían añadir

algunos otros como puedan ser:
- dimensiones de las instalaciones no correctas

- medidas de transportes irreales
- metricas no adecuadas
- inicio de medidas siempre desde los centroides de los departamentos
- imposibilidad de asignar instalaciones al contorno exterior
- no se tiene en cuenta las fronteras de las instalaciones suponiendo estas
siempre como paredes fijas
- trabajo con un solo nivel de instalaciones
- …
No se acabarán aquí los posibles problemas sino que a medida que se

resuelvan estos es seguro que aparecerán otros inconvenientes en el camino que
obligara a seguir trabajando en este campo, pero es justamente aquí en donde, en la
medida de lo posile, se plantearemos a continuación algunas cuestiones en la que se
intentarán dar soluciones a estos problemas.
Pág. 127 de 337

Naturaleza del
CORELAP ALDEP PLANET CRAFT COFAD
problema
Puede efectuar Puede variar el Puede variar Puede variar la Igual que
puebas por medio ancho de la prioridades de distribución CRAFT
1 Falta de de la variación de forma y el grado colocación y inicial, se deben
proporciones entre de proximidad y hacer varios ubicar cuando
confianza en la el ancho de los hacer corridas procesos nevos menos tres
solución departamentos y adicionales de la de la rutina. distribuciones
hacer un número rutina. significativamen
de iteraciones te diferentes al
nuevas. ordenador.
Pueden Puede redituar Puede usar Igual que Igual que

especificarque un departamentos prioridades de ALDEP ALDEP y
2 Ubicaciones departamento se con ubicació colocación para CRAFT
fije a un muro irreal la secuencia de
departamentales exterior o esquina colocándolos en entrada para
irreales y volver a una ubicación cambiar la
procesar la ruina. realista y distribución en
reprocesar la la siguiente
rutina. ejecución de la
rutina.
Aunque no es un Puede variar el No puede Puede remodelar Igual que

enfoque flexible, ancho de la corregir con el departamento CRAFT
3 Formas puede variar las forma o fijar el rutina; se dee y volver a
proporciones entre departamento al manejar a mano procesar la
depatamentales longitud y ancho y área la distribución rutina usando
irreales volver a procesar realistamente generada por el una distribución
la rutina. cnformada y ordenador. modificada así
olver a procesar como la
la rutina. istribución
inicial.
Puede variar las No deben surgir No puede Igual que Igual que
proporciones entre problemas; se corregir con ALDEP ALDEP y
4 Formas irreales longitud y ancho puede rutina; se debe CRAFT
de la planta o especificar la manejar a mano
de planta variar la prioridad forma de la la distribución
de ubicación y planta desde el generada por el
volver a principio. rdenador.
reprocesar la rtina.
No puede corregir No deben surgir Igual que Puede insertar Igual que
con rutina; se problemas; la CORELAP departamentos CRAFT
5 Alineación del debe tratar rutina puede en la
manualmente la especificar distribución
departamento distribución pasillos en la inicial, alinear
geneada por el configuración deartamenos
ordenador. inicial. reales n la
distribución
generada por el
ordenador,
poner modelos
ficicios entre
ellos, volver a
prcesar la rutina.
Tabla 3.1: Técnicas para reducir problemas en las distribuciones asistidas por
ordenador (Tompkins, 1978).
La cuestión que debería preocuparnos en estos tiempos es que, tal y como

indicó Moore (1978), a pesar de los grandes esfuerzos empleados para su desarrollo,
Pág. 128 de 337

las rutinas de distribución implementadas informáticamente son rara vez se utilizadas

en la práctica, salvo para estudios muy particulares, siendo en la practicas sustituidas
por el ya clásico ‘Systematic Layout Planning’ (SLP) de Richard Muther. Esto
sorprende aun más observando que las publicaciones académicas están llenas de
artículos acerca de ellas. En la misma línea el mismo Muther afirmaba en 1980: “En
1968 nuestra firma consultiva trabajaba con cuatro programas de ordenador para el
resparto de espacios. Hoy (refiriéndose a 1980) ya no se usa ninguna de allos ya que
hemos observado que podemos obtener mejores distribuciones más rápidamente si
utilizamos el SLP”.
Otra posibilidad, no descartada por Konz (2004), es que las personas puedan
realizar rutinas tan bien como los ordenadores, y dar soluciones mucho más adaptadas
a la realidad buscada. Lewis y Block (1980) hicieron la prueba de enfrentar a
expirementados ingenieros diseñadores de planta a una rutina de construcción (en este
caso FATE) y obtuvieron como resultado que los ingenieros hicieron todo tan bien
como los sistemas informáticos excepto los problemas muy complejos, y se dieron
cuenta de que el número de departamentos, la complejidad y predominancia del flujo
(entendiendo por predominancia si este es aleatorio o si es altamente específico)
resultaban factores importantes, y se daba algun caso, como cuando la predominancia
del flujo era realmente alta, en que los ordenadores no ofrecían ventaja alguna. En ese
mismo año Trybus y Hopkins (1980) llegan incluso a afirmar, sin mayores
miramientos, que “los ordenadores dieron unos resultados tan buenos como los
técnicos” (afirmación que en Galicia se diría que la decían ‘con retranca’).
Cabe entonces preguntarse: ¿por que no se usan de forma sistemática los

programas informáticos desarrollados?, que vistas las publicaciones en que se
exponen dan tan buenos resultados. La opinión más plausible pudiera ser que el
problema de la Distribución en Planta de ua factoria industrial a pesar de ser una
cuestión elevante no se presenta muy a menudo en una empresa (por lo menos a nivel
global), y ya se sabe que la “solución optima” no es fácilmente abodable, por lo que
la solución por la que al final se obte será una “buena solución” (que en muchos casos
no sabemos cuan buena es en realidad) y que ademas, para más inri se modificará
irremediablemente en un futuro no muy lejano. Asi las cosas muchos ingenieros de
planta no planearan una distribución en planta en toda su vida y si hacen una, esta
puede que en realidad apenas se trate de una distribución de productos (línea) o de
Pág. 129 de 337

una célula de fabricación; pueden volver a distribuir un departamento cada cinco o

diez años, pero con mucha frecuencia apenas se ubican uno o dos nuevos elementos
en una instalación ya existente. Por ese motivo no se mantienen actualizados en el uso
de sistemas informáticos específicos para estas tareas. Cabe destacar aquí que algunos
de los manuales más adecuados hasta la fecha para estas tareas siguen siendo los de
Tompkins y Moore (1978) o Khator y Moodle (1983) lo que prueba que si bien hay
mucho trabajo en nuevas implementaciones informáticas (nuevos algoritmos, estudios
de caso, búsquedas de mejoras teóricas,…) no ocurre lo mismo en la tarea de facilitar
a los ingenieros, o usurios finales, herramientas que les faciliten el uso de las mismas.
Llegados a este punto y una vez planteada la duda sobre la posible inutilidad
del uso sin más de los algorirmos heurísticos planteados por los distintos autores,
intentaremos enfrentarnos a los problemas geométricos que se presentan en la
resolución de las distribuciones de planta para, en la medida de lo posible, intentar
acercar más la solución obtenida con ayudas heurísticas o semiheurísticas a lo
buscado por los ingenieros, para avanzar en la confianza que estos puedan tener en
estos sistemas y al final inpermitan incrementar su uso en las tareas más cotidianas.
Los problemas geométricos inmediatos con los que nos encontramos a la hora
de ubicar instalaciones en un espacio físico son al menos los siguientes:
- La forma y tamaño de la instalación.

- El contorno o frontera de la instalación.
- La forma de determinar las distancias entre las distintas instalaciones.
- El espacio en el en que hay que situar esta situado en una sola planta o esta
distribuido en varios posibles niveles.
A estos podrían añadírsele otros mas como puedan ser si el estudio se

pretende realizar en 2, 2D½ o 3D, el tipo de instalaciones a ubicar (no es lo mismo
tabajar con máquinas, que con espacios de almacen, que con tuberías y conducciones,
…), la posibilidad o no de modificar/mover/reorientar algunas de las instalaciones
existentes para hacer la nueva implantación, los costos disponibles para poder hacer
la implantación (que permitián o no realizar las nuevas instalaciones o las
modificaciones sobre los existente), …
Pág. 130 de 337

3.3. EL MODELO GEOMÉTRICO Y EL ESPACIO DE SOLUCIONES.
Los aspectos geométricos básicos del FLP son el tamaño y forma de las
actividades, el modelo de representación del espacio y su métrica y la forma y
número de pisos o niveles de la planta industrial o del dominio de ubicación, el modo
en que son tratados determina la configuración espacial de las soluciones.
Estos aspectos, de principal importancia en el proyecto y construcción de

complejos industriales no son contemplados por una formulación estándar del QAP y
son los que se intentan abordar de manera explícita en este trabajo.
Para tratar los aspectos geométricos del problema existen básicamente dos
vías, una introduciendo explícitamente en la formulación un conjunto de restricciones
o penalizaciones relacionadas directamente con la forma, dimensión y posición de las
actividades y otra implícitamente a través del propio modelo geométrico adoptado, la
métrica y la representación. En nuestro caso apostamos sin duda por esta segunda
opción, aunque usando también en algunas ocasiones criterios de restricción-
penalización para instalaciones no totalmente determinadas, ya que es la más realista
y la que más se adecua una tarea de ingeniería de planta. Puesto que se considera que
la distribución se realiza en dos etapas claramente diferentes una primera en la que se
aborda la distribución de zonas ñamplias o agrupada de instalaciones y una segunda
en la que se aborda con mas detenimiento la distribución que se pretende implantar y
que corresponderá a la distribuciónde detalle.
Inicialmente se plantea un modelo continuo de las instalaciones de las que se

conoce su forma concreta para determinar las posiciones más reales posibles pero de
posteriormente se ha adoptado un modelo discreto partiendo de una cobertura por
medio de un solapamiento de rectángulos que cubran las instalaciones reales con las
que se trabaja y el control geométrico de agregación (que evita la rotura de las
actividades) por estar este asociado implícitamente al procedimiento con que se
construyen las soluciones para abordar el problema de los pasillos, pero se trabajará
también con modelos continuos en la medida en que se dispondrá de formas
geométricas concretas de las instalaciones que se ubicarán pasando los datos a los
procesos algorítmicos externos para que estos procesen los datos reales
suministrados.
Pág. 131 de 337

Como se verá a continuación a la hora de formular los distintosproblemas

geométricos, la propuesta de este trabajo ha diso el de trabajar siempre que se pueda y
se tengan los datos con las formas reales de las instalciones a implantar, pero dejando
la posibilidad de que en el caso de que estos datos no se encuentren totalmente
disponibles al empezar a buscar la solución al problema de la distribución en planta,
se pueda trabajar con representaciones discretas de las mismas. De igual modo y
puesto que aunque se pesenta n implementaciones en entornos de DAO se pretende
mantener el vinculo con aplicaciones ya existentes se deja también abierta la
posibilidad de discretizar los datos reales de partida para poder transmitir los datos a
los programas disponibles.
A- Contorno Real. B- Contorno Simulado.
Figura 3.1: Estado de “pixelización” o digitalización para obtener entorno

simulado partiendo del conterno real.
En términos generales, el entorno del sistema preparado para poder simular en

entorno real en un modelo simulado discreto, puede ser descrito como una cuadrícula
en la que cada posición tiene una marca que indica si la posición está ocupada o no
por un obstáculo. De esta forma se dispone de un mecanismo que convierte los
obstáculos en el entorno real (Fig. 3.1-A) en obstáculos digitalizados en el entorno
simulado (Fig. 3.1-B).
Para poder recurrir a la utilización de ambos modelados el real o continuo y el

simulado o discreto se aborda la búsqueda de solución en dos niveles distintos
primeramente una distribución agrupada o de bloques para la que se hara un solape en
forma de rectángulos de las instalaciones y posteriormente una distribución mas
Pág. 132 de 337

promenorizada o de detalle de maquinaria en la que se pueda trabajar con zonas

rectangulares o con formas reales.
3.4. PROBLEMA DE FORMA.
3.4.1. Consideraciones generales.
El problema de la distribución en planta de procesos industriales (FLP)

persigue la ordenación óptima de los elementos (instalaciones o actividades) de un
sistema de producción y contempla tal y como se ha visto, entre otros, aspectos tan
relevantes como puedan ser los geométricos y económicos, aunque en la actualidad y
con la aplicación de técnicas multivariantes y multiobjetivo se han incorporado
algunos otros tales como la seguridad, la mantenibilidad o la flexibilidad para el
cambio. El aspecto económico tiene que ver con los costes de la implantación de la
instalación en la planta y con su operación y explotación, mientras que el geométrico
se relaciona con la arquitectura del sistema y la forma y dimensiones de las propias
instalaciones y plantas industriales. De la consideración de estos aspectos se derivan
diferentes formulaciones del problema según el modelo geométrico adoptado para
representar la solución y según la función a optimizar, que puede incluir términos
cuantitativos, como pueden ser los costes de instalación y de operación (manutención)
y términos cualitativos derivados de la tabla relacional de actividades establecida
desde la metodología SLP (Muther, 1973).
La formulación cuantitativa clásica más simple de este problema es como un

problema cuadrático de asignación (QAP), donde todas las actividades industriales se
consideran iguales y cuadradas (Lawler, 1963). Bajo este planteamiento monoárea de
las actividades la planta industrial tiene una caracterización geométrica insuficiente lo
que dificulta en general la adecuada representación y valoración de la distribución en
planta de un proceso industrial de fabricación. En esencia el QAP es una formulación
topológica propia de la teoría de grafos que no considera los aspectos geométricos
fundamentales del problema real de la distribución en planta (FLP).
Para resolver las dificultades propias de la representación geométrica del

modelo y las dificultades de resolución del QAP se han desarrollado diferentes
modelos geométricos y aplicado diversas técnicas heurísticas y de optimización
(Heragu, 1991) que permiten abordar problemas industriales reales con eficiencia y
mejor grado de resolución. Las distintas técnica algorítmicas y heurísticas se han
Pág. 133 de 337

aplicado al problema de distribución en planta formulado como un problema

cuadrático de asignación (Gambardella et al., 1997, Maniezzo, 1999) con todos los
inconvenientes ya reseñados que esto conlleva.
De forma abstracta el problema puede enunciarse como:
Dado un dominio D de área A con geometría conocida, desconocida o

restringida, D(A), se persigue ubicar en él sin superposición, sin disgregación y con
calidad geométrica un conjunto de m actividades de áreas ai, di(ai) de geometría
irregular, fija o flexible, relacionadas entre sí con intensidades de relación (wij, rij) de
modo que se optimice cierta función del sistema asociada a su geometría (forma), la
operación y la relación(adyacencia).
æ m m m m ö
Min F (W , D, R, F ) = Min çç å å Wij × d ij - å å V (rij ) × f ij ÷÷ (3.1)
è i =1 j =i +1 i =1 j =i +1 ø
Se persigue minimizar, para un periodo de tiempo determinado, la anterior

función multicriterio, donde wij el coste unitario de manutención entre las actividades
i y j, por unidad de tiempo y de distancia, dij la distancia entre las actividades i y j,
medida con la métrica adecuada, rij la relación de adyacencia especificada en la tabla
relacional de actividades R(rij) para el par de actividades i y j, V(rij) es una función
de valor de la relación y F(fij) la matriz de adyacencia o frontera del sistema
(Hospitaler, 2003).
3.4.2. MODELOS DE REPRESENTACIÓN ESPACIAL.
Una de las primeras y fundamentales decisiones que se deben tomar a la hora

de abordar el problema de distribución en planta de instalaciones industriales es el
relativo al modelo de representación espacial que se va a emplear. Al consultar la
bibliografía nos encontramos con dos líneas claramente diferenciadas en este punto
del problema:
1. La primera línea de trabajo emplea un modelo espacial topológico, basado en

teoría de grafos, tanto para el planteamiento como para la resolución del
problema. Este enfoque es muy empleado en aquellas referencias en las que se
utilizan objetivos tan solo cualitativos.
Pág. 134 de 337

2. La segunda emplea un modelo espacial geométrico a la hora de colocar las

actividades sobre el plano, o sobre el espacio. En esta línea es en la que se
encuentran la mayor parte de los trabajos, por ello se dedicará un mayor nivel de
detalle en este apartado.
Figura 3.2: Clasificación de los modelos espaciales empleados por las

técnicas de resolución del problema de distribución en planta
(Diego-Mas 2006).
En la Figura 3.3 se muestra una clasificación de los distintos modelos de

representación espacial empleados en las distintas versiones del problema de
implantación de industrias en la bibliografía consultada. Si se opta por los modelos
geométricos se abre un amplio abanico de opciones en función del espacio empleado,
ya sea unidimensional, en cuyo caso el problema será un SRLP (Single Row Layout
Problem), bidimensional, al que se denomina FLP (Facility Layout Problem) y el
caso general de más de dos dimensiones. Una línea con mucha pujanza en la
actualidad es emplear dos dimensiones y media, integrando varias plantas iguales y
ascensores (montacargas y/o escaleras) entre ellas, el MFLP (Multi Facility Layout
Problem) o bien una formulación que emplee plenamente las 3 dimensiones. En cada
uno de los modelos geométricos se debe decidir a su vez si se va a emplear una
representación espacial continua o discreta, pues la formulación del problema varía
sensiblemente en ambos casos.
Pág. 135 de 337

Figura 3.3: Clasificación de los modelos de representación espacial.
Siguiendo los trabajos de Santamarina (1995), de Diego-Mas (2006), de

Gonzalez (2005) y de Montalvá (2011) se muestran a continuación algunos de los
modelos utilizados para modelar las distintas actividades en las plantas industriales, y
de igual modo se hace un breve esbozo de los indicadores que se han venido
utilizando para el análisis de las formas de las mismas.
3.4.2.1. Modelos topológicos
Las aproximaciones al problema de distribución en planta que emplean

modelos de representación espacial topológicos, no persiguen encontrar una
distribución exacta de cada una de las n actividades del problema, sino situar más
bien su posición relativa. El diagrama final deberá satisfacer una serie de aspectos que
tienen que ver con la necesidad de proximidad o lejanía de actividades, así como por
el flujo de materiales entre actividades. Si las restricciones espaciales resultan más
estrictas y solo se permite la colocación de actividades en un plano de trabajo,
obteniéndose así un modelo bidimensional, que es el más extendido en la bibliografía.
Sin embargo es posible extender el problema a tres dimensiones si se elimina la
restricción de planaridad.
Por tanto, se persigue construir un diagrama relacional de actividades y/o

recorridos de modo que no se produzcan cruzamientos (principio de circulación) y
sean adyacentes las actividades con máxima relación o estén separadas las
Pág. 136 de 337

incompatibles (principio de la mínima distancia, principio de la seguridad y confort y

principio de integración).
Como paso previo a la materialización de alternativas (etapa de síntesis), tanto

Buffa (1955) como Muther (1968) proponen, tal y como se vio en el capítulo anterior,
realizar una representación a través de un grafo, para plasmar las interacciones
existentes entre las diversas instalaciones que componen la planta (representando las
mismas como puntos). Muther denomina al diagrama resultante ‘Diagrama
Relacional de Recorridos y/o Actividades’ y Buffa ‘Diagrama Esquemático Ideal’.
Diagrama Relacional de Actividades Ideal Schematic Diagram

(Montreuil y Ratliff 1989) (Buffa 1955).
Figura 3.4: Representaciones de diagramas de relación (Santamarina 1996).
La utilización de estas técnicas en realidad supone un enfoque totalmente

diferente al adoptado por la mayor parte de los métodos de generación de
distribuciones, ya que su origen radica en las metodologías (manuales) propuestas por
Buffa y Muther. En 1970 Seppänen y Moore inician esta nueva línea de métodos de
generación de distribuciones en planta de recintos industriales basados en técnicas de
teoría de grafos, que ha llegado a alcanzar un considerable desarrollo.
3.4.2.1.1. Aspectos básicos de la teoría de grafos.
Los primeros antecedentes históricos del uso de la teoría de grafos como

metodología de resolución de problemas, datan de 1736 cuando Euler los utilizó para
resolver el problema clásico de los puentes de Koenigsberg.
Pág. 137 de 337

Un grafo G está formado por un conjunto de nodos, denominados vértices (vi),

conectados por arcos, denominados aristas (vi,vj). El grafo se representa como
G=G(V,A), donde V es el conjunto de los vértices vi y A el conjunto de las aristas (vi,
vj). Si (vi,vj) es una arista de A(G), entonces se dice que los vértices vi y vj son
adyacentes, y que la arista (vi,vj) es incidente en los vértices vi y vj. Se dice que el
grafo es no dirigido en el caso de que las aristas no tengan un sentido definido, es
decir queden identificadas por un par no ordenado de vértices; en caso contrario se
trata de un grafo dirigido.
El conjunto de grafos que tienen un mayor interés en la resolución del

problema de distribución en planta es el de los no dirigidos, ya que los métodos que
utilizan la teoría de grafos responden habitualmente a las relaciones representadas en
el diagrama relacional de actividades de Muther, en el que se expresa la conveniencia
de que dos actividades ocupen posiciones adyacentes en el layout.
G' es un subgrafo de G si y solo si: A(G') Í A(G) y V(G') Í V (G) . En la

Figura 3.5 se puede observar un grafo (izquierda) con dos subgrafos del mismo
(centro e izquierda).
Figura 3.5. Grafo y subgrafos.
El número de pares no ordenados distintos en un grafo con n vértices es

½∙n∙(n-1). Un grafo no dirigido de n vértices con ½∙n∙(n-1) aristas se dice que es
completo.
Un camino, del vértice vp al vértice vq, en un grafo G, es una secuencia de

vértices vp, vi1, vi2,... , vin, vq, tal que (vp,vi1),(vi1,vi2),... , (vin,vq) son aristas del grafo
G. La longitud de un camino es el número de aristas del mismo. Un camino simple es
un camino en que todos sus vértices, excepto posiblemente el primero y el último, son
distintos. Un ciclo es un camino simple cuyos vértices inicial y final son el mismo.
Pág. 138 de 337

En un grafo no dirigido G, dos vértices vi y vj se dice que son vértices conexos

si existe un camino en G de vi a vj. Un grafo no dirigido se dice que es un grafo
conexo si para cada par de vértices distintos vi, vj de V(G) existe un camino de vi a vj
en G.
Las áreas que quedan definidas por cada ciclo de aristas de un grafo se
denominan caras. La región exterior al grafo también se considera una cara, pero
como una cara infinita.
Un grafo G es un grafo ponderado si sus aristas tienen pesos asociados que

pueden ser utilizados como parámetros de coste o beneficio.
Otro concepto importante es el de grafo planar, se dice que un grafo es planar

si, al menos, tiene una representación bidimensional en la que su aristas sólo se
intersectan en los vértices. En la Figura 3.6 se puede observar el concepto de
planaridad. Además se define como grafo planar maximal a aquel grafo planar que
deja de serlo si se le añade una arista más. Se dice que un grafo es planar ponderado
maximal, si es un grafo planar maximal y sus aristas tienen los mayores pesos
asociados posibles.
Grafo Planar Grafo no Planar

Figura 3.6: Ejemplo de planaridad de un grafo.
En 1736 Euler estableció la conocida ecuación que liga el número de caras,

vértices y aristas en un grafo conexo planar, y que tiene por expresión:
v a+ c = 2 (3.2)
Dónde: a = número máximo de aristas del grafo.
Pág. 139 de 337

c = número máximo de caras del grafo.
v = número de vértices del grafo.
En un problema de distribución en planta en el que existen n actividades (en

este caso vértices), pueden existir como máximo 1/2∙n∙(n-1) relaciones entre ellas.
Para que el grafo sea planar, la condición de planaridad exigirá que el máximo
número de relaciones que se pueden respetar sea de 3∙n-6, lo que muestra la
imposibilidad de cumplir todos los requisitos relacionales (aumentando el
incumplimiento a medida que crece el número de actividades, véase Figura 3.7)
Figura 3.7: Incumplimiento relacional consecuencia de la planaridad.
Asociado a cada grafo planar G existe un grafo dual G’ que también será
planar. El grafo dual planar G’ se construye colocando un punto en cada cara del
grafo planar G, incluyendo la cara infinita, y conectando con una arista los pares de
puntos cuyas caras tienen arista común. Estos puntos se convierten en los vértices del
grafo dual y las líneas que los conectan en sus aristas. El número de vértices del grafo
dual de un grafo planar es igual al número de caras del grafo planar.
Pág. 140 de 337

Figura 3.8: Grafo dual (Contero 1995).
Un concepto también muy empleado en teoría de grafos es el concepto de

árbol. Se define un árbol como un grafo conexo que no tiene ciclos, siendo un tipo
especial de árbol el denominado ‘árbol de expansión’, que se define, dado un grafo
G, como un subgrafo en forma de árbol que contiene a todos los vértices de G. A la
vista de esta definición, resulta evidente que asociado a un grafo existen para el
mismo, diferentes árboles de expansión. De todos ellos, es de especial interés para su
aplicación a la resolución de problemas de distribución en planta, el denominado
árbol de expansión maximal, Figura 3.9) que corresponde en el caso de un grafo
ponderado G a aquel árbol de expansión que maximiza la suma de los pesos
asociados a sus aristas.
Figura 3.9: Árbol de expansión maximal.
El tamaño del espacio de configuraciones, es decir, el del número de posibles

grafos planares construibles (N) para un conjunto de n actividades asciende, tal y
como señala (Santamarina 1996) a:
Pág. 141 de 337

3n -6
N = C n ( n -1) / 2 (3.3)
con este modelo topológico la formulación del problema en dos dimensiones (plano)
es:
MA X G(ai ,rij ) (3.4)

s.t.:
G(ai ,rij ) planar (3.5)
Si se quiere extender esta formulación al problema de distribución en planta

en tres dimensiones (como puede ocurrir por ejemplo en el caso de plantas
petroquímicas) se debe eliminar la restricción (3.5) para permitir que las actividades
se coloquen en altura.
3.4.1.1.2. Aplicación al problema de distribución en planta.
Para la obtención de la distribución de bloques o agregada (block layout)

mediante teoría de grafos se deben abordar tres fases:
1. Obtener el Grafo Planar Ponderado Maximal (GPPM).
En esta primera fase las actividades se suponen sin área, y el objetivo es obtener
el grafo planar ponderado maximal a partir del diagrama relacional de
actividades, el método heurístico de construcción del Diagrama Relacional de
Recorridos y/o Actividades (propuesto por Muther) persigue la ordenación
topológica de las actividades. El objetivo es encontrar un grafo en el que se
muestren las relaciones existentes entre las diferentes actividades intentando que
no existan cruzamientos (Principio de Circulación), al menos entre las líneas que
muestran las relaciones de mayor intensidad (Principio de la Mínima Distancia),
lo que en teoría de grafos se denomina un Grafo Planar Ponderado Maximal
(G.P.P.M.).
Se pueden encontrar algunas referencias de algoritmos desarrollados para la

obtención del GPPM a partir de la tabla relacional (Santamarina 1995), bien sea
con comprobación de la condición de planaridad (Foulds y Robinson 1976,
Carrie et al. 1978,) o sin comprobación de la planaridad (Foulds y Robinson
1978, Green y Al-Hakim 1985, Boswell 1992).
Pág. 142 de 337

F
i
g
u
r
a
Diagrama relacional Grafo Planar P.M.
3.10: Transformación en un G.P.P.M. (Santamarina 1995).
2. Obtener el grafo dual.
Una vez obtenido el GPPM se obtiene el grafo dual, colocando un vértice en cada
una de las caras del grafo, incluyendo en la cara exterior. El proceso es el
mostrado en la Figura 3.10.
3. Obtener el layout de bloques.
En esta última fase, se incorporan los aspectos geométricos (área y forma),

obteniendo a partir del grafo dual la distribución del layout de bloques. En esta
línea, pueden destacar las aportaciones realizadas por Hassan y Hogg (1989 y
1991).
3.4.2.2. Modelos geométricos.
3.4.2.2.1. Modelos de una dimensión (SRLP).
La opción más simple para la modelización del problema de distribución en

planta es considerarlo como un problema de una sola dimensión, donde las
actividades se colocan en una fila, sin tener en cuenta la dimensión Y, generando de
esta forma un recinto con muchos espacios vacios.
(Simmons 1969) propone la resolución del problema de distribución en planta

como un modelo de secuenciación y lo resuelve mediante el método de ramificación
y acotación (branch and bound) para obtener soluciones eficientes. Visualiza el
problema como un ordenamiento del conjunto de actividades de distinta área (no
Pág. 143 de 337

uniformes) pero conocidas, y va colocando las mismas en una sola dimensión, (una
detrás de otra), al final obtiene las posiciones de las actividades en esa cadena. La
secuencia que menor coste obtenga será el óptimo. El algoritmo no contempla
restricciones de colocación de las actividades en la línea.
El tamaño del espacio de soluciones (N) del problema de n actividades con

esta formulación será:
N= n! (3.6)
En (Heragu 1997) se clasifica este tipo de problemas para el caso en continuo,

como “problemas de distribución de planta unidimensionales” (Single-Row Layout
Problem, SRLP).
Figura 3.11: Arreglo unidimensional (SRLP).
3.4.2.2.2. Modelos de dos dimensiones (FLP)
El segundo grupo de aproximaciones al problema son aquellas que emplean

dos dimensiones para representar el diagrama de bloques de una planta industrial. Las
actividades, tienen en este caso ancho y largo y deben posicionarse sobre el recinto
que las alberga sin superposición, aprovechando de esta forma la totalidad de la
parcela.
En general, cada actividad queda definida por sus dos dimensiones y por la
posición (X, Y) del centro de gravedad de la misma, aunque la forma en la que se
trata el espacio pueda ser diferente, tal y como se comentará en este punto.
El problema de distribución en planta en 2D es lo que se conoce como el FLP

(Facility Layout Problem) diferenciándose entre el problema del layout de bloques
(block layout) y la fase de diseño de detalle (detail layout). En el primero solo se
consideran las dimensiones de las actividades y no el punto de entrada y salida de
Pág. 144 de 337

materiales ni la distribución interior de cada actividad o el flujo interno, que se dejan

para la segunda fase.
En la Figura 3.12 se muestran los distintos modelos geométricos en 2D

aplicados en la resolución del problema de distribución en planta, haciendo una clara
diferencia entre aquellos que emplean un modelo discreto y los que utilizan un
modelo continuo.
Figura 3.12: Clasificación de los modelos geométricos en 2D.
A continuación se desglosan y comentan las diferentes aproximaciones

realizadas mediante los modelos geométricos discreto y continuo con las diferentes
variantes de cada una de ellas.
Modelos discretos
La representación geométrica empleando un modelo discreto se muestra en la

Figura 3.13. Sea un dominio D(A) de geometría conocida y área A, donde deben
ubicarse, sin superposición, n actividades industriales de área ai y geometría libre. Por
geometría libre, se entiende que no existe ninguna forma, ni coeficiente de aspecto
definido, a priori, para cualquiera de las actividades que restrinja su forma
geométrica. Cada una de las n actividades, quedará definida por Di(ai).
Pág. 145 de 337

Figura 3.13: Discretización de un dominio y su representación.
El dominio D(A) quedará discretizado en una retícula de c subdominios

elementales de área a, de tal forma que c∙a=A, produciéndose la siguiente
transformación:
D(A) à D(c, a)
(3.7)
Di(Ai)à Di(ci,a) / Ai = ci ∙ a
Como consecuencia de la discretización, el dominio D se transforma en un

conjunto de c casillas o ubicaciones, sobre las que se deben asignar las n actividades.
A cada actividad i, se le asocia un conjunto de celdas elementales Si sobre el que se
distribuye la actividad. A este conjunto de celdas elementales se le denomina
conjunto de asignación. Si la formulación del problema es la de un problema
cuadrático de asignación (QAP), cada actividad ocupa una única casilla, por tanto no
es necesario emplear el conjunto de asignación.
Como resultado de la discretización del dominio se puede establecer una

matriz de distancias d(dkl) que recoge las distancias existentes entre las diferente
celdas en las que ha sido discretizado el dominio D y que recoge la geometría del
mismo.
El tamaño del espacio de configuraciones posibles del dominio discretizado

es, en el caso de permitir la desagregación de las actividades al implantarse sobre el
mismo:
Pág. 146 de 337

n
c!
N =C C1
C ÕC ci
c- å k =1 c k
i -1 = n
i=2
Õc! i =1
i (3.8)
Donde: n es el número de actividades.
c el número de celdas de la discretización.
ci el número de celdas de la actividad i.
Formulación del problema
Para facilitar la formulación de la función de coste, se emplea el concepto de

variable de asignación xik, que adopta los siguientes valores:
(3.9)
xik=
{ 1 si la actividad i ocupa la casilla k-ésima.
0 si la actividad i no ocupa la casilla k-ésima.
Las variables de asignación permiten establecer las distancias existentes entre

dos actividades (i y j) de la configuración, mediante la siguiente expresión:
c c
1
d ij = × å å d kl × x jl × x ik
c i × c j k =1 l = 1
(3.10)
La formulación monobjetivo más simple del problema, es la que viene

impuesta por la función de coste de instalación de las actividades en una posición y el
coste de manutención (derivado del flujo de materiales entre actividades), que puede
ser expresada mediante:
n n n
MHC = åb +ååw
i =1
i
i =1 j =1
ij × d ij
(3.11)
Donde bi es el coste de instalación de la actividad i-ésima en su posición

actual y wij es la intensidad relacional entre las actividades i y j, que establece el coste
de movimiento de productos entre dos actividades por metro de distancia. El coste de
Pág. 147 de 337

instalación de actividades suele ser considerado nulo en el problema 2D, pues no

existe un coste adicional por colocar una actividad en una posición determinada. Este
coste puede variar en el caso de colocar actividades muy pesadas en altura o si se
consideran cuestiones ambientales de la planta, tales como iluminación o ventilación.
Considerando el dominio discreto y la función de coste expresada en términos

de variables de asignación, la formulación del problema de distribución en planta con
actividades de área variable que se va a utilizar es la siguiente:
n n c c W ij
MinC = åååå
i =1 j =1 k =1 l =1 ci × c j
× d kl × x ik × x jl (3.12)
s.t.
c
åx
k =1
ik = Ai (3.13)
åx
i =1
ik =1 (3.14)
x ik = x ik2 (3.15)
La restricción (3.13) controla que cada actividad i este compuesta por un

número de casillas tal que se alcance el área necesaria para la instalación (Ai). La
restricción (3.14) vela por la no superposición de actividades en una misma casilla,
finalmente, (3.15) no es una restricción como tal, sino que viene siendo la propia
definición de la variable de asignación.
A estas restricciones, habría que añadirle otra cuarta restricción más que se
encargará de evitar la disgregación de las actividades a medida que se van colocando
sobre el dominio. El problema es que esta restricción es dependiente de la técnica de
relleno que se emplee, pudiéndose dar dos casos:
· La técnica de relleno no controla la agregación: se da, por ejemplo, en técnicas

de relleno tipo ALDEP oscilatorio con anchos de banda distintos de la unidad, en
cuyo caso hay que establecer algún tipo de algoritmo de control de la
disgregación.
Pág. 148 de 337

· La técnica de relleno controla la agregación: Esta situación se da por ejemplo en

el caso de utilizar curvas de relleno (SFC), que ocupan el recinto discretizado de
forma continua, garantizando la no rotura de las actividades a medida que se
colocan.
Algunas de las técnicas de relleno utilizadas en la construcción de soluciones en

el caso de dominios discretos de entre las que se pueden encontrar en la bibliografía
son:
· PLANET, que utiliza un sistema de barrido oscilatorio (en zizag) en X, en Y,

oscilatorio en X –Y, o en espiral.
· ALDEP que coloca las instalaciones siguiendo un orden en espiral partiendo del
centro del recinto.
· SFC (Space Filling Curves) o curvas de relleno, utilizando la curva recursiva de
Hilbert, propuesta por este mamático en 1891.
Figura 3.14: Curva de Hilbert generada para recorrer el plano.
Modelos continuos
Otro grupo de autores son aquellos que emplean un modelo geométrico

continuo, sobre el que se implantan las actividades. Sin embargo, no todos los autores
formulan en problema de la misma forma, pudiendo distinguirse tres grandes grupos
de aproximaciones: ABS-Model, Basados en corte y Scatter Diagram.
1.- MODELO ABSMODEL
En primer lugar se destaca la familia de modelos geométricos desarrollados en

(Heragu y Kusiak 1991 y 1992), que permite realizar una comparación respecto
Pág. 149 de 337

formulación establecida en los modelos geométricos discretos. Casi simultáneamente

(Tam y Li 1991) proponen un modelo del mismo tipo, aunque se seguirá con la
notación introducida por Heragu.
El modelo se denomina ABSMODEL, y evoluciona desde el 1, que define el

problema de distribución en planta como un modelo de secuenciación en el cual las
actividades colocan una después de otra en forma lineal y no existe la restricción en la
forma espacio donde las actividades serán colocadas (se corresponde con el problema
unidimensional comentado en la página 45). En este primer modelo, los autores
consideran las actividades de forma cuadrada o rectangular y de orientación conocida.
La Figura 3.15 muestra el esquema para la formulación de este modelo.
Figura 3.15: Esquema del modelo ABSMODEL (Heragu 1997).
El segundo modelo, ABSMODEL2, es una evolución del anterior, y se adapta

al problema QAP, en el que todas las actividades tienen la misma área (unitaria) y
pueden ser dispuestas en dos dimensiones X e Y. Las actividades se consideran de
forma cuadrada y sin holgura entre las mismas. Este modelo agrega restricciones del
tamaño del recinto para asegurar que las actividades serán colocadas completamente
en su interior. La Figura 3.16 muestra el formato para la formulación del modelo.
Pág. 150 de 337

Figura 3.16: Características fundamentales del ABSMODEL2 (Heragu

1997).
En el tercer modelo, el ABSMODEL3, se considera que cada actividad i, tiene

a priori, una forma rectangular o cuadrada, definida por sus dimensiones y la posición
de la misma queda definida únicamente por la posición de su centro de gravedad
(xi,yi). Por tanto las actividades no se sitúan de una manera compacta sobre el recinto,
sino que existe una cierta holgura entre cada una de ellas. Este modelo geométrico
resulta muy interesante y ha sido empleado por numerosos investigadores en los
últimos años.
Pág. 151 de 337

Figura 3.17: Características fundamentales del ABSMODEL3 (Heragu

1997).
La formulación del problema sería de la siguiente forma: la función objetivo

formulada cuando se emplea este modelo geométrico es de tipo cuantitativo y
consiste en minimizar el coste total de manutención requerido por el flujo entre
actividades, si se emplea el concepto de intensidad relacional entre actividades wij
como el producto del coste de manutención (cij) por el flujo entre actividades (fij) es la
siguiente:
n -1 n
MinC = å åw
i =1 j = i + 1
ij × ( xi - x j + yi - y j ) (3.16)
s.t.
1
xi - x j ³ ( l i + l j ) + d min ij , i = 1,..., n - 1 j = 1,..., n - 1
2
1
yi - y j ³ ( b i + b j ) + d min ij , i = 1,..., n - 1 j = 1,..., n - 1 (3.17)
2
li
xi + £ H i = 1,..., n
2
Pág. 152 de 337

bi (3.18)
yi + £V i = 1,..., n
2
li ³ Li i = 1,..., n
Ai (3.19)
bi ³ i = 1,..., n
li
Las restricciones de este modelo geométrico son más complejas que las del
modelo discreto, siendo en todas ellas bi y li son las longitudes y anchuras de las i
actividades:
Restricción de no superposición (3.17): Las dos restricciones que se

incorporan en este modelo, representan la condición de no superposición, de tal forma
que se garantiza, que siempre existirá una distancia mínima, dmin ij entre las
actividades i y j.
Restricción de inclusión en el dominio (3.18): Se introducen una serie de

restricciones para garantizar que las actividades queden inscritas dentro de un
rectángulo, que representa las dimensiones máximas del dominio, cuyas dimensiones
horizontal y vertical, son H y V respectivamente.
Restricciones de aspecto y la orientación (3.19): Otro tipo de restricciones que

se pueden incluir, consideran el caso en que las actividades no sean rígidas (geometría
variable), y sólo se conozca, a priori, el área Ai de cada una de ellas y su longitud
mínima li.
En (Barbosa-Póvoa, Mateus y Novais 2001) se da un paso más al modelo

ABSMODEL de Heragu integrando sobre el mismo la posibilidad de considerar el
diseño de detalle, al incluir los puntos de entrada y salida de materiales de cada
actividad.
Otra diferencia fundamental es que permite considerar actividades de formas

irregulares, mediante la descomposición de las mismas en sub-actividades, tal y como
se muestra en la Figura 3.18 los puntos de entrada y salida de la actividad global
quedan definidos (oi1, oi2).
Pág. 153 de 337

Figura 3.18: Descomposición en subactividades (Barbosa-Póvoa et al.

2001).
El modelo matemático propuesto emplea una formulación MILP (Mixed

Integer Lineal Programming) y se imponen una serie de restricciones para controlar
por una parte aspectos relativos a las actividades, como son la Orientación
(permitiéndose giros cada 90º), Descomposición (en subactividades conectadas entre
sí), así como de Entrada y salida (posición de los puntos).
Figura 3.19: Ejemplo de solución de las distribución obtenida por Barbosa-

Póvoa et al. 2001
Pág. 154 de 337

Y otra serie de restricciones que controlan aspectos de posición de las mismas

sobre el recinto: Distancia entre actividades (controlando la holgura), No
superposición, Seguridad (fijando un rango de distancias entre actividades) y Control
de recinto.
BASADOS EN CORTE
Otro gran número de autores consideran el recinto sobre el que se va a

implantar distribución en planta como un elemento continuo sobre el que se realizan
una serie de cortes para ir configurando la posición de las actividades sobre el mismo.
Este grupo de son los denominados modelos continual plane o modelos basados en
cortes.
La representación de la distribución mediante árboles de corte, tiene sus

inicios a principios de los años 80 como se recoge en las referencias (Stockmeyer
1983), (Wong y Liu 1986) y (Tam y Li 1992). Mediante esta técnica, la distribución
se genera a base de dividir recursivamente el dominio de partida D(A). Para ello, se
definen una serie de operadores de corte, que indican las direcciones en que se
efectúan los cortes. Lo habitual es utilizar dos direcciones perpendiculares entre sí
(cortes verticales y horizontales, respecto a algún sistema de referencia previamente
definido) para dividir el dominio de partida, que a priori puede tener cualquier
geometría, como se puede observar en la Figura 3.20:
Figura 3.20: Geometría de árboles de corte.
Un elemento clave para aprovechar la calidad geométrica que se puede

obtener con este tipo de representación es la correcta colocación de unas actividades
Pág. 155 de 337

respecto de otras. Para ello resulta necesario agrupar las actividades en base a su
afinidad para poder decidir actividades se deben colocar a cada uno de los lados del
corte.
Las técnicas de agrupamiento estudian la afinidad entre actividades mediante

la medida de las distancias existentes entre ellas. Para ello, se construyen unas
matrices de distancias d(dij), cuyos elementos representan la distancia entre cada par
de actividades, distancia que se calcula mediante el empleo de la intensidad relacional
(wij) entre ambas actividades, y que como ejemplo se podría utilizar la de la siguiente
expresión, (Tam y Li 1992):
1
d ij = (3.20)
1 + w ij + w ji
Esta expresión fuerza a que las actividades más afines serán aquellas entre las
que la intensidad relacional sea mayor. Conocida la matriz de distancias d(dij), se
puede establecer un mecanismo de agrupamiento, que en el caso más sencillo, se
iniciaría por agrupar las dos actividades entre las que exista la mínima distancia. Tras
realizar este primer agrupamiento, de nuevo se recalcula la matriz de distancias,
considerando el nuevo grupo creado como si fuera una actividad y recalculando sus
distancias con el resto de actividades todavía no agrupadas
En el procedimiento de recalculo de las distancias se pueden utilizar diferentes

métricas de la distancia; encadenamiento simple, completo, centroide, group average,
etc…
Tomando las distancias definidas por el método group average, la distancia de

cualquier actividad todavía no agrupada k a un grupo recién constituido por la fusión
de dos actividades (o dos grupos de actividades) i y j, se puede calcular como:
ni nj
d k2( ij ) = d ki2 + d kj2 (3.21)
ni + n j ni + n j
Donde: ni es el número de actividades de grupo i.
nj es el número de actividades del grupo j.
Pág. 156 de 337

dki es la distancia entre la actividad k y el grupo i antes de fusión
dkj es la distancia entre la actividad k y el grupo j antes de fusión
Figura 3.21: Dendograma, adaptado de Santamarina (1996).
Si existen n actividades se realizan n-1 agrupaciones. En cada una de ellas, se

van agrupando las actividades o grupos de actividades que son entre sí, más afines.
Existen numerosas técnicas para determinar la forma de agrupar las actividades en
clases homogéneas. Las técnicas de clustering (agrupamiento) de análisis
multivariante fueron desarrolladas para tal fin. Estas técnicas de agrupamiento
utilizan unas representaciones denominadas dendogramas para representar las
afinidades entre actividades como se muestra en la Figura 3.21. Si al dendograma,
que muestra los grupos de actividades homogéneas, se le añade información sobre
cómo realizar los cortes para la distribución de las actividades sobre el recinto, el
dendograma se transforma en un árbol de corte. La información de la forma en la que
se realizan los cortes se expresa mediante operadores de corte (letras en la Figura
3.22).
Figura 3.22: Representación de un árbol de corte.
Pág. 157 de 337

El tamaño del espacio de configuraciones que puede representar un modelo

geométrico basado en árboles de corte puede expresarse como:
n-2 n -1
æ pö
N = p n -1
ÕC
i=0
2
n-i = ç ÷
è 2ø
n ! ( n - 1)! (3.22)
Donde: p es la cardinalidad del conjunto de operadores.
n es el número de actividades.
Cab son las combinaciones de a elementos tomados de b en b.
Bay Model
Dentro de los modelos geométricos continuos basados en árboles de corte, se

pueden agrupar una serie de técnicas de corte basados en bahías, entre las que se
pueden destacar esta técnica denominada Bay-Model. Meller (1997) presenta por
primera vez un enfoque del problema de distribución en planta mediante un modelo
geométrico continuo denominado bay-model. Este modelo resulta muy útil cuando se
quiere obtener una configuración de las actividades que facilite un sistema de
manutención que pueda ser capaz de mover grandes cargas (puentes grúa) entre
distintas naves de una misma planta. La dimensión del recinto es conocida y se adapta
a un sistema de naves longitudinales a través del recinto y con sistemas de transporte
capaces de intercomunicar las naves (ver Figura 3.23). El método tiene dos fases, en
la primera se seleccionan las actividades que serán colocadas en cada una de las
naves, y en una segunda etapa la configuración de las actividades dentro de cada
nave.
Figura 3.23: Modelo Multi-bay propuesto por Meller (1997).
Pág. 158 de 337

SCATTER DIAGRAM
Otra línea de autores que emplean el espacio de forma continua en 2D son

aquellos que emplean una formulación del problema basada en DISCON
(DISpersión-CONcentración), que originalmente fue propuesta por Drezner (1980).
Se utilizan zonas circulares de atracción o repulsión para situar las distintas
instalaciones para posteriormente transformar estas en rectángulos en los que se
situarán las actividades. En esta aproximación, las premisas fundamentales son:
1. Cada una de las actividades se representa por un círculo de radio ri=(Ai)1/2.
2. La distancia entre cada par de actividades i y j es la distancia Euclídea:
d (i, j ) = ( xi - x j ) 2 + ( y i - y j ) 2
En la metodología original, se emplea un algoritmo basado en penalizaciones

de dos fases:
1. En la primera fase, la de dispersión, todos los círculos se alejan del origen.
2. En la segunda fase, la de concentración, los círculos se concentran y la

disposición final es la que marca la solución obtenida.
El problema fundamental que se plantea con esta metodología es que no se

tiene control alguno sobre las dimensiones del recinto donde se ubican las
actividades, por ese motivo años más tarde van Campet al. (1991) propone la
metodología NLT, que supera las deficiencias de la propuesta de Drezner, mediante la
inclusión de una serie de restricciones adicionales a las impuestas por aquel y
mediante el empleo de formas rectangulares, adoptando la formulación propuesta por
Heragu. Esta línea de trabajo ha seguido evolucionando con los trabajos de Anjos y
Vanelli (2002 y 2006), discípulos de Campet.
Pág. 159 de 337

Figura 3.24: Transformación de solución en layout de bloques (Anjos y Vanelli

2006).
3.4.2.2.3. Modelos de dos dimensiones y media (MFLP)
Una variante del problema de distribución en planta (FLP) es emplear el

espacio en 2 dimensiones y media, es decir, considerar que la actividad se desarrolla
en más de una planta de las mismas dimensiones, y la interconexión de todas ellas se
realiza mediante el empleo de montacargas. Estos elevadores se consideran un
sistema de manutención más, con sus costes de operación, que pueden ser
considerados iguales o distintos que el transporte dentro de una misma planta.
La consideración de éste problema como un problema de 2 ½ D se debe a que

la configuración no puede ser considerada plenamente 3D, ya que la posición de las
actividades en el eje Z no es libre, sino que está condicionada a la altura de cada una
de las plantas. A este problema, dentro del ámbito de la investigación operativa
enfocada a establecimientos industriales se le conoce como MFLP (Multifloor
Facility Layout Problem).
Figura 3.25: Representación de la Distribución de un problema MFLP de dos

plantas.
Pág. 160 de 337

Se puede realizar una clasificación de las aproximaciones al problema en

función de la forma en la que se aborda el problema, pudiendo realizarse en una
metodología de una única fase, en la que se determine la planta y la posición de cada
una de las n actividades o bien una metodología de dos fases:
1. Reducción del flujo entre plantas:
En esta primera fase se distribuyen las actividades en las plantas, de tal forma que
se reduzca lo máximo posible el flujo entre plantas.
2. Reducción del flujo en cada planta:
Se busca la solución de ordenación de actividades con menor coste para cada una
de las plantas. En esta segunda fase, se puede utilizar un modelo geométrico
discreto o continuo, al igual que en el problema 2D (esta segunda fase es un
problema FLP.
La práctica totalidad de autores que han investigado en este problema, han

empleado un modelo geométrico discreto, salvo (Matsuzaki, Irohara y Yoshimoto
1999). La primera mención al problema MFLP se realiza en el ALDEP (Automated
Layout DEsign Program) presentado en (Seehof y Evans 1967) que está desarrollado
para espacios discretos en dos dimensiones, aunque presenta en el mismo artículo la
posibilidad de utilizar el algoritmo en espacios con múltiples plantas. Esta mención al
problema MFLP, contempla la asignación del contorno de espacios libres en el
edificio y áreas especiales (escaleras, pasillos, elevadores, otros), y actividades de
posición fija.
Pág. 161 de 337

1 FASE 2 FASES
SPS (1981) ALDEP (1967)

SPACECRAFT (1982) MSLP (1988)
BLOCPLAN (1990) ABDINNOUR-HELM (1995, 2000)
MULTIPLE (1994) STAGES (1997)
SABLE (1996) HGA (2000)
MULTIHOPE (1998)
MUSE (1999)
PATSIATZIS (2002, 2003)
Lee (2005)
AFRADEH (2010)
Tabla 3.2: Clasificación de las metodologías aplicadas MFLP en función de las

fases (Montalva 2011).
En la bibliografía del problema, se pueden encontrar formulaciones continuas

(Patsiatzis y Papageorgiou 2002) y discretas (Bozer, Meller y Erlebacher 1994). La
formulación de problema en dos fases es similar a la del FLP. Sin embargo otros
autores como Bozer abordan el problema en una sola fase, donde la formulación del
problema MFLP es muy similar a la mencionada en el punto anterior, con la salvedad
de que hay que añadir en la función objetivo un coste diferenciado para el
movimiento de materiales en horizontal y en vertical (se realiza mediante ascensores).
En este caso no se emplea el concepto de intensidad relacional (wij) entre actividades,
sino que se considera el coste de movimiento en horizontal (cH) y en vertical (cV) y el
flujo entre actividades (fij):
n n
Min å å (c
i =1 j =1
H
ij × d ijH + c ijV × d ijV ) × f ij (3.23)
s.t.
d ijH = min
a
( d Hia + d Haj )
(3.24)
Donde a es el número de ascensores, en el caso de ser más de uno, los productos se

desplazarán por el que minimice la distancia a recorrer por el producto.
Adicionalmente hay que imponer las restricciones de no superposición y de

área completa establecidas en (2.12) y (2.13), así como una cuarta restricción que
Pág. 162 de 337

garantice que no se produce la disgregación de las actividades entre las diferentes

plantas del establecimiento.
(Liggett y Mitchell 1981) propusieron SPS (Space Planning System), que

considera tres costes (fijos, interactivos y de movimiento). Los autores emplean un
algoritmo de construcción seguido de una mejora mediante intercambio de
actividades. La metodología empleada en la construcción garantiza la regularidad de
las actividades, así como la no división de las mismas entre plantas.
SPACECRAFT propuesto por (Johnson 1982) es un algoritmo que, como su

nombre indica, está basado en CRAFT. En el algoritmo se tiene en cuenta el número
y forma de las diferentes plantas, así como el movimiento de materiales entre ellas y
los puntos de conexión entre plantas, aunque no considera la inclusión de ascensores.
Se divide cada una de las plantas en módulos rectangulares cada del mismo
tamaño (discretización de la planta). Al igual que CRAFT, requiere de una solución
inicial y el procedimiento de mejora se basa en intercambiar dos o tres actividades
contiguas o de igual tamaño. A diferencia de CRAFT si que se considera el coste de
manutención derivado de movimiento entre plantas. No implementa ningún control
de la agregación de las actividades, por tanto es propenso a la rotura de las mismas.
MSLP es la aproximación realizada por (Kaku, Thomson y Baybars 1988) en

la que se emplea una heurística de k-mediana, para dividir las actividades en varios
grupos de tal forma que se minimice la interacción entre grupos y se maximice la
interacción entre los miembros de cada grupo. En la segunda fase, se busca la
posición óptima de cada actividad en el grupo mediante intercambio.
BLOCPLAN es un software propuesto por (Donaghey y Pire 1990) que

aborda el problema 2D, así como el MFLP. El mismo emplea implícitamente un
procedimiento de dos fases, pues pide al usuario que asigne las actividades a cada una
de las plantas. Una vez introducidos estos datos, el problema es abordado como suma
de dos FLP
MULTIPLE de (Bozer, Meller y Erlebacher 1994) es uno de los algoritmos de

referencia en el MFLP. Los autores amplían CRAFT, al problema con varias plantas.
Con la utilización de las curvas de relleno dan la posibilidad de intercambiar
Pág. 163 de 337

cualquier par de actividades, introducen un control de forma de las actividades y

permiten que las áreas de las mismas sean flexibles. Las SFC distribuyen las
actividades en todo el recinto (considerado fijo y conocido) y aseguran que las
actividades no se dividan, dado que utilizan diferentes curvas para cada piso.
Figura 3.26: Uso de SFC para la distribución de las instalaciones en cada nivel
(Bozer et al. 1994)
Uno de los problemas de MULTIPLE es que la heurística empleada es un

steepest descent lo cual le imposibilita salir de mínimos locales.
Abdinnour-Helm y Hadley (1995) introducen por primera vez la técnica en

dos fases comentada en párrafos anteriores. En la primera fase, los autores determinan
las actividades que deben situarse en cada planta mediante una heurística de tipo
GRASP, y en la segunda fase, la posición de cada actividad en la planta se determina
mediante una heurística del tipo búsqueda tabú; posteriormente en (Abdinnour-Helm
y Hadley 2000), presentan una evolución del algoritmo, en el que se proponen dos
aproximaciones, en la primera (GRASP/TS) se mejora la heurística GRASP, para
facilitar su mantenimiento y aplicación. En la segunda aproximación (FAF/TS), la
primera fase es cubierta mediante un método exacto para la resolución del problema
mediante programación lineal y en la segunda fase se emplea la misma heurística
basada en búsqueda tabú. En todas las técnicas propuestas los autores emplean un
modelo geométrico discreto y SFC para el relleno de las distintas plantas.
SABLE fue propuesto por (Meller y Bozer 1996) como un algoritmo para
resolver el MFLP. Utilizan un algoritmo para generar un conjunto más amplio de
intercambios y utilizan las SFC en la colocación de actividades. La forma y el área
Pág. 164 de 337

del recinto es conocida. Se genera una solución inicial aleatoria que se va mejorando
mediante el intercambio de actividades permitiendo el intercambio de actividades
entre plantas.
STAGES de (Meller y Bozer 1997) tiene en cuenta la forma del recinto con
dimensión conocida y el área de las actividades. Las mismas serán asignadas a cada
planta mediante un procedimiento de dos etapas. En la primera se asignan las
actividades que irán ubicadas en cada planta y en la segunda se distribuyen en la
planta empleando SFC. La posición de los ascensores es fija en cada problema.
Figura 3.27: Colocación de las actividades en la planta por medio de las curvas
SFC.
A este tipo de formulaciones se las conoce como formulación de asignaciones

a piso (Floor Assignment Formulation, FAF). La diferencia fundamental respecto a
SABLE es que se emplea una metodología de dos fases, no dejando que se produzca
el intercambio de actividades entre plantas.
MULTI-HOPE, fue propuesto por (Kochhar y Heragu 1998) para resolver el

problema de distribución en planta en varios pisos iguales (MFLP). La metodología
discretiza cada una de las plantas. Cada actividad se asigna a un conjunto de unidades
tal que el área total de esas unidades es igual al área de las actividades. La asignación
de las actividades se realiza mediante un listado de asignación y para su colocación en
Pág. 165 de 337

cada una de las plantas se emplea una SFC. La heurística empleada para la
optimización es un algoritmo genético.
Figura 3.28: Distribución en dos pisos (Kochhar y Heragu 1998)
MUSE es la aproximación propuesta por (Matsuzaki, Irohara y Yoshimoto

1999), y está basada en LOGIC (Tam y Li 1992), una heurística para la optimización
del FLP. LOGIC y MUSE utilizan expresiones de las distribuciones en planta muy
similares, mediante árboles de corte. Los autores introducen el operador “D” en la
cadena de codificación de la solución, para denotar el cambio de planta. En la Figura
3.29, se muestra la solución con la codificación mostrada en la secuencia de
actividades siguiente:
(10-12-L-11-9-R-B-5-6-L-8-7-R-U-D-4-3-B-1-2-U-R-D)
Figura 3.29: Distribución de tres plantas empleando el operador “D”

(Matsuzaki, Irohara y Yoshimoto 1999).
Los autores se centran en obtener, además de la posición de las actividades en

cada planta, el número y posición de los ascensores que optimicen la solución, siendo
este enfoque novedoso en el campo del MFLP.
HGA propuesto en (Lin y Chang 2000). En el procedimiento, primero

determinan la planta que debe ocupar cada actividad y después se preocupan por la
Pág. 166 de 337

forma (en todos los casos rectangular) y la posición de las mismas. La posición de las
actividades en cada planta se determina mediante un algoritmo genético en la segunda
etapa del algoritmo.
Figura 3.30: Distribución en una planta entorno al ascensor (Lin y

Chang 2000).
Para la ubicación de las actividades se emplea un listado ordenado y para

determinar el intercambio de las actividades se utiliza una regla del estilo ruleta. Los
autores discretizan el espacio de cada planta, y establecen una serie de reglas para
obligar a que cada actividad tenga una forma siempre rectangular. Esto hace que el
aspecto de la solución pueda aparentar emplear un espacio continuo aunque en
realidad está discretizado (ver Figura 3.30).
Los mismos autores ampliaron el modelo empleado al problema MFLP con la

consideración de pasillos, y empleando una metodología de dos fases, la primera
mediante un algoritmo k-mean y la segunda fase mediante un algoritmo genético en
(Chang, Lin y Lin 2006). Las restricciones son las mismas que en el anterior modelo,
incluyendo la obligatoriedad de que las actividades sean rectangulares y la no rotura
entre otras. Los autores extienden el modelo a edificios de formas no homogéneas
mediante la inclusión de zonas no accesibles, tal y como se puede observar en la
Figura 3.31.
Pág. 167 de 337

Figura 3.31: Áreas de trabajo accesibles en (Chang, Lin y Lin 2006).
Otros autores, como (Patsiatzis y Papageorgiou 2002) y (Patsiatzis y

Papageorgiou 2003) plantean la resolución del problema con una formulación de
MILP (Mixed Integer Linear Programming), fijando un conjunto de restricciones más
extenso. En este caso, no se realiza la discretización de cada una de las plantas, sino
que se obliga a que todas las actividades tengan forma cuadrada, y que las plantas no
se deban ocupar completamente. En el modelo propuesto por los autores, las
dimensiones y alturas de las plantas también son variables del problema, algo
novedoso en el planteamiento hasta el momento. En la Figura 3.32 se puede observar
la solución obtenida para uno de los ejemplos de 11 actividades.
Figura 3.32: Solución al ejemplo 3 para el “process plant layout” (Patsiatzis y

Papageorgiou 2002).
En (Lee, Roh y Jeong 2005) se propone un algoritmo genético de mejora para

el problema de distribución de planta con varios pisos (MFLP). Todas las relaciones
entre las actividades, pasillos y ascensores se representan como una gráfica de
adyacencia. La trayectoria más corta y la distancia entre dos actividades se calculan
utilizando el algoritmo de Djikstra de teoría de grafos. Una vez ubicadas las
actividades en cada uno de los pisos, se discretiza cada una de las plantas y se
emplean SFC para el relleno.
Pág. 168 de 337

En la última referencia consultada, (Afrazeh, Keivani y Najafabadi Farahani

2010) se aproximan al problema MFLP con un modelo discreto monocasilla que
posteriormente amplían al problema de distribución en planta dinámico (DFLP), en el
que se consideran diferentes escenarios de flujo entre las actividades. Utilizan una
metodología de una sola fase basada en programación MIP.
3.4.2.2.4. Modelos de tres dimensiones
El siguiente paso en los modelos geométricos de representación del problema

de distribución en planta son los basados en tres dimensiones. En los mismos, los
autores consideran un problema en el que todas las actividades tienen una dimensión
en planta y además una determinada altura. Además todas las actividades se pueden
posicionar en cualquier posición de Z, siendo la metodología de optimización la que
determinará la misma. Esta es la diferencia fundamental frente al modelo de dos
dimensiones y media (planteado en Georgiadis et al. 1999), ya que en el anterior la
cota era la de cada una de las plantas preestablecidas.
Esta forma de abordar el problema resulta relativamente nueva, y se está

aplicando especialmente en el campo de la ingeniería química, donde se encuentran
las aplicaciones más claras, puesto que el flujo entre operaciones es generalmente
continuo por medio de tuberías y bombas, que pueden operar a distinta cota. En
(Barbosa-Póvoa, Mateus y Novais 2002) los autores adaptan el modelo basado en
MILP (Mixed Integer Linear Programming) planteado en (Barbosa-Póvoa, Mateus y
Novais 2001) para el problema FLP (2D) al problema de distribución en planta
tridimensional. La aplicación de la formulación propuesta está orientada a maquinaria
y equipamiento de industrias químicas, aunque propone extenderlo a cualquier tipo de
industria o problema.
En el modelo, se definen las unidades de equipamiento (similar a las

actividades), que pueden ser regulares o irregulares (puesto que en tal caso pueden ser
descompuestas a su vez en módulos que deben ser contiguos entre sí) y pueden estar
orientadas en las tres dimensiones cumpliendo únicamente condiciones de
conectividad entre ellas. La función objetivo a minimizar considera el concepto de
Coste de conexión entre la salida y la entrada Csal/ent pudiendo descomponer estos a su
vez en costes horizontales, y verticales de movimiento ascendente y descendente,
Pág. 169 de 337

acompañados cada uno de ellos por las distancias rectilíneas entre puntos de salida y
entrada de las distintas unidades.
Figura 3.33: Representación de entrada/salida de una actividad en 3D.
3.4.3. INDICADORES PARA EL PROBLEMA DE DISTRIBUCIÓN EN

PLANTA.
Una vez conocidos los objetivos básicos de una correcta distribución en

planta, y los principios que se deben cumplir a la hora de realizar la concepción de la
misma, interesa conocer los indicadores que se puedan emplear numéricamente para
que puedan servir de referencia a la hora de evaluar la posible bondad de las
propuestas presentadas en el proceso de optimización.
Los indicadores que han aplicado los diferentes autores al problema se pueden
clasificar en dos grandes grupos:
- Cualitativos: es decir aquellos indicadores que no son cuantificables medida

física o geométrica, sino que deben recurrir a calificaciones otorgadas por un
evaluador externo.
- Cuantitativos: indicadores que pueden ser obtenidos por la medida de alguna
característica física o geométrica del layout de bloques.
Pág. 170 de 337

Estos últimos resultan ser, sin duda alguna, los más interesantes, pues las
medidas se pueden realizar automáticamente sobre la solución, siendo mucho más
sencillo realizar la automatización del proceso de optimización del problema.
Figura 3.34: Clasificación de los indicadores aplicados al FLP.
3.4.3.1. Indicadores Cualitativos.
Históricamente se han empleado indicadores cualitativos a la hora de incluir

diferentes objetivos básicos a la hora de abordar problemas de distribución espacial,
todos ellos requieren de un panel de expertos que asigne inicialmente a cada par de
actividades un orden de preferencia así como una relación directa entre el valor
cualitativo y uno cuantitativo para poder realizar la agregación y evaluar la misma.
Entre los indicadores mas importantes de este tipo podemos citar:
Índice de cercanía (Closeness Rating): Este es el indicador cualitativo por

excelencia en las referencias existentes al problema es el índice de cercanía o
Closeness Rating (CRij o rij). Se obtiene de la Tabla Relacional de Actividades
(TRA)(Francis y White 1974), que es un cuadro organizado en diagonal, en el que se
plasman las relaciones de cada actividad con las demás. En ella, un panel de expertos,
evalúan la necesidad de proximidad entre las diferentes actividades bajo diferentes
puntos de vista. La relación entre actividades se valora entre A (absolutamente
importante) y U (no importante), y generalmente se emplea la X para relaciones
Pág. 171 de 337

indeseables. Estos valores son transformados en numéricos empleando diferentes

escalas.
Algunos autores también emplean un índice de cercanía, en este caso obtenido

mediante la evaluación de diversos subcriterios. Sarin et al. (1992), emplean una serie
de criterios que constituyen un índice de cercanía “agregado”, los valores de cada
criterio se normalizan mediante el empleo de una serie de funciones de
transformación, tal y como se comentó en el capítulo anterior. Shang (1993), obtiene
una matriz normalizada de valores para el índice de cercanía mediante una técnica
AHP en la que integra toda una serie de criterios que influyen a la hora de determinar
el valor de la matriz. Estos criterios son: Seguridad, Ruidos, Flexibilidad, Estética,
Temperatura y trabajo en curso. Todos ellos son evaluados mediante un panel de
expertos, que determinan la importancia de cada uno de ellos entre cada par de
actividades. Otros autores, como (Sangwan y Kodali 2006) y (Raoot y Rakshit 1993),
emplean técnicas de lógica borrosa para determinar el valor del índice de cercanía
entre las actividades. Por último (Aiello, Enea y Galante 2006) establecen el
indicador de una forma inversa, no en términos de cercanía sino de alejamiento,
además lo formulan de una forma cuantitativa. Es un indicador muy similar al de
cercanía solo que en este caso penalizando la separación.
Flexibilidad: Otro de los indicadores empleados en el problema es la flexibilidad,

que tal y como se ha comentado con anterioridad coincide con uno de los principios
básicos establecidos por Muther. Algunos autores han evaluado este indicador de
forma cuantitativa, en (Malakooti 1987) y (Raman, Nagalingam y Lin 2009) se
comentan las diferentes aproximaciones que se han hecho a la medida de la
flexibilidad en las plantas industriales:
- Generando una serie de matrices de flujo diferentes para representar las

variaciones en la demanda de diferentes productos. La configuración con el
menor MHC para los diferentes escenarios es el que tiene una mejor flexibilidad.
Autores como por (Webster y Tyberghein 1979), (Shore y Tompkins 1980) y
(Yang y Peters 1998) siguieron este camino.
- (Rosenblatt y Lee 1987) exponen que la configuración más flexible es aquella en
la que el MHC permanezca dentro de un rango pese a las variaciones de flujo.
Pág. 172 de 337

En ambos casos, el MHC (Material Handling Cost) es el factor fundamental

para tomar la decisión de que configuración es la más flexible, sin embargo en la
realidad hay otros factores que se deben tener en cuenta para calcular la flexibilidad
de la configuración. Otras aproximaciones para medir la flexibilidad son:
En términos de la cantidad de elementos para unir las unidades productivas:

(Affentakis 1985), (Chaterjee et al. 1984).
- Combinado varios factores como son: Flexibilidad para la expansión,

Flexibilidad en el volumen de producción y Flexibilidad en las rutas, todos ellos
con medidas muy difusas. (Raman, Nagalingam y Lin 2009) los tratan con lógica
borrosa para determinar un valor del FLF, que está normalizado entre 0-1 y que
tratan de maximizar.
Figura 3.35: Factores para calcular FLF (Raman, Nagalingam y Lin 2009).
Otro grupo de autores emplean valores cualitativos para este indicador, así el
primer autor que emplea la flexibilidad en el estudio multiobjetivo del problema es
Malakooti en (Malakooti y D'Souza 1987), (Malakooti 1987) y (Malakooti 1989).
Siempre en los siguientes términos: “…el efecto que tiene la cercanía de dos
actividades en la flexibilidad de la solución…”. Por tanto la medida de esta
flexibilidad es completamente subjetiva y se cuantifica de la misma forma que el
Pág. 173 de 337

índice de cercanía, mediante una escala de letras que marcan la necesidad de

proximidad de las actividades para obtener una solución más flexible.
Otros autores, consideran la flexibilidad como uno de los aspectos a tener en

cuenta en la evaluación de un índice de cercanía obtenido mediante AHP, de entre
ellos destacan: (Shang 1993), (Yang y Kuo 2003) y (Yang y Hung 2007).
Adyacencia: este indicador resulta muy similar al índice de cercanía, definida como
la necesidad de que dos actividades se encuentren próximas. Algunos autores como
(Meller y Gau 1996) y (Tuzkaya, Ertay y Ruan 2005) hacen referencia a la
adyacencia en términos de proximidad cuanto mayor sea el flujo y de penalización si
las actividades no son adyacentes, respectivamente.
Movimientos peligrosos: El primer autor que hace referencia al indicador de

movimientos peligrosos (Hazardous Movement) es (Waghodekar y Sahu 1986) en el
que se tienen en cuenta a la hora de elaborar un indicador de cercanía. Posteriormente
(Chen y Sha 2005) también lo utilizan como uno de los objetivos a minimizar (en
términos de reducir las distancias entre actividades en las que se manejen materiales
peligrosos). La última referencia en la que se emplea este indicador es (Singh y Singh
2009), en la misma línea de los autores anteriores.
Este indicador no se encuentra formulado en ninguna de las referencias, sino

que los autores emplean una tabla de valores que cita el problema tipo de
(Waghodekar y Sahu 1986) y no le dan un sentido físico al mismo, no siendo por
tanto un indicador propiamente dicho
3.4.3.2. Indicadores Cuantitativos.
A pesar de que los indicadores cualitativos aportan una información

importante en el proceso de generación de soluciones eficientes en el problema de
distribución en planta, hay muchas otras características que son medibles y que
pueden aportar una información muy valiosa en el proceso de toma de decisiones.
Los indicadores cuantitativos aportan medidas precisas y reales de la bondad

de una solución y permiten, mediante heurísticas conseguir soluciones que mejoren a
las actuales. A continuación se realiza un análisis de los indicadores cuantitativos que
Pág. 174 de 337

se pueden encontrar en la bibliografía, que se corresponden con los indicadores de

Flujo, indicadores Geométricos y los de aprovechamiento de Area.
Indicadores de Flujo
Una primera medida cuantitativa de la calidad de una solución es el flujo que

se produce en la misma. El flujo que habitualmente se emplea, por ser el que tiene
una mayor repercusión en los costes, es el de materiales, aunque algunos autores
también reseñan la importancia del flujo de personal o de maquinaria. Otra forma de
medir el flujo es mediante el tiempo de transporte, que incluye los medios de
manutención.
Todos los indicadores cuantitativos de flujo proporcionan un valor

correspondiente a toda la configuración. A continuación se describen los más
significativos y se propone un nuevo indicador, el indicador de circulación.
Coste de transporte de materiales ((Material Handling Cost o MHC): El objetivo

principal del problema de distribución en planta (igual que en el QAP) es la reducción
del coste de transporte de materiales. No es propiamente un indicador, aunque
ciertamente da la medida de la calidad de la solución en términos de coste, puesto que
como resaltan (Tompkins et al. 1996) el coste de transporte interior de materiales
puede suponer entre el 20-50% de los costes de fabricación. Absolutamente todas las
referencias que abordan el problema desde una dimensión multiobjetivo tienen en el
MHC o en el flujo su objetivo fundamental.
Tiempo de movimiento de los materiales (MMT): Otro de los indicadores de flujo

empleados en la bibliografía fue introducido por (Malakooti y D'Souza 1987) y
(Malakooti 1989), y es el tiempo de movimiento de los materiales. Apuntan los
autores que es un indicador de la eficiencia de las operaciones, puesto que cuanto más
rápido se mueva el material, mayor será la productividad de la planta. El tiempo de
movimiento de materiales se calcula como el coste de transporte de materiales, salvo
que se emplea el tiempo en lugar del coste por unidad de distancia viajada entre
actividades. Este indicador depende, en buena medida del sistema de manutención
empleado, los datos se deben recopilar en una tabla (desde/hacia) en el que para cada
Pág. 175 de 337

par de actividades se proporcione el tiempo por unidad de distancia. Posteriormente

ha sido empleado también por (Chen y Sha 2005) y (Singh y Singh 2009).
Indicadores de flujo de Lin y Sharp: En (Lin y Sharp 1999) se realiza una aportación
singular al ámbito de los indicadores aplicados al problema de distribución en planta,
pues presenta 18 indicadores (agrupados en 3 categorías) para optimizar el problema.
Algunos de ellos son cualitativos, aunque los pertenecientes al grupo Flujo son todos
cuantitativos.
Figura 3.36: Indicadores de Flujo (Lin y Sharp 1999).
De todos los indicadores, para la presente investigación son de mayor interés

todos aquellos que están agrupados en el Flujo (aunque algunos de ellos no tengan
una clara influencia en el flujo como tal y no se realice la integración de todos ellos
para poder realizar la optimización).
Diafanidad: Se describe la diafanidad (Lin y Sharp 1999a) como la extensión de la

planta que está libre de elementos constructivos que puedan afectar a la efectividad de
la asignación espacial en una determinada configuración. Hay tres elementos
constructivos que afectan a este indicador: tabiques, pilares y escaleras (o
ascensores). Una de las fuentes del desaprovechamiento espacial en los edificios
industriales, se producen habitualmente por un incorrecto posicionamiento de estos
elementos constructivos.
Pág. 176 de 337

- Los tabiques influyen en las posibles ubicaciones de las actividades, pues

fraccionan la planta.
- Los pilares afectan al posicionamiento de la maquinaria, así como a los
medios de manutención. Los autores llaman a los espacios en los que hay
algunos pilares interiores, Espacio Semi-Abierto (ESA) y a los espacios sin
columnas interiores Espacio Abierto (EA).
- Las escaleras (o ascensores) afectarán al sistema de manutención, a la
distancia recorrida por los productos o por los trabajadores. Así en un edificio
de oficinas (o de viviendas) las escaleras deben estar situadas en el centro
(para reducir así los recorridos de los trabajadores) y sin embargo en un
edificio de producción, es más adecuado que esté en una esquina para
aumentar el espacio libre.
Para calcular el indicador, los autores emplean los conceptos de Espacio

Abierto, Espacio Semi-Abierto y el ratio k, que mide la forma que adoptan las
actividades en una determinada configuración.
Las cuestiones dignas de consideración en el desarrollo del indicador de

diafanidad son:
- Existencia de tabiques o pilares.

- Numero de tabiques y pilares.
- Localización y tamaño de los tabiques y pilares.
- Factor de forma de cada subárea
Utilización y suficiencia espacial: En este criterio, (Lin y Sharp 1999a) recogen dos
aspectos de interés en el problema:
- El primero es proporcionar un espacio definido para cada actividad, lo que

denominan Space Suffiency.
- El segundo es examinar la efectividad de la utilización espacial en dos y tres
dimensiones. El objetivo es determinar si el espacio de la planta esta
sobreutilizado o infrautilizado.
Pasillos: Este indicador mide la efectividad de la distribución de los pasillos en la

planta. Hay dos tipos de pasillos:
Pág. 177 de 337

- Los pasillos que se desarrollan debido a las necesidades de construcción del

edificio.
- Los pasillos que se colocan en el layout de detalle y que pueden ser dispuestos
libremente sin las ataduras del edificio.
Solo se tienen en cuenta los pasillos de cierta entidad. Se definen 6 objetivos

en el sistema de implantación de los pasillos, con los que se calcula el indicador:
- Área servida por el pasillo

- Facilidad de acceso
- Rutas alternativas
- Intersecciones
- Forma de la actividad
- Rectitud del pasillo
Establecen un indicador en el que influyen la forma de las actividades, el

número de cruces del pasillo, así como de su longitud. Este indicador puede ser muy
interesante en el caso de abordar el problema de distribución en planta con pasillos,
que no es objeto de la presente investigación.
Distancia y densidad del volumen: Este indicador se plantea para estimar la densidad
del movimiento de material entre diferentes actividades, para alcanzar los
requerimientos de producción. Hay tres tipos de movimiento entre actividades:
1. Materias primas, componentes y producto acabado
2. Trabajo de papeleo
3. Movimiento de personal (ajeno al trabajo)
El más importante es el primero, pues los otros se cubren con distancias cortas
y poco significativas. La densidad del movimiento de material (DMM) se puede
representar de dos formas: el volumen de material movido en los pasillos o el tiempo
gastado para mover el material:
Robustez del sistema de manutención: El objetivo del indicador es estimar la robustez

del sistema de manutención para ajustar posible cambios y satisfacer diferentes
Pág. 178 de 337

requerimientos de capacidad productiva. La flexibilidad puede ser evaluada mediante

este indicador. Un correcto sistema de manutención debe cumplir con las siguientes
premisas:
- Estandarización de la maquinaria.
- Capacidad del sistema de manutención.
- Utilización del sistema. Proponen calcular un ratio de utilización del sistema
de manutención (o de cada parte del mismo).
Para realizar el cálculo del indicador, se basan en varios factores, todos ellos
referidos a los diferentes subsistemas de la configuración, en nuestro caso habría que
aplicarlo a las diferentes actividades que componen el problema.
- Numero de subsistemas.
- Capacidad de cada subsistema, medido en número de unidades que puede
producir.
- Aptitud de cada subsistema, que tiene en cuenta el número de operaciones que
puede realizar el mismo.
Resulta muy complicado determinar la flexibilidad con este indicador ya que

permite calcular capacidades de los subsistemas, pero requiere de una gran cantidad
de datos que en la formulación habitual del problema de distribución en planta no se
facilitan.
Expansión de edificios: En este indicador, los autores estiman la facilidad para poder
ampliar el espacio ocupado por los edificios o añadir actividades al existente. Para
realizar el cálculo del indicador se tienen en cuenta dos factores:
- Área disponible para la expansión del edificio entendiendo esta como La

relación existente entre el área exterior disponible y el área actual ya
utilizada.
-
- Trastornos derivados de la ampliación. En esta parte se incluyen todos los
problemas que puedan ocasionar a la producción las obras de ampliación del
edificio productivo. Es un indicador cualitativo en el que 1 representa la peor
situación posible.
Pág. 179 de 337

Indicadores Geométricos
Los indicadores geométricos proporcionaran información acerca de la forma y

distribución de las actividades y en general de la configuración. Entre estos
indicadores se pueden encontrar indicadores de configuración, que tienen en cuenta
los indicadores locales de cada una de las n actividades y dan un valor (generalmente
de promedio) del conjunto de actividades y, por otra parte, una serie de indicadores de
actividad, que para ser empleados en la optimización de la distribución en planta se
centran en la mejora del peor de los valores de las n actividades, de esta manera, se
mejorarán todos los demás de una manera indirecta.
Uno de los aspectos que tiene una mayor importancia a la hora de establecer la
calidad de una solución al problema de distribución en planta es la calidad formal de
la misma, pues el proceso de optimización siempre tiende a soluciones que, pese a ser
excelentes desde el punto de vista del coste de transporte de materiales no dejan de
ser aberraciones formales al problema de optimización.
Si no se tienen en consideración estos aspectos formales se obtienen

soluciones no factibles desde el punto de vista práctico, y que tienen como máxima
expresión las configuraciones “sándwich” y “diana”. El algoritmo de optimización
busca soluciones de este tipo, en el que las distancias se minimizan al tomar como
métrica la distancia entre centroides. Este tipo de problemas tiene una mayor
incidencia cuando se discretiza el dominio y se realiza un relleno de las casillas, y
estos efectos se pueden paliar empleando métricas más exactas como puede ser la
métrica EDIST. La suposición de que el coste es directamente proporcional a la
distancia entre los centros de gravedad, puede desvirtuar la solución obtenida,
llegándose a casos en que pese a tener un coste de transporte de materias
prácticamente nulo, no resulta factible desde un punto de vista práctico. Asimismo, se
puede llegar a soluciones en los que el ratio alto-ancho de cada una de las actividades
es excesivamente elevado, llegando a soluciones tipo sándwich y que tiene un coste
extremadamente bajo, aunque su factibilidad también es nula, pues las actividades no
se pueden desarrollar en áreas tan alargadas.
Con la finalidad de controlar todos estos problemas, surgidos

fundamentalmente de la utilización de un modelo geométrico discreto y de métricas
basadas en la distancia entre centroides, se definen una serie de indicadores
Pág. 180 de 337

geométricos. Además, las soluciones que tienen unas actividades con formas
regulares son las que alcanzan una mayor flexibilidad geométrica ya que permiten
una mejor distribución 2D.
A la hora de trabajar con un relleno discreto de las actividades, los indicadores

geométricos constituyen una herramienta fundamental para obtener soluciones
eficientes desde el punto de vista formal.
Figura 3.37: Indicadores geométricos en el problema de distribución en planta.
Los indicadores geométricos proporcionaran información acerca de la forma y

distribución de las actividades y en general de la configuración. Entre estos
indicadores se pueden encontrar indicadores de configuración, que tienen en cuenta
los indicadores locales de cada una de las n actividades y dan un valor (generalmente
de promedio) del conjunto de actividades y, por otra parte, una serie de indicadores de
actividad, que para ser empleados en la optimización de la distribución en planta se
centran en la mejora del peor de los valores de las n actividades, de esta manera, se
mejorarán todos los demás de una manera indirecta.
1.- Indicadores de Perímetro
En la bibliografía se pueden encontrar diferentes indicadores que emplean el

perímetro de las actividades para controlar la calidad formal de las actividades, así
como de la solución. Mientras que el indicador Ω es útil para configuraciones en las
Pág. 181 de 337

que el relleno se realiza de manera controlada, el indicador δ resultará más apropiado

para situaciones en las que el relleno se hace mediante curvas de Hilbert (SFC).
Indicador de perímetro W
El indicador de perímetro aparece por primera vez, aplicado al problema de

distribución en planta, en (Bozer y Meller 1994) donde se inspiraban en un artículo de
procesado de imágenes (Freeman 1974). Bozer lo expresa como Ωi, y se basa en el
hecho de que cuanto mayor sea el perímetro de la actividad, menor será la calidad
formal de la misma. Posteriormente este indicador aparece con idéntica formulación,
pero bajo el nombre de SR (Shape Ratio) en (Wang, Hu y Ku 2005), como parte
básica de un indicador global de configuración. El caso ideal, en el que e l es mínimo,
se da cuando la actividad adquiere una forma cuadrada, de lado(A)½. El coeficiente
relaciona el perímetro de la actividad Pi con el perímetro del cuadrado ideal que
albergaría la misma, Pi *. Bozer fija un valor límite para este indicador, estableciendo
que valores superiores a 1.5 corresponden a actividades con una calidad formal
manifiestamente negativas. En el caso de emplear dominios discretos, el valor
mínimo del indicador puede no alcanzar la unidad, dado que el tamaño de la
discretización puede hacer imposible llegar a este valor. Uno de los problemas que
tiene el indicador es que no tiene un valor normalizado, puesto que el mínimo es 1 (o
está muy cerca) pero el máximo puede resultar cualquiera.
Indicador perímetro de actividad/rectangulo d
El indicador d aparece en (Lin y Sharp 1999a) y se formula como la relación

entre el perímetro de la actividad y el perímetro del rectángulo que la engloba
completamente. Este es un indicador que tiene una fiabilidad muy baja pues aparecen
situaciones en la que el valor del indicador resulta igual para varias soluciones alguna
de ellas mucho mejor que el resto. Por otro lado este indicador tampoco es capaz de
determinar si la actividad ha sido implantada de manera inconexa, es decir, si se ha
producido rotura a la hora de la colocación de la misma.
2.- Indicadores de Compacidad
En el caso de emplear un modelo geométrico discreto, es de gran importancia

la forma en la que la curva o procedimiento de relleno, configure el área destinada a
cada actividad. Pueden configurarse actividades con formas altamente indeseables,
Pág. 182 de 337

comprometiendo, incluso, la implantación de las mismas. Para evitar estos problemas,

se pueden emplear indicadores de compacidad de las actividades. Se recogen a
continuación los indicadores de compacidad más usados en la bibliografía.
Compacidad ϒ
La compacidad de una actividad es el cociente entre el área de la actividad

(Ai) y el área del rectángulo de menor área que es capaz de contenerla en su totalidad.
Un valor de compacidad 1 indica actividades que rellenan de una forma compacta la
superficie de la planta. Por el contrario, valores cercanos a 0 (nunca alcanzable),
indican actividades muy disgregadas, y por tano poco compactas.
Este indicador no es aplicable en modelos continuos, ya que forma en la que

se realiza el relleno del área, es ya compacto de por sí, por tanto siempre ϒi =1. En
los modelos discretos, si que pueden aportar información muy útil, dado que cuanto
más compacta sea la actividad, mayor facilidad de implantación práctica tendrá la
misma.
Con este indicador ocurre lo mismo que con el indicador de perímetro, el

óptimo (y máximo) siempre es la unidad, aunque en este caso puede no
corresponderse con una forma de la actividad aconsejable, mientras que el mínimo se
corresponde con formas en “L” (tampoco aconsejables) y es dependiente del área de
la actividad.
3.- Indicadores de Robustez
Indicador de robustez r
Se define la robustez como el cociente entre el lado menor y el lado mayor del
menor rectángulo que inscriba a la actividad (Ai). Este indicador geométrico de
actividad fue definido y empleado en (Liggett y Mitchell 1981) como Proportion
Ratio, en (Contero 1995) como Ω3 y posteriormente renombrado y empleado por
(Gonzalez 2005) como Robustez (ρi). Posteriormente también fue empleado en
(Aiello, Enea y Galante 2006) bajo el nombre de Aspect Ratio (ϒi). Un valor de
robustez 1 indica que el área asignada a la actividad es cuadrada, por tanto su
flexibilidad será mayor, mientras que valores cercanos a 0 (nunca alcanzable), indican
actividades muy esbeltas o alargadas (configuración no deseada, pues su implantación
Pág. 183 de 337

es muy complicada y poco flexible). Este indicador resultará de aplicación tanto en

modelos discretos como continuos, y fue empleado por autores como (Diego-Más
2006). La aplicabilidad en los modelos continuos de este indicador es directa, pues el
relleno del espacio es compacto, sin embargo, en los modelos discretos, al ser el
relleno no compacto pueden darse situaciones muy contradictorias, como el tener
actividades con una robustez máxima (ρi = 1) excesivamente disgregadas.
4.- Indicadores de Forma.
Ni la compacidad ni la robustez, proporcionan por separado una garantía de

que las soluciones tienen una calidad formal elevada, pues pueden darse soluciones
con buenos valores de los indicadores que realmente no lo sean. A continuación se
resumen los indicadores de actividad y de configuración encontrados en la
bibliografía.
Forma j
En (Gonzalez 2005) se definió un indicador que combina la compacidad y la

robustez para generar uno nuevo que potencie los beneficios de ambos, la llamada
forma de la actividad (φi), que queda definida como el producto de la robustez y la
compacidad de la actividad. Geométricamente, la forma φ de una actividad se obtiene
del cociente entre el área de la actividad y el cuadrado del lado mayor del rectángulo
que puede contener la actividad. Un valor de forma 1 indica que la actividad rellena
completamente un rectángulo mientras que valores cercanos a 0 (nunca alcanzable),
indican actividades esbeltas y poco compactas o disgregadas.
5.- Indicadores de Inercia
Por último se recogen los indicadores que consideran la inercia de las

actividades de una determinada configuración. Al igual que con el resto de
indicadores, se realiza la diferencia entre aquellos que se centran en una única
actividad y los que establecen un valor para toda la configuración.
Indicador W4
Otro indicador de la calidad formal de la solución fue propuesto por (Contero

1995) y tiene su fundamento en el momento polar de inercia de la actividad,
como medida de la dispersión del área asociada a la misma. El indicador de inercia,
Pág. 184 de 337

Ω4, es adimensional, y tiene en cuenta la desviación de la inercia de la actividad

respecto a los valores máximo y mínimo que podría adoptar en una
configuración discreta. Una vez conocido el valor del momento polar de inercia
respecto al centro de gravedad de la actividad, (Contero 1995) calcula un factor
normalizado que permite valorar la calidad geométrica de la actividad. Para ello, es
necesario conocer cuáles son los valores máximo y mínimo de inercia polar que
puede adoptar una actividad de un área determinada. Estos casos se corresponden con
una geometría alargada de ancho unidad y largo el número de casillas y una
geometría cuadrada de lado a = (A)½ . Las configuraciones cuadradas adoptan un
coeficiente cercano a 0, mientras que geometrías más desfavorables adoptan un
coeficiente más próximo a la unidad.
Indicadores de aprovechamiento de área
Otra de las características geométricas a tener en cuenta es la relacionada con

el aprovechamiento que se hace del recinto sobre el que se implanta la industria. Se
puede abordar el problema de dos formas, en función de la relación del área del
recinto AR y la suma de las áreas de cada una de las actividades:
n
AR « å Ai
i =1
Algunos autores desde (Armour y Buffa 1963) hasta (Gonzalez 2005)

hacen una aproximación al problema suponiendo un recinto fijo y lo que es más
importante en este punto, que se ajusta completamente a las necesidades del caso en
estudio. En esta situación, el 100% de la superficie del recinto está ocupada por
alguna de las n actividades que componen el problema, por tanto no existe ninguna
holgura. Por otro lado otros autores hacen una aproximación al problema en la que el
área del recinto es superior a la suma de áreas de las n actividades. Por tanto existe
una cierta holgura, desaprovechando una parte del espacio del dominio.
Una solución con una buena utilización espacial tendrá dos características:
- Un ratio de utilización espacial (RUE) razonable en planta y en volumen,

calculado como:
Pág. 185 de 337

RUE = 1 - ratio de espacio libre
No es deseable tener un 100% de utilización espacial pues siempre es

necesario tener una reserva de espacio para cubrir aspectos relativos al confort
y seguridad de los operarios.
- El espacio libre estará concentrado en un área específica o podría ser utilizado

para implantar una nueva actividad. Es decir, es preferible que el espacio libre
esté concentrado a que esté diseminado.
El indicador (ratio de utilización espacial, o RUE) se desarrolla basándose en

estos conocimientos y adopta los conceptos del coeficiente k y del coeficiente de
forma del indicador de diafanidad para medir la distribución de espacios libres
(huecos en la distribución espacial). De esta forma, la eficiencia de la utilización
espacial puede ser juzgada desde el ratio de espacio libre y desde la distribución de
espacios libres.
3.5. PROBLEMA DE FRONTERA.
Si bien cuando se plantea el problema de la distribución en plata de

instalaciones hay dos aspectos que en general de una manera u otra se abordan que
son la forma y dimensiones de las instalaciones y la forma de estimar las distancias
que las mercancías deben recorrer para ser transportadas de una instalación a otra, hay
otra componente geométrica que no ha sido estudiada a la hora de realizar los
cálculos y estimaciones que los algoritmos que se implementan tienen que considerar
y esta es la frontera de las instalaciones.
Cuando se habla de instalaciones en general se entienden estas como un

espacio limitado que hay que ubicar en la planta disponible, y cuando se considera el
límite de estas instalaciones se entienede de igual manera que la frontera o ‘interface’
es una pared indeformable e inamovible que limita es espacio de las mismas, pero no
es necesario pararse a oensar mucho para derse cuenta de que esta presuposición no
resulta del todo correcta en la mayoría de los casos y asi se puede disponer de una
instalación que sea un almacen o una zona de almacenaje que cuya frontera sea como
ucho una línea pntada en el suelo de la planta, o una zona con parades cerradas en
Pág. 186 de 337

forma de ‘U’, por lo que se dispondrá de una frontera abierta totalmente a la

instalación (o pasillo) contiguo.
Se entiende pues que de alguna manera se deberá obordar en concepto

‘frontera’ analizando el contorno cerrado que envuelve la instalación pero
identificando de alguna manera que características tiene cada posible zona de esta
frontera. De este modo la frontera que existe puede ser
- Totalmente impracticable (pared sin posibilidad de pasos).

- Practicable con limitaciones (puede haber `permisos de paso’ o de acceso
para pasar a través de la frontera pero no esta permitido el paso a todo
transito).
- Totalmente abierta, cuando no existe ningún elementod que impada el paso a
través de la frontera (caso claro de puerta o portalon, por ejemplo).
Otra cuestión es la necesidad de dejar zonas o distancias de seguridad mas alla

de alguna zona de la frontera, impidiendo por ejemplo que otra instalación pueda
adosarse directamente en ella. Estas limitaciones son claramente exigibles en los
casos de las instalaciones acutales en las que como se ha comentado en el capitulo
primero se trabaja con objetivos multivariables considerando ciertos factores como la
seguridad o las posibilidades de mantenimiento, fundamentales para el resultado final.
Por esta razoón de igual manera que se tiene que ver como es la frontera original por
sus propias características, se tiene que considerar una frontera extendida que abarque
la zona de influencia total de la instalación a ubicar, ampliando el área inicial y sus
límites físicos hasta las zonas de influencia de la instalación considerada (siendo esta
una zona, una máquina o robot o una tubería de transporte,…)
Atendiendo a este criterio cada zona en la que pueda/deba dividrir la frontera

ya ampliada se puede clasificar como:
- Adosable, cuando se puede poner (y en general se debe poner siempre que sea
posible por ahorro de espacio) directamente tocando (tangente) digamos con
otra frontera de una instalación ayacente, esto dicho de forma simple es que se
puede ”poner contra la pared”.
Pág. 187 de 337

- Libre, cuando no se puede poner nada delante de esa zona teniendo que
coincidir con otra zona también libre de la instalación adyacente o con un
pasillo transitable.
- Transitable, cuando se puede poner contra una pared o hacer frontera común
con otra zona transitable, ejemplo de acceso para mantenimiento (engrases,
operaciones de verificación o sustitución de elementos de un elemento
productivo, por ejemplo). En este caso las zonas de reserva ampliadas sobre
los límites de la frontera inicial pueden solaparse ya que la zona de servicion
puede ser común para dos instalaciones adyacentes.
En el caso que se ha implementado se parte de un modelado geométrico

continuo de las instalaciones que se consideran entidades Regiones de sistemas de
DAO que posteriormente se descomponen para obtener su polilinea contorno que
puede ser editada apliando el contorno original en las zonas en que deban dejarse
zonas de servicio. Posteriormente se editan esas polilineas aplicando un criterio de
poner un distinto grosor, que presiamente ha sido preestablecido, a cada zona de las
mismas (limitada entre cada dos vértices de la polilinea), dependiendo del que tipo de
frontera consideremos que corresponde a esa zona, con lo que posteriormente se
podrá procesar cada zona de forma singular al interpretar las características de la
misma, para que la región, o lo que es los mismo, la instalación, que se procese se
ubique de forma correcta.
De igual manera a la hora de definir diferentes tipos de frontera posibles

también aparece otro requisito que en muchos casos result de gran interés a la hora de
decidir cual es la distribución de planta deseada y es la posibilidad de que una zona de
la frontera o la totalidad de la instación deba o no estar en el perímetro exterior de la
planta. Asi tendremos:
- Exterior: cuando se requiere que esa zona del contorno se encuentre en el

límite exterior de la planta en la que estamos ubicacndo las instalaciones.
- Interior: cuando la instalación deba estar situada totalmente en el interior de la
planta, sin que pueda existir contacto directo con el exterior de la misma.
Vistas estas diferentes clasificaciones para las zonas de la frontera debemos

comentar que estas exigencias citadas (de que seas practicable, exterior, adosable, …)
no acotan totalmente la clasificación de las diferentes zonas y se pueden implementar
Pág. 188 de 337

otro tipos de propiedades o características específicas que califiquen de alguna forma

el contorno de las instalaciones, para obligar posteriormente a las implementaciones
algorítmicas a que situen las diferentes instalaciones de forma adecuada y de este
modo el resultado final obtenido se ajuste a las necesidades impuestas inicialmente.
Es necesario decidir cuantos tipos de frontera pueden existir, ya que estas

restricciones se utilizaran posteriormente en las implementaciones para procesar las
distintas instalaciones tanto para su ubicación límite como para las distancias de las
métricas por medio de puntos de paso. Posteriormente se establecerá en una tabla una
correspondencia biunívoca que a cada grosor de hará corresponder uno de los tipos
establecidos y asi al procesar la entidad polilinea contorno exterior le podrá asignar
las propiedades correspondientes al grosor que tenga en cada zona de forma
específica. Resulta importante comentar que la diferencia entre los grosores de las
distintas posibles zonas de la polilinea será inapreciable visualmente (posteriormente
si fuera de interés se le podria poner un parámetro de color que corresponda también
a cada posible distinto grosor para que pueda ser visualmente apreciable por el
usuario) y tan solo será un dato numerico que será utilizado tan solo como índice y
que deberá ser interpretado por el programa que procesa el contorno frontera.
El uso de regiones para este modelado de las instalaciones nos ofrece grandes
ventajas ya este tipo de entidad tiene una forma plana cualquiera permitiendo
disponer de huecos en medio de la misma e incluso permitiendo que una única región
no este agregada en una único contorno cerrado sino que pueda estar dispuesta en
varias subregiones siendo cada una de estas zonas un contorno cerrado. El uso de
regiones puede extenderse en el caso de querer trabajar en tres diemnsiones reales
utilizando las entidades tipos solido 3D (3DBody) en lugar de las entidades regiones,
teniendo en cuenta que este tipo de entidades tridimensionales tienen el mismo tipo
de propiedades que las correspondientes a las entidades regiones.
Por otro lado el uso de las entidades polilineas para el contorno dan otro tipo
de ventajas, como es la pisibilidad de que a los largo del contorno se puedan disponer
de zonas con diferentes propiedades permitiendo por lo tanto sectorizar la frontera, y
de inconvenientes como pueda ser la imposibilidad de que existan islas y de que las
instalaciones ocupen mas de una zona, es decir que por decirlo de otro modo el uso de
Pág. 189 de 337

polilineas obliga a que las instalaciones sean macizas (sin huecos) y abarquen una
única zona.
Por este motivo en la implementación propuesta en este trabajo de

investigación se ha trabajado con ambos tipos de entidades: regiones para definir las
instalaciones, al menos inicialmente, y con polilineas para trabajar con sus fronteras
identificando las características que cada zona de esta pueda tener.
Con este planteamiento tal y como se justificará mas tarde se puede procesar
de forma adecuada cualquier instalación e interpretar su frontera de forma real y con
las rectricciones que a esa frontera o contorno se le quieran imponer, y ademas esas
rectricciones no tienen que ser globales para todo el contorno de la instalación sino
que puede ser diferente para cada zona que se quiera establecer de la misma.
3.6. PROBLEMA DE LAS DISTANCIAS y METRICAS.
El segundo de los aspectos geométricos a tener en cuenta en el planteamiento

del problema de distribución en planta, tras el análisis de la forma, es el relativo a la
métrica o distancia que se debe emplear para determinar la distancia entre las
actividades del problema a optimizar. La distancia entre las actividades es un
parámetro clave, pues contribuye de una manera significativa en la función objetivo a
minimizar.
En el problema de distribución en planta se pueden distinguir dos distancias

que todo el proceso de definición del mismo:
· Distancia geométrica: Este valor viene determinado por las áreas de las
actividades, tomándose de forma habitual la distancia Euclídea.
· Distancia de recorrido: Es la distancia que van a recorrer los materiales al ir
de una actividad a otra. A la hora de determinar esta distancia es muy importante
la métrica que se seleccione, pues los valores pueden ser muy distintos.
La selección de una u otra métrica de la distancia de recorrido depende

fundamentalmente de los siguientes factores:
Pág. 190 de 337

1. Tipo de problema: Según se esté tratando el diseño de bloques o el diseño de

detalle.
2. Modelo geométrico: Según se emplee un modelo topológico o geométrico.
3. Sistema de manutención: Cada sistema de manutención puede asimilarse a una
métrica concreta.
De entre las métricas más empleadas en la bibliografía se pueden destacar

las mostradas en la Figura 3.38. Cada una de estas es apropiada para una
determinada fase del problema o bien para un modelo geométrico concreto, aunque
será conveniente analizarlas en detalle.
Figura 3.38: Clasificación de las distancias (Gonzalez 2005 y Montalvá 2011).
A la hora de ver las distancias entre dos puntos, varias serán las posibilidades
para realizar las medidas. Algunas métricas de distancias comunes han sido usadas en
trabajos de distribuciones físicas (Diego-Mas 2006), unas serán muy sencillas y otras
resultarán mucho más complejas de entender y de implementar. Veamos pues a
continuación algunas de estas métricas.
3.6.2. ADYACENCIA
En algunos planteamientos las funciones evaluadoras miden únicamente la

adyacencia entre actividades de forma cualitativa; es decir, que las actividades que así
lo requieran posean una frontera común, aunque lo más habitual es medir si la
disposición de las actividades es adecuada en base a la distancia a las que han sido
ubicadas, lo que proporciona un dato cuantitativo.
Pág. 191 de 337

La Métrica de Adyacencia, resulta de este modo ser la métrica más sencilla de

todas al verificar simplemente si los departamentos comparten alguno de sus lados. Se
emplea habitualmente con criterios cualitativos que estiman la conveniencia o no de
que dos instalaciones sean adyacentes
0 ; si las actividades i y j son adyacentes (3.25)

d(i,j)= { 1 ; en el caso contrario
Esta métrica viene a implementar de forma directa la clasificación de

proximidad del SLP de Muther, esto es la “A”,.por lo menos en lo que a la posición
extrema se refiere.
3.6.3. DISTANCIA ENTRE CENTROIDES
En la fase de diseño de bloques (o lo que se denomina ‘block layout’), en la

que la posición de los puntos de entrada y salida de las actividades pueden no estar
aún definidos, la distancia entre las mismas se toma respecto a los centros de
gravedad, siendo para ello valido cualquier métrica Minkowski o la EDIST. Pero en
etapas posteriores, como en el diseño de detalle, cuando ya se conocen los puntos de
entrada y salida de cada una de las actividades se puede emplear una métrica por
contorno lateral.
En la fase de block layout habitualmente se emplea la distancia entre

centroides como métrica, debido a que en esta fase del diseño, se suele desconocer el
punto de entrada y salida de materiales de la actividad, por tanto, se toma como punto
más representativo el centro de gravedad de la actividad.
3.6.4. CONTORNO LATERAL
Métrica de Contorno Lateral, viene calculada como el recorrido que debe

realizar el material entre dos actividades a lo largo de pasillos que rodean las distintas
instalaciones situadas entre las dos consideradas. Esta es una métrica no basada en la
métrica Minkowski. Se supone que no se permite el transito por el medio de la
actividad y se emplea en problemas de distribución de detalle, en los que
Pág. 192 de 337

normalmente se conocen los puntos de entrada y de salida de cada una de las distintas
actividades.
La distancia en este caso se calcula por la suma de trayectos recorridos que

serían:
d (i, j) = a + b + c + d (3.26)
d
Actividad j
Actividad i
c
Actividad k
b
Figura 3.39: Distancia de contorno (Gonzalez 2005).
La distancia recorre el camino que deben seguir los materiales desde el punto
de salida de una determinada actividad i hasta otra actividad j. En la Figura 3.40 se
puede observar un ejemplo de distancia por contorno lateral entre dos actividades,
que puede ser distinta si el movimiento de materiales es desde i hasta j (en azul) o es
de j hasta i (en morado).
Figura 3.40: Distancia por contorno lateral.
Pág. 193 de 337

La distancia por el contorno resulta ser diferente al resto de métricas dado que
esta representa la distancia actual del trayecto a lo largo de pasillos que debe seguir
una carretilla o vehículo autoguiado. Se pueden encontrar aplicaciones de éste tipo de
métrica al problema de distribución en planta en (Norman, Arapoglu y Smith 2001) y
(Kim y Goetschalckx 2005).
El siguiente paso tras la obtención de la posición de las distintas actividades

será la generación de los pasillos y la ubicación de las puertas de cada recinto
(Benson y Foote 1997).
EXTERIOR
La métrica Exterior mide la distancia similar a la de Contorno Lateral (de

hecho puede ser considerada un caso particular de esta) pero siguiendo recorridos
exteriores al conjunto de las instalaciones, es decir agrupa a un conjunto de
actividades considerándolas como una sola.
3.6.5. CAMINO MAS CORTO
Si se emplea un modelo geométrico topológico, podría resultar más adecuado

emplear una métrica del tipo camino más corto, como se verá después.
La denominada Métrica del Camino más Corto (o ‘shortest path’) es otra

métrica que puede ser empleada en el diseño de detalle y que se utiliza para
determinar la distancia entre dos lugares cuando se emplea un modelo geométrico
basado en teoría de grafos. La posición de las actividades se representará mediante un
grafo compuesto por nodos y arcos, donde los nodos representan las actividades y un
arco entre un par de nodos representa la distancia o tiempo de transporte entre las
actividades.
3.6.6. MINKOWSKI
Pero las métricas con uso más extendido son las de tipo Minkowski en las que
la distancia n-dimensional entre dos puntos i y j viene determinada por la siguiente
expresión:
1/ p
n
æ DI ö
åx = ç å xik - x jk
p p
d p (i, j ) = d ij ( p) = p
ik - x jk ÷ (3.27)
k =i è k =1 ø
Pág. 194 de 337

Donde: DI es el número de dimensiones consideradas.
p > 0 es un parámetro que determina la métrica particular utilizada.
En donde según el valor que tome el parámetro de p, que toma valores entre 1
e infinito (∞), se obtienen los diferentes tipos de métricas y de esta forma a partir de
esta formulación general de la ecuación 3.27 se extraerán las tres principales métricas,
que resultan ser las más empleadas en el problema de distribución en planta, en
función del tipo de sistema de manutención a emplear en la planta: Mahattan (p=1),
Euclidea (p=2) y Tchebychev (p=∞).
Aunque existen otras posibilidades, las métricas más frecuentemente

empleadas miden la distancia entre los centroides de las áreas asignadas a las
actividades. Ésta es una simplificación debida a que la localización de los puntos de
recepción y expedición de materiales en cada actividad, son desconocidos hasta que
no se determine el layout detallado y escogidos los sistemas de transporte de
materiales. Así pues, el centroide representa en estos modelos tanto el punto de
recepción como el de expedición del flujo de materiales interdepartamental.
Un problema de la utilización del centro geométrico de las áreas de las

actividades como origen y final de las mediciones, es que hace necesario el empleo de
mecanismos que eviten disposiciones problemáticas en Diana o en Sandwich
(excesivamente esbeltas) de las actividades (Figura 3.41) que, aunque minimizan la
distancia entre los centroides, no resultan en general operativas en la práctica.
Figura 3.41: Disposiciones Diana y Sandwich que minimizan las distancia entre
centroides de las áreas de las actividades (Mas 2006).
Pág. 195 de 337

3.6.7. MANHATTAN
Distancia Rectilínea, Rectangular o Manhattan, que viene siendo una

métrica Minkowski con el parámetro p=1, se define como a distancia entre dos puntos
medida a lo largo de los ejes y con ángulos rectos, o lo que es lo mismo la suma de
las distancias a lo largo de los distintos ejes X e Y:
d (i, j ) = xi - x j + y i - y j (3.28)
Donde d(i, j) es la distancia entre los puntos i y j con coordenadas (xi, yi) y (xj,
yj) respectivamente (centroides de las distintas instalaciones).
Esta métrica es frecuentemente utilizada porque es fácil de calcular, de

entender, y resulta apropiada para muchos problemas prácticos, donde la manutención
se realiza a través de una retícula de pasillos (el transporte de materias se realiza
mediante carretillas o vehículos autoguiados). Representa la suma de las distancias
horizontal y vertical entre los centros de gravedad de las actividades i y j, tal y como
se muestra en la Figura 3.42.
Tal vez debamos mencionar que esta métrica resulta ser la más empleada en la
gran mayoría de las referencias bibliográficas del problema de distribución en planta
de establecimientos industriales.
3.6.8 EUCLIDEA
La distancia según la métrica Euclídea se define como una métrica

Minkowsky con el parámetro p=2 o como la longitud del segmento rectilíneo directo
o línea recta entre dos puntos finales, dada por:
d (i, j ) = ( xi - x j ) 2 + ( y i - y j ) 2 (3.29)
Utilizando la misma notación que la utilizada en la métrica rectilínea.
Es la distancia más corta entre dos puntos, aunque en el caso del problema de
distribución en planta normalmente no se emplea directamente, pues es una medida
Pág. 196 de 337

irreal, dado que la mayor parte de los sistemas de manutención no pueden cruzar por
dentro de otras actividades.
Este tipo de métrica podría ser adecuada en aquellas plantas en las que el flujo
de material se realizara mediante cintas transportadoras (Ozdemir, Smith y Norman
2003).
Figura 3.42: Métricas de distancia entre actividades. Ampliado de (Shebanie 2002

y de Montalvá 2011).
EUCLIDEA CUADRATICA
Derivada de la anterior tenemos la distancia Euclídea Cuadrática, que resulta

similar a la distancia Euclídea pero atribuyendo un mayor peso a aquellas actividades
que se encuentran muy alejadas. Esta métrica no sigue en realidad el esquema
Minkowski, y responde a la fórmula:
d (i, j ) = ( xi - x j ) 2 + ( y i - y j ) 2 (3.30)
Pág. 197 de 337

3.6.9. TCHEBYCHEV
La distancia Tchebychev definida como una métrica Minkowski con

parámetro p=∞, considera la distancia como la mayor de las distancias a lo largo de
los ejes X e Y:
(
d (i, j ) = max xi - x j , y i - y j ) (3.31)
La distancia Tchebychev se corresponde con el problema de manutención en

una industria de maquinaria pesada que se lleva a cabo mediante transelevadores o
puentes grúa con dos motores independientes, permitiendo uno el movimiento en la
dirección del eje de las x y el otro en la dirección del eje de las y. De este modo el
tiempo necesario para realizar el movimiento desde el centro de la actividad i al
centro de la actividad j dependerá de la mayor de las distancias de los ejes x e y, pues
el sistema de manutención empleado comienza el movimiento independiente al
mismo tiempo.
F
A D
G
Metrica
B Tchebychev
Euclidea
E Rectilinea
C Contorno
H Exterior
Figura 3.43: Distintas Métricas para medir distancias entre actividades.

(Shebanie, 2002)
3.6.10. EDIST
En problemas de localización de industrias es frecuente utilizar otra métrica

aplicada en los grafos que es la de trayectoria más corta en la que las posibles
localizaciones son representadas por nodos en un grafo y los arcos representan las
Pág. 198 de 337

distancias o tiempos o costes de viaje entre los nodos conectados por estos. Existen
habitualmente varios caminos entre dos nodos del grafo cuyas longitudes, costes o
tiempos de transporte vienen representadas mediante pesos y esta métrica permite
seleccionar el más corto. Esto representa en realidad una trayectoria entre cualquier
par de nodos y la distancia mas corta tiene realmente consideraciones importantes en
la solución de problemas.
En el intento de repasar las métricas existentes, y siguiendo las indicaciones

de Gonzalez (2005) y Montalvá (2011), citaremos ahora otra de las métricas, no
basadas en Minkowski, que se pueden emplear en el problema de distribución en
planta en su fase de block layout la distancia rectilinea esperada (EDIST), definida
por Bozer y Meller (1997) en la que se supone que los departamentos i y j están
definidos por las regiones (planares) Ri y Rj respectivamente, con áreas totales iguales
a Ai y Aj.
Esta métrica se propone de la siguiente forma:
Se supone que las actividades i y j están definidas por las regiones (planares)
Ri y Rj respectivamente, con un área total igual a Ai y Aj. Sean las coordenadas de dos
puntos de ambas regiones muestreados aleatoriamente (xi ,yi ) Î Ri y (xj ,yj ) Î Rj .
Dado que la posición de cada punto es específica para una función de

probabilidad uniforme sobre ambas regiones, la distancia rectilínea esperada (EDIST)
entre las dos actividades i y j (dij) queda fijada mediante la expresión:
(23.45)
Si se emplea un modelo geométrico discreto (con c casillas) y se expresa el

problema en variables de asignación, la distancia EDIST entre ambas actividades se
determina mediante la siguiente expresión:
(3.46)
donde: Xik=1 si la posición k está ocupada por la actividad i y 0 en caso contrario.
Pág. 199 de 337

Xjl= 1 si la posición l está ocupada por la actividad j y 0 en caso contrario.
En la Figura 2.2.4 se puede observar el buen funcionamiento de la métrica

EDIST en algunas configuraciones no deseables (diana y sándwich), en las que la
métrica Minkowski da valores muy bajos mientras que EDIST las penaliza.
EDISTij = ((2+1+2)·2+(1+1))/1·8 = 1.5 EDISTij=((1+2+3+4)·2+(2+1+2+3)·2)/4·4= 2.25

dij = 0 dij = 1
Figura 3.44: Ejemplo de aplicación de métrica EDIST.
O expresado de otro modo.
Haciendo (xi, yi) X Ri y (xj , yj) X Rj donde las coordenadas (x, y) designan los
puntos muestreados aleatoriamente, dado que la distribución de cada punto es

específica para una función de probabilidad uniforme sobre las dos regiones, la
distancia rectilínea esperada entre los departamentos i y j resultará:
[ ]
E d ij = ò
xi ÎRi ò
yi ÎRi òx j ÎR j ò
y j ÎR j
1 1
Ai A j
( )
xi - x j + y i - y j × dy j × dx j × dy i × dxi (3.47)
Donde Ai (Aj) designa el área del departamento i(j).
[ ]
n n
1
E d ij = åå ( xk - xl + y k - yl ) × xik × x jl (3.48)
k =1 l = j ni × n j
Pág. 200 de 337

3.6.11. Análisis de la Distancia de Recorrido.
Otra cuestión que se ha abordado para tener una referencia mínima fija con la
comparar los posibles caminos que puedan aparecer, y que requieran ser comparados,
para ver cual resulta más conveniente utilizar, es la que denominamos MiDiRe o
Mínima Distancia de Recorrido: que es la distancia que se puede considerar que es la
mínima distancia posible que van a recorrer los materiales al ir de una actividad a
otra.
Si bien como ya se ha comentado, a la hora de determinar las distancias, para

abordar en problema de minimizar los costes de los flujos materiales, resulta de gran
importancia la métrica que se seleccione, dado que los valores resultado pueden ser
muy distintos de pendiendo de esta, precisaremos una referencia para ver cuanto
‘penaliza’ el uso de un recorrido u otro.
Ante este esto se ha planteado, partiendo de una distancia euclídea, que resulta
ser siempre el menor camino entre dos puntos tanto en el plano como en el espacio,
pero que no es una solución válida normalmente dada la imposibilidad de cruzar otras
instalaciones implantadas, distintos recorridos geométricos, olvidándonos en cierta
medida de ecuaciones y planteamientos puramente matemáticos para siguiendo
trayectorias puramente geométricas encontrar un camino posible y con el mínimo
recorrido que será el punto de partida y la referencia con la que compararemos las
distintas métricas calculadas.
De este modo cuando se analiza detenidamente el problema se entiende de

forma rápida que si bien la Métrica con Mínima Distancia Recorrida resulta ser la
mínima distancia posible (y no puramente ficticia como ocurre con alguna de las
expuestas anteriormente) no es en la mayoría de los casos la que vayan a recorrer
finalmente las materias en su flujo cotidiano. Por motivos constructivos, de
ordenamiento de instalaciones, de criterios de montaje y de seguridad, de facilidad de
mantenimiento, etc. se optará casi siempre por caminos algo mayores, y por
consiguiente más costosos (tanto en su construcción como en su explotación), pero
geométricamente más ordenados, como pueden ser: seguir los contornos de los
pasillos o del propio edificio, habilitar zonas de movimiento o “autopistas” de
comunicación o zonas prioritarias para trasiego de mercancias, … Pero se deberá
conocer y cuantificar de alguna manera cual es el sobrecoste que se está asumiendo al
Pág. 201 de 337

decidir usar alguno de los otros recorridos posibles (Manhattan, Contorno, …) en

lugar del calculado como MiDiRe.
Fig. 3.45: Distintas métricas calculadas para unir dos puntos esquivando
obstáculos.
Véase la figura 3.45 en donde se puede apreciar que si se pretende comunicar

el punto A con el punto B, la métrica euclídea aun siendo la trayectoria mas corta no
puede ser aplicada ya que se encuentra con obstáculos que debe evitar, tenemos así
que la trayectoria recta de la métrica euclidea se puede descomponer en dos tipos de
tramos unos los que van por fuera de las instalaciones y por otro lado los que pasan
por las instalaciones ya existentes y que deben ser sustituidos por no se posibles. Por
lo que, en una primer etapa, la métrica euclidea, se sustituye por otra en la que la
métrica euclidea o recta que une A con B, esquive los obstáculos (instalaciones) que
encuentra en su camino, simplemente se sustituye los tramos de recta o segmentos
que se solapan con las instalaciones a esquivar por una poligonal que recorra su
contorno, de esta manera se tiene una métrica esquiva, algo más larga que la anterior
pero que si permite llegar de A a B esquivando los obstáculos, con lo que resulta una
trayectoria con mayor distancia pero por lo menos posible mientras que la original
simplemente euclidea aun siendo una trayectoria mas corta no resultaba posible. En
una etapa siguiente se plantean sustituir los tramos exteriores a las instalaciones
integrándolas con parte de las trayectorias de contorno para hacer mas cortos estos
tramos poligonales, se sustituyen varios tramos por un único tramo recto con lo que la
Pág. 202 de 337

métrica anterior se ve reducida pero evidentemente resultando aun de trayectoria mas

larga que la euclidea inicial. Se dispone asi de una métrica ‘esquiva obstáculos’
posible y que puede valer como referencia de minima distancia posible para unir los
puntos A y B.
Del mismo modo, y dado que en muchos de los casos a la hora de realizar las
comunicaciones entre distintas puntos de las instalaciones industriales se opta por
utilizar métricas de contorno exterior, debido a la facilidad que este tipo de
trayectorias ofrece para ordenar las comunicaciones entre distintos puntos, modificar
y crear nuevas rutas, además de la facilidad de poner anclajes y soportes en las
paredes de los edificios, y sobre todo por motivos de planificación, seguridad y orden,
se plantea de forma general otra métrica que será la MIMEN o ‘mínima métrica
envolvente’ y en la que en lugar de esquivar las instalaciones de forma
individualizada esquiva la envolvente convexa10 que contiene a todas estas, dado que
se da por hecho que las comunicaciones se realizaran por el exterior del conjunto de
las instalaciones y no por el medio de estas. Primeramente se debe encontrar la
envolvente convexa que sustituye a todas las instalaciones (obstáculos) que tengamos
y después se realiza una tarea similar al caso anterior trazando primeramente una
recta que viene a ser la métrica euclidea que se descompone en dos tipos de tramos
los que van por el exterior de la envolvente y el que va por el interior de la misma,
sustituyendo ambos tipos de tramo por el más favorable exactamente igual que se
hacía en el caso anterior. Tendremos así de forma simplificada una trayectoria
mínima que esquiva a la envolvente convexa y que se traduce en tres tramos dos
tramos extremos que parten de los puntos A y B y que resultan tangentes a la
envolvente y un tramo que contornea la evolvente entre los puntos de tangencia
anteriores.
Para encontrar la envolvente convexa se puede utilizar cualquiera de los

muchos algoritmos existentes, como puedan ser ‘Puntos extremos’, ‘Divide y
vencerás’, Quickhull, ‘Scan de Graham’, ‘Marcha de Jarvis’, Incremental, ‘Cota
Inferior’,… para después una vez encontrado esta … a pesar de que muchos autores
10
Envolvente Convexa: Llamamos envolvente convexa a la frontera del cierre
convexo de un conjunto de regiones del plano al menor conjunto convexo o región
que lo contiene, que resultará ser un polígono convexo, en el que cualquier segmento
que une dos cualesquiera de sus puntos está totalmente contenido en el mismo.
Pág. 203 de 337

recomiendan utilizar el de Graham11, en nuestro caso se ha optado por implementar

una variante del Algoritmo de Marcha de Jarvis12 (Gift Wrapping), ya que al trabajar
con regiones, y no con puntos discretos, resulta mucho más fácil e intuitiva su
programación en sistemas de DAO.
3.6.12. ELECCION DE METRICA ADECUADA.
La selección de una métrica u otra dependerá en gran medida del sistema de

transporte de materiales que se empleará (Heragu, 1997; Tompkins et al., 2003; Konz
2004; Mas 2006; Montsalvá 2011). Por ejemplo, la utilización de un puente grúa de
motores independientes en dos direcciones, se modelizará adecuadamente mediante la
métrica de Tchebychev. El tiempo de transporte entre dos actividades será el que se
tarde en recorrer la componente más larga (horizontal o vertical) del vector que une
ambas actividades. Para carretillas o vehículos autoguiados, que deben desplazarse
por pasillos que rodean los diferentes departamentos, el contorno lateral o la
Manhattan serán las métricas más apropiadas. Las cintas transportadoras o las
tuberías se modelizan normalmente mediante métricas Euclídeas.
Aunque de todas ellas la distancia Rectilínea y la distancia Euclídea resultan

son sin duda alguna las dos métricas mas utilizadas, algunas de las restantes resultan
aplicables y de gran utilidad en ciertas condiciones, e incluso en ciertos casos deberá
utilizarse algún sistema híbrido que utilice mas de una métrica al mismo tiempo. Así,
por ejemplo no resultará extraño tener que utilizar la métrica Euclídea en el interior
de las actividades y la métrica de contorno cuando se llega a los límites de estas.
La selección de una única métrica para medir la distancia entre todas las
actividades en un problema puede considerarse una simplificación excesiva, dado que
lo habitual es que un mismo proceso productivo necesite emplear diferentes sistemas
de manutención. Algunas propuestas introducen métricas homogéneas dentro de un
mismo problema mientras otros autores abogan por emplear una métrica heterogénea
11
Para comprender el Algoritmo de Scan de Graham puede consultarse: Graham, R.,
“An Efficient Algorithm for Determining the Convex Hull of a Finite Point Set”.
Information Processing Letters 1, North-Holland Publishing Company. P. 132-133,
1972.
12
Para comprender el Algoritmo de Marcha de Jarvis puede consultarse: Jarvis, R.A.,
“On the Identification of the Convex Hull of of a Finite Set of Points in the Plane”.
Information Processing Letters 2, North-Holland Publishing Company. P. 18-21,
1973.
Pág. 204 de 337

o híbrida (mezcla de varias de las conocidas a tramos) (Ozdemir, Smith y Norman

2003), es decir dar la posibilidad de emplear distintos sistemas de comunicación o
manutención entre instalaciones en función del flujo entre actividades en función de
la geometría o distribución existente, de las limitaciones (permisos, imposibilidades,
prohibiciones u obligaciones de paso) o del tipo de sistema de manutención existente
entre actividades.
F F
A D A D
G G
B B
E E
C C
H H
Figura 3.46A: Combinación de métrica Figura 3.46B: Combinación de métrica

Rectilínea y de Contorno. Euclídea y de Contorno.
Además de las métricas de uso habitual ya expuestas y de algunas más

sofisticadas como es el caso de la distancia rectilínea esperada (EDIST) (Bozer y
Meller, 1997), otros autores proponen algunas más elaboradas o estudian el problema
de la definición de los puntos de expedición o recepción, y el flujo de materiales
intradepartamental (Benson y Foote, 1997; Chittratanawat y Noble, 1999; Kim et al.,
2000; Arapoglu et al., 2001; Shebanie, 2002).
3.6.13. Método de cálculo propuesto para distancias entre las distintas

instalaciones.
3.6.13.1. Caso de Planta a un solo nivel.
La métrica que utilizamos es la métrica rectilínea o Manhattan explicada con

anterioridad, pero esta métrica no se puede aplicar directamente al problema de
instalaciones que estén comunicadas por pasillos ya que estos servirán precisamente
de vía de comunicación entre aquellas. En estos casos utilizar la métrica rectilínea
directamente y sin más daría errores de calculo de distancias entre las actividades tal
y como se puede observar para las actividades 3 y 10 en la figura 3.47.
Pág. 205 de 337

3
1 2
PASILLO
4 5 6
PASILLO
7 8 9 10
Distancia calculada por la metrica rectilinea.

Distancia actual calculada con recorrido de pasillos.
Figura 3.47: Distancia actual y la calculada por métrica Manhattan.
Dado que trabajaremos con pasillos que consideraremos “nuevas actividades”,

la métrica que se propone es una métrica rectilínea de tal manera que la distancia final
será calculada por el sumatorio de las distancias actividades adyacentes (que tendrá
que recorrer el recurso a transportar para ir de una actividad i a una actividad n) y no
considerando tan solo la actividad de partida y la de llegada.
Siendo d (i, j ) = xi - x j + y i - y j la distancia parcial recorrida entre dos
actividades adyacentes i y j. Pero esta métrica no es aplicable directamente a

problemas con pasillos en los que los materiales se muevan a lo largo de aquellos,
pero se puede recurrir a la teoría de grafos y crear nuevas actividades que representen
los pasillos por los que tengan que circular los materiales. La distancia total a
considerar entre las actividades i y j (pasando por n actividades y pasillos) será:
d (i, j ) = å
l , kÎRn
xl - x k + y l - y k (3.49)
En nuestro caso introducimos de esta manera una nueva métrica particular

para el cálculo de distancias entre las distintas actividades que se podría resumir
recurriendo a la teoría de grafos. Para esta nueva métrica representamos primero
Pág. 206 de 337

todas las relaciones entre actividades y pasillos en un grafo de adyacencia. El camino

más corto entre las actividades i y j y la distancia dij entre estas se determina
recurriendo al Algoritmo de Dijkstra de la teoría de grafos (véase Anexo). Así por
ejemplo en el ejemplo anterior para encontrar el camino más corto entre las
actividades 3 y 10 y su distancia representamos todas las relaciones entre estas
actividades 3 y 10 y los pasillos en un grafo de adyacencia como el siguiente:
b c
10
Figura 3.48: Grafo de adyacencias original.
En realidad como complemento a las actividades en si con su centroide se

ponen nodos también en los puntos medios de los pasillos para obligar de alguna
forma a que los recorridos se realicen por medio de estos.
En el grafico de adyacencia (figura 3.48) se aprecia que cada nodo representa

una instalación (3, 10) o un pasillo (a, b, c, d) y cada arco (tramo) representa la
distancia entre la instalación y el pasillo horizontal o entre el pasillo horizontal y el
vertical.
Pág. 207 de 337

3
1 2
PASILLO a
b
4 5 c 6
PASILLO d
7 8 9 10
Distancia calculada por la metrica rectilinea.

Distancia actual calculada con recorrido de pasillos.
Distancia redundante.
Punto de referencia para calculo de distancias.
Figura 3.49: Definición incorrecta de los puntos de base para pasillos

horizontales.
Cuando se implementa el Algoritmo de Dijkstra para determinar el camino

mínimo así como la mínima distancia entre las instalaciones i y j debemos calcular la
longitud de cada arco. Para hacer esto primero se deben definir dos puntos extremos,
denominados “puntos base”, para calcular la distancia.
En este caso se usa el centroide (centro del área de la instalación) como punto
base de cada actividad de forma similar a lo usado en los algoritmos ya existentes.
Será en los pasillos en donde nos encontremos con problemas para definir los puntos
base. Si se utiliza el centroide del pasillo como punto base nos encontramos con
distancias redundantes que pueden ser incluidas en las distancias calculadas entre las
instalaciones. Por ejemplo considerando que se recorre el camino P(3-a-c-d-10) como
uno de los caminos entre las actividades 3 y 10. El otro camino (2-a-b-d-10) podría
ser considerado también aunque en nuestro ejemplo se ha omitido por simplificar. El
camino correcto de P debe ser el mostrado en línea continua (azul) en la figura
anterior y la longitud del mismo deberá servir para calcular la distancia entre las
instalaciones 3 y 10. Un error se añade cuando el centroide del pasillo se usa como
punto base ya que tal y como se aprecia en la figura aparecen distancias redundantes,
mostradas en línea de puntos, que son incluidas en el cálculo. Este error hace que la
Pág. 208 de 337

longitud de los tramos (3-a), (a-c), (c-d) y (d-10) del grafo de adyacencia se calculen
de forma errónea (no real).
Figura 3.50: Definición correcta de los puntos base para los pasillos horizontales.
Para intentar evitar este error los puntos base de los pasillos horizontales y
verticales, en un primer paso, se definen como sigue: para los pasillos verticales, se
utiliza el centroide de los mismos, pero para los pasillos horizontales las coordenadas
y- y x- del punto base son calculada como la coordenada vertical del centroide para la
coordenada y- y como (xi + xp)/2 para la coordenada x-, donde xi y xp representan la
coordenada x del centroide de la instalación y del pasillo respectivamente. Por
ejemplo la coordenada x ( x ap1 ) del punto base para el pasillo horizontal (a1) se calcula
como el punto medio horizontal entre la actividad 3 y el pasillo vertical (b). La

coordenada y ( y ap1 ) se calculará como la coordenada y del pasillo horizontal (a1) tal y
como se puede apreciar en la figura. En la figura 3.50 se puede ver un ejemplo de

definición de puntos base para pasillos horizontales y en la figura 3.51 se muestra el
correspondiente grafo de adyacencia.
Pág. 209 de 337

a1 a2
a3
b c
d3
d1 d2
10
Figura 3.51: Grafo de adyacencias modificado.
3.6.13.2. Caso de Planta con varios niveles.
En el caso de que la distribución que se deseara realizar estuviera localizada

en varios niveles, se considera que estos distintos niveles están enlazados por
ascensores o montacargas, por lo que al pasar de un nivel a otro deberemos incorporar
a los caminos recorridos y distancias, las correspondientes al cambio de nivel que será
en el caso general la distancia que existe entre uno y otro nivel.
Así la ecuación de distancia rectilínea enunciada para el problema en una

única planta d (i, j ) = xi - x j + y i - y j se convierte en:
{ }
d (i, j ) = min l xi - N lx + y i - N ly + x j - N lx + yi - N ly + z i - z j (3.50)
para varios niveles de planta, donde
- xi, yi y zi son las coordenadas x, y y z de la actividad i.
- xj, yj y zj son las coordenadas x, y y z de la actividad j.
- N lx , N ly son las coordenadas x e y del montacargas l.
Pág. 210 de 337

Pero de igual manera que en el problema de un solo nivel esta métrica nos
servirá igual cuando los movimientos de mercancías se realizan por medio de
pasillos.
Para solucionar el caso de los varios niveles se ubicarán las coordenadas de

los montacargas poniendo en estos los denominados ‘puntos de control’ o ‘puntos
base’ por los que deberá pasar la trayectoria de las mercancias y se añadirá al
recorrido calculado por la métrica el trayecto estimado para comunicar una planta con
la otra. Esta distancia entre plantas deberá estar determinada con anterioridad ya que
en el caso mas general no será una distancia solo en vertical sino que las mercancías
pueden ser transportadas por medio de sistemas de manutención muy diversos
haciendo recorridos mucho mas largos que la simple verticalidad.
3.6.13.3. Caso general implementado.
Con la implementación planteada se mejora el calculo de distancias pero no se

soluciona del todo y el problema persiste en varios aspectos ya que debemos
distinguir entre los pasillos con recorridos horizontales y verticales ya que, tal y como
se ha dicho, los puntos base se calculan de diferente forma, además ¿cómo hacemos si
tenemos pasillos que no son ni horizontales ni verticales?, …
Por este motivo en una segunda etapa del trabajo, ante los problemas que esta
implementación planteaba, y para solventar de una vez el problema de la métrica en
el caso de problemas de distribución en planta mas generales con actividades
comunicadas por medio de pasillos, se decide una apuesta novedosa pero que a su vez
se mostró realmente eficiente: se planteó el dividir los pasillos en subtramos de
manera que la implementación final de distancias se pudiera hacer de la siguiente
manera:
a) En el interior de las instalaciones la distancia puede calcularse según varias

métricas (euclídea, si se puede transitar por la estancia, rectilínea, de contorno,
…) seleccionable previamente por el usuario antes de ejecutar el algoritmo.
Dispondremos así de una distancia interior de la actividad hasta llegar al punto
del contorno de la misma que se usará como punto de partida para el siguiente
tramo del camino a recorrer. El trabajar así permite partir de un centroide que
represente a la actividad y disponer se uno o varios puntos periféricos desde
Pág. 211 de 337

donde salir/entrar a la actividad (lo que denominaremos “puertas”). Estas puertas

situadas en el contorno actuaran como puntos base para el cálculo de recorridos y
distancias.
b) Toda puerta da a un “pasillo” (real o ficticio, este ultimo en el caso de
instalaciones adyacentes con una puerta común que las comunica directamente)
enlazándose el punto base de la puerta con el eje del pasillo con una distancia
mínima (la perpendicular al eje) que será considerada siempre como la mitad del
ancho del pasillo.
c) En el punto del eje del pasillo más próximo a la puerta se crea un punto base
ficticio (temporal) de donde partirá el recorrido del camino a realizar por los
pasillos.
d) Los pasillos se parten en tramos según los nodos que son las intersecciones de los
distintos pasillos, utilizando como puntos base los extremos de estos tramos, en
lugar de los centroides.
e) Se busca el mínimo camino, con el Algoritmo de Dijkstra, recorriendo estos
puntos base hasta llegar a la actividad destino donde se hará lo mismo que en la
actividad de partida (nodo ficticio en el pasillo, nodo en puerta y distancia en el
interior de la actividad).
Para permitir una configuración final que se ajuste a las necesidades de cada
caso según el interés de los cálculos a realizar se ha considerado interesante el dividir
el cálculo de distancias en tres partes por separado:
1. Distancia interna en la actividad, que puede ser calculada o no ya que podría ser de
interés el partir desde la puerta y no desde el centroide.
2. Distancia entre la puerta y el eje del pasillo, al igual que la distancia anterior
también podría resultar que en algún caso se quisiera prescindir de estas distancias
ya que el la mayoría de los casos son despreciables con respecto a las distancias a
lo largo de los pasillos.
3. Distancias a lo largo de los pasillos recorriendo los subtramos entre los nodos
situados en los extremos de los mismos, salvo en los tramos de partida y de llegada
que se recortan tomando la distancia entre el nodo mas próximo y el nodo ficticio
creado enfrente a la puerta de la actividad.
Pág. 212 de 337

En el caso de problemas con varios niveles tan solo deberemos añadir en la

implementación entre las etapas d) y e) un nueva que sea el poner tramos que
representen las comunicaciones entre los distintos niveles.
Asimismo los pasillos se particionarán en subtramos tal y como se indicaba en la

etapa e) anterior, poniendo nodos extremos, considerando ahora también los
enlaces con los elevadores.
En las representaciones se ponen los enlaces verticales en las mismas coordenadas

x e y, suponiendo que se tratan de montacargas o ascensores, cambiando tan solo la
cota z, pero en la practica estos sistemas pueden ser rampas o escaleras y en estos
casos no coincidirían las coordenadas x e y de partida con las de llegada, cosa que
no ofrece ningún problema y en todo caso da mas posibilidades al planteamiento
de solución ofrecido ya que en el caso general de sistemas de manutención y
transporte nos permitiría ubicar la salida y llegada en el punto deseado(siempre
que fuera factible) y tan solo deberemos tener en cuenta la distancia real entre el
punto de partida y de llegada de este tramo que salva distancias en z. Esta distancia
en nuestro caso aparece como la diferencia de cotas entre los distintos niveles pero
en el caso general corresponderá a la distancia recorrida en la rampa, escalera,
cinta transportadora, montacargas, … pero invariable (ya que tiene una geometría
fija.
Por eso en lo que a la configuración final se refiere se replantea también el cálculo de

distancias con un cuarto tipo de distancia:
4. Distancias entre distintos niveles a lo largo de los sistemas de manutención

(montacargas, elevadores, cintas transportadoras, …), rampas y/o escaleras desde
el punto de enlace con los pasillos y/o actividades de cada nivel.
Lo que al final se ha conseguido con estas implementaciones es conseguir una

métrica hibrida que permita calcular una distancia más real que las que se vienen
aplicando de forma general con el uso de una métrica de forma exclusiva, lo que si
bien tal y como se vio en la figura 1.1 (Konz 2004) puede no resultar de gran
importancia en los resultados cuantitativos obtenidos por la aplicación final de los
algoritmos, si que aportará un paso más hacia la realidad de nuestras plantas y
ayudará a convencer a los ingenieros (decisores) en el uso más confiados de aquellos.
Pág. 213 de 337

Además al haber puesto la necesidad de usar los denominados “Puntos de Paso”,

“Puntos Base” o “Puntos de Referencia” lo que se ha solventado para algunos casos
de forma muy sencilla la posibilidad de que los algoritmos de distribución en planta
desarrollados normalmente para problemas monoplanta puedan ser utilizados con
muy pocas variaciones en instalaciones que cuenten con más de un nivel (sean o no
estas iguales), cosa que normalmente nos ocurre en la mayor parte de las instalaciones
industriales. Así nos encontramos con que las implementaciones desarrolladas pueden
ser utilizadas con apenas modificaciones en problemas 2D, 2D1/2 e incluso 3D y lo
que por otro lado pudiera ser no menos importante, se pueden hacer visibles las
trayectorias lo que evita incertidumbres y da confianza en las decisiones que se deben
tomar.
3.7. APORTACIONES DE LA COMPUTACIÓN GEOMÉTRICA.
Planteados algunos de los problemas geométricos que pueden presentarse a la

hora de modelar y resolver el problema de las distribuciones de instalaciones en
plantas industriales y propuesto el uso de los recursos que nos ofrecen los entornos de
los sistemas de dibujo asistido por ordenador y su programación (utilizando
directamente los motores gráficos que ofrecen estos entornos) a la hora de resolver el
encontrar resultados adecuados a estos problemas, se puede afirmar que tras los
resultados obtenidos mediante el uso de esta metodología favorecen el enfrentarse a
casos reales y dan resultados, que desde el punto de vista de la ingeniería y de la toma
de decisiones que esta conlleva, son mas correctos que los ofrecidos por los sistemas
que no recurren a este tipo de implementación.
Se ha visto que los problemas de forma se pueden abordar con modelados

continuos que reproducen fielmente las instalaciones con las que se pretende trabajar.
Permite utilizar ademas de las nuevas instalaciones, las instalaciones ya existentes y
otro tipo de elementos que aparecen en las plantas y que nos condicionan como
“obstáculos” (columnas, sumideros y tapas de alcantarillas, cuadros eléctricos, tomas
de incendios, …) a la hora de posicionar aquellas.
Se ha ttrabajado en el ámbito de las entidades graficas con entidades

superficiales implementadas como Regiones (entendiendo que de igual modo estas
podrían ser sustituidas en un futuro por entidades 3DSolid en implementaciones 3D
Pág. 214 de 337

reales) para las áreas de las instalciones a implantar y entidades lineales de curvas
implementadas como entidades Polilineas para las fronteras de las instalaciones.
3.7.1. Modelado propuesto.
Vistos los distintos tipos de modelado que se pueden utilizar para abordar la
búsqueda de soluciones para el problema propuesto de distribuciones en planta vamos
a ver en este apartado el modelado propuesto para este trabajo en el que se ha
pretendido aplicar las técnicas DAO a la resolución del mismo.
La hipótesis de la que se ha partido ha sido la siguiente: “es posible utilizar los

motores gráficos que ofrecen los entornos de DAO para abordar la solución a
problemas geométricos que aparecen en el modelado de las distribuciones en plantas
industriales”. O dicho de otro modo, se pretende ver la posibilidad de utilizar los
recursos que los motores geométricos de los entornos DAO nos ofrecen para abordar
la resolución algunos de los problemas que los entornos no gráficos tiene que abordar
de una forma algebraica y no geométrica, aplicando eta posibilidad a la solución de
los problemas de distribución en plantas industriales. Se debe verificar si se puede
trabajar con entidades gráficas y geométricamente definidas y si se pueden
implementar algunas rutinas o programas que permitan automatizar algunas tareas
geométricas de forma que se encuentren soluciones a algunas de las cuestiones que se
plantean en el problema original. De esta manera en los entornos DAO se trabajará
con entidades del tipo superficial como puedan ser la Regiones y entidades lineales
como puedan ser las Polilíneas, en los entornos gráficos que estos programas ofrecen
y se implementarán algunas rutinas que permitan de forma geométrica hallar
soluciones de igual manera que se haría con una construcción puramente gráfica
dejando de lado en cierta medida los cálculos algebraicos que tan liosos resultan.
Se planteará también en este entorno de trabajo el implementar la posibilidad

de que las entidades graficas con las que se trabaja incorporen metadatos o lo que se
denomina en algunos entornos gráficos “datos extendidos”, que posibiliten el que no
solo se tenga que trabajar con los datos puramente geométricos, que se puedan sacar
de propia definición —como puedan ser el área, la forma, el perímetro, la posición,
coordenadas, …—, sino que en las entidades con las que se trabaje se puedan
incorporar otros datos a mayores como: identificadores, pesos, flujos, y, en general,
otras características no geométricas.
Pág. 215 de 337

En el caso implementado el entorno DAO en el que se ha trabajado ha sido el

AutoCAD (en sus últimas versiones) en el que se han realizado rutinas en su propio
entorno de programación de ‘Visual Lisp’ (entorno de programación basado en
lenguaje de inteligencia artificial que ofrece gran velocidad en el procesado de
entidades y datos geométricos y que se puede interpretar y compilar en el entorno de
ACAD). Además del entorno DAO facilitado por el AutoCAD, como programa
externo al mismo se ha recurrido al MS-EXCEL para facilitar otro tipo de entorno
que se podría definir como más clásico en el que se puedan introducir, procesar y
recibir datos tanto por los usuarios como por otros programas como el propio entorno
de DAO con el que se trabaja. Se ha mantenido una vía de comunicación
bidireccional abierta entre ambos sistemas el de datos el de la Hoja de Cálculo y el de
DAO.
Dentro de los recursos implementados para facilitar las tareas se pueden citar
algunos como:
- Rutinas que incorporan órdenes que permiten la comunicación entre los dos
entornos: el grafico del motor de DAO y el no grafico de la hoja de cálculo.
Estas deberán permitir:
o Enviar dados desde el DAO a la hoja de cálculo.
o Enviar dados desde la hoja de cálculo al entorno de DAO.
o Mandar Ejecutar macros en el EXCEL desde el entorno DAO.
o Consultar datos de la hoja de cálculo desde el entorno DAO.
o Rutinas de conversión de datos (tipo de dato, precisión, …)
- Rutinas graficas que realizan tareas geométricas como:
o Determinar la ‘caja de abarque’ de región (rectángulo que tiene sus
vértices con las máximas y mínimas coordenadas X e Y de la misma).
o Determinar la mínima ‘caja de abarque’ de una región reorientando
esta.
o Lo que se ha venido a llamar el ‘deslizamiento magnético’ que consiste
en situar una región sobre otra y que se desplace hasta situarse fuera de
la misma sin solapamiento alguno, de forma que quede tangente a la
ya situada. El nombre de deslizamiento magnético se debe a que el
comportamiento es semejante al de un imán que se sitúa sobre otro con
los polos enfrentados deslizándose uno sobre el otro por efecto de la
Pág. 216 de 337

repulsión entre los polos magnéticos hasta salir de la superficie del

mismo.
o Determinar la “envolvente convexa” (de forma similar a lo que se hace
el geometría computacional con conjunto de puntos) de varias
regiones.
o Determinar distancias entre actividades utilizando métricas hibridas
según las zonas por las que deben pasar las mercancías.
o Hallar áreas ocupadas por las distintas actividades.
o Procesar las polilíneas de las fronteras de las actividades para permitir
interpretar las distintas zonas con distintas características que estas.
- Rutinas algorítmicas de búsqueda y posicionamiento de instalaciones. Aunque
se ha trabajado recurriendo a algortimos implementados en el exterior y
recibiendo por tanto datos de posicionamiento que vienen dados como
resultado de la ejecución de estos programas de búsqueda heurística, se debe
disponer también de alguna función extra que coloque la instalación en el
lugar correcto y con la orientación adecuada, verificando que su
posicionamiento sea correcto.
- Rutinas de consulta y comunicación con el usuario para poder verificar la
distribución propuesta y para permitir, en la medida de lo posible
modificaciones puntuales informando sobre el posible “coste” en optimización
que esa modificación conllevará.
- Rutinas que permitan procesar en el entorno DAO los metadatos que en este
caso al trabajar con AutoCAD se refieren a los XDATA o LDATA que serán
etiquetas (no visibles) con datos que se cuelgan a las entidades gráficas
representadas. Entre otras cosas estas deben permitir:
o Introducir datos nuevos en las entidades gráficas
o Borrar datos existentes en las entidades gráficas.
o Consultar datos existentes en las entidades gráficas.
o Extraer datos existentes en las entidades gráficas
o Sustituir datos existentes en las entidades gráficas.
o Buscar datos en un conjunto de entidades seleccionadas.
o Localizar entidades con algún dato específico.
o Visualizar alguno de los datos existentes en las entidades gráficas.
Pág. 217 de 337

El tipo de actividades que queremos implantar podrán tener forma totalmente

definida y determinada o por el contrario venir dada tan solo por un espacio solicitado
para poder realizar una tarea.
En el caso de que la actividad no se encuentre definida geométricamente y se

disponga tan solo del dato de requerimiento del área se recurrirá a utilizar una región
rectangular que en general se adapte al espacio disponible intentando que su forma se
ajuste a los requerimientos limitativos de compacidad y robustez.
Una vez visto que las implementaciones realizadas en el entorno de trabajo

(que en este caso ha sido AutoCAD) resultan adecuadas para plantear ciertos
problemas de componente geométrica y permiten encontrar soluciones adecuadas
bajo un planteamiento puramente geométrico que complementan a los programas y
rutinas ya desarrolladas, con planteamiento puramente algebraicos, se puede afirmar
que la metodología propuesta, de realizar sistemas hibridos que utilicen las ventajas
de ambos mundos, el algebraico ya muy desarrollado por el gran número de trabajos
anteriores y el geométrico utilizando los motores gráficos que aportan los sistemas de
dibujo asistido por ordenador, resulta factible y ventajoso y muestra un nuevo camino
que debe ser desarrollado y ampliado para seguir avanzando en la búsqueda de
soluciones realistas a los problemas de distribución en planta de instalaciones
industriales.
Pág. 218 de 337

CAPÍTULO – 4
MODELO PROPUESTO PARA

INCORPORAR PASILLOS
Pág. 220 de 337

CAPÍTULO 4
El Universo es un libro escrito en lenguaje matemático,

siendo sus caracteres triángulos, círculos y otras figuras geométricas,
sin las cuales es imposible comprender una sola palabra;
sin ellos sólo se conseguirá vagar por un oscuro laberinto.
Galileo Galilei (1564-1642),

astrónomo, filósofo, matemático y físico italiano.
4. MODELO PROPUESTO PARA INCORPORAR PASILLOS.
4.1. INTRODUCCION.
Tal y como ya se comentó en el Capítulo 1, como primer objetivo del trabajo

es resolver el problema de distribución en planta de instalaciones industriales
intentando que estas se parezcan lo máximo posible a las instalaciones finales y en
muchos casos estas instalaciones se encontrarán interconectadas por pasillos. En este
problema se consideran disponibles las informaciones de un conjunto de
instalaciones, en relación a las dimensiones y forma de las mismas. En la Tabla 4.1 se
presentan para cada instalación el área y las razones de forma mínima y máxima que
deben ser consideradas. Tales instalaciones deberán estar dispuestas en un área
previamente definida.
Áreas Razón de forma

Instalaciones (m2) Límite Inf. Límite Sup.
1 100 0,70 1,00
2 80 1,00 1,00
3 50 0,70 1,30
4 60 0,50 0,80
5 120 0,90 1,00
6 40 0,60 1,00
Tabla 4.1: Áreas y restricciones geométricas por instalación.
Pág. 221 de 337

Además de esas informaciones también será necesario conocer los datos

referentes a los flujos de producción que deben ser considerados entre cada par de
instalaciones, tal y como se muestra en la Tabla 4.2.
Instalaciones Destino
Origen 1 2 3 4 5 6
1 0
2 5 0
3 2 3 0
4 4 0 0 0
5 1 2 0 5 0
6 0 2 0 2 10 0
Tabla 4.2: Matriz simétrica de flujos de producción para seis instalaciones.
El problema conforme presentado tiene incialmente dos objetivos que debe atender:
· minimizar las distancias entre las instalaciones con objeto a reducir el

momento de transporte;
· maximizar el cumplimiento de la razón de forma dentro de los intervalos
ofrecidos en el problema.
Para atender tales objetivos, se procurará situar, en la medida de lo posible,

espacios para las instalaciones, de modo que las instalaciones con grandes flujos entre
si sean colocadas próximas, después de que satisfagan las restricciones de área y de
forma.
Para el cálculo del momento de transporte, se deben utilizar las distancias

recorridas entre las instalaciones. Obsérvese que el flujo entre instalaciones solo
podrá ocurrir de modo directo, entre instalaciones adyacentes. Para el caso de que las
instalaciones no sean adyacentes, el transporte deberá ocurrir irremediablemente a
través de pasillos.
4.2. FORMULACION MATEMÁTICA DEL PROBLEMA.
El problema de ubicación de instalaciones se formula del siguiente modo:
n n
min F = åå v
i =1 j =1
ij × d ij (4.1a)
s. a ai Î [ aimin , aimax ] (4.1b)
Pág. 222 de 337

en donde:
vi j - flujo entre las instalaciones i y j;
di j - distancia mínima entre los centroides de las particiones de las
instalaciones i y j;
ai - razon de forma de la partición situada en la instalación i;
aimax - límite superior de ai ;
i
a min - límite inferior de ai.
En (4.1a), F mide el momento de transporte, definido por el sumatoria de los

productos de la distancia mínima dij por el flujo vij entre dos instalaciones. En la
ecuación (4.1b), cada instalación se limita por una razón de forma definida por:
longitud de la partición de instalación i

ai = (4.2)
anchura de la partición de instalación i
El problema nos da tal parámetro a través del intervalo [aimin, aimax] donde
estos valores representan los límites superior e inferior de la razón de forma, para la
instalación i (ver los datos de la tabla 4.1). Se pueden restringir las instalaciones
clasificándolas en dos categorías: con orientación libre o fija. La orientación libre
significa que la instalación puede ser situada de ambas formas: horizontal o vertical.
Para estas instalaciones, sus razones de formas pueden asumir valores tales como ai o
1/ai. Así, el intervalo viable de la razón de forma para orientación libre se convierte
en:
ai Î [ aimin , aimax ] È [1/ aimax , 1 / aimin ] (4.3)
El intervalo de la razón de forma representa la restricción impuesta por el tipo

de trabajo realizado en cada instalación. Según Heragu y Kusiak (1988) en un entorno
dedicado a la fabricación o, lo que es lo mismo, en instalaciones industriales, cada
instalación puede representar una célula de fabricación o una imagen (conjunto) de
como las máquinas se situan en las células.
4.3. METODO DE RESOLUCION PROPUESTO.
En la solución del problema de distribución en planta de instalaciones, cuando

se consideran áreas diferentes, el número de posibilidades de ubicación de las áreas
Pág. 223 de 337

crece muy rápidamente con el número de instalaciones consideradas. Se puede, aun,

decir que existen varias distribuciones físicas óptimas locales que son pobres
comparadas con la distribución en planta óptima global. Para resolver tales
problemas, se espera que un método de búsqueda en paralelo, presente un resultado
mejor que las búsquedas estrictamente en series, y que los métodos de búsqueda
aleatorios sean mejores que los algoritmos ‘greedy’ (golosos) y algoritmos de
búsqueda enumerativa. Los algoritmos genéticos presentan las ventajas de ambos
atributos: búsqueda paralela y heurística estocástica (Tate y Smith, 1995a).
Para abordar el problema de la distribución en planta de instalaciones, con

modelado matemático ya previamente definido, se han buscado y encontrado en la
literatura, algunos resultados obtenidos por distintos métodos posibles: algoritmo
genético (Tam, 1992b), simulated annealing (Tam, 1992a) y búsqueda tabú (Furtado
y Lorena, 1997) que nos permitirán el poder comparar si los resultados obtenidos por
nuestras implementaciones son o no válidas. Debe decirse que se han elegido estos
ejemplos, y no otros, porque son casos muy citados por otros autores (por lo que
pueden ser considerados de alguna manera como referentes) y por tener unas
dimensiones adecuadas para el trabajo planteado (ejemplos de 12, 15, 20 y 30
instalaciones). Tales resultados se presentan a continuación en las siguientes tablas.
Instalaciones
Nº 12 15 20 30
Mín. 6390,34 10000,08 26098,39 47483,72
Máx. 6933,75 10582,82 27304,41 49484,15
Media 6725,28 10332,54 26746,80 48444,22
Desv. standar 166,83 167,04 423,45 530,88
Tabla 4.3 Momentos de transporte obtenidos utilizando el algoritmo genético para

problemas con 12, 15, 20 y 20 instalaciones por Tam (1992a)
Instalaciones
Nº 20 30
AS HC BC AS HC BC
Mín. 25779,53 28869,18 25749,46 47422,30 54819,84 46238,23
Máx. 27705,76 32295,95 29321,18 49125,60 58615,45 50589,75
Media 26423,04 29719,38 27144,74 48350,60 56446,23 49456,66
Desv. standar 562,03 1156,80 1180,85 542,51 1162,79 798,63
Tabla 4.4 Momentos de tran sporte obtenidos utilizando ‘simulated annealing’ para
problemas de 20 y 30 instalaciones por Tam (1992b)
Pág. 224 de 337

en donde tenemos que:
AS – algoritmo de ‘simulated annealing’;

HC – algoritmo ‘straightforward hillclimbing’;
BC – algoritmo HC modificado (considerando el punto de partida de la
búsqueda en una vecindad);
Instalaciones
Nº 12 15 20 30
Heurística 1 10082,00 15356,00 25426,00 52130,00
Heurística 2 10349,60 15450,40 26252,00 54381,20

Heurística 3 10166,00 14842,00 26650,00 53104,00
Tabla 4.5 Momentos de transporte obtenidos utilizando algoritmo de búsqueda tabú

tras 150 iteraciones por Furtado y Lorena (1997)
Las heurísticas utilizadas por Furtado y Lorena (1997), presentadas en las

tablas 4.5 y 4.6, son para obtención del árbol binario (solución inicial). Tales procesos
corresponden a:
Heurística 1 – utilizando el método de agregación de Andeberg (1973);
Heurística 2 – utilizando un procedimiento aleatorio;
Heurística 3 – utilizando un método de agregación y movimientos caracterizado por

el cambio de nudos internos y de hojas.
Instalaciones
Nº 12 15 20 30
Heurística 1 9980,00 15218,00 25232,00 48304,00

Heurística 2 10130,40 15375,20 25363,60 49669,20
Heurística 3 9988,00 14786,00 26156,00 53976,00
Tabla 4.6 Momentos de transporte obtenidos utilizando algoritmo de búsqueda tabú

tras 150 iteraciones por Furtado y Lorena (1997)
A continuación se presentará en la figura 4.1 la estructura del modelo

propuesto para la solución del problema de distribución en planta de instalaciones:
Pág. 225 de 337

Fase I Fase II
(a) (b)
Generación Obtención del

de la Árbol de Corte Localización
Estructura de o de los
Árbol de Estructura de Pasillos
Corte Corte
Figura 4.1: Estructura de funcionamiento del modelo propuesto.
El modelo propuesto por ser un método de mejora, tiene dos pasos distintos.
En el primer paso se busca una solución inicial (a), que es la generación de la
estructura de árbol de corte. Posteriormente, en un segundo paso a través de un
algoritmo de búsqueda, que en el modelo fue usado el algoritmo genético, se procura
mejorar la solución inicial obteniendo un árbol de corte optimizado (b) para el
problema sin pasillos.
Se dividió el modelo en dos fases ya que esto se hizo necesario para mejorar
su desarrollo ya que en una en las pruebas preliminares en una sola etapa el problema
se hacía prácticamente irresoluble al crecer el número de instalaciones (ver apartado
4.4). En la primera fase el problema se trata el problema sin considerar la existencia
de pasillos y se utilizan las distancias euclidianas o rectangulares. En la segunda fase,
el método, a través del algoritmo genético, hace una búsqueda de una solución
optimizada ahora con pasillos. En este caso, utilizando ya distancias por pasillos (con
puntos de control).
Estos procedimientos de solución del modelo propuesto serán ahora

presentados con mayor detalle.
4.3.2. Algoritmo de búsqueda genética.
Debemos considerar que, de los trabajos presentados en la literatura con el

objetivo de resolver problemas de distribución en planta utilizando algoritmos
genéticos, apenas dos se preocupan del área de las instalaciones, (Tam, 1992) y (Tate
y Smith, 1995b). Mientras que por otro lado muchos otros trabajos encontrados tratan
el problema sin tener en cuenta el área de las instalación, tales como: Gupta et al.
Pág. 226 de 337

(1996), Gen et al. (1995), Suresh et al. (1995), Tate y Smith (1995a), Joines et al.
(1994), Chan y Tanski (1994) y muchos otros.
Tal y como se vio en el capítulo 2 el algoritmo genético es una técnica de

optimización a través de búsquedas heurísticas que imitan el proceso evolutivo
biológico de selección natural. Fue desarrollado por Holland (1975). Los algoritmos
genéticos combinan la noción de supervivencia de los más adaptados, en una
búsqueda estructurada, aunque con cierta componente de aleatoriedad, con evaluación
paralela de los nudos en el espacio de búsqueda. Los algoritmos genéticos se han
aplicado con suceso en varios problemas de optimización tales como el problema del
cajero viajante, en problemas similares a los problemas de distribución en planta de
instalaciones, en problemas de empaquetamiento de polígonos (Jakobs, 1996),
además de estudios en problemas específicos de optimización de función no lineal
mixta (Yokota et al., 1996) y entera binaria (Yokota et al., 1995). un algoritmo
genético consiste en la representación a través de una string denominada cromosoma,
donde cada componente representa un gen del nudo en un espacio de búsquedas
(población), una función de forma (fitness) para evaluar los nudos investigados, y un
parámetro estocástico para controlar la aplicación de los operadores genéticos (Chan
y Tanski, 1994).
Presentamos a continuación la estructura de un algoritmo genético utilizado

por Mayerle (1997) que difiere de las estructuras más generales presentadas en Davis
(1991). Tal estructura presenta los siguientes pasos:
Generar una población inicial

Evaluar el fitness de los individuos de la población
Repetir
Seleccionar padres de la población
Efectuar el cruzamiento entre los padres
seleccionados
Eventualmente realizar una mutación en los
descendientes generados
Evaluar el fitness de los descendientes generados
Sustituir algunos individuos de la población(o
todos) por los descendientes
Hasta que
se haya encontrado una solución satisfactoria
Pág. 227 de 337

La implementación de este algoritmo se compone de las siguientes etapas:
· definición de una estructura de cromosomas a través de una cadena (string)

compuesta de nudos (genes);
· definición de una función para evaluación del fitness de los cromosomas, que
mide la capacidad de adaptación al medio ambiente;
· definición del proceso de selección natural;
· definición del proceso de reproducción de cromosomas realizado por la
operación de entrecruzamiento (crossover);
· definición del proceso de mutación de cromosomas.
Así, para resolver un problema a través del algoritmo genético, se deben crear
las estructuras que lo componen. Tales estructuras son necesarias y de ellas depende
la velocidad del método. Por lo tanto la eficiencia del método es directamente
proporcional a la complejidad propuesta en la evaluación del fitness, y de los procesos
de reproducción y mutación, que deben contener tan solo operaciones elementales. El
desafío en la aplicación de los algoritmos genéticos está en codificar las soluciones a
través de cadenas (strings) de tamaño limitado, y que mantienen las características del
problema original.
Se presentan a continuación las definiciones y los pasos necesarios para la

implantación del algoritmo genético para el modelo propuesto.
4.3.3. Estructura del cromosoma.
4.3.3.1. Codificación de una solución.
Una distribución en planta de instalaciones tendrá como representación

geométrica una figura rectangular que corresponde al área de la construcción
subdividida en áreas menores, que son las instalaciones. La forma rectangular es la
más común. La forma final encontrada se denomina estructura de corte (slicing
structure) y se obtiene por el particionamiento recursivo en rectángulos menores. La
figura 3.2 muestra una estructura de corte con seis instalaciones.
Pág. 228 de 337

Figura 4.2: Una estructura de corte con seis instalaciones.
La estructura de corte tiene una representación equivalente que es el árbol de

corte (sclicing tree); para el ejemplo de la figura 4.2, se presentada el árbol de corte
correspondiente en la figura 4.3.
Figura 4.3: Un árbol de corte con seis instalaciones
El árbol de corte es un árbol binario que muestra el proceso de

particionamiento recursivo que genera la estructura de corte. Cada nudo del árbol
contiene una letra que representa el tipo de particionamiento (corte) que será
realizado, y un número que indica el orden de agrupamiento. Los números de los
nudos terminales indican las instalaciones. Como muestra la figura 4.3, los cortes que
serán realizados siguen los niveles del árbol.
Pág. 229 de 337

Manteniendo esta estructura de árbol fija y alterando el corte de un nudo, se

tiene una distribución en planta diferente, como muestran los ejemplos de las figuras
4.4a y 4.4b.
Figura 4.4a: Una secuencia de árbol de corte y estructura de corte correspondiente
Figura 4.4b: Una secuencia de árbol de corte y estructura de corte correspondiente
El árbol de corte será representado por una string (una solución) compuesta
por letras y números. Las letras representan los tipos de cortes, y pertenecen al
conjunto {U, R, B, L, U*, R*, B*, L*}, donde ‘U’ significa corte encima de la
instalación, ‘R’ significa corte a la derecha de la instalación, ‘B’ significa corte
debajo de la instalación, ‘L’ significa corte a la izquierda de la instalación. Para la
representación de pasillos los nudos de cortes están señalados con un asterisco en sus
funciones. Además de indicar el corte entre instalaciones deben indicar la existencia
de pasillos entre ellas, si fuera el caso. Para hacer esto, se utiliza la letra marcada con
un asterisco (*).
Pág. 230 de 337

a) b)
Figura 4.5: Ejemplos de árbol de corte y estructura de corte correspondiente

representando tipos de cortes: (a) sin pasillos y (b) con pasillos.
La cadena (string) que representa el árbol de corte está compuesto por los
nudos del árbol en orden inverso. Por ejemplo para el árbol de corte de la figura 4.3,
la string será 43L21RB65RU. Esta representación es idéntica al orden utilizado en las
expresiones aritméticas entre operandos y operaciones, de acuerdo con la notación
polaca, donde las instalaciones son los operandos y los símbolos de corte las
operaciones. Se observa que dos árboles son idénticos si, y solo si, sus estructuras de
árbol de corte y strings son iguales (Tam, 1992b).
Pág. 231 de 337

Aunque parezca redundante tener dos operadores (tipos de corte), U y B en el

caso de cortes horizontales y L, R en el caso de cortes verticales, en vez de uno para
cada dimensión, su uso se justifica por la necesidad de mantener el orden en los
operandos (instalaciones). Tal como se puede observar en la figura 4.6 para el caso de
12U y 12B apenas se usa 12H. Luego, para mostrar el cambio ocurrido de 12U para
12B, utilizando tan solo el corte H, se debe expresar el cambio variando el orden de
los números (instalaciones), con la siguiente correspondencia, 12H a 12B y 21H a
12U respectivamente.
Figura 4.6: Ejemplos de árboles de corte y estructuras de corte

correspondientes utilizando sólo dos operadores
Con esto los operandos (instalaciones) no sufren alteraciones en la string, no

siendo necesaria su inclusión. Con esto el árbol de corte mostrado en la figura 4.7
puede ser representado por la string LRBRU al revés de 43L21RB65RU (Tam, 1992).
Pág. 232 de 337

Figura 4.7: Una estructura de árbol de corte.
El espacio S de todas las distribuciones físicas de instalaciones está formado,

por lo tanto, por el conjunto de todos los árboles de corte "s" obtenidos a través de la
combinación de los cortes en una estructura de árbol de corte. Así, cada elemento s Î
S tiene la misma estructura de árbol de corte (ver figura 4.7), difiriendo tan solo en
los tipos de cortes.
Dada una estructura da árbol de corte, se observa la siguiente equivalencia en

las representaciones:
Estructura del Árbol de Corte + String
Árbol de Corte
Estructura de Corte
Distribución en Planta
Pág. 233 de 337

En la terminología de los algoritmos genéticos, se utiliza el término

cromosoma para designar una string. En este problema el cromosoma es generado a
partir del conjunto de cortes {B, U, R, L, B*, U*, R*, L*}n-1 donde n es el número de
instalaciones. La dimensión del espacio solución resultará ser de 8n-1.
Según Tam (1992b) la representación propuesta satisface los dos principios

básicos propuestos por Goldberg (1989) y Konz (2004) que son: construcción de
bloques representativos y alfabeto mínimo.
4.3.3.2. Construcción de una estructura de árbol de corte.
La formulación del problema se basa en una estructura de árbol de corte fija.

Para determinar tal estructura se utilizó la técnica de análisis de agrupaciones
(cluster) que agrega las instalaciones a los pares, según los flujos existentes entre
ellas. Anderberg (1973) desarrolló varios métodos de análisis de clases tales como:
ligaciones simples (single linkage), ligaciones completas (complete linkage) y
ligaciones densas (density linkage), que se encuentran en paquetes estadísticos tales
como, SAS, SPS, STATISTICA y otros.
El objetivo del análisis de clases es descubrir grupos naturales de ítems (o

variables). Inicialmente se define una escala cuantitativa en la cual se mide la
asociación (o similitud) entre objetos. Para este problema Tam (1992b) propone que
se obtenga una matriz simétrica D de distancias a partir de la matriz de los flujos, que
se da en el problema. Por tanto, se utiliza la expresión:
dij = 1 / [1 + (vij + v ji )] (4.4)
donde vij y vji son los flujos de la instalación i hacia j y de j hacia i, respectivamente.
Para cada par de instalaciones i y j, su distancia dij se almacena en una matriz
simétrica de distancias que será utilizada en el análisis de clases para crear el
dendograma.
Para realizar el agrupamiento de N objetos en clases, Andeberg (1973)

propone el siguiente algoritmo básico, denominado de procedimiento de generación
de árbol de corte (GEAC):
Procedimiento GEAC
Pág. 234 de 337

P1. Iniciar con N clases, cada una conteniendo una entidad simples (o instalación),
a la cual está asociada una matriz simétrica de distancias (o similaridades), D
= [dij ], de orden N x N;
P2. Determinar en la matriz de distancias las do clases más próximas (de menor
distancia o más similares), representadas por U y V;
P3. Unir las clases U y V, rotulando la nueva clase formada por (UV). Actualice
la matriz de distancias, apagando las filas y columnas correspondientes a las
clases U y V originales, y adicionando, a partir de la última fila y de la última
columna una nueva fila y una nueva columna (UV) con las respectivas
distancias a las demás clases;
P4. Repetir N-1 veces los pasos 2 y 3.
El dendograma resulta de la aplicación de este algoritmo, mostrando las

agrupaciones de clases realizados, y en que niveles se relacionan estos.
Dependiendo de la forma como se calcula la distancia entre las clases recién

formadas y las demás clases, se tienen los siguientes métodos de agrupamiento:
a) single linkage dUV = min { dij }; (4.5a )
b) complete linkage dUV = max { dij }; (4.5b)
åå d
i j
ij
c) average linkage d (UV) W = (4.5c)

N uv × N w
donde dij es la distancia entre el objeto i en la clase (UV) y el objeto j en la clase W.

El número de items de las clases (UV) y W son NUV y NW respectivamente (Johnson
y Wichern, 1982).
Entre los métodos anteriores, el ‘average linkage’ es reportado por Tam

(1992b) como el que presenta mejor resultado para la definición del árbol de corte.
Pág. 235 de 337

Además de estos métodos originalmente propuestos por Andeberg, en este

trabajo se utiliza una variante del ‘average linkage’. Esta variante consiste en realizar
dos modificaciones sobre el algoritmo básico presentado.
· sustituir el paso 4 por: P4. Repetir los pasos 2 y 3 entre las filas y columnas de
la matriz, no aumentadas en el paso3, hasta que se obtengan todos los pares de
clases;
· aumentar el paso 5: P5 Aumentar la matriz resultante en el paso 4, las filas y
columnas obtenidas en el paso 3. Se detiene, si el orden de la matriz es uno, en
caso contrario vuelve al paso 1. Estas modificaciones se mostraran
interesantes en la resolución de algunos problemas, para los cuales se obtienen
una estructura da árbol de corte más homogénea teniendo en cuenta el punto
de vista de la forma.
Aplicando el método de ‘average linkage’ modificado en los datos de la Tabla

4.1, se obtiene la estructura del árbol de corte mostrado anteriormente en la figura 4.7.
Obtenida la estructura del árbol de corte, el paso siguiente en la aplicación del

algoritmo, es la generación de soluciones aleatorias (strings) conforme lo dicho en el
apartado 4.3.2.1, formando así una población inicial.
4.3.3.3. Construcción de una distribución en planta de instalaciones a

partir de un cromosoma.
La geometría de distribución en planta está íntimamente vinculada a la string

correspondiente al árbol de corte. La completa codificación de una distribución en
planta depende de la definición de las coordenadas de las diversas instalaciones. Tales
coordenadas definen la posición de las instalaciones dentro del área disponible, y por
lo tanto de las distancias existentes entre ellas. En este sentido la construcción de una
distribución en planta a partir de un cromosoma resulta de las etapas de
determinación de las coordenadas de las instalaciones.
La determinación de las coordenadas de las instalaciones tiene por base el

árbol de corte. Para los datos de las tablas 4.1 y 4.2, se presenta en la figura 4.8 el
árbol de corte obtenido con la aplicación del método ‘average linkage’ modificado.
Los cortes incluidos en este árbol han sido generados aleatoriamente. La estructura de
corte correspondiente a este árbol de corte fue presentada en la figura 4.2.
Pág. 236 de 337

Figura 4.8: Ejemplo de un árbol de corte con las coordenadas de las instalaciones.
Esta figura muestra que cada instalación tiene un área asociada, que se da
como datos del problema. El nudo de corte también tiene un área asociada, resultante
de la suma de las áreas de los nudos hijos. El nudo raíz, por lo tanto, tiene por área, el
sumatorio de las áreas de todas las instalaciones. En el caso de existir pasillos,
además de considerar como área de corte la suma de las áreas de los nudos
descendientes, se debe incrementar el área correspondiente al pasillo existente entre
los bloques.
En otras palabras, sean i y j los nudos descendientes de un nudo p cualquiera.

Entonces, tenemos:
A p = Ai + A j + Ac (4. 6)
donde:
Ap será el área del nudo padre p;

Ai es el área del nudo hijo i (descendiente a la izquierda);
Aj es el área del nudo hijo j (descendiente a la derecha);
Ac es el área del pasillo entre los bloques i y j.
Pág. 237 de 337

El área del pasillo se obtiene del producto entre la anchura patrón definido en
el problema y la longitud del pasillo existente entre los bloques definidos por los
nudos i y j, conforme se muestra en la figura 4.9.
Figura 4.9: Un árbol de corte con pasillo y su estructura de corte correspondiente.
Como se percibe, la longitud de los pasillos depende de las coordenadas de los

bloques involucrados. Asociado a cada nudo, se tiene una tabla, en la cual constan las
coordenadas del bloque correspondiente. Los valores contenidos en estas tablas son
los siguientes:
Figura 4.10: Coordenadas para una instalación i
Para la figura 4.10 tenemos la siguiente leyenda:

Xi1 corresponde a la abscisa a la izquierda del nudo i;
Xi2 corresponde a la abscisa a la derecha del nudo i;
Yi1 corresponde a la ordenada inferior del nudo i;
Pág. 238 de 337

Yi2 corresponde a la ordenada superior del nudo i;

Ai corresponde al área del nudo i dado por (Xi2 - Xi1) ( Yi2 - Yi1).
Para determinar estas coordenadas, se debe considerar el tipo de corte del

nudo padre, y las áreas asociadas a los nudos hijos.
Así se tiene:
Caso 1: para corte del tipo U
Yi2 = Yp1 + Ai / (Xp2 - Xp1 ); (4.7a)
Yj1 = Yp2 - Aj / (Xp2 - Xp1); (4.7b)
Caso 2: para corte del tipo B
Yi1 = Yp2 - Ai / (Xp2 - Xp1); (4.7c)
Yj2 = Yp1 + Aj / (Xp2 - Xp1); (4.7d)
Caso 3: para corte del tipo L
Xi1 = Xp2 - Ai / ( Yp2 - Yp1); (4.7e)
Xj2 = Xp1 + Aj / (Yp2 - Yp1); (4.7f)
Caso 4: para corte del tipo R
Xi2 = Xp1 + Ai / (Yp2 - Yp1); (4.7g)
Xj1 = Xp2 - Aj / (Yp2 - Yp1); (4.7h)
Las coordenadas no explicitadas de los nudos descendentes en las expresiones

anteriores son iguales a las respectivas coordenadas del nudo precedente p.
Para determinar la longitud del pasillo i, denotado por LONGi, es necesario

saber el tipo de corte del nudo (i):
Caso 1: para cortes del tipo horizontal (B o U)
Pág. 239 de 337

LONGi = Xi2 - Xi1; (4.8a)
Caso 2: para cortes del tipo vertical (R o L)
LONGi = Yi2 - Yi1; (4.8b)
Para el cálculo de las coordenadas es necesario conocer las áreas asociadas a

los nudos. Estas, a su vez, dependen del área de los pasillos, que son calculadas a
través del producto de la longitud del pasillo por la anchura del patrón. Para
determinación de la longitud de los pasillos es necesario conocer las coordenadas.
Luego, la determinación de las coordenadas depende de un proceso iterativo,

que se repite hasta que entre valores consecutivos de área de los pasillos (Ac) se tenga
un error inferior a un límite máximo establecido. El procedimiento que determina las
coordenadas de las instalaciones y ajusta los pasillos a la medida patrón, viene dado
por los pasos:
Procedimiento AJCOR
P1 inicializar LONGi = 0 i = 1,..., n donde n es el número de pasillos;
P2 calcular el área de los nudos a través de la expresión (4.6);
P3 calcular las coordenadas de los nudos a través de las expresiones de (4.7a) a

(4.7h);
P4 actualizar la longitud de los pasillos a las expresiones (4.8a) y (4.8b);
P5 verificar si la diferencia relativa entre los valores de área obtenidos en esta

iteración y la anterior es inferior a un valor máximo admisible, en caso
afirmativo, parar, en caso contrario volver al paso 2;
Para poner un ejemplo a este proceso considérese nuevamente el problema

cuyos datos fueron presentados en las tablas 4.1 y 4.2. Aplicando este procedimiento
para pasillos de 1, 2 y 4 m, se obtiene a cada iteración los resultados presentados en
las tablas de 4.7 a 4.9.
Pág. 240 de 337

Área Variación de Anchura Variación de Longitud Diferencia

Iteración total 1 2 3 1 2 3 Área (%)
1 450,00 0,00 0,00 0,00 23,72 23,72 4,64
2 502,10 0,95 0,95 1,01 25,05 25,05 4,58 10,38
3 504,68 1,00 1,00 1,00 25,12 25,12 4,56 0,51
4 504,80 1,00 1,00 1,00 25,12 25,12 4,56 0,02
Tabla 4.7: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 1m

1 450,00 0,00 0,00 0,00 23,72 23,72 4,64
2 554,16 1,80 1,80 2,05 26,32 26,32 4,53 18,80
3 564,34 1,98 1,98 2,02 26,56 26,56 4,48 1,80
4 565,20 2,00 2,00 2,00 26,58 26,58 4,48 0,15
5 565,28 2,00 2,00 2,00 26,58 26,58 4,48 0,01
Tabla 4.8: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 2m

1 450,00 0,00 0,00 0,00 23,72 23,72 4,64
2 658,32 3,31 3,31 4,14 28,69 28,69 4,48 31,64
3 697,44 3,89 3,89 4,14 29,53 29,53 0,33 5,61
4 703,56 3,98 3,98 4,03 29,66 29,66 4,29 0,87
5 704,44 4,00 4,00 4,00 29,67 29,67 4,29 0,12
6 704,52 4,00 4,00 4,00 29,68 29,68 4,28 0,01
Tabla 4.9: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 4 m
Pág. 241 de 337

Figura 4.11: Diferencia relativa de área (%) en el ajuste de los pasillos por iteración
Los cuadros 4.7, 4.8 y 4.9 muestran las variaciones en la longitud, en la

anchura, en las áreas y en el error porcentual relativo de área cometidas por iteración.
El procedimiento finalizará, cuando la diferencia relativa de área calculada sea
inferior al porcentaje admisible. Lo que se observa en estas tablas y en la figura 3.11
es que el proceso iterativo converge rápidamente, conforme se puede ver para los
casos de pasillos de 1m, 2m y 4m. La diferencia relativa de área inicia con 10,38%,
18,80% y 31,64% decreciendo a cero en 4, 5 y 6 iteraciones tal como se muestra en la
figura 4.11.
Para mostrar el procedimiento anterior se presenta el árbol de corte y la

estructura de corte correspondiente con pasillo de 1m.
Pág. 242 de 337

Figura 4.12: Árbol de corte con pasillo de 1m
Figura 4.13: Estructura de corte relacionada al árbol de corte de la figura 4.12.
Pág. 243 de 337

Figura 4.14: Estructura de corte asociado al problema presentado en las tablas 4.1 y
4.2, con los respectivos puntos auxiliares o de control.
4.3.4. Función de evaluación del cromosoma.
Considerando la formulación matemática del problema presentada en la

sección 4.2., y transformando las restricciones en penalizaciones, se tiene el siguiente
problema de optimización:
n n n
min F = åå vij × d ij + w
i =1 j =1
åa × k
k =1
2
(4.9)
donde w es una constante positiva de penalización de forma y ak es la distancia

relativa entre el valor de la razón de forma de la instalación k y el intervalo dado, esto
es:
a k = dr (ak, [akmin, akmax]). (4.10)
Para el caso de orientación libre se considera:
a k = min {dr ( ak , [akmin , akmax ]) , dr (ak , [1/ akmax , 1/ akmin ])} (4.11)
La distancia relativa de un escalar c a un intervalo [a, b], representada por dr(c,

[a, b]), es definida como:
Pág. 244 de 337

(4.12)
Para evaluación del fitness será considerada la función objetivo presentada en

(4.19). Obsérvese que cuanto menor es el valor de la función F mayor será la
capacidad de la solución para satisfacer las condiciones del problema de distribución
en planta propuesto, esto es, mayor será su fitness.
Dado que el valor de la función objetivo es siempre positivo, se puede definir

el fitness asociado a una solución, como:
fi = 1 / Fi (4.13)
donde Fi es el valor de la función objetivo aplicado para la solución definida por el i-

ésimo individuo de la población.
En el cálculo de la función objetivo F el valor de ak podrá obtenerse, para cada

instalación k a través de las coordenadas asociadas a los nudos que representan las
instalaciones en el árbol de corte, esto es:
ak = (Yk2 - Yk1) / (Xk2 - Xk1) (4.14)
En el estudio del cálculo de las distancias dij se deben considerar tres casos
distintos:
(a) cálculo de la distancia entre instalaciones en distribución en planta sin

pasillos;
(b) cálculo de la distancia entre instalaciones en distribución en planta con
pasillos y
(c) cálculo de la distancia entre instalaciones adyacentes para distribución en
planta con pasillos, descritos a seguir:
a) Cálculo de las distancias entre instalaciones para distribución en planta sin pasillo:
En este caso la distancia podrá ser calculada utilizando la métrica euclidiana o

rectangular, considerando los centroides de las instalaciones involucradas. En otras
Pág. 245 de 337

palabras, conocidas las coordenadas (xi , yi ) del centroide de la instalación i y las

coordenadas (xj , yj) del centroide de la instalación j, la distancia vendrá dada por:
Métrica euclidiana dij = [(xi - xj) 2 + (yi - yj)2] 1/2; (4.15a)
Métrica rectangular dij = | xi - xj | + | yi - yj |; (4.15b)
Las coordenadas de los centroides son obtenidas a través de la media

aritmética de las coordenadas asociadas a los nudos que representan las instalaciones
en el árbol de corte (véase figura 4.8), esto es:
xi = (Xi1 + Xi2)/2 i = 1,..., n (4.16a)
yi = (Yi1 + Yi2)/2 i = 1,..., n (4.16b)
b) Cálculo de las distancias entre instalaciones para distribución en planta con pasillo:
Para el caso de la distancia se calcula considerando la existencia de pasillos,

deberá ser generado un grafo que defina la estructura de los pasillos a ser recorridos.
Además para esto, se debe determinar un conjunto de puntos auxiliares o

nudos, conforme muestra la figura 4.14. En esta figura se observa la existencia de tres
tipos básicos de nudos que definen el grafo sobre el cual serán calculadas las
distancias mínimas entre instalaciones, que son las siguientes:
· centroides de las instalaciones;

· puntos auxiliares de ligación entre instalaciones y pasillos;
· puntos de intersección entre ejes de los pasillos.
Para obtener los puntos anteriores descritos, y sus coordenadas, se debe

establecer la relación entre pasillos e instalaciones utilizando el procedimiento QREL
que se describe a continuación.
Procedimiento QREL:
P1. Construir un cuadro con cuatro filas y n columnas. A cada fila está asociado
un tipo de corte, U, R, B y L y cada columna representa una instalación.
Pág. 246 de 337

P2. Para cada instalación realizar una búsqueda sobre el árbol de corte partiendo
del nudo instalación en dirección al nudo raíz. Observar en cada nudo
investigado el tipo de corte, y marcando en la columna correspondiente a la
instalación y en la fila correspondiente al tipo de corte, con un (*) si no fuese
pasillo o con el número del nudo correspondiente al pasillo, en el caso de que
aún no haya sido marcado;
Considerando el árbol de corte de la figura 4.12 y el procedimiento anterior,

tenemos las relaciones presentadas a continuación en la tabla 4.10.
1 2 3 4 5 6
U 9 9 11 11
R * 8 *
B 9 9 11 11
L * 8 *
Tabla 4.10: Relaciones entre instalaciones y pasillos para el árbol de corte de la

figura 4.12
En la tabla 4.10 se puede observar que a cada columna está asociada una
instalación. En esta columna están registrados los números de los nudos pasillos con
los cuales cada instalación se vincula, y la correspondiente posición relativa entre los
mismos. Así por ejemplo, la instalación 2 se relaciona con el pasillo 9, que se sitúa
debajo de la instalación.
Además de esto, cada pasillo señalado en la columna de una instalación en el

cuadro de relaciones, corresponde a un punto auxiliar situado sobre el eje del pasillo,
como ya se presentó en la figura 4.14. Por último, asociado a cada par de pasillos,
presentados en una columna, y ortogonales entre sí, se tiene un punto auxiliar que
corresponde a la intersección de los ejes de estos pasillos, conforme se puede
observar en la figura 4.14.
Con la tabla de relaciones se puede determinar el número de puntos que

enlazan las instalaciones a los ejes de los pasillos y el número de puntos de
intersección entre los ejes de los pasillos. A continuación se determinan sus
coordenadas tal y como sigue:
Pág. 247 de 337

1. las coordenadas de los centroides de las instalaciones son obtenidos a través

de la media aritmética de las coordenadas asociadas a los nudos que
representan las instalaciones en el árbol de corte, conforme lo sugerido
anteriormente para el caso de distribución en planta sin pasillo en (4.16a) y
(4.16b);
2. a cada pasillo se asocia un eje cuya ordenada (para cortes tipo R o L) o

abscisa (para cortes tipo U o B) es obtenida por la media aritmética de las
coordenadas obtenida a través de las expresiones (4.7a) y (4.7b) (para el caso
de corte tipo U), o (4.7c) y (4.7d) (para el caso del tipo B), o (4.7e) y (4.7f)
(para cortes del tipo L) o incluso (4.7g) y (4.7h) (para cortes del tipo R);
3. las coordenadas de los puntos que representan un vínculo entre una

instalación es un pasillo, si se trata de pasillo horizontal, tiene por abscisa la
abscisa del centroide de las instalaciones y por ordenada el eje del pasillo.
Para el caso de pasillo vertical, la abcisa del punto vendrá dada por el eje del
pasillo y la ordenada será la ordenada del centroide de la instalación;
4. para los puntos que representan intersecciones entre ejes de pasillos

ortogonales entre sí, tendrán por abscisa el eje del pasillo vertical y por
ordenada el eje del pasillo horizontal.
Para la tabla de relaciones anterior, y considerando las coordenadas asociadas

a los nudos del árbol de corte presentado en la figura 4.12, se obtienen los puntos y
respectivas coordenadas en la tabla 4.11.
(0,1) (0,2) (0,3) (0,4) (0,5) (0,6) (1,9) (2,9) (3,8) (3,9)
X 6,98 19,54 19,64 6,58 9,42 21,98 6,98 19,54 13,66 19,64
Y 16,51 15,61 9,65 9,65 3,18 3,18 12,43 12,43 9,65 12,43
(3,11) (4,8) (4,9) (4,11) (5,11) (6,11) (8,9) (9,8) (8,11) (11,8)
X 19,64 13,66 6,58 6,58 9,42 21,98 13,66 13,66 13,66 13,66
Y 6,87 9,65 12,43 6,87 6,87 6,87 12,43 12,43 6,87 6,87
Tabla 4.11: Coordenadas de los centroides de instalaciones, de los puntos que

enlazan instalaciones a los ejes de los pasillos e intersección de ejes de
pasillos de la figura 4.12
Pág. 248 de 337

Los procedimientos hasta aquí presentados, determinan un conjunto de p

puntos distintos sobre el área de la distribución en planta, con sus respectivas
coordenadas. El grafo G (G, A) que será generado para determinar las distancias
mínimas entre instalaciones tiene como conjunto de nudos G = {g 1, g 2,..., g p}, cuyas
coordenadas ya habían sido determinadas. Cada g i Î G fue rotulado por un par de
números, Rot(gi) = (ni, mi), siendo que para las instalaciones ni = 0; conforme se
puede observar en la tabla 4.11 y en la figura 4.14.
El conjunto de arcos de este grafo será definido sobre el producto cartesiano G

x G, esto es, A Í G x G.
El procedimiento para el cálculo de las distancias entre instalaciones considera

cada vez un solo nudo de la instalación como origen, a partir del cual serán
determinadas las distancias para los demás nudos instalaciones. Sea x0 esta origen.
Entonces el conjunto A no deberá contener arcos que tengan el nudo x0 como nudo
terminal. Por otro lado, no deberán generarse arcos que tengan los demás nudos
instalaciones como nudo inicial. Esto tiene por objetivo impedir la posibilidad de
obtener caminos mínimos entre dos instalaciones, pasando por una tercera instalación.
Así, considerando un nudo instalación x0 como origen, un arco ar = (gi, gj) Î A

si y solo si una de las condiciones se verifica:
1. ni = 0, mi = m0 e nj = mi;
2. nj = 0, mj = m0 e ni = mj;
3. ni ¹ 0, nj ¹ 0 e mi = mj; (3.17)
4. ni ¹ 0, nj ¹ 0 e ni = mj;
5. ni ¹ 0, nj ¹ 0 e mi = nj;
6. ni ¹ 0, nj ¹ 0 e ni = nj > n; (n es el número de instalaciones).
Obtenido el grafo, se asocia a cada ar = (g i, g j) Î A un coste que viene dado

por la distancia rectangular entre los puntos correspondientes a los nudos g i y g j.
Considerando que las coordenadas de g i son (xi, yi) y de g j (xj, yj), tenemos:
cij = | xi - xj | + | yi - yj | (4.18)
Pág. 249 de 337

Las distancias mínimas entre instalaciones, considerando una instalación

origen (correspondiente al nudo g0), podrán obtenerse aplicando el Algoritmo de
Dijkstra que se explica en el Anexo B.
Para obtener la distancia de g0 a todos los vértices instalaciones, la regla de

finalización de partida de este algoritmo fue modificada. En el paso 3, la condición de
finalización al encontrar un nudo terminal, se sustituyo por finalizar cuando todos los
nudos correspondientes a la instalación fueran rotulados como procesados (P).
En nuestro caso partiendo de los datos presentados en la tabla 4.11, se

obtienen, tras aplicar el Algoritmo de Dijkstra, los resultados de la tabla 4.12.
1 2 3 4 5 6
1 0
2 20,72 0
3 19,52 6,96 0
4 7,26 19,82 13,06 0
5 24,24 23,44 16,68 9,30 0
6 28,32 27,52 8,80 21,86 19,92 0
Tabla 4.12: Caminos mínimos obtenidos con el Algoritmo de Dijkstra
Se observa que la no existencia de pasillos enlazando instalaciones no

adyacentes, implica la no aparición de una distancia infinita. Esto indica que el grafo
formado por los pasillos no es conexo. De esta forma se penalizan las soluciones
inviables.
c) Cálculo de las distancias entre instalaciones adyacentes para distribución en planta

con pasillos.
Dos instalaciones son adyacentes cuando: la proyección de la sobreposición

de las figuras en relación al eje horizontal es mayor que la anchura del pasillo y en
relación al eje vertical es cero, o viceversa. Designando la sobreposición horizontal
entre las instalaciones i y k por SXik y la sobreposición vertical entre las instalaciones
i y k por SYik, tenemos:
SXik = (Xi2 - Xi1) + (Xk2 - Xk1) - {[max{Xi2, Xk2}] - [min{Xi1 , Xk1}] }; (4.19a)
SYik = (Yi2 - Yi1) + (Yk2 - Yk1) - {[max{Yi2, Yk2}] - [min{Yi1 , Yk1}] }; (4.19b)
Pág. 250 de 337

Con estos resultados decimos que las instalaciones i y k son adyacentes si:
SXik ³ anchura del pasillo y SYik = 0, o (4.19c)
SYik ³ anchura del pasillo y SXik = 0. (4.19d)
Siendo dos instalaciones adyacentes se calcula la distancia usando la

expresión (4.26) y se desconsidera la obtenida por el Algoritmo de Dijkstra. Para el
ejemplo en estudio, las distancias entre las instalaciones 1 y 2 y las instalaciones 5 y 6
deben ser sustituidas por 12,56, cada una, que es la medida de la distancia
rectangular, pues son adyacentes.
4.3.5. Proceso de selección natural.
El modelo utiliza el valor de fitness (ver expresión 3.13) para colocar en orden
decreciente los p individuos de la población. Así se tiene: f1 ³ f2 ³...³ fp, el mejor
fitness corresponde al primer individuo de la población y el peor fitness o último
individuo de la población.
En el proceso de selección se consideró una distribución de probabilidad del

tipo gradiente, en la cual la probabilidad de elección del mejor individuo es un
múltiplo de la probabilidad de elección del peor, esto es, p1 = l. pp. De esta forma, la
probabilidad de elección del i-ésimo individuo de la población viene dada por:
pi = g i / ∑ g r r = 1,..., p (4.20)
donde, gi es el valor del i-ésimo elemento de una serie aritmética decreciente, dada
por:
g i = l - (i - 1)( l -1)/(p-1) (4.21)
Esta técnica fue empleada por el hecho de que el valor de la probabilidad de

elección de un individuo es independiente del valor de fitness, haciéndose más rápida.
Y por el hecho de vincular la elección del individuo con el orden que el mismo ocupa
en la población, independientemente del valor del fitness y el proceso de elección
continúe dando énfasis a los mejores individuos igual que la población se haya vuelto
más homogénea en términos de orden
Pág. 251 de 337

4.3.6. Proceso de reproducción de cromosomas. Operación de

cruzamiento.
La reproducción de cromosomas se realiza a través de la operación de

cruzamiento (crossover). Esta operación se aplica en pares de cromosomas (strings)
seleccionados de acuerdo con lo descrito en 4.3.4. A través de un particionamiento de
los cromosomas y una recombinación de esas partes, se obtienen dos nuevos
cromosomas que guardan las características de los cromosomas antecesores. La
posición del particionamiento viene dada por un número aleatorio, uniformemente
distribuido, entre los n-1 genes (cortes), donde n es el número de instalaciones,
haciendo una permuta entre los elementos de la derecha (o izquierda) de la posición
escogida, del primer cromosoma con los del segundo.
U B L R R U B B antecesor 1
L R R B B U L L antecesor 2
L R L R R U B B sucesor 1
U B R B B U L L sucesor 2
Figura 4.15: Ejemplo de cruzamiento entre dos soluciones (strings)
4.3.7. Proceso de mutación.
El operador de mutación es visto como un mecanismo de preservación contra

la perdida eventual de informaciones genéticas relevantes. A través de este operador,
informaciones que hubieran sido eliminadas de la población podrían volver a ser
introducidas en un individuo durante el proceso de reproducción.
La tasa de mutación adoptada es variable a lo largo de la búsqueda, siendo

mayor en la medida en que se observa la tendencia de convergencia de los fitness de
los individuos de la población. La tasa de mutación se calcula por medio de la
expresión:
pn = 0,01 / ( 1 - e - D ) (4.22 a)
donde: D = (fp - f1 ) / fp (4.22 b)
Pág. 252 de 337

Estos cambios, cuando ocurren, son realizados tras la operación de crossover.

A cada gen del cromosoma, se generan dos números aleatorios uniformemente
distribuidos en el intervalo [0,1], si el primero fuera menor que pn se transforma el
operador de U para R, de B para L, de R para B o de L para U. Si el segundo número
generado fuera menor que la razón de mutación, se transforma el tipo de divisa de
pared para pasillo o viceversa.
4.4. ESTRATEGIA DE APLICACION DEL ALGORITMO GENÉTICO.
Al implementar la aplicación informática nos encontramos con el resultado,

por otro lado ya esperado, de que el algoritmo propuesto se degradaba muy
rápidamente con el aumento del número de instalaciones, especialmente en el caso
del cálculo de las distancias entre instalaciones cuando se realiza a través de pasillos.
Para mejorar el resultado del algoritmo, se recurrió a la estrategia de dividir el
proceso de búsqueda de soluciones en dos etapas.
En una primera etapa, el algoritmo se aplica realizándose el cálculo de las

distancias a través de la métrica rectangular o euclídea, lo que simplifica de modo
significativo este proceso de cálculo. De esta forma, sin considerar el hecho de la
estructura de los pasillos, se puede obtener una disposición preliminar para las
instalaciones, con la intención de mantener juntas aquellas que presenten entre si una
mayor interacción, y con la intención de satisfacer las restricciones de forma de las
instalaciones impuestas por el problema.
Posteriormente en la segunda etapa, la aplicación del algoritmo se hace

considerando que todos los individuos de la población tendrán una estructura de corte
idéntica a la de la mejor solución obtenida en la primera etapa. En otras palabras, en
la primera fase tan solo se consideran los tipos de cortes definidos por el conjunto {U,
R, B, L}, mientras que en la segunda fase cada corte se pasa a considerar dos
posibilidades: cortes del tipo U pasan a tener el conjunto de definición {U, U*};
cortes del tipo R pasan a tener el conjunto de definición {R, R*}; cortes del tipo B
pasan a tener el conjunto de definición {B, B*} y cortes del tipo L pasan a tener el
conjunto de definición {L, L*}
Considerando una estrategia donde el problema es tratado en tan solo una fase,
esto es, considerando la existencia de pasillos desde el principio, se tendría el
Pág. 253 de 337

conjunto de definición con los siguientes elementos {U, R, B, L, U*, R*, B*, L*}.
Así, en la obtención de la solución para el problema de distribución en planta con
pasillo existirían del orden de 8n-1 posibles alternativas de combinación de corte, en
cuanto que considerando la estrategia de dividir la búsqueda en dos fases, se tendría
del orden de 4n-1 posibles soluciones para la primera fase y 2n-1 posibles soluciones en
la segunda fase. En conjunto, de esta estrategia resultaría un universo de 4n-1 + 2n-1
posibles soluciones a ser investigadas. Como ejemplo, en un problema con 30
instalaciones tendríamos un conjunto de 829 (1,54 x 1026) combinaciones de corte para
la estrategia una única fase mientras que en el caso de la estrategia de dos fases,
tendríamos 429 + 229 (2,88 x 1017) posibles soluciones. A pesar de que el número de
soluciones en potencia aún resulta extremadamente grande, representa apenas una
pequeña fracción (del orden de 1/109) del total existente en el caso de la estrategia de
una única fase.
Así, a pesar de restringir la búsqueda sobre un subconjunto de soluciones, para

casos donde el número de instalaciones crece, esta es la única forma encontrada para
obtener una solución satisfactoria en un tiempo computacional razonable.
La convergencia del algoritmo se obtiene en la medida en que los diversos

individuos de la población presentan las mismas características. Esto puede hacerse
evidente, por medio de la comparación de los fitness del mejor y del peor individuo
existente en la población. Si la diferencia entre los valores de fitness es inferior a un
límite estipulado (1% en este trabajo) el proceso se da por finalizado. Si hubiera
interés en comprobar nuevos resultados, se podría generar una nueva población,
incluyendo en la misma una parcela de los mejores individuos encontrados en la
población anterior. Cuando esta estrategia es realizada repetitivamente y no se
observa ninguna mejora en los resultados obtenidos, se da por concluido el proceso y
finalmente nos quedamos con la mejor solución obtenida que es la que se presentará.
4.5. RESULTADOS OBTENIDOS PARA EL PROBLEMA DE LOS PASILLOS.
La dificultad en comparar los resultados obtenidos a través del modelo

propuesto con los resultados obtenidos por los modelos existentes es que pocos
consideran la existencia de pasillos, y cuando lo consideran, no tienen en cuenta las
restricciones de forma. En el modelo propuesto, la introducción de pasillos se hace a
partir de la segunda fase, conforme a la estrategia comentada en 4.4. Para fines de
Pág. 254 de 337

comparación, se desarrolló un prototipo que considera el modelo propuesto por Tam

(1992), sin tener en cuenta la restricción de espacios ocupados. En este prototipo, el
algoritmo genético considerado fue el mismo del utilizado en el modelo final
propuesto, ya que en el trabajo publicado por Tam no se abordan detalles de la
implementación informática.
Los test realizados fueron hechos en el sentido de obtener resultados

comparativos en cuanto a la forma y al coste, y en cuanto a la eficiencia del algoritmo
de búsqueda utilizado.
Asimismo en lo que respecta a las limitaciones geométricas que se han

planteado cabe decir que no se han encontrado en la bibliografía consultada
referencias a este tipo de restricciones por lo que tan solo se plantearán como
resultados la viabilidad de poder plantear este tipo de restricciones, más reales que los
planteamientos teóricos
4.5.1. EXPERIMENTO.
Los resultados comparativos fueron obtenidos de diez simulaciones, realizadas

para cada problema (con 12, 15, 20 y 30 instalaciones), utilizando como matriz de
flujo los datos del trabajo de Nuggent et al (1968) y como áreas y razón de forma los
datos extraídos del trabajo de Tam (1992b), conforme tablas de los anexos G y H.
En términos básicos, la primera fase del modelo propuesto y el modelo

presentado por Tam, se diferencian cuanto a la obtención de la estructura de árbol de
corte. En cuanto al método de Tam (ST2) utiliza el esquema de ‘average linkage’,
mientras que el modelo propuesto (ST1) usa un esquema modificado generado a
partir del esquema de ‘average linkage’.
El tamaño de la población usada en los experimentos realizados fue de 100

cromosomas iniciales generados aleatoriamente. En el proceso iterativo del algoritmo
genético, cuando la diferencia relativa entre la mejor y la peor solución alcanzaba
valores inferiores al 1%, se realizaba una renovación del 97% de la población,
manteniéndose una parcela compuesta por el 3% de las mejores soluciones obtenidas
Pág. 255 de 337

hasta ese momento. De esta forma se buscaba perpetuar las características existentes
en las mejores soluciones dentro de la nueva población.
En la evaluación del fitness, fue utilizado un factor de penalización de forma

igual a 1.000 (véase la ecuación 4.19). El número de iteraciones realizada fue de
50.000 y 2.000, para la primera y segunda fase respectivamente. Estos límites en el
número de iteraciones fueron considerados de forma arbitraria por tratarse de un
tiempo de procesamiento razonable (menos de 30 minutos) y presentar resultados
bastante satisfactorios en términos del valor del fitness.
La evaluación de la forma de la distribución en planta se hizo a través del

error porcentual ocurrido en la razón de forma. Para ello, se estableció una
distribución de frecuencia acumulada, para valores de error variando de 0% a 100%,
en clases de amplitud de 10%, para cada método (ST1 y ST2) y problema testados.
Los valores de costes (momento de transporte), también fueron registrados

para cada simulación realizada. Se presentan también estadísticas de estas soluciones,
tales como el valor máximo y mínimo obtenido para cada instancia del problema, la
solución media y la desviación estándar ocurridas entre las soluciones obtenidas.
A través de gráficos se presenta, también, el comportamiento del algoritmo

genético en relación al coste y fitness para las mejores soluciones de cada problema.
4.5.2. CONVERGENCIA DEL PROCESO.
En esta sección se presentan los resultados obtenidos, tanto en lo que respecta

a la razón de forma de las instalaciones cuanto al valor del momento de transporte.
Cuanto a la forma, se presenta en la tabla 4.13, para cada problema testado, el

número total de instalaciones con error igual o inferior a un error porcentual dado.
Los datos tabulados en la referida tabla están representados gráficamente en las
figuras 4.13 a 4.16.
Pág. 256 de 337

Número de Instalaciones
% 12 15 20 30
ST1 ST2 ST1 ST2 ST1 ST2 ST1 ST2
1 3 4 5 2 3 3 12 8
10 3 7 5 6 7 4 16 12
20 5 7 7 8 9 7 18 14
30 8 8 7 11 13 7 22 18
40 8 11 10 12 17 12 25 22
50 9 11 13 13 19 15 28 27
60 10 11 14 15 19 17 30 28
70 11 11 15 15 20 18 30 30
80 12 11 15 15 20 20 30 30
90 12 12 15 15 20 20 30 30
100 12 12 15 15 20 20 30 30
Tabla 4.13: Distribución acumulada del número de instalaciones por procedimientos y
error (%) en la razón de forma
Figura 4.16: Gráfico de la distribución acumulada del número de instalaciones por

error de la razón de forma (%), para distribución en planta con 12
instalaciones.
Pág. 257 de 337


instalaciones.

instalaciones.
Pág. 258 de 337


instalaciones.
En cuanto al coste, para el problema con 12 instalaciones, las respuestas

obtenidas por experimento, fueron todas iguales y sus valores de coste de transporte
de la primera y segunda fase son respectivamente: 5509,74 e 6969,97 con ST1 y
5210,74 y 6269,36 con ST2.
Para los demás experimentos los resultados están presentados en las tablas
siguientes.
ST1 ST2
Nº
Fase 1 Fase2 Fase 1 Fase 2
1 9651,77 11708,23 9152,47 10932,53
2 9426,05 11492,42 9152,47 10932,53
3 9426,05 11492,42 8945,02 10676,95
4 10583,54 13181,31 9152,47 10932,53
5 10606,71 13057,6 9152,47 10932,53
6 10560,9 12454,64 9152,47 10932,53
7 9651,77 11708,23 9152,47 10932,53
8 10132,76 12526,38 9152,47 10932,53
9 10198,68 12137,95 9152,47 10932,53
10 11108,72 13120,63 9152,47 10932,53
Mín. 9426,05 11492,42 8945,02 10676,95
Máx. 11108,72 13181,31 9152,47 10932,53
Media 10134,70 12287,98 9131,73 10906,97
Desviación estandar 550,41 642,56 62,23 76,67
Tabla 4.14: Momento de transporte obtenidos en distribución en planta de 15
instalaciones.
Pág. 259 de 337

ST1 ST2
Nº
1 21467,07 26609,15 21068,92 25102,78
2 21581,21 26871,46 21044,11 24754,72
3 23072,66 28094,83 21412,34 25247,6
4 21821,98 26628,25 21044,11 24754,72
5 20518,99 25051,46 21232,02 26087,42
6 21662,68 27083,57 21190,53 24985,37
7 22307,65 26485,89 20730,36 25259,85
8 20488,33 24917 21044,11 24754,72
9 20638,2 25715,83 20612,56 24612,56
10 22452,81 28456,07 21334,16 24983,29
Mín. 20488,33 24917 20612,56 24612,56
Máx. 23072,66 28456,07 21412,34 26087,42
Media 21601,16 26591,35 21071,32 25054,30
Tabla 4.15: Momentos de transporte obtenidos en distribuciones en planta de 20
instalaciones.
ST1 ST2
Nº
1 46570,96 620,16 45202,23 54090,8
2 45761,17 55185,56 45053,87 54388,67
3 50972,87 61535,13 45312,84 54513
4 51248,28 62632,75 45579,37 53901,93
5 46551,69 55766,87 44983,63 53469,55
6 46818,74 56174,42 46333,87 55802,55
7 46598,63 56225,82 46001,71 56307,76
8 48951,22 59800,02 44337,69 53642,29
9 44165,95 52576,11 46583,03 56112,92
10 47840,01 58561,29 44151,69 53184,23
Mín. 44165,95 620,16 44151,69 53184,23
Máx. 51248,28 62632,75 46583,03 56307,76
Media 47547,95 51907,81 45353,99 54541,37
Tabla 4.16: Momentos de transporte obtenidos en distribuciones en planta de 30
instalaciones.
Para mostrar a eficiencia (robustez) del algoritmo genético en la búsqueda de

mejores soluciones, se presentan los resultados de las dos fases del modelo propuesto
(ST1), de la mejor solución de cada experimento.
Pág. 260 de 337

Figura 4.20: Gráfico de la variación del coste en relación al número de iteraciones,

para distribución en planta con 12 instalaciones.

Pág. 261 de 337



4.5.3. ANALISIS DE LOS RESULTADOS.
El análisis de los resultados se realizó teniendo en cuenta la razón de forma

obtenida para las instalaciones y el coste de transporte asociado (momento de
transporte). Para comparar los resultados sobre un enfoque más concreto, se realizó
un análisis conjunto de los resultados y se representó gráficamente los resultados
obtenidos (distribución en planta).
Pág. 262 de 337

4.5.3.1. Respecto a la forma.
Se observa, una tendencia de mejora en la razón de forma, en favor del

modelo propuesto ST1, en la medida en que el número de instalaciones tiende a
aumentar, conforme puede ser observado en el gráfico de la figura 4.23
Figura 4.24: Comparación entre errores medios de las razones de forma.
Para evaluar si esta tendencia es estadísticamente significativa, se ha utilizado

como test la t-student de la diferencia de medias para muestras independientes a un
nivel de relevancia de 5% (p < 0,05).
Gracias a los resultados que se presentan en la tabla 4.17, obtenidos a través

de estadístico, podemos confirmar tales tendencias, o sea, que existe una superioridad
para la heurística ST2, del modelo de Tam, en la solución de los problemas de 12 y
15 instalaciones, mientras que para los problemas de 20 y 30 instalaciones la
superioridad parece decantarse para la heurística ST1, del modelo propuesto,
caracterizada en los resultados por el cambio de señal en el valor de t.
12 instalaciones 15 instalaciones 20 instalaciones 30 instalaciones

ST1 ST2 ST1 ST2 ST1 ST2 ST1 ST2
media 32,5 22,5 29,33 25,33 26,5 38,5 19,67 27,00
desvio-patron 27,34 27,01 24,92 19,95 19,27 25,19 20,92 22,92
t 0,90128 0,4853 -1,69216 -1,294349
p 0,3772 0,63124 0,0988 0,200674
Tabla 4.17: Valores de media, desviación estándar y estadísticas obtenidos con la
aplicación de ST1 y ST2, para los distintos problemas
Pág. 263 de 337

4.5.3.2. Respecto al coste.
El gráfico de la figura 4.24, muestra que existen diferencias en los costes, en

cada fase, de la aplicación de las heurísticas. Para la lectura del gráfico siguiente se
debe tener en consideración que: las dos primeras rectas representan la primera fase
para las heurísticas st1 y st2 en cuanto a las otras dos rectas caracterizan la segunda
fase.
Figura 4.25: Comparación entre los costes medios de transporte determinados por
ST1 y ST2 en la primera y segunda fase.
Para avaluar si la variabilidad ocurrida en los costes es estadísticamente

significante, se aplicó el test t-student en los costes obtenidos en cada fase, conforme
las tablas 4.14 a 4.16. Los resultados de los test se presentan en las tablas 4.18 y 4.19
e indican que las diferencias existentes solo son significantes para el problema de 20
instalaciones en la primera fase pues p = 0,08 > 0,05. En los demás casos no son
significativos estadísticamente.
15 Instalaciones 20 Instalaciones 30 Instalaciones

ST1 ST2 ST1 ST2 ST1 ST2
media 10134,7 9131,73 21601,16 21071,32 47547,95 45353,99
desvio-patron 580,18 65,6 869,06 248,18 2248,15 793,82
t 5,43205 1,85381 2,90997
p 0,00004 0,08023 0,00934

aplicación de la primera fase de ST1 y ST2, para los distintos problemas.
Pág. 264 de 337

15 Instalaciones 20 Instalaciones 30 Instalaciones

ST1 ST2 ST1 ST2 ST1 ST2
media 12287,98 10906,97 26591,35 25054,3 57407,82 54541,37
desvio-patron 677,32 80,82 1155,3 424,72 3135,43 1136,05
t 6,40227 3,94882 2,71807
p 0,00000 0,00094 0,0141

aplicación de la segunda fase de ST1 y ST2, para los distintos problemas.
4.5.3.3. Análisis conjunto.
Por los resultados obtenidos se observa que en lo referente a la forma, el

modelo de Tam es más eficiente para los problemas de 10 y 15 instalaciones mientras
que el modelo propuesto se muestra más eficiente para problemas de 20 y 30
instalaciones. Por tanto, dada la complejidad del problema y de los costes
involucrados en el desarrollo de un proyecto, se sugiere la aplicación de los dos
modelos y un posterior análisis visual en las distribuciones físicas resultantes para
obtener una buena solución, ya que la solución se encuentra a través de un
procedimiento heurístico y no se puede garantizar que sea la mejor solución. Otro
factor que lleva a resultados diferentes se debe al hecho de intentar tratar dos medidas
de evaluación que entran en conflicto, que se traducen por las restricciones de forma
de las instalaciones y por las distancias entre ellas.
Para las restricciones de forma se observó que no siempre son posibles de ser
atendidas. Por ejemplo, si se considera un problema hipotético donde se tengan dos
instalaciones con áreas de 10 y 100 m2 respectivamente y ambas con razón de forma
igual a uno (forma cuadrada) y que tales instalaciones deban estar situadas en un
rectángulo cuya razón de forma sea 0,5. Como se puede observar en la figura 4.26, tal
solución será inviable debido a la restricción de forma del área donde deben ser
situadas las instalaciones, por lo que al final habrá que tomar una solución de
compromiso en la que se incumpla, aunque sea lo mínimo posible, las restricciones de
forma propuestas inicialmente.
Pág. 265 de 337

Figura 4.26: Distribución en planta obtenida con la heurística ST1 para el problema
de 2 instalaciones
Además de la restricción de forma, otro punto importante a resaltar es que,

aceptar un error de 20% en la razón de forma aparenta ser un valor muy grande, acaba
siendo un valor tolerable en la práctica. Para poner un ejemplo, puede considerarse un
área de 100 m2 con razón de forma uno (un cuadrado) y que presente en la
distribución en planta final las dimensiones 9,09 x 11 en vez del esperado 10 x 10.
Tal resultado corresponde a un error de 21% en la razón de forma. La figura 4.27
presenta las soluciones y en ella se puede observar que tal error puede ser tolerable.
Figura 4.27: Figura que ejemplifica un error de 21% en la razón de forma.
En relación a los costes se observó un crecimiento en la segunda fase, porque

la distancia considerada en el cálculo del momento de transporte no es sólo
rectangular, en los casos donde las instalaciones no son adyacentes, las distancias son
calculadas por los menores desplazamientos pasando por los ejes de los pasillos. En la
segunda fase del modelo el algoritmo genético identifica cuando la reducción de
Pág. 266 de 337

costes compensa los alejamientos entre instalaciones, es decir, cuando en la práctica

se debe colocar un pasillo.
Además en cuanto a los costes, los resultados mínimos obtenidos por los
modelos son mejores que los presentados por Tam (1992) que pueden observarse en
la tabla 4.15.
Otro punto que debe ser resaltado está en relación al árbol generado
inicialmente en la solución del problema. Esta estructura de árbol marcará algunas
características en la distribución en planta final que el algoritmo genético no puede
modificar. Por ejemplo una de ellas serás la presentada en la en algún caso en el que
las instalaciones puedan tener una de las dimensiones igual a la extensión de la
distribución en planta final, quedando con la otra dimensión reducida, lo que hará
inviable el poder atender la restricción de forma. Tal problema aparecerá tan solo
cuando se dé la circunstancia de que en la estructura del árbol generado las dos
instalaciones se sitúen en una de las ramas del nudo raíz, que motivo la modificación
propuesta ST1 en el esquema de ‘average linkage’ ST2.
4.5.4. RESULTADOS OBTENIDOS PARA EL PROBLEMA DE 30

INSTALACIONES (SIN LIMITACION EN EL NÚMERO DE
ITERACIONES).
Para un análisis del modelo propuesto, se resolvió el problema con 30

instalaciones sin limitación en el número de iteraciones, obteniéndose para el
momento de transporte los valores 45.053,93 y 53.457,07 para la primera y segunda
fase respectivamente, que pueden observarse en el siguiente gráfico. Se puede
observar que los resultados no variaran mucho con el aumento del número de
iteraciones en ambas fases de solución, resultando buenas soluciones con un número
limitado de iteraciones, lo que depende de las restricciones del problema.
Pág. 267 de 337

Figura 4.28: Gráfico da variación del coste en relación al número de iteraciones,

Los resultados obtenidos para razón de forma indican que hubo una mejora de
forma en la distribución en planta obtenida en la segunda fase del modelo, conforme
al gráfico de la figura 4.29.

error de la razón de forma (%), para distribución en planta con 30 instalaciones.
Los resultados obtenidos en la primera y segunda fase, indican una tendencia

de tratamiento colocando instalaciones de menor dimensión próximas y centrales,
Pág. 268 de 337

circundándolas con las de mayor área. También, evitando dejar bloques de

instalaciones con dimensiones muy estrechas, lo que hace inviable a priori un mejor
aprovechamiento del espacio disponible para las instalaciones.
Una vez obtenida la distribución en planta final con pasillo, tal y como se ha
mencionado anteriormente, se hace finalmente un análisis visual en la figura y con
unos pocos ajustes se obtiene una distribución en planta más adecuada. De esta forma
el pasillo existente entre dos instalaciones adyacentes podría ser eliminado y el área
ocupada por aquel podría ser distribuida entre las instalaciones adyacentes de tal
forma que estas instalaciones u otras adyacentes puedan satisfacer la razón de forma.
De igual manera otra modificación que también podría realizarse, sería entre
instalaciones adyacentes que no satisfagan a priori las restricciones de forma, ya que,
se podría, a partir de un análisis visual de la ocupación, redistribuir los espacios
existentes entre ellas.
La Figura 4-29a muestra una solución para un problema de distribución en

planta representada por un layout de bloques, en que cada bloque representa una
instalación. Es posible, entonces, realizar algún trabajo adicional para determinar un
layout más detallado, en el que la estructura de pasillos para posibilitar los
transportes, las ubicaciones concretas de los puntos de entrada y salida y el layout
dentro de cada instalación, tal y como se puede ver en la Figura 4-29b. La
determinación del layout detallado incluirá problemas de layout de líneas de flujo,
problemas de layout de máquinas y problemas de diseño de células de fabricación,
donde se considera que las máquinas son de igual área y de dimensiones fijas (Hasan,
1995; Meller y Gau, 1996).
Como se puede constatar, tras intentar buscar soluciones más plausibles para
estas cuestiones, el problema de distribución en plantas industriales posee aspectos
geométricos y combinatorios que hacen de él un problema de muy difícil resolución
por medios informáticos, lo que en nuestros tiempos contrasta con la idea muchas
veces generalizada de que los ordenadores y las aplicaciones informáticas lo
solucionan prácticamente todo. Además, por si esto fuera poco, al problema de
distribución de instalaciones, con todos los problemas geométricos que esta conlleva,
se le asocian algunos factores cuantitativos y cualitativos que hacen de el un
problema de difícil modelado y análisis.
Pág. 269 de 337

Figura 4.30: (a) Layout de bloques y (b) layout detallado.
Pág. 270 de 337

CAPÍTULO – 5
CONCLUSIONES Y
RECOMENDACIONES
Pág. 272 de 337

CAPÍTULO 5
Aquel que duda y no investiga

se torna no solo infeliz,
sino también injusto.
Blaise Pascal (1623-1662),
matemático francés.
5. CONCLUSIONES Y RECOMENDACIONES.
5.1. CONSIDERACIONES FINALES.
Llegados al final de ese documento se considera conveniente hacer algunas

recapitulaciones de lo visto e intentar marcar las pautas que puedan ayudar a la hora
de plantear futuros trabajos.
Tal y como ya se ha comentado existe una cantidad ingente de fuentes

documentales sobre el tema de las Distribuciones en Planta (realmente miles de
artículos, libros, páginas web y publicaciones de diversa índole) desde prácticamente
principios de la década de los 60 hasta la actualidad y a pesar de que pueda pensarse
que es un tema antiguo su interés sigue vivo –lo que viene sobradamente demostrado
por la publicación periódica año tras año de nuevos trabajos en revistas
especializadas, aunque, todo hay que decirlo, con poca repercusión posterior en lo
que al ámbito profesional se refiere–. Es por esto por lo que debemos considerar que
muchos de los trabajos son meros trabajos teóricos, o más bien académicos, pero que
no tienen aplicación práctica real suscitando poco interés, cuando no auténtica
desconfianza, en la industria. Esto quiere decir que en el ámbito académico se siguen
realizando grandes esfuerzos por conseguir mejoras reales en los problemas ya
Pág. 273 de 337

existentes en este campo y sin embargo la aplicación práctica de las mejoras que se
van planteando y de los posibles nuevos algoritmos no parece que sean igualmente
seguidos por los profesionales en la industria, seguramente por la falta de entornos
amigables de trabajo y por la falta relación real entre los datos requeridos y los
disponibles para el planteamiento del problema así como por dar resultados en plan
“caja negra” con poca aplicación práctica sin plantear algunos cambios más o menos
importantes, que por otro lado podrían modificar sustancialmente los resultados
obtenidos. De igual modo resulta que las soluciones aportadas por lo común apenas
permiten posteriores modificaciones de los datos y la comparación de los resultados
obtenidos.
En este entorno se enmarca el trabajo de investigación aquí presentado, se ha

procurado, tras intentar ver las líneas de trabajo desarrolladas por otros autores,
ofrecer la posibilidad de incorporar la solución geométrica (no algebraica) a algunos
de los problemas que surgen cuando se pretende abordar el encontrar una solución
adecuada al problema de la implantación de instalaciones industriales en una fábrica y
que complemente a los algoritmos ya desarrollados.
5.2. CONCLUSIONES.
Aun siendo muchos los algoritmos propuestos en la literatura, sus aplicaciones

prácticas apenas existen y en la mayoría de los casos de instalaciones industriales al
final el sistema aplicado es el clásico Systematic Layout Planning (SLP) de Richard
Muther con algunas modificaciones realizadas “a mano” posteriores. La mejora de los
algoritmos a lo bruto no vale si no tiene una aplicación de usuario que le de confianza
al proyectista a la hora de tomar decisiones prácticas. Las aplicaciones que pueden
resultar muy interesantes a la hora de dar soluciones en algunos ámbitos, como
puedan ser los VLSI (Very Large Scale Integration) en el campo electrónico, pero por
desgracia pueden resultar totalmente inoperativos en otros ámbitos como los
“layouts” industriales. Los sistemas con herramientas graficas como los entornos
DAO pueden y deben ser utilizados con recursos verticales para ayudar a encontrar
soluciones a los problemas cotidianos en lo que a Distribuciones Industriales se
refiere.
Pág. 274 de 337

En la ejecución de este trabajo se han presentado algunas contribuciones tanto

desde punto de vista teórico como práctico.
Desde el punto de vista teórico se han tenido en consideración:
a) la formulación de una sistematología que permita utilizar procedimientos de

geometría en un sistema de DAO para resolver cuestiones que en el mundo
clásico se realizaban de forma gráfica (geométrica). Con este propósito se han
programado algunas rutinas y programas auxiliares que encuentren soluciones
geométricas a problemas geométricos y que permitan intercomunicar los datos
y/o resultados con otros entornos informáticos.
b) la formulación de un modelo para la solución del problema de distribución en
planta de instalaciones intercomunicadas por pasillos, dado que los modelos

sugeridos en la literatura utilizan el método constructivo, sin preocuparse por
una solución de mejor calidad a través de la optimización;
c) la implementación de una nueva métrica hibrida, modificada de las ya

disponibles, que permite la resolución de problemas geométricos reales y que
facilite el trabajo en plantas de más de un nivel;
d) el planteamiento de una corrección sobre el índice de forma, proponiendo
como ideal la rectangular con proporción aurea (Ф) y que corrija la existente
más común y utilizada que potencia la forma cuadrada como “forma ideal”
cuando esta es en realidad una forma poco deseable.
Se ha realizado una modificación en el intervalo de variación de la razón de

forma, propuesto por Tam (1992b), con el objetivo de mejorar la calidad de la
distribución en planta final;
Desde el punto de vista práctico, o de resultados:
a) se ha visto la viabilidad de este tipo de implementaciones de funciones

geométricas programadas directamente en entornos de DAO, verificando que
este tipo de aplicaciones si resultan funcionales y pueden ser complementarias
a otro tipo de implementaciones informáticas permitiendo el intercambio de
datos entre los distintos entornos (en nuestro caso AutoCAD y EXCEL). Se ha
realizado la preparación de rutinas de usuario en una aplicación de DAO (en
Pág. 275 de 337

nuestro caso AutoCAD) que facilitaran un entorno más real, amigable y

funcional para la realización, análisis y modificación de las distribuciones en
planta;
b) se ha realizado la propuesta de un sistema real de medidas de distancias
considerando no sólo métricas teóricas sino los recorridos geométricos reales

que tiene que ser utilizados por las mercancías;
c) se ha podido abordar la obtención de distribuciones en planta resultantes con

una mejor calidad en la forma de las instalaciones, para problemas de 20 y 30
instalaciones;
d) se ha conseguido la minimización en el momento de transporte y en el número
de errores en la razón de forma eligiendo la distribución en planta que

presenta mayor ganancia en la calidad, reducción de costes de transportes y
almacenaje de materias primas y materiales en proceso;
Desde el punto de vista del comportamiento de las soluciones se ha observado que:
a) las instalaciones con menor área se posicionan más centralizadas en la región

plana, y las de mayor área distribuyéndolas alrededor de estas. Esto ocurre
para que se reduzcan las distancias entre instalaciones que influencian en el
resultado del momento de transporte;
b) otra observación de comportamiento de las soluciones, es que para problemas
sin restricción de forma, las soluciones tienden a reducir una de las

dimensiones de la instalación, con la intención de reducir las distancias entre
las mismas;
c) como los problemas de distribución en planta se caracterizan como problemas

combinatorios, y estos a su vez necesitan que un número muy grande de
soluciones sean analizadas, fue necesario para utilizar el modelo propuesto
una estrategia que limitase el tiempo de búsqueda de la solución;
d) para aplicar el modelo sin la estrategia propuesta en problemas con 30 o más
variables, será preciso esperar que se dé un avance en la tecnología de los

ordenadores tanto en la capacidad de memoria como en la velocidad de
cálculo;
Pág. 276 de 337

e) la idea de ‘área ocupada’ conforme a lo propuesto en el trabajo de Tam (1992)

no fue utilizada, pues entra en conflicto a uno de los objetivos del trabajo el de
encontrar distribuciones en planta de mejor calidad, o que atiendan a las
restricciones de forma;
El planteamiento aplicado se podría generalizar en otros campos no tan

‘industriales’ sino más de construcción permitiendo incluso disponer un sistema
dinámico que trabaje con Instalaciones Temporales (Almacenes, Viales, Instalaciones
de Obra,…) dando prioridades a estas en virtud de otros requisitos (prioridad
temporal, coste de reimplantación, necesidad de disponer de ellos en la proximidad de
la obra,…).
5.3. RECOMENDACIONES.
Como resulta obvio, tras lo anteriormente dicho, aún queda mucho trabajo por
hacer para que las herramientas que faciliten la realización de las Distribuciones en
Planta al técnico sean plenamente efectivas, pero, dado el interés que el tema suscita y
el nuevo paradigma aquí presentado, es de esperar que trabajos posteriores puedan
ampliar estas líneas de trabajo.
Las recomendaciones que se pueden dar tras presentar este trabajo van en el
sentido general de mejorar las limitaciones impuestas en la aplicación del modelo
propuesto, que fueron principalmente las siguientes:
a) ampliar y mejorar las rutinas disponibles para las soluciones a los problemas
geométricos e integrar todas estas en una aplicación final con un adecuado
entorno de usuario para que pueda ser utilizada.
b) considerar la posibilidad de que las anchuras de los distintos pasillos puedan
ser diferentes, dependiendo primordialmente de los tráficos que circulen por

ellos —lo que realmente no debería, a priori, revestir grandes dificultades—;
c) prever en el modelo eventuales conflictos entre los diversos flujos existentes;
d) hacer test de soluciones del problema considerando la existencia de pasillos ya
en la primera fase del modelo, sin esperar a tener una primera distribución en
planta, aunque como se ha visto el hacerlo antes o después no afecta en gran
Pág. 277 de 337

medida a los resultados obtenidos, sí que puede resultar de interés cuando se

realizan procesos de mejora sobre instalaciones ya existentes;
e) buscar un esquema de generación de estructura de árbol que contemple el área

de las instalaciones y no solamente la condición de proximidades de las
mismas;
f) continuar con los desarrollos geométricos y las implementaciones de rutinas

que permitan utilizar entornos DAO para abordar los problemas geométricos
evitando utilizar tan solo implementaciones de funciones matemáticas.
g) mejorar las aplicaciones informáticas que sea fácil la introducción de datos
para su posterior procesado y que una vez procesados estos puedan informar
de los resultados obtenidos por medio de registros de las sucesivas iteraciones
y ayuden al proyectista en la toma de decisiones y posibiliten fácilmente la
variación de parámetros;
h) plantear sistemas de registro de cambios que posibilite por medio de
comparativas implementar sistemas inteligentes, con el apoyo de la

inteligencia artificial, que permitan aportar ideas y soluciones mejoradas a los
casos propuestos.
i) hacer la implementación del modelo propuesto a algún caso real, solventando

las dificultades cotidianas en la solución de problemas de distribución en
planta con las limitaciones de ajustes temporales y espaciales en los procesos
productivos.
Por último tan solo decir que el trabajo desarrollado, y aquí presentado, no ha
finalizado, más bien acaba de empezar, y que tan solo marca un camino a
seguir/continuar en el que se aprecia claramente que dificultades no han de faltar en
aras de buscar alguna mejora en nuestras instalaciones. Solucionados algunos
problemas, nuevos retos se presentan, ¿cómo no?, ante el técnico que pretende
alcanzar el óptimo en sus instalaciones sacando el máximo partido a los recursos
disponibles y siempre escasos. Por eso confiamos en que este trabajo sirva de acicate
a otros ‘compañeros’ para que se sumen a la búsqueda de nuevas implementaciones y
recursos para que entre todos sigamos avanzando…
Pág. 278 de 337

BIBLIOGRAFÍA
Pág. 280 de 337

BIBLIOGRAFIA
Las bibliotecas son pócimas de farmacéutico:

muchos venenos y pocos remedios.
Joseph Joubert (1754-1824),
escritor y moralista francés
ABDOU, G. y DUTTA, S. P., An integrated approach to facilities layout using expert

systems, International Journal of Production Research, Vol. 28, No. 4, p. 685-708,
1990.
AFENTAKIS, P., MILLEN, R.A ., y SOLOMON, M.M., Dynamic layout strategies
for flexible manufacturing systems. International Journal of Production Research.
Vol. 28, No. 2, p. 311-323, 1990.
ALLENBACH, R. y WERNER, M., Facility layout program, Computers & Industrial
Engineering, Vol. 19, N0. 1-4, 290 - 293, 1990.
ANDERBERG, M.R., Cluster Analysis for Applications, New York: Academic Pres,
1973.
ARMOUR, G.C., y BUFFA, E.S., A heuristic algorithm and simulation approach to
relative allocation of facilities. Management Science. Vol. 9, No 2, 294-300, 1963.
BADIRU, A. B. y ARIF, A., FLEXPERT: facility layout expert system using fuzzy
linguistic relationship codes, IEE Transactions, 28, 295 - 308, 1996.
BALAREZO SALDAÑA, S.A., Distribución en Planta de Instalaciones y Formación
de Células de Fabricación Mediante Tecnología de Grupos: Formulación de Nuevos
Algoritmos. Tesis Doctoral. Universidad de Navarra. 1994.
BALAS, E. y MAZZOLA, J.B., Quadratic 0-1 programming by a new linearization,
presented at the TIMS/ORSA meeting, Washington, DC.
BAZARAA, M.S., Computerized layout design: A branch and bound approach, AIIE
Transactions. Vol. 7, No. 4, 432-437, 1975.
BAZARAA, M.S., y ELSHAFEI, A .N., An exact branch and bound procedure for
quadratic assignment problems. Naval Research Logistics Quarterly. Vol. 26, 109-
121, 1979.
BAZARAA, M.S., y KIRCA, O., A branch-and-bound-based heuristic for solving the
QAP, Naval Research Logistics Quarterly. Vol. 30, 287-304, 1983.
BAZARAA, M.S., y SHERALI, M.D., Benders’ partitioning scheme applied to a new
formulation of the quadratic assignment problem. Naval Research Logistics
Quarterly. Vol. 27, No. 1, 29-41, 1980.
Pág. 281 de 337

BENNELL, J.A., POTTS, C.N. y WHITEHEAD, J.D., Local Search Algorithms for
the Min-Max Loop Layout Problem. The Journal of the Operational Research Society
Vol. 53, No. 10, Special Issue: Applications and Developments in Mathematical
Programming p. 1109-1117. Octubre 2002,
BLOCK, T.E., A note on comparison of computer algorithms and visual based
methods for plant layout by Scriabin and R.C., and R.C. Vergin. Management
Science, Vol. 24, No. 12, 235-237, 1977.
BLOCK, T.E., FATE: A new construction algorithm for facilities layout, Journal of
Engineering Production. Vol. 2, 111-120, 1978.
BONELL, C., La divina proporción: las formas geométricas. Serv. Publ. UPC. 2ª Ed.
1999.
BUFFA, E.S., ARMOUR, G.C., y VOLLMANN, T.E. Allocating facilities with
Craft, Harvard Business Review. Vol. 42, 136-158, 1964.
BUFFA, E.S., Sequence analysis for functional layouts. The Journal of Industrial
Engineering. Vol. 6, 12-13, 25, 1955.
BUMB, ADRIANA. Approximation Algorithms for Facility Location Problems.
ThD. Thesis. University of Twente. Holanda 2002.
BURKARD, R.E., Die Störungsmethode zur lösung cuadratisches
zuordnungsprobleme, Operations Research Verfahren. Vol. 16, 84-108, 1973.
BURKARD, R.E., Locations with spatial interaction - Quadratic assignment problem,
in: R.L. Francis and P.B. Mirchandane (eds.) Discrete Locations Theory, Academic
Pres, New York, 1984.
BURKARD, R.E., y BONNINGER, T., A heuristic for quadratic Boolean program
with applications to quadratic assignment problems, European Journal of Operational
Research. Vol. 13, 374-386, 1983.
BURKARD, R.E., y STRATMAN, K.H., Numerical investigations on quadratic
assignment problems, Naval Research Logistic Quarterly. Vol.25, 129-144, 1978.
CAMBRON, K. E. y EVANS, G. W., Layout design using analytic hierarchy process,
Computers & Industrial Engineering, Vol. 20, No.2, 211 - 229, 1991.
CAMERON, D., C. Travel Charts. Modern Material Handling. p. 37-40, 1952.
CANEN, A.G. y WILLIAMSON, G.H., Facility Layout overview: towards
competitive advantage. Facilities Vol. 16 nº 7/8, p. 198-203, 1998.
CANO, J.R., CORDON, O., HERRERA, F. y SANCHEZ, L. A GRASP algorithm
for clustering. En F. J. Garijo, J.C.R. Santos, and M. Toro, editors, Advances in
Artificial Intelligence - IBERAMIA 2002, 8th Ibero-American Conference on AI,
Seville, Spain, November 12-15, 2002, Proceedings, volume 2527 of Lecture Notes
in Computer Science, p. 214-223. Springer, 2002.
CEDARLEAF, J., Plant layout and flow improvement. Bluecreek 1997.
CHAN, K. C. y TANSKI, H., A Study of Genetic Crossover Operations on the
Facilities Layout Problem, Computers & Industrial Engineering, Vol. 26, No. 3, 537 -
550, 1994.
CIAI, M.R. y SULE, D.R., Computerized facility layout design, Computers &
Industrial Engineering, Vol. 21, No. 1 - 4, 385 - 389, 1991.
Pág. 282 de 337

CIMTechnologies Corporation, Factory Flow Plant Layout and Material Handling

Analysis User’s Manuals, CIMTechnologies Corporation, Ames IA.
CINAR, U., Facilities planning: a systems analysis and space allocation approach.
InC. M. Easton (ed.) Spatial Synthesis in Computer-aided Building Design (New
York:Wiley), pp. 19-40, 1975.
CO, H., WU, A. y REISMAN, A. A., A throughput-maximizing facility planning and
layout model, International Journal of Production Research, Vol. 27, No. 1, 1 - 12,
1989.
CONTERO GONZALEZ, M., Aportación a la optimización del diseño geométrico de
plantas industriales. Distribución en planta. Tesis doctoral. Universidad Politécnica de
Valencia. 1995.
CONTRERAS PEREZ, R.A., Modelo de Optimización en la Generación de Plantas
Industriales, considerando las Actividades de Mantenimiento y las Condiciones
Ambientales mediante el uso de Metodología de los Algoritmos Genéticos. Tesis
Doctoral. Universidad Politécnica de Valencia. 2010.
CONWAY, R.W., y MAXWELL, W.L., A note on the assignment of facility
location. The Journal of Industrial Engineering. Vol. 12, 34-36, 1961.
CORTES, M. B. S., Algoritmos Genéticos en Problemas de Programación no Lineal
Continua, (Tesis Doctoral), UFSC - Florianópolis - SC. 1996.
CULBRETH, D. N., Manufacturing model: an integrated approach to planning,
design and managing industrial facilities, Computer Aided Design, Vol. 21, No. 1, 49
- 53, 1989.
CUNHA, G. y RIBEIRO, S., Introducción a los Sistemas Especialistas, Libros
Técnicos y Científicos Editora S. A. Rio de Janeiro (Brasil), 1987.
DATTA, D., AMARAL, A. y FIGUEIRA, J.R., Single row facility layout problem
using a permutation-based genetic algorithm. European Journal of Operational
Research, Volumen 213 (2). p. 388–394. Septiembre 2011.
DAVIS, L., Handbook of Genetic Algorithms, Van Nostrand Reinhold, New York,
1991.
DEISENROTH, M.P. y APPLE, J.M., A computerized plant layout analysis and
evaluation technique, Technical paper, Annual AIIE Conference, Norcros, GA. 1972.
DEL RIO CIDONCHA, M.G., Un modelo para el diseño de Distribuciones en Planta
en Arquitectura. Tesis Doctoral. Universidad de Sevilla. 2002
DELMAIRE, H., DIAZ, J.A., FERNANDEZ, E. y ORTEGA, M., Reactive GRASP
and tabu search based heuristics for the single source capacitated plant location
problem. INFOR, Nº 37, p. 194-225, 1999.
DIEGO-MAS, J.A., Optimización de la distribución en planta de instalaciones
industriales mediante algoritmos geneticos. Aportación al control de la geometría de
las actividades. Tesis Doctoral. Universidad Politécnica de Valencia. 2006.
DOMINGUEZ MURO, M.J., El número de oro. Proyrcto Sur. Cuadernos para el
Aula de Matemáticas. 1999.
DOS REIS TAVARES, J.A., Geração de Configurações de Sistemas Industriais com
o Recurso à Tecnologia das Restrições e Computação Evolucionária. Teisi Doctoral.
Universidade do Minho. Braga (Portugal). 2000.
Pág. 283 de 337

DREZNER, Z. , A Heuristic Procedure for the Layout of a Large Number of

Facilities, Management Science. Vol. 33, No. 7, 907 - 915, Julio 1987.
DREZNER, Z. , DISCON: A new method for the layout problem, Operations
Research. Vol. 25, No. 6, 1375-1384, 1980.
EADES, P., FOULDS, L.R., y GIFFINI, J., An efficient heuristic for identifying a
maximun weight planar subgraph, in: Lecture Notes in Mathematics. No. 952
(Combinatorial Mathematics IX), Springer, Berlin, 1982.
EDWARDS, H.K., GILLETTE, B.E., y HALEY, M.C., Modular allocations
technique (MAT), Management Science, Vol. 17, No. 3, 161-169, 1970.
ELSHAFEI, A .N., Hospital layout as a quadratic assignment problem, Operations
Research Quarterly, Vol. 29, No. 1, 167-179, 1977.
EVANS, G.W., WILHELM, M.R., y KARWOWSKI, W., A layout design heuristic
employing the theory of fuzzy sets, International Journal of Production Research,
Vol. 25, No. 10, 1431 - 1450, 1987.
FARAHANI, R.Z. y HEKMATFAR, M., Facility Location. Concepts, Models,
Algorithms and Case Studies. Ed. Springer. 2009.
FATTOUCH , N. G., Metodología para Alteración de Distribución en Planta del
Sector Productivo de Pequeñas y Medianas Empresas, (Tesis Doctoral), UFSC -
Florianópolis - SC, 1989.
FERNANDEZ-JARDON, C., CAL, Mª I. y VERDUGO M.V., Análisis metodológico
econométrico de las decisiones empresariales en Herbert Simon. Serv. Public. U. de
Vigo. 2003.
FOINES, J. A., CULBRETH, C. T. y KING, R. E., Manufacturing cell design: an
integer programming model employing genetic algorithms, IIE Transactions. Vol. ,
No. , 69 - 85, 1996.
FOULDS, L.R., Techniques for facilities layout: Deciding which pairs of activities
should adjacent. Management Science. Vol. 29, No. 2, 1414-1426, 1983.
FOULDS, L.R., y ROBINSON, D.F., A strategy for solving the plant layout problem.
Operations Research Quarterly. Vol. 27, No. 4, 845-855, 1976.
FOULDS, L.R., y ROBINSON, D.F., Graph theoretic heuristics for the plant layout
problem, International Journal of Productions Research. Vol. 16, No. 1, 27-37, 1978.
FOULDS, L.R.y PARTOVI, F.Y., Integrating the analytic hierarchy process and
graph theory tomodel facilitates layout. Annals of Operations Research 82: 435–451,
1998.
FRANCIS, R.L., y WHITE, J.A., Facility Layout and Location. Ed. Prentice Hall. 2ª
Edicion 1998
FRIECE, A .M., y YADEGAR, J., On the quadratic assignment problem. Discrete
Applied Mathematics. Vol. 5, 89-98, 1983.
FURTADO, J.C., y LORENA, L. A .N., Otimização de Leiaute usando Busca Tabu,
Gestão & Produção. Vol. 4, No. 1, 88-107, 1997.
GALBRAITH, L. y MILLER, W., A multifactor approach to selecting computer
generated electronics assembly facility layouts, Computers & Industrial Engineering.
Vol. 18, No. 1, 1 - 11, 1990.
Pág. 284 de 337

GASCHUTS, G.K., y AHRENS, J.H., Suboptimal algorithms for the quadratic

assignment problem, Naval Research Logistics Quarterly. Vol. 15, 49-62, 1968.
GAVETT, J.W., y PLYTER, N.V., The Optimal assignment of facilities to locations
by branch and bound, Operations Research. Vol. 14, 210-232, 1966.
GEN, M., IDA, K. y CHENG, C., Multirow Machine Layout Problem In Fuzzy
Environment Using Genetic Algorithms, Computers & Industrial Engineering. Vol.
29, No. 1-4, 519 - 523, 1995.
GHYKA, M. C., El número de oro. I. Los ritmos. II. Los ritos. Ed. Poseidon. 1992.
GHYKA, M. C., Estética de las proporciones en la naturaleza y en las artes. Ed.
Poseidon. 1983.
GILMORE, P. C. "Optimal and Suboptimal Algorithms for the Quadratic Assignment
Problem." SLAM J. Appl.Math.. 10, p. 305-313, 1962.
GOLANY, B. y ROSENBLATT, M. J., A heuristic algorithm for the quadratic
assignment formulation to the plant layout problem, International Journal of
Production Research. Vol. 27, No. 2, 293 - 308, 1989.
GOLDBERG, D. E., Genetic Algorithms In Search, Optimization, and Machine
Learning, Addison Wesley, 1989.
GONDRAN, M. y MINOUX, M., Graphs e algorithms, Norwich: John Wiley &
Sons, 1984.
GONZALEZ CRUZ, M.C., Implantation y aplicacion de una estrategia general de
resolucion de problemas, basada en la teoria de las dimensiones del proyecto, para la
elaboration de una metodologia de resolucion de layout. Estructuracion de las
tecnicas necesarias.. Tesis Doctoral. Universidad Politécnica de Valencia. 2001.
GONZALEZ GARCIA, J.L., Aportación a la Optimización Multiobjetivo del Diseño
de Plantas Industriales. Tesis Dotoral. Universidad Politecnica de Valencia. 2005
GRAVES, G.W., y WHINSTONE, A .B., An algorithm for the quadratic assignment
problem, Management Science. Vol. 17, No. 7, 453-471, 1970.
GUPTA, Y., GUPTA, M., KUMAR, A. y SUNDARAM, C., A genetic algorithm-
based approach to cell composition and layout problems, International Journal of
HALES. Computer-Aided Facilities Planning. Marcel Deker Inc. Nueva York. 1984.
HASSAN, M. M. D., Machine layout problem In modern manufacturing facilities,
International Journal of Production Research. Vol. 32, No. 11, 2559 - 2584, 1994.
HASSAN, M.M.D., HOGG, G.L., y SMITH, D.R., SHAPE: a construction algorithm
for area placement evaluation. International Journal of Production Research. Vol. 24,
No. 5, 1283-1295, 1986.
HASSAN, M.M.D., y ALBIN, M., Managing data requirements for the machine
layout problem. International Journal of Computer Applications in Technology. (to
appear). 1994.
HERAGU, S. S. y KUSIAK, A., Efficient models for the facility layout problem,
European Journal of Operational Research. 53, 1 - 13, 1991.
HERAGU, S. S. y KUSIAK, A., Machine layout problem in flexible manufacturing
systems, Operations Research. Vol. 36, No. 2, 258-268, 1988.
Pág. 285 de 337

HERAGU, S. S. y KUSIAK, A., Machine layout problem in flexible manufacturing

systems, Working paper 08/86, Department of Mechanical and Industrial
Engineering, University of Manitoba, Winnipeg, Manitoba, Canada, 1986.
HERAGU, S. S. y KUSIAK, A., Machine layout: an optimization and Knowledge-
based approach, International Journal of Production Research. Vol. 28, No. 4, 615 -
635, 1990.
HERAGU, S. S., Special Issue Facility Layout, European Journal of Operational
Research. Vol. 57, No. 2, 1992.
HICKS, E. P. Ingeniería Industrial y Administración, Una nueva perspectiva.
Segunda Edición, México: CECSA, Pág: 90, 91, 99, p. 110-112, 1999.
HICKS, P.E., y COWAN, T.E., CRAFT-N for layout rearrangement, Industrial
Engineering. May, 30-35, 1976.
HILLER, F.S., Quantitative tools for plant layout analysis. Industrial Engineering,
Vol. 14, No. 1, 33-40, 1963.
HILLER, M.R., y CONNORS, M.M., Quadratic assignment problem algorithm and
the location of indivisible facilities. Management Science. Vol. 13, No. 1, 42-57,
1966.
HITCHINGS, G.G., y COTTAM, M., An efficient heuristic procedure for solving the
layout design problem, Omega. Vol. 4, No. 2, 205-214, 1976.
HOUSHYAR, A. y WHITE, B., Comparison of solution procedures to the facility
location problem, Computers & Industrial Engineering, Vol. 32, No. 1, 77-87, 1997.
ICHIRO ARAKAKI, R.G., Heurística de Localição-Alocação para Problemas de
Localição de Facilidades. Tesis Doctoral. INPE - São JosÉ dos Campos. Brasil. 2002.
IMAN y MIR, “Automated Layout of Facilities of Unequal Areas,” Computers in
Industrial Engineering, vol.24, no. 3, pp. 355-366, 1993.
IMMER, J., R. Layout planning techniques. McGraw Hill. New York. 1950.
IRVINE, S.A. y RINSMA-MELCHERT, I., A new approach to the block layout
problem, International Journal of Production Research. Vol. 35, No. 8, 2359 - 2376,
1997.
ISLIER, A.A., Response to Al-Hakim’s note. International Journal of Production
Research. Vol. 38, No. 4, 991-992, 2000.
JACOBS, R.F., A note on SPACECRAFT for multifloor layout planning,
Management Science. Vol. 30, No. 5, 648-649, 1984.
JAKOBS, S., On genetic algorithms for the packing of polygons, European Journal of
Operational Research. Vol. 88, 165-181, 1996.
JOHNSON, R. A. y WICHERN, D. W., Applied Multivariate Statistical Analysis,
New Jersey, Prentice-Hall, Inc., Englewood Cliffs, 1982.
JOINES, J.A., CULBRETH, C.T. y KING, R.E., Manufacturing cell design: an
integer programming model employing genetic algorithms, IIE Transactions. 69-85,
1994.
JONHSON, R.V., SPACECRAFT for multi-floor layout planning, Management
Science. Vol. 28, No. 4, 407-417, 1982.
Pág. 286 de 337

KADO, KAZUHIRO. An Investigation in Genetic Algorithms for Facility Layout

Problem. Tesis University of Edimburgh U.K. 1995.
KAKU, B. K. , THOMPSON, G. L. y MORTON, T. E., A hybrid heuristic for the
facilities layout problem, Computers and Operations Research. Vol. 18, No. 3, 241-
253, 1991.
KAKU, B.K. y THOMPSON, G.L., An exact algorithm for the general quadratic
assignment problem, European Journal of Operational Research. Vol. 23, 382-390,
1986.
KAUFMAN, L. y BROECKS, F., An algorithm for the quadratic assignment problem
using Bender’s decomposition. European Journal of Operational Research. Vol. 2,
204-211, 1978.
KAVEH, A. y ZOLGHADR, A., Democratic PSO for truss layout and size
optimization with frequency constraints. Computers & Structures. Volume 130, p.
10–21. Enero 2014.
KELLY, J. P., LAGUNA, M. y GLOVER, F., A Study of Diversification Strategies
for the Quadratic Assignment Problem, Computers Operational Research. Vol. 21,
No. 8, 885 - 893, 1994.
KETCHAM, R. L. , MALSTROM, E. M. y McROBERTS, K. L., A comparison of
three computer assisted facilities design algorithms, Computers & Industrial
Engineering. Vol. 16, No. 3, 375 - 386, 1989.
KHALIL, T.M., Facilities relative allocation technique (FRAT), International Journal
of Productions Research. Vol. 12, No. 2, 183-194, 1973.
KIM, C. , KIM, S.S. y FOOTE, B.L., Assignment problems in single-row and double-
row machine layouts during slow and peak periods, Computers & Industrial
Engineering, Vol. 30, No. 3, 411-422, 1996.
KIM, J-G y KIM, Y-D. Layout planning for facilities with fixed shapes and input and
output points. International Journal of Production Research, Vol. 38, No. 18, p. 4635-
4653, 2000.
KOOPMANS, T.C., y BECKMAN, M., Assignment problems and the location of
economic activities. Econometrica. Vol. 25, 53-76, 1957.
KOUVELIS, P., CHIANG, W. C. y YU, G., Optimal algorithms for row layout
problems In automated manufacturing systems, IIE Transactions. Vol. 27, 99 - 104,
1995.
KUSIAK, A. A. y HERAGU, S. S., The facility layout problem, European Journal of
Operational Research. Vol. 29, 229 - 251, 1987.
KUSUMAH, YAYA S. Graph Theoretic Based Heuristics for the Facility Layout
Design Problem. PhD. Thesis Curtin University of Technology. Australia 2001.
LACKSONEN, T. A., Preprocessing for static and dynamic facility layout problems,
LAND, A .H., A problem of assignment with interrelated costs, Operations Research
Quarterly. Vol. 14, 185-198, 1963.
LANGEVIN, A. y RIOPEL, D., Logistic Systems.Design and Optimization. Ed.
Springer. 2005.
Pág. 287 de 337

LANGEVIN, A., MONTREUIL, B. y RIOPEL, D., Spine layout design, International

Journal of Production Research. Vol. 32, No. 2, 429 - 442, 1994.
LAVALLE, I., y ROUCAIROL, C., Parallel branch and bound algorithms, presented
at Euro VIII, Bologna, Italy, 1985.
LAWLER, E.L., The quadratic assignment problem. Management Science. Vol. 9,
586-599, 1963.
LEE, R., y MOORE, J.M., CORELAP - computerized relationship layout planning,
Journal of Industrial Engineering. Vol. 18, 195-200, 1967.
LIGGETT, R.S., The quadratic assignment problem: an experimental evaluation of
solution strategies. Management Science. Vol. 27, No. 4, 442-458, 1981.
LITTLE, J.D.C., MURTY, K.G., SWEENEY, D.W. y KAREL, C., An algorithm for
the travelling salesman problem, Operations Research. Vol. 11, 972-989, 1963.
LOVE, R. F. Facilities Location. Elsevier. New York 1988.
LOVE, R.F., y WONG, J.W., Solving quadratic assignment problems with rectilinear
distances and integer programming, Naval Research Logistics Quarterly. Vol. 23,
623-627, 1976.
LUDGERO IVANQUI, I., Um Modelo para Solução do Problema de Arranjo Físico
de Instalações Interligadas por Corredores. Tesis Doctoral. Programa de Pos-
Graduación en Ingeniería de Producción. Universidad Federal de Santa Catarina.
Florianópolis, Brasil. 1997.
MALAKOOTI, B., Multiple objective facility layout: a heuristic to generate efficient
alternatives, International Journal of Production Research. Vol. 27, No. 7, 1225 -
1238, 1989.
MALMBORG, C. J., Heuristic, storage space minimization methods for facility
layouts served by looped AGV systems, International Journal of Production
Research. Vol. 32, No. 11, 2695 - 2710, 1994.
MARQUES, S. R. A., Proyecto de Layout Industrial no Contexto Just In Time
Auxiliado por Computador, (Disertación de Maestrazgo), UFSC - Florianópolis - SC.,
1993.
MAYERLE, S.F., un sistema de apoio à decisão para o planejamento operacional de
empresas de transporte rodoviário urbano de pasageiros, (Tesis Doctoral), UFSC –
Florianópolis – SC, 1996.
MAYNARD, H. B. "Manual de Ingeniería de la Producción Industrial", Editorial
Reverte. 1970.
MEYERS, F.E., STEPHENS, M.P., Manufacturing Facilities Design and Material
Handling. Prentice Hall. 3ª Ed. 2005.
MONTALVA SUVIRATS, J.M., Optimización multiobjetivo de la distribución en
planta de procesos industriales. Estudio de objetivos. Tesis Doctoral. Universidad
Politécnica de Valencia. 2011.
MONTREUIL y RATLIFF, “Using Cut Trees as a Design Skeleton for Facility
Layout”, IIE Transactions, vol. 21, pp.136-143, 1989.
MONTREUIL, B. y RATLIFF, H. D., Utilizing Cut Trees as Design Skeletons for
Facility Layout, IIE Transactions. Vol. 21, No. 2, 136 - 143, June 1989.
Pág. 288 de 337

MOON, G. y McROBERTS, K. L., Combinatorial optimization In facility layout,

Computers & Industrial Engineering. Vol. 17, No. 1 - 4, 43 - 48, 1989.
MOORE, J.M., Computer aided facilities design: an international survey,
International Journal of Production Research. Vol. 12, No. 1, 21-44, 1974.
MOREIRA, D. A. Administração da Produção e Operações. São Paulo, Pioneira,
1993.
MÜLLER, V.; OTIMIZAÇÃO DE LAYOUTS INDUSTRIAIS ATRAVÉS DO
MÉTODO Exame de Particulas. Universidade de Santa Cruz do Sul. 2007
MURTHER, R., y McPHERSON, K., Four approaches to computerized layout
planning, Industrial Engineering. February, 39-42, 1970.
MUTHER, R., Planificacion y proyeccion de la empresa industrial (Metodo SLP).
Editores Tecnicos Asociados. Barcelona. 1968.
MUTHER, R., Practical Plant Layout. Mc Graw-Hill, New York, 1955.
MUTHER, R., Systematic Layout Planning (SLP). Cahers Books, Boston, MA, 1973.
NEGHABAT, F., An efficient equipment layout algorithm, Operations Research.
Vol. 22, 622-628, 1974.
NUGENT, C. E., VOLLMANN, T. E. y RUML, J., An experimental Comparison of
Techniques for the Assignment of Facilities to Locations, Operations Research. Vol.
16, 150 - 173, 1968.
O’BRIEN, C., y ABDEL BARR, S.E.Z., An interactive approach to computer aided
facility layout, International Journal of Production Research. Vol. 18, No. 2, 201-211,
1980.
ONTIVEROS MARTINEZ, R. Algoritmo interactivo de solución al problema de
distribución en planta, con control de forma y con empleo de técnicas de análisis de
decisiones multicriterio discretas. Tesis Doctoral. Dpto. de Proyectos de Ingenieria.
Universidad Politécnica de Valencia. 2004.
ÖNÜT, S., TUZKAYA, U.R. y DOGA, B., A particle swarm optimization algorithm
for the multiple-level warehouse layout design problema. Computers & Industrial
Engineering, Volumen 54 (4), p. 783–799. Mayo 2008.
ORTEGA ESCOBAR, R. “Diseño de Distribución en Planta por medio de un
Algoritmo Genético”. Tesis profesional. Universidad de las Américas -Puebla.
Cholula, Puebla, México, 2003.
OSMAN, HESHAM M. CAD-based dynamic layout planning of construction sites
using genetic algoritms. Master of Science Thesis, Faculty of Engineering, Cairo
University, Giza (Egipto), 2002.
PALEKAR, U. S., BATTA, R., BOSCH, R. M. y ELHENCE, S., Modelling
uncertainties In plant layout problems, European Journal of Operational Research.
Vol. 63, 347 - 359, 1992.
PICONE, C.J., y WILHELM, W.E., Perturbation scheme to improve Hiller’s solution
to the facilities layout problem. . Management Science. Vol. 30, No. 10, 1238-1249,
1984.
PIERCE, J.F. y CROWSTON, W.B., Tree-search algorithms for quadratic
assignment problems, Naval Research Logistics Quarterly. Vol. 18, 1-36, 1971.
Pág. 289 de 337

RAOOT, A. D. y RAKSHIT, A., A ‘fuzzy’ heuristic for the quadratic assignment

formulation to the facility layout problem, International Journal of Production
Research. Vol. 23, No. 3, 563 - 581, 1994.
REED, R. Plant layout: factor, principles an techniques. Homewood, Il. R. D. Irwin.
1961.
REINGOLD, E.M., NIEVERGELT, J., y DEO, N., Combinatorial Algorithms,
Theory and Practice. Prentice-Hall, INC., ENGLEWOOD CLIFFS, NEW JERSEY,
401-403, 1977.
REIS TABARES, J. A. dos, (2000). Geración de Configuracciones de Sistemas
Industriales con o Recurso a la Tecnologia de las Restricciones y Computación
Evolucionária. Ph Tesis. Universidad del Miño, Braga (Portugal).
RITZMAN, L.P., BRADFORD, J., y JACOBS, R., A multiple objective approach to
space planning for academic facilities. Management Science. Vol. 25, No. 9, 895-906,
1979.
ROMERO DESSENS, L.F., GONZÁLEZ ANAYA, J.A. y LOZANO COTA, L.M.,
Optimización de Colonia de Hormigas para resolver el problema de Distribución en
Planta. Avances de Investigación en Ingeniería en el Estado de Sonora, México, p.
11-15. 2011.
ROSENBLATT, M.J. y LEE, H. L., A robustness approach to facilities design,
SAMARGHANDIA, H. y ESHGI, K., An efficient tabu algorithm for the single row
facility layout problem. European Journal of Operational Research, Volumen 205 (1),
p. 98–105. Agosto 2010.
SAMARGHANDIA, H., TAABAYANB, P. y JAHANTIGHC, F.F., A particle
swarm optimization for the single row facility layout problem. Computers &
Industrial Engineering. Volumen 58 (4), p. 529–534, Mayo 2010.
SANTAMARINA SIURANA, M.C., Metodos de optimization en la generation de
distribuciones de plantas industriales, mediante la aplicacion de algoritmos geneticos
y tecnicas basadas en arboles de corte. Tesis Doctoral. Universidad Politécnica de
Valencia. 1996.
SAVSAR, M., Flexible facility layout by simulation, Computers & Industrial
Engineering. Vol. 20, No. 1, 155 - 165, 1991.
SCRIABIN, M., y VERGIN, R.C., A cluster-analytic approach to facility layout,
SEEHOF, J.M., y EVANS, W.O., “Automated layout design program,” Journal of
Industrial Engineering, vol. 18, pp. 690-695, 1967
SEPPANNEN, J.J., y MOORE, J.M., Facilities planning with graph theory,
SEPPANNEN, J.J., y MOORE, J.M., String processing algorithms for plant layout
problems, International Journal of Production Research. Vol. 13, No. 3, 239-254,
1975.
SHEBANIE, CHARLES RAOUL II. An integrated, Evolutionary Approach to
Facility Layout and Detailed Design. Master of science in University of Pittsburgh.
2004.
Pág. 290 de 337

SHORE, R.H., y TOMPKINS, J. A ., Flexible facilities design, AIIE Transactions.

Vol. 12, No. 2, 200-205, 1980.
SIRINAOVAKUL, B. y THAJCHAYAPONG, P., A knowledge base to asist a
heuristic search approach to facility layout, International Journal of Production
Research. Vol. 32, No. 1, 141 - 160, 1994.
SLY, “Computerized Facilities Design and Management: An Overview,” IIE
Solutions, August 1995.
SLY, D., Autocad Based Industrial Layout Planning and Material Flow Analysis in
FactoryFlow and Plan. Proceedings of the 1993 Winter Simulation Conference. USA.
1993.
SMITH, A. E., OZDEMIR, G. y NORMAN, B.A., Incorporating heterogeneous
distance metrics within block layout design. International Journal of Production
Research, vol. 41, p. 1045-1056. 2003.
SOUSA, LUCIANA. Uma Heurística Baseada em Algoritmos Genéticos Aplicada ao
Problema de Cobertura de Conjuntos. Disertación de Mestrado Computação
Aplicada. INPE. São José dos Campos, Brasil. 1995.
SULE, D.R., Manufacturing Facilities. Location, Planning, and Design. PWS
Publishing Company. 2ª Ed. 1994.
SURESH, G., VINOD, V. V. y SAHU, S., A genetic algorithm for facility layout,
SVESTKA, J. A., MOCRAFT: a professional quality microcomputer implementation
of CRAFT with multiple objectives, Computers & Industrial Engineering. Vol. 18,
No. 1, 13 - 22, 1990.
TAM, K. Y. y LI, S. G., A hierarchical approach to the facility layout problem,
TAM, K. Y., A simulated annealing algorithm for allocating space to manufacturing
cells, International Journal of Production Research. Vol. 30, No. 1, 63 - 87, 1992a.
TAM, K. Y., Genetic algorithms, function optimization, and facility layout design,
European Journal of Operational Research. Vol. 63, 322 - 346, 1992b.
TATE, D. M. y SMITH, A. E., A Genetic Approach to the Quadratic Assignment
Problem, Computers Operational Research. Vol. 32, No. 1, 73- 83, 1995a.
TATE, D. M. y SMITH, A. E., Unequal-area facility layout by genetic search, IIE
Transactions. Vol. 27, 465 - 472, 1995b.
TEO, T.A. y RESENDE, M.G.C., Greedy Randomized Adaptive Search Procedures
Journal of Global Optimization, Volumen 6 (2), p. 109-133. Marzo 1995.
THOMPKINS, J. A., y WHITE, J.A ., Facilities Planning, John Wiley and Sons,
Nueva York, 1984.
TOMPKINS, “Your Final Examination: computer Aided Plant Layout,” Modern
Material Handling, vol. 33, no. 11, Octubre 1978.
TOMPKINS, J.A., y REED, R., Jr. An applied model for the facilities design
problem, International Journal of Productions Research. Vol. 14, No. 5, 583-595,
1976.
Pág. 291 de 337

TORRES, ISAIAS. Integração de Ferramentas Computacionais Aplicadas ao Projeto

e Desenvolvimento de Arranjo Físico de Instalações Industriais. Disertación de
Mestrado Programa de Pós-Graduação em Engenharia de Produção. Universidade
Federal de São Carlos, SP, Brasil. 2001.
TORRES, ISAIAS. Um Formalismo Relacional para o Desenvolvimento de Arranjo
Físico Industrial. Tesis Doctoral. Universidade Federal de São Carlos, SP, Brasil.
2007.
TRETHEWAY, S. J. y FOOTE, B. L., Automatic computation and drawing of
facility layouts logical aisle structures, International Journal of Production Research.
Vol. 32, No. 7, 1545 - 1555, 1994.
URBAN, T.L., CHIANG, W.-C. y RUSSEL, R.A. The integrated machine allocation
and layout problem. International Journal of Production Research, Vol. 38, p. 2911-
2930, 2000.
URBAN, T.L., Solution procedures for the dynamic facility layout problem. Annals
of Operations Research, p. 323-342, 1998.
VALLHONRAT, J.M. y COROMINAS, A., Localización, distribución en planta y
manutención. Productica 48, Marcombo. Barcelona, 1991.
VOLLMANN, T.E., NUGENT, C.E., y ZARTLER, A computerized model for office
layout, The Journal of Industrial Engineering. Vol. 19, 321-327, 1968.
WASCHER, O. y MERKER, J., A comparative evaluation of heuristics for the
adjacency problem in facility layout planning, International Journal of Production
Research. Vol. 35, No. 2, 447 - 466, 1997.
WATSON, K.H. y GIFFIN, J.W., The vertex splitting algorithm for facilities layout,
WELGAMA, P. S. y GIBSON, P. R., An integrated methodology for automating the
determination of layout and materials handling system, International Journal of
WIMMERT, R.J., A mathematical method for equipment location. The Journal of
Industrial Engineering. Vol. 9, 498-505, 1958.
WRENNALL y LEE (eds.), Handbook of Commercial and Industrial Facilities
Management, McGraw-Hill, 1994.
WU, RONGLIANG. A System for Facility Layout Design. Thesis for Master of
Science in Engineering. University of New Brunswick (Canada), 2001.
YOKOTA, T., GEN, M., TAGUCHI, T. y LI, Y., A Method for Interval 0-1
Nonlinear Programming Problem using Genetic Algorithm, Computers & Industrial
Engineering. Vol. 29, No. 1-4, 531 - 535, 1995.
YOKOTA, T., GEN, M., TAGUCHI, T. y LI, Y., Genetic Algorithm for non-linear
mixed integer programming problems and its applications, Computers & Industrial
Engineering. Vol. 30, No. 4, 905-917, 1996.
ZANAKIS, S.H., EVANS, J.R. y VAZACOPOULOS, A.A., Heuristic methods and
applications: a categorized survey. European Journal of Operational Research, 43, p.
88-110. 1989.
Pág. 292 de 337

ZHENG, Y., y CHEW, C.M. Efficient procedures for form-closure GRASP planning
and fixture layout design. Journal of Manufacturing Science and Engineering,
Transactions of the ASME. 2009.
ZIZI y SULE, “Microcomputer Facility Layout Design”, computers in Industrial
Engineering, vol. 15, no. 1-4, pp.259-263, 1988.
ZOLLER, K., y ADENDORFF, K., Layout planning by computer simulation, AIIE
Transactions. Vol. 4, No.2, 1972.
Ademas se ha preparado una recopilacion mas extensa de

fuentes que abordan de alguna manera el problema de la
Distribución en Planta y se presenta en el siguiente enlace
con las referncias en RefWorks para failitar su consulta:
http://www.refworks.com/refshare2?site=04118116226720
0000/76861443179841674/Referencias_LAYOUT
Pág. 293 de 337

Pág. 294 de 337

ANEXOS
ANEXOS
- ANEXO A. BÚSQUEDA DE CAMINOS MÍNIMOS EN GRAFOS
- ANEXO B. ALGORITMO DE DIJKSTRA
- ANEXO C. ALGORITMO DE JARVIS PARA ENVOLVENTE CONVEXA
- ANEXO D. ALGORITMOS PARA DISTRIBUCIÓN EN PLANTA
- ANEXO E. ALGUNOS PROGRAMAS ESPECÍFICOS PARA LA

IMPLANTACIÓN EN PLANTA DE MULTIPLES
INSTALACIONES
- ANEXO F. RESTRICCIONES PARA LAS INSTALACIONES
- ANEXO G. CUADRO DE AREAS Y RAZON DE FORMA PARA 30

INSTALACIONES
- ANEXO H. CUADROS DE LOS FLUJOS
- ANEXO I. LISTADOS DE PROGRAMAS DE APLICACIONES

PROGRAMADAS
Pág. 296 de 337

ANEXOS
La verdadera ciencia enseña,

por encima de todo,
a dudar y a ser ignorante.
Miguel de Unamuno (1864-1936),

escritor español.
ANEXO A
Búsqueda de Caminos Mínimos en Grafos (Mayerle, 1997)
Definiciones
Definición 1:
Grafo es una estructura matemática G(X,A), donde X = { x1, x2,..., xn} es un conjunto
de nudos (o vértices) del grafo, e A = {a1, a2,..., a n} es el conjunto de arcos del grafo.
El arco ar = (xi , xj) conecta los vértices xi Î X y xj Î X, en el sentido del primero
nudo hacia el segundo.
Definición 2:
G(xi ) = {xi Î X | ar = (xi , xj) Î A} es el conjunto de vértices sucesores de xi Î X en
el grafo G(X, A) y G-1 (xi ) = {xj Î X | ar = (xj , xi) Î A} es el conjunto de vértices
predecesores de xi Î X en el grafo G(X, A).
Definición 3:
un camino que conecta dos vértices del grafo, digamos xs , xt Î X, es definido por una
secuencia de nudos Kst = { xs,..., xjk, xjk+1,..., xt}, donde xjk+1 Î G( xjk ), " xjk.
Pág. 297 de 337

ANEXO B
Algoritmo de Dijkstra
El Algoritmo de Dijkstra fue desarrollado para determinar el camino mínimo

entre dos vértices xs , xt Î X, en grafos en los cuales a cada arco ar = (xi , xj) está
asociado un coste de transposición dado por cij ³ 0.
Sea (pi, li, si) un rótulo asociado a cada vértice xi Î X, en donde:
pi - es el vértice predecesor de xi Î X en el camino de coste mínimo entre xs y xi;
li - es el coste acumulado asociado al camino mínimo entre xs y xi;
si - es la situación del vértice xi Î X, que puede ser N (no-rotulado), R (rotulado) y

P (procesado).
Paos del Algoritmo
P1 Rotular el vértice inicial xs como (ps, ls, s) = (Æ, 0, R), y los demás
vértices con (pi, li, si) = (Æ, +¥, N);
P2 Sea Y = {xi Î X | si Î R}.
Si Y = Æ, entonces PARE, pues no existe camino que conecta xs a xt.
Si Y ¹ Æ, entonces determinar xk Î Y tal que lk = min xi ÎY li.
P3 Si xk = xt entonces PARE (el coste del camino mínimo es lk, y la

secuencia de vértices del camino es definida por los predecesores). En
caso contrario, ir al paso 4;
P4 Para cada xj Î G( xk ), calcular: v = lk + ckj y si v < lj, entonces rotular

nuevamente el vértice xj con (pj, lj, sj) = (xk, v, R);
P5 Rotular nuevamente xk con (pk, lk, sk) = (pk, lk, P) y volver al paso 2.
Pág. 298 de 337

Los nodos de la red se etiquetan con números. Al principio, todos tienen la

etiqueta 00 excepto el nodo inicial a que tiene la etiqueta 0. Los arcos tienen un peso
wij que representa la distancia del enlace (i, j). El algoritmo de Dijkstra renumera los
nodos, de manera que cuando el nodo z tiene una etiqueta permanente, se ha obtenido
la solución final.
Pág. 299 de 337

ANEXO C
Algoritmo de Marcha de Jarvis para envolvente convexa
Se verá en este anexo el funcionamiento del algoritmo de Marcha de Jarvis13

para hallar la envolvente convexa de un conjunto de puntos. El algoritmo empieza
eligiendo el punto, de los del conujnto a procesar, con menor ordenada y se considera
inicialmente la recta horizontal que pasa por ese punto y se va recorriendo en el
sentido contrario a las agujas del reloj el conjunto de puntos para encontrar dentro del
mismo el que al unirlo con el punto anteriormente selccionado forme el menor angulo
con la horizontal. Encontrado este se sustituye la recta horizontal por la recta que une
los dos puntos anteriormente seleccionados y se repite la búsqueda para ir
sucesivamente encontrando los puntos que forman la envolvente convexa.
Veamos el pseudo código del algoritmo:
/* Algortimo de Marcha de Jarvis */

Entrada: Conjunto de puntos S del que se quiere hallar la envolvente convexa
Salida: Envolvente convexa C de S
Inicio
Punto p, q, pInicio, posMin;
P ß puntoMenorOrdenada ( );
pInicio ß p;
q ß puntoMenorAngulo (S,p);
C. agregar (p);
While (q!= pInicio)
C. agregar (q);
Min ß 180;
Para cada punto aux del conjunto S
If (aux!=q)
Ang = angulo (q, p, aux);
If (ang < min)
posMin = aux ;
min = ang ;
End_If
End_If
End_Para
p=q;
q = posMin ;
13
Jarvis, R.A., “On the Identification of the Convex Hull of of a Finite Set of Points in
the Plane”. Information Processing Letters 2, North-Holland Publishing Company. p.
18-21, 1973.
Pág. 300 de 337

End_While
Fin
Aunque el pseudocódigo resulta bastante claro, vamos a ver cómo funcionaría

con un pequeño conjunto de puntos. Supongamos que tenemos el siguiente conjunto
de puntos:
Primero seleccionamos el punto de menor coordenada y lo llamamos p. A

continuación escogemos el punto que forma el menor ángulo con la horizontal, al que
llamaremos q y agregamos p a la pila que guardará los puntos que forman la
envolvente convexa.
Ingresamos al bucle y vamos a empezar a encontrar los puntos que forman la

evolvente convexa teniendo como condición que este deberá formar el menor ángulo
con la recta que forma los puntos p y q. En la primera iteración pasaría esto:
El punto 3 es el que forma el menor ángulo por lo que pasará a formar parte de
la cerradura convexa. Continuemos con la siguiente iteración.
Pág. 301 de 337

El siguiente punto ahora resulta ser el punto 2. El punto 3 ya pasó a formar

parte de la cerradura convexa. Veamos ahora la siguiente iteración.
Se observa ahora que el punto con menor ángulo resulta ser el punto de inicio,
además la condición de parada nos inicaba que q!=inicio. Y la siguiente iteración ya
no se ejecutará ya que nos quedará algo como esto:
El bucle se termina y se tiene la evolvente convexa con los puntos

almacenados de forma ordenada en la pila, quedándonos así:
Al final, tal y como se aprecia en la ultima figura, se tendrá de forma ordenada

el conjunto de puntos pertenecientes a la evolvente convexa (minimo contorno
convexo que contiene a todos los puntos del conjunto problema) estando todos los
demás contenidos en la región que estos puntos del contorno determina.
Pág. 302 de 337

En el caso que se implemento en este trabajo se trabaja con regiones y no con

puntos por lo que el agoritmo programado ha debido ser modificado, aunque es
similar a la hora de realizar la búsqueda. Se busca el punto de las regiones que
intersequen con la recta de la evolvente y una vez hallado este el barrido para la
búsqueda del siguiente punto se realiza utilizando rectas tangentes a la región a la que
pretenece el punto encontrado., en lugar de rectas que unan con el punto anterior ya
hallado de la evolvente. Al final el contorno encontrado tendrá tramos (curvos en
general) que pertenecen a las fronteras de las regiones y tramos rectos que resultan ser
tangentes a estas regiones.
Pág. 303 de 337

ANEXO D
ALGORITMOS PARA DISTRIBUCION EN PLANTA
Se presntenta en la siguiente tabla algunos de los algoritmos más destacados

utilizados para la resolución del problema de la distribución en planta.
ALORITMO Denominacion Autor / es Año Tipo

AILAY AI-search technique-based LAYout Shih et al. (1992) 1992 Hibrido
planning method
ALA Alternate Location-Alocation Method
ALDEP Automated Layout Design Program Seehof y Evans, 68 1968 Construcción
Biased Nugent, 68 1968 Mejora
sampling
BLOCPLAN Block Plan Donaghey y Pire, 90 1990 Hibrido
CLASS Computerized Layout Solutions Simulated- Jajodia et al. 92 1992
annealing
CLO
COFAD COmputerized FAcilities Design Tompkins y Reed, 76 1976 Mejora
COFAD-F COmputerized FAcilities Design -Flexibility Shore y Tompkins, 1980 1980
COL Computerized Office Layout Vollmann, 68 1968 Mejora
COMLADII COMputerized Layout Design
CORELAP COmputerized RElationship LAyout Lee y Moore, 67 1967 Construcción
Planning
CRAFT Computerized Relative Allocation of Armour y Buffa, 63 1963 Mejora
Facilities Technique
CRAFT-M Computerized Relative Allocation of Hicks, P. E., T. E. Cowan. 1976 Mejora
Facilities Technique 1976.
CRAFT-3D Cinar (1975) 1975 Mejora
DHOPE Dynamic Heuristically Operated Kochhar y Heragu, 1999 1999 Mejora
Placement Evolution
DISCON Dispersion Concentration Drezner, 80 1980 Hibrido
EXSYS Abdou y Dutta, 90 1990
FACOPT FACility layout OPTimization Balakrishnan et al. 2003 2003
FADES FAcilities DESign Fisher, 84 1984 Basados en
Conocimiento
FATE Block, 78 1978 Construcción
FLAC Facility Layout by Analysis of Clusters Scriabin y Vergin, 85 1985 Hibrido
FLAG
FLAT Heragu y Kusiak, 89 1989 Construcción
FACLO
FLEXPERT Facility Layout Expert System Badiru and Arif, 96 1996 Basados en
Conocimiento
Pág. 304 de 337


FRAT Faclities Relative Allocation Technique Khalit, 73 1973 Mejora
FULKES Facility Layout Using Knowledge- Moon y McRoberts 1989
based Expert System (1989)
GASOL Graph and String Orientated Layout Hammouche y Webster 1985 Gráficos
GRASP Greedy Randomized Adaptive Search Resende y Pardalos 1996
Procedure
GTH Graph Theoretic Heuristic Kim y Kim, 95 1995
HAL Hieratical Aproach to the facility Tam y Li, 91 1991
Layout
HC63 Hillier, 63 1963 Mejora
HC63-66 Hillier y Connors, 66 1966 Mejora
HC66 Hillier y Connors, 66 1966 Construcción
HOPE Heuristic Operated Placement Kochhar et al. 1998 1998
Evolution
IFLAPS Kumara, 88 1988
INLAYT
KBML Heragu y Kusiak, 90 1990
LAMA Flores y Gómez, 03 2003
LAMAN LAyout MANager Foulds, 97 1997 Basados en
Conocimiento
y Gráficos
LayOPT Bozer, 94 1994
LaRLo Tavares et al., 2000 2000
LayGeRL Tavares et al., 2000 2000
LOGIC Layout Optimization with Guillotine Tam, 91 1991
Introduced Cuts
LSP Layout Simulation Program Zoller y Adendorff, 72 1972 Construcción
MAT Modular Allocation Technique Edwards et al. , 70 1970 Construcción
MCRAFT Micro CRAFT Hosi, Whitehouse y Atkins
MASL
MATCH Montreuil, 82 1982
MICROLAY Micro Layout Wascher y Chamoni, 87 1987 Hibrido
MIP Mixed Integer Programming

MOCRAFT
MSLP Method for the Multi-Story Layout KaKu, Thompson y 1988
Problem Baybars, 88
MULTI- Multi-Floor Heuristically Operated Kochhar et al. 1998 1998
HOPE Placement Evolution
MULTIPLE MULTI-floor Plant Layout Evaluation Bozer, Meller y 1994 Mejora
Erlebacher, 94
NCENT N-Center problem
PLANET Plant Layout ANalysis and Evaluation Apple y Deisenroth, 72 1972 Construcción
Technique
PLANR
PRAT
Pág. 305 de 337


PREP Plant Re-layout and Evaluation
Package
QAPL Lacksonen et. al., 93 1993
RMA Richard Muther and Associates
RMA1 Richard Muther and Associates Muther y McPherson, 70 1970 Construcción
ROOSI Flemming, 86 1986
SABLE Meller RD, Bozer YA. 1996
SAL Simulated Annealing Layout Tam, 92 1992
SAL Tam, 92 1992
SAMPLING
SDPIM Steepest Descent Pairwise
Interchange Method
SHAPE A Construction Algorithm for Area Hassan et. al., 86 1986 Construcción
Placement Evaluation
SPACECRAF Johnson, 82 1982
T
SPIRAL Goetschalckx, 92 1992
SPS Space Planning Practice Liggen y Milchell, 81 1981

STAGES Meller y Bozer, 97 1997
TSP Hitchings y Cottam, 76 1976 Mejora
Pág. 306 de 337

ANEXO E
ALGUNOS PROGRAMAS ESPECIFICOS PARA LA IMPLANTACION EN

PLANTA DE MULTIPLES INSTALACIONES
(Extraídos, entre otros, de Konz 2004)
CRAFT
CRAFT (Armour y Buffa, 1963), acrónimo inglés de Computerized Relative

Allocation of Facilities o lo que es lo mismo ‘Ubicación Relativa de Instalaciones’,
es un agoritmo de mejora y, a pesar de ser uno de los algoritmos más antiguos
publicados, resulta actualmente el de uso más generalizado y en consecuencia uno de
los que más se ha escrito y se escribe. El objetivo perseguido será reducir al mínimo
el coste de transporte.
Coste de transporte = (matriz desde-hacia) · (matriz de coste de

movimientos) · (matriz de distancias)
El programa calcula la matriz de distancia como las distancias rectangulares esde los
centroides de los distintos departamentos.
Como entrada se ecesitan una distribución inicial, una matriz desde-hacia y una
matriz de costes de movimiento que restringe el coste de manejar una carga
unitaria/unidad de distancia para cada par de departamentos. Por ejemplo, puede
costar 0.06 €/metro desplazarse entre el departamento A y el B, 0.1 €/metro entre A y
C, etc. Si no se dispone de estos costes (por desgracia estoes la más habitual),
entonces todos los costes de movimiento se pueden establecer con valores de 1.0 y el
criterio minimizado es carga-metro en lugar de euros. Los departamentos ficticios
(que tienen flujo cero y están fijos en un área specífica) se usan para: 1) representar
instalaciones fijas como escaleras, montacargas, ascensores, elevadores, sanitarios,
mueles, … 2) representan pasillos, y 3) corregir irregularidades del edificio (por
ejemplo, hacer que los edificios sean rectangulares).
Los supuestos incluyen: 1) no hay relaciones “negativas” (esto son

departamentos que se desean tener aparte), 2) todos los flujos empiezan y terminan en
Pág. 307 de 337

centroides de departamentos, y 3) todo el moimiento es rectangular. En matriz de

costes/unidad de distancia se supone que el equipo de manejo de materiales se
selecciona antes que la distribución, que se conocen los costes del movimiento, que
los costes de trasporte son indeendientes de la utilización del equipo y que los costes
del movimieno son linealmente proporcionales a la distancia recorrida. (Los
supuestos básicos de los costes de manejo de montacargas pueden noser importantes
respecto a los transportadores o el equipo de trayectoria guiada controlado por
odenador).
El procedimiento de cálculo que sigue el ordenador es:
1) Calcular la matriz de distancia (a partir de la distribución) entre centroides de

departamentos.
2) Calcular carga-metro para la distribución multiplicand la matriz de distancia por

la matriz desde-hacia.
3) Intentar redcir la carga-distancia intercambiando departamentos que tienen áres

iguales o límites comunes.
Si no se logra mejora alguna, el programa se detiene. Si se logra mejora, la

distribución mejorada se convierte en la nueva distribución de referencia del paso1 y
el ciclo se repite.
Para obtener mejores resultados, el programa se debe correr múltiples veces

usando diversas disribuciones iniciales y diversos valores desde-hacia; es decir, hacer
un análisis de sensibilidad.
Pág. 308 de 337

COFAD
COFAD (Tompkins y Reed, 1976), acrónimo inglés de COmputerized

FAcilities Desing o lo que es lo mismo ‘Diseño de Instalaciones Computerizadas’, es
un algoritmo de mejora y en realidad una versión mejorada de CRAFT, que permite
el cálculo más realista de los costos de manejo de materiales. El objetivo es obtener el
coste mínimo de manejo de materiales. Al igual que con CRAFT, la entrada es una
distribución inicial y una matriz desde-hacia. La matriz de costes de movimiento para
equipo alternativo de trayectoria fija (transportadores grúas, elevadores, montacargas,
…) y equipo alternativo de trayectoria ariable (vehículos, carros de distribución, …).
Por ejemplo se peden ubicar dos opciones alternativas de trayectoria variable (para
monacarga montacarga de plataforma).
CMTF = CFTF (CVTF)

Donde:
CMTF = coste de movimiento de tayectoria fija (€)
CFTF = coste fijo de tayectoria fija (€)
CVTF = coste variable de tayectoria fija (€/metro)
CMTV = CFTV (UEM) + CVTV (TIEMPOM)
Donde:
CMTV= coste de movimiento de tayectoria variable (€)
CFTV= coste fijo de tayectoria variable (€)
UEM= utilización del equipo para este movimiento (%)
CVTV = coste variable de tayectoria variable (€/h)
CVTA/(HOPA)
CVTA = coste variable total anual (fuerza de trabajo, antenimiento), (€/año)
HOPA= horas de operación por año (h/año)
TIEMPOM= tiempo de moimiento (carga/descarga, tiempo de viaje) (h/año)
alguna funcion de LM especificada por e uuario.
LM= longitud de desplazamiento (metro)
LM se calcula por mdeio de programa y los demas valores son entradas necesarias.
El procedimiento de cálculo es:
1) Mejorar la distribución inicial (usando un procedimiento similar al de CRAFT).
Pág. 309 de 337

2) Determinr el coste de manejo de materiales, suponiendo el uso completo del

equipo.
3) Tratar de mejorar la utilización del equipo.
4) Si no hay mejora, modificar la distribución y proseguir con el paso 2.
El bucle se interrumpe cuando la distribución y el sistema de manejo no se mejorar

más.
Igual que con CRAFT, los mejores resultado se obtiene con múltiples
ejecuciones el programa usando diversas distribuciones iniciales, valores desde-hacia
y costo de movimiento.
Pág. 310 de 337

CORELAP
CORELAP (Lee y Moore, 1967), acrónimo inglés de COmputerized

RElationsip LAyout Planning o lo que es lo mismo ‘Planificación Computerizada de
Distribución por Relaciones’, es un algorito de construcción que viene a resultar en el
fondo una versión computerizada del SLP (Systematic Layout Planning o
Planificación de Distribución Sistemática) de Richard Muther (Muther 1955). El
objetivo es lograr una distribución on departamentos de “alto rango” cercanos entre
sí. Es decir, el criterio no es el único de coste mínimo de manejo de materiales, sino la
optimización de múltiples criterios del diagrama de relaciones. Las entradas son las
áreas del departamento y el diagrama de relación.
En realidad las tablas de departamentos (funciones) y las áreas son entradas

necesarias para todos los programas.
Código de Areas
Funciones
Departamento (m2)
A Recepción 1200
B Fresado 800
C Prensa 600
D Maq. Atornilladora 1200
E Ensamble 800
F Galvanizado 1200
G Embarque 1200
Los Diagramas de Relaciones son entradas necesarias para CORELAP (y para

ALDEP). Las letras indican la importancia de la proximidad y el número la razón de
la calificación. Richard Muther usa:
Clasificación Estimación Valor

A Absolutamente necesario 243
E Esencial 8
I Importante 27
O Ordinario 9
U No importane 3
X Mantener Aparte -729
Los números indican el criterio, por ejemplo: 1= Costo de manejo de materiales, 2=

ruido, 3= Facilidad de supervisión, 4= Normativa, etc.
Pág. 311 de 337

Areas
Funciones
(m2)
A B C D E F G
Recepción Fresado Prensa Atornilladora Ensamble Galvanizado Embarque
A Recepción 1200 -
B Fresado 800 E/1 -
C Prensa 600 O U -
D Maq. 1200
Atornilladora I/2 E/1 U -
E Ensamble 800 O I/1 U I/1 -
F Galvanizado 1200 U U/1 O U A/3 -
G Embarque 1200 U U U U I/1 I/1 -
El problema más común que mencionan los usuarios de rutinas de distribución

computerizadas es la falta de datos, por lo tanto, las aproximaciones usadas
endiagramas de relaciones pueden sr más apropiadas que el enfoque de costo exacto
de COFAD.
Este algoritm permite la asignación previa de departamentos a muros y

esquinas exteriores, elimnando así absurdos tales cmo los muelles de embarque que el
centro de la planta. Las relaciones de proximidad se traducen en numeros (A= 243,
E= 81, I= 27, O= 9, U= 3 y X= -729). Por tanto, CORELAP permite la cercania
indeseable, pero le asigna un valor dominante de -729.
El procedimiento de cálculo consiste en:
1) Situar los departamentos con la clasificación de cercanía total más alta (suma de
clasificaciones con los otros departamentos) en el centro ed la distribución.
2) Sumar departamentos con los mayores valores de relación primer, luego, los
valores más bajos Esto se hace para maximizar la clasificació de cercania total.
Se continúa hasta sumar todos los departamentos.
Pág. 312 de 337

ALDEP
ALDEP (Seehof y Evans, 1968), acrónimo inglés de Automated Layout

DEsign Program o lo que es lo mismo ‘Programa de Diseño de Distribución
Automatizada’, es una rutina de construcción, tiene las mismas necesidades de datos
de entrada que CORELAP (con una excepción), per no tine una diferencia concetual.
El concepto de ALDEP es que los proyectistas “caen en un bache” y, por

tanto, se necesitn nuevas alternativas de las cuales se pedan obtener ideas y hacer una
distribución final. Por lo tanto, ALDEP añade departamentos aleatoriamente en la
distribución. Como la entrada de departamentos es aleatoria, una segunda ejecución
del programa dará diferentes respuestas que la primera. Hace una evaluación
preliminar basada en las letras de proximidad para ayudar a las personas. Los
departamentos (muelles, elevadores, pasillos) pueden estar fijos. Todos los
departamentos son cuadrados o rectangulares, por tanto, se reducen al mínimo las
distribuciones de forma rara.
El procedimiento de cálculo es:
1) Seleccionar aleatoriamente un departamento y un ugar en la esquina suerior

izquierda de la distribución.
2) Sumar un departamento con una relación importante con el primer departamento.
Si no existe tal departamento, se añade un departamento sin importancia. Se continúa

hasta sumar todos los departamentos.
Pág. 313 de 337

PLANET
PLANET (Apple y Deisenroth, 1972), acrónimo inglés de Plant Layout

ANalysis and Evaluation Technique o lo que es lo mismo ‘Técnica de Evaluación y
Análisis de Distribución de Planta’, es un algoritmo de construcción pero que da al
proyectista algunas elecciones.
Necesita la entrada usual de departamentos y áreas, pero permite que la proximidad

sea determinada por
a) una matriz desde-hacia (con valores de penalizacion desde -9 a 99),

b) una matriz desde-hacia con costo de movimiento/mes, o
c) datos que permitan calcular los costes de transportes/mes (lista de partes,
frecuencia mensual de movimientos/parte, secuencia de departamentos
para cada parte, y coste de movimiento/metro).
No importa cual de los tres elija el proyectista, PLANET lo traduce a una ‘Matriz
Desde-Hacia’ normalizada.
El programa tiene como objetivo el reducir al mínimo el coste de manejo de

materiales, el producto de (matriz desde-hacia) * (matriz de distancias recorridas).
Todos los movimientos son rectangulares desde el centroide del departamento.
Se supone que el coste de movimiento es directamente lineal con la longitud del

movimiento e independiente del aprovechamiento del equipo.
La entrada necesita que el usuario seleccione la prioridad de enrada de departaentos.

Los dos primeros departamentos de esta lista se colocan en el centro de la
distribución.
Los siguientes departamentos se van agregando considerando el coste de manejo de

material y las prioridades de los departamentos hasta que se agreguen todos.
Pág. 314 de 337

ANEXO F
RESTRICCIONES PARA LAS INSTALACIONES.
Tipo de Distribución: - Por Proceso

- Por Producto
- Por Células de fabricación.
- Por posición fija
Factores decisión: - Cualitativos

- Cuantitativos
Obstáculos: - Columnas, sumideros, …

- Instalaciones fijas ya ubicadas.
- Zonas de reserva o restringidas.
- Necesidades de sistemas de seguridad.
Centralización: - Horizontal
- Vertical
- Mixta
Situación: - Fija.
- Movil (no fija).
- Restringida (solo en una zona).
- Exterior (debe estar tocando el perímetro exterior).
- Interior (no debe tocar el perímetro exterior).
- Libre.
- Altura (nivel).
Divisible: - No (una única instalación en una ubicación).

- Si (se puede dividir en varias subinstalaciones en varias
ubicaciones cuya suma equivalga a la total).
Orientación: - Fija.
- Restringida.
- Variable (Libre).
Tamaño: - Fijo.
- Variable.
- Limitado (Max-Min).
Forma: - Conocida / No conocida.

- Fija / Variable.
- Libre.
- Rectangular.
- Poliédrica Ortogonal o Discreto.
- Continua / Discreta.
Limites: - Con pared.

- Sin pared (acotado pero no cerrado).
- Puertas / Pasos. (E/S)
Pág. 315 de 337

Referencia Entrada: - Salidas y Entradas Compartidas (E=S).

- Entadas =/= Salidas (E><S).
- Centro.
- Punto Fijo.
- Todo Contorno.
- Solo una zona.
- Zona Vado (Zona de paso restringido).
Obstáculos (para zonas restringidas):

- 2D (tapas registro, pasos, etc). Accesibles y transitables.
- 3D (columnas, instalaciones fijas). No transitables.
- Elevados.
- Transitables / No transitables.
- Accesibles / No accesibles.
Contornos: - Contorno Exterior/Interior.

- Contorno Real /Contorno evolucionado.
- Contorno con influencias.
Zona de influencia: - Periferia y contorno.
Distancias: - Una única métrica.

- Ajuste con tipos de distancias hibridas.
Costes de instalación: - Coste de transporte.

- Cote de implantación de nueva instalación.
- Coste de trasladar la instalación (desmontar y volver a montar en
otra ubicación).
Pasillos - Anchura mínima.

Prioridades - Proximidades (Matriz).
Otros factores: - Impacto ambiental.

- Mantenimiento de las instalaciones.
- Seguridad.
- Posibilidades de Cambio o Modificación:
o Crecimiento (Tamaño),
o Modificación (Forma),
o Reorientación (Orientación),
o Reubicación (Situación),
o Cambio de condiciones (Reformulación) …
Pág. 316 de 337

ANEXO G
CUADRO DE AREAS Y RAZON DE FORMA PARA 30 INSTALACIONES
Instalación Área Razón de Forma

limite inf. limite sup.
1 100 0,70 1,00
2 80 1,00 1,00
3 50 0,70 1,30
4 60 0,50 0,80
5 120 0,90 1,00
6 40 0,60 1,00
7 20 0,70 1,40
8 40 1,00 1,00
9 150 0,80 1,10
10 120 0,50 1,50
11 50 0,70 1,10
12 10 0,80 1,20
13 20 0,95 1,50
14 30 0,75 1,25
15 50 0,90 1,10
16 20 0,80 1,50
17 40 0,40 1,40
18 20 0,90 1,90
19 80 1,00 1,00
20 100 0,95 1,15
21 40 0,50 1,50
22 50 1,00 1,10
23 80 0,60 1,00
24 10 0,90 1,00
25 40 0,80 1,10
26 10 0,50 1,20
27 40 0,80 1,00
28 10 0,50 1,30
29 80 0,90 1,05
30 40 0,90 1,10
Fuente: Cuadro extraído del articulo de Tam (1992).
Pág. 317 de 337

ANEXO H
CUADROS DE LOS FLUJOS

(Extraídos del articulo de Nugent et al., 1968)
n=12
1 2 3 4 5 6 7 8 9 10 11 12
1 0
2 5 0
3 2 3 0
4 4 0 0 0
5 1 2 0 5 0
6 0 2 0 2 10 0
7 0 2 0 2 0 5 0
8 6 0 5 10 0 1 10 0
9 2 4 5 0 0 1 5 0 0
10 1 5 2 0 5 5 2 0 0 0
11 1 0 2 5 1 4 3 5 10 5 0
12 1 0 2 5 1 0 3 0 10 0 2 0
n=15
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 0
2 10 0
3 0 1 0
4 5 3 10 0
5 1 2 2 1 0
6 0 2 0 1 3 0
7 1 2 2 5 5 2 0
8 2 3 5 0 5 2 6 0
9 2 2 4 0 5 1 0 5 0
10 2 0 5 2 1 5 1 2 0 0
11 2 2 2 1 0 0 5 10 10 0 0
12 0 0 2 0 3 0 5 0 5 4 5 0
13 4 10 5 2 0 2 5 5 10 0 0 3 0
14 0 5 5 5 5 5 1 0 0 0 5 3 10 0
15 0 0 5 0 5 10 0 0 2 5 0 0 2 4 0
Pág. 318 de 337

n=20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 0
2 0 0
3 5 3 0
4 0 10 2 0
5 5 5 0 1 0
6 2 1 5 0 5 0
7 10 5 2 5 6 5 0
8 3 1 4 2 5 2 0 0
9 1 2 4 1 2 1 0 1 0
10 5 4 5 0 5 6 0 1 2 0
11 5 2 0 10 2 0 5 10 0 5 0
12 5 5 0 2 0 0 10 10 3 5 5 0
13 0 0 0 2 5 10 2 2 5 0 2 2 0
14 0 10 5 0 1 0 2 0 5 5 5 10 2 0
15 5 10 1 2 1 2 5 10 0 1 1 5 2 5 0
16 4 3 0 1 1 0 1 2 5 0 10 0 1 5 3 0
17 4 0 0 5 5 1 2 5 0 0 0 1 0 1 0 0 0
18 0 5 5 2 2 0 1 2 0 5 2 1 0 5 5 0 5 0
19 0 10 0 5 5 1 0 2 0 5 2 2 0 5 10 2 2 1 0
20 1 5 0 5 1 5 10 10 2 2 5 5 5 0 10 0 0 1 6 0
n=30
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
1 0
2 3 0
3 2 4 0
4 0 0 3 0
5 0 10 4 0 0
6 2 4 0 0 5 0
7 10 0 5 0 2 1 0
8 5 0 5 2 0 2 10 0
9 0 2 5 2 0 2 10 1 0
10 5 2 1 0 0 1 5 3 10 0
11 2 1 4 6 0 4 10 5 2 5 0
12 5 0 1 0 2 10 10 0 1 5 0 0
13 0 5 0 2 0 10 6 0 5 6 0 5 0
14 0 0 4 5 0 2 0 0 2 0 1 5 2 0
15 2 0 0 2 0 5 0 2 0 1 2 2 0 2 0
16 0 0 4 5 0 5 10 4 3 5 1 0 4 1 4 0
17 5 0 0 1 2 0 2 5 0 5 0 0 2 0 5 0 0
18 6 2 6 1 1 5 1 2 2 0 2 0 2 5 1 3 2 0
19 3 0 3 1 0 0 10 10 0 5 0 0 1 3 0 0 2 5 0
20 0 1 2 1 0 0 1 6 0 2 0 2 0 10 1 2 0 1 0 0
21 1 6 5 2 2 0 5 0 4 3 0 0 6 0 0 2 0 2 5 5 0
22 10 1 5 2 0 10 5 5 0 5 6 4 2 0 5 0 0 10 5 2 4 0
23 0 0 2 4 5 0 2 5 5 0 6 5 1 4 0 2 6 10 1 1 0 5 0
24 10 1 1 0 1 0 3 2 2 5 0 10 5 2 2 0 5 4 0 3 1 0 0 0
25 2 2 0 2 0 0 5 5 0 2 4 1 5 0 0 5 3 0 5 1 0 4 4 5 0
26 1 2 0 0 2 4 0 0 5 10 5 0 0 0 0 0 5 0 2 5 0 4 4 5 1 0
27 1 5 3 2 1 0 2 5 2 10 3 0 0 4 5 5 0 5 1 6 0 5 1 0 0 0 0
28 1 1 1 2 0 10 0 5 2 1 2 0 1 2 1 2 0 0 2 5 5 0 0 1 10 0 0 0
29 0 10 0 5 2 1 1 0 5 5 2 0 5 5 1 5 5 0 10 5 0 2 2 0 1 0 0 2 0
30 1 5 2 5 1 1 3 2 2 2 10 1 5 5 0 10 1 0 10 3 0 5 2 0 0 0 10 2 2 0
Pág. 319 de 337

ANEXO I
LISTADOS DE PROGRAMAS DE APLICACIONES PROGRAMADAS
Se presenta en este apartado un listado de la aplicación CAD_EXCEL,

desarrollada en VisualLisp para ser operativa en AutoCAD (en cualquier versión
idiomática desde el autoca 2000), que contiene algunas de las funciones
implementadas y que permite enlazar el AutoCAD con el MS-EXCE, lo que permitirá
intercambiar datos entre estos dos entornos de trabajo.
; ----------------------------------------------------------------------
; ACAD_EXCEL.LSP V4.0 (C) TRONCOSOFT-VIGO 2015
; Funciones de Intercambio de datos entre ACAD y celdas de EXCEL
; Para manejar EXCEL (libros, hojas y celdas) directamente desde ACAD.
; ----------------------------------------------------------------------
; Hay que inicialmente enlazar ACAD y EXCEL.
; Despues trabajamos sobre un libro y una hoja de excel activos
; (que podemos modificar a nuestro antojo).
; -----------------------------------------------------------------
; Variables Globales:
; - apl-excel : aplicacion EXCEL.
; - coleccion-libros : coleccion de libros abiertos en Excel.
; - mi-libro : libro actual de Excel enlazado con ACAD.
; - coleccion-hojas : coleccion de hojas del libro actual.
; - mi-hoja : hoja de calculo actual enlazado con ACAD.
; - celdas-excel : conjunto de celdas de la hoja actual enlazada con ACAD.
; -----------------------------------------------------------------
; Comandos creados:
; - conecta-excel : hace conexion de ACAD con libro de Excel.
; - desconecta-excel: hace desconexion general de ACAD con Excel.
; - dato->celda : envia dato de ACAD a celda de Excel.
; - celda->dato : envia dato de celda de Excel a ACAD.
; - libro-activo : devuelve el libro activo.
; - hoja-activa : devuelve la hoja activa.
; - activar-libro : activa el libro que se da.
; - activar-hoja : activa la hoja que se da.
; - cierra-libro : cierra el libro que se da.
Pág. 320 de 337

; - borra-hoja : elimina la hoja que se da.

; - inserta-hoja : inserta hoja en el libro.
; - num-libros : devuelve el numero de libros abiertos.
; - num-hojas : devuelve el numero de hojas en un libro.
; - borra-libro : cierra libro de Excel.
; - ver-name-libro : para ver el nombre del libro de Excel.
; - ver-name-hoja : para ver el nombre de una hoja del libro de Excel.
; - ver-name-libro-actual: para ver el nombre del libro actual de Excel.
; - ver-name-hoja-actual : para ver el nombre de la hoja actual de Excel.
; - rename-hoja : renombra hoja del libro.
; - rename-libro : renombra libro.
; - visible-excel : pone visible EXCEL.
; - oculta-excel : pone invisible EXCEL.
; - lista-libros : da una lista con nombres de los libros de EXCEL abiertos.
; - lista-hojas-libro : nos da lista con nombres de las hojas de un libro abierto.
; - ver-numero-libro: nos da el numero correspondiente al libro.
; - ver-numero-hoja : nos da el numero correspondiente a la hoja en el libro.
; - run-macro : ejecuta una macro de Excel.
; ------------------------------------------------------------------------
; Comandos por hacer (parecen interesantes):
; - macro-excel : ejecuta una macro de Excel desde ACAD.
; ------------------------------------------------------------------------
; Se dan funciones para controlar el Libro y la Hoja activa (de windows)
; aunque las funciones de lectura y escritura dan el libro la hoja a
; la hora de trabajar los datos (ademas de la fila y la columna para determinar la celda de trabajo).
; ------------------------------------------------------------------------
; Ideas iniciales sacadas parcialmente del libro de Reinaldo Togores:
; Programacion en AutoCAD con Visual LISP de McGraw-Hill
; ------------------------------------------------------------------------
; Las ordenes estan definidas inicialmente para ser usadas tanto en modo usuario
; como en modo programa.
; Se han mejorado algunas ordenes para que a la hora de referirse a una
; hoja o un libro de EXCEL sepueda hacer tanto por numero como por nombre.
; Aun quedan muchas cosas por hacer ... que pueden resultar interesantes ...
; ------------------------------------------------------------------------
(vl-load-com) ; carga funciones de Vlisp, por si no estan cargadas aun.
; ---------------------------------------------------------------
; Conexion con la Hoja de Calculo EXCEL
; ---------------------------------------------------------------
(defun conecta-excel (/ libro hoja)
(setq hoja 1)
Pág. 321 de 337

(setq apl-excel (vlax-get-or-create-object ; Aplicacion EXCEL

"excel.application")
coleccion-libros (vlax-get-property ; Conj. Libros de EXCEL
apl-excel "workbooks"))
(initget "Nuevo Existente")
(setq libro (getkword "Libro a abrir (Nuevo / Existente) <Nuevo>: "))
(if (or (= libro nil)(= libro "")) (setq libro "Nuevo"))
(if (= libro "Nuevo")
(setq mi-libro (vlax-invoke-method ; Añade nuevo libro
coleccion-libros "add"))
(progn
(setq mi-file (getfiled "Fichero de datos:" "c:/" "xls" 0))
(setq mi-libro (vlax-invoke-method ; Abre libro existente
coleccion-libros "Open"
;"Filename:= \"C:\\pp.xls\""))
; "C:\\pp.xls"))
mi-file))
) ; progn
) ; if
(setq coleccion-hojas (vlax-get-property ; Conj. Hojas del libro de EXCEL
mi-libro "sheets")
mi-hoja (vlax-get-property ; Hoja seleccionada
coleccion-hojas "item" hoja)
celdas-excel (vlax-get-property mi-hoja "cells")) ; Celdas de la hoja
;seleccionada
(vla-put-visible apl-excel :vlax-true) ; pone visible Excel
) ; defun
; ---------------------------------------------------------------
; Ejecuta Macro EXCEL
; ---------------------------------------------------------------
; Datos de entrada:
; - Libro_M = libro en el que esta definida la macro
; - Mi_Macro = nombre de la Macro de EXCEL a ajecutar
; - Libro_A = libro en el que se desea ejecutar la macro
; - Hoja_A = haja del libro en el que se desea ejecutar la macro
; HACER:
; - Verificar que existen Libros, Hoja y Macro.
; ---------------------------------------------------------------
(setq libro1 "Libro2") ; libro de la macro
(setq macro "Macro1") ; macro
(setq libro2 "Libro1") ; libro actuar
Pág. 322 de 337

(setq hoja1 "Hoja4") ; hoja

; ---------------------------------------------------------------
(defun ejecuta-macro-excel (libro_M mi_macro Libro_A Hoja_A / mi-old-libro
mi-old-hoja old-libro old-hoja mi-libro-A mi-libro-M llamada )
(setq coleccion-libros (vlax-get-property apl-excel "workbooks"))
; Conj. Libros de EXCEL
(setq old-libro (vlax-get-property apl-excel "ActiveWorkbook"))
(setq mi-old-libro (vlax-get-property old-libro "name"))
; Nombre Libro actual
(setq old-hoja (vlax-get-property mi-libro "ActiveSheet"))
(setq mi-old-hoja (vlax-get-property old-hoja "name"))
; Nombre Hoja actual
; Activo el libro con la macro para ver si se ha modificado
(if (= (type libro_M) (type "H")) ; STR:libro es un nombre y hallamos su numero
(setq libro_M (ver-num-libro libro_M))
) ; if
(vlax-invoke-method (vlax-get-property coleccion-libros "item" libro_M) "Activate")
(setq mi-libro-M (vlax-get-property apl-excel "ActiveWorkbook"))
(setq cambios (vlax-get-property mi-libro-M "saved")) ; veo si hay cambios
; Activo Libro
(if (= (type libro_A) (type "H")) ; STR: libro es un nombre y hallamos su numero
(setq libro_A (ver-num-libro libro_A))
) ; if
(vlax-invoke-method (vlax-get-property coleccion-libros "item" libro_A) "Activate")
; Activo Hoja del Libro
(setq mi-libro-A (vlax-get-property apl-excel "ActiveWorkbook"))
(setq coleccion-hojas (vlax-get-property mi-libro-A "sheets")) ;Conj.Hojas del libro de EXCEL
(vlax-invoke-method (vlax-get-property coleccion-hojas "item" hoja_A) "Activate")
(setq libro_MM (ver-name-libro libro_M))
; Ejecuto Macro
(if (= :vlax-false cambios)
(setq llamada (strcat libro_MM "!" mi_macro))
(setq llamada (strcat libro_MM ".xls!" mi_macro))
); if
(vlax-invoke-method apl-excel "Run" llamada) ; Ejecuto MACRO
; RECUPERO Libro y Hoja Antiguos
(vlax-invoke-method (vlax-get-property coleccion-libros
"item" (ver-num-libro mi-old-libro)) "Activate")
(setq mi-libro-A (vlax-get-property apl-excel
"ActiveWorkbook")) ; libro activo
(setq coleccion-hojas (vlax-get-property mi-libro-A
Pág. 323 de 337

"sheets")) ; Conj. Hojas del libro de EXCEL

(vlax-invoke-method (vlax-get-property coleccion-hojas
"item" (ver-num-hoja mi-old-libro mi-old-hoja)) "Activate")
(print "Macro ejecutada") (print)
) ; defun
;(ejecuta-macro-excel libro1 macro libro2 hoja1)
; ---------------------------------------------------------------
; Pone visile EXCEL
; ---------------------------------------------------------------
(defun visible-excel ( / )
(vla-put-visible apl-excel :vlax-true) ; pone visible Excel
) ; defun
; ---------------------------------------------------------------
; Pone invisile (oculta) EXCEL
; ---------------------------------------------------------------
(defun oculta-excel ( / )
(vla-put-visible apl-excel :vlax-false) ; pone invisible Excel
) ; defun
; ----------------------------------------------------------------------------
; Hoja Activa
; Devuelve una lista con dos datos: Libro activo + Hoja activa de ese libro.
; OJO: No tiene por que coincidir con la Hoja enlazada inicialmente con ACAD.
; ----------------------------------------------------------------------------
(defun hoja-activa ( / )
(setq mi-libro (vlax-get-property apl-excel "ActiveWorkbook"))
(setq el-libro (vlax-get-property mi-libro "name"))
(setq mi-hoja (vlax-get-property mi-libro "ActiveSheet"))
(setq la-hoja (vlax-get-property mi-hoja "name"))
(list el-libro la-hoja)
); defun
; -----------------------------------------------------------------------------
; Devuelve el Libro Activo.
; OJO: No tiene por que coincidir con el Libro enlazado inicialmente con ACAD.
; -----------------------------------------------------------------------------
(defun libro-activo ( / )
); defun
; ---------------------------------------------------------------
; Activar Celda en la hoja actual
Pág. 324 de 337

; Datos de entrada:
; - Hoja
; - Fila y columna
; Dato salida: valor si tiene
; NO VA: no consigo activar ni sber cual es la celda activa.
; ---------------------------------------------------------------
(defun activar-celda ( libro hoja fila columna / coleccion-libros mi-libro
coleccion-hojas mi-hoja celdas-excel valor la-hoja)
(if (= (type libro) (type "H")) ; STR: libro es un nombre y hallamos su numero
(setq libro (ver-num-libro libro))
) ; if
(if (= (type hoja) (type "H")) ; STR: hoja es un nombre y hallamos su numero
(setq hoja (ver-name-hoja libro hoja))
) ; if

(setq mi-libro (vlax-get-property coleccion-libros "item" libro ))
(setq coleccion-hojas (vlax-get-property mi-libro "sheets"))
(setq mi-hoja (vlax-get-property coleccion-hojas "item" hoja))
(setq celdas-excel (vlax-get-property mi-hoja "cells"))
(setq valor
(vlax-variant-value
(vlax-make-variant (vlax-get-property celdas-excel "item"
fila columna) vlax-vbString)
) ; vlax-variant
) ; setq
(setq la-celda (vlax-get-property celdas-excel "item" fila columna))
(vlax-invoke-method la-celda "Activate") ; aqui es donde falla
valor
); defun
; ---------------------------------------------------------------
; Activar Hoja en el Libro activo actual
; Datos de entrada:
; - Hoja : numero de hoja a activar.
; Dato salida: nil
; ---------------------------------------------------------------
(defun activar-hoja ( hoja / la-hoja)
mi-libro "sheets"))
(setq la-hoja (vlax-get-property coleccion-hojas "item" hoja))
Pág. 325 de 337

(vlax-invoke-method la-hoja "Activate") (print)

); defun
; ---------------------------------------------------------------
; Activar Libro
; Datos de entrada:
; - Libro : numero o nombre de libro a activar.
; Dato salida: nil
; NO VA: parece que si activa el libro que decimos
; (pero al hacer algo lo hace en el anterior)
; ---------------------------------------------------------------
(defun activar-libro ( libro / )
) ; if
(vlax-invoke-method mi-libro "Activate") (print)
); defun
; ---------------------------------------------------------------
; Desconexion con la Hoja de Calculo EXCEL
; Muy importante hacerlo para no dejar colgado el ordenata.
; ---------------------------------------------------------------
(defun desconecta-excel ()
(vlax-release-object celdas-excel)
(vlax-release-object mi-hoja)
(vlax-release-object coleccion-hojas)
(vlax-release-object mi-libro)
(vlax-release-object coleccion-libros)
(vlax-release-object apl-excel)
(vlax-release-object apl-excel)
(gc)
) ; defun
; ---------------------------------------------------------------
; Funcion de control de errores.
; ---------------------------------------------------------------
(defun apl-err (msg)
(desconecta-excel)
(prompt msg)
); defun
; ---------------------------------------------------------------
; Envia un valor a una celda de la hoja de calculo.
; Datos de entrada:
Pág. 326 de 337

; - Valor : dato a introducir en celda.

; - Libro : Libro de Excel (numero o nombre).
; - Hoja : Numero o nombre de Hoja del libro.
; - Fila : Fila de la hoja (entero).
; - Col : Columna de la hoja (entero).
; Dato salida: nil
; ---------------------------------------------------------------
(defun dato->celda (valor libro hoja fila col / mi-libro mi-hoja celdas-excel)
) ; if
) ; if

(vlax-put-property
celdas-excel
"item"
fila col
(vl-princ-to-string valor)
) ; vlax
); defun
; ---------------------------------------------------------------------
; Recupera un valor a una celda de la hoja de calculo. Trae cadenas.
; Datos de entrada:
; - Libro : Libro de Excel (numero o nombre).
; - Hoja : Numero o nombre de Hoja del libro.
; - Fila : Fila de la hoja (entero)
; - Col : Columna de la hoja (entero).
; Dato salida: valor de la celda.
; ---------------------------------------------------------------------
(defun celda->dato (libro hoja fila col / valor)
) ; if
Pág. 327 de 337


) ; if
(setq valor
(vlax-variant-value
(vlax-make-variant
(vlax-get-property
celdas-excel
"item"
fila col
) ; vlax-get
vlax-vbString) ; vlax-make
);vlax-variant
); setq
valor
); defun
; ---------------------------------------------------------------
; Cierra libro de Excel tras guardarlo (para no perder cambios).
; Datos de entrada:
; - Libro : numero o nombre Libro de Excel.
; - Nombre: nombre con el que guardar.
; Dato salida: nil
; ---------------------------------------------------------------
(defun cierra-libro ( libro / mi-libro cambios)
) ; if
(setq nombre "paraver.xls")
(setq mi-libro (vlax-get-property coleccion-libros "item" libro))
; veo si hay cambios en el libro de Excel
(setq cambios (vlax-get-property mi-libro "saved"))
; :vlax-false hay cambios no guardados
; :vlax-true no hay cambios no guardados
;(vlax-variant-value
; (vlax-make-variant
; cambios
; vlax-vbstring))
Pág. 328 de 337

(if (= :vlax-false cambios)

; (vlax-invoke-method mi-libro "save") ; guarda Libro de hoja de calculo
(vlax-invoke-method mi-libro "saveas" nombre) ; guarda Libro de hoja de calculo
); if
(vlax-invoke-method mi-libro "close" ) ; cierra Libro
(print)
) ; defun
; ---------------------------------------------------------------
; Prepara los textos con valores numercos para excel
; Sustituye puntos por comas
; ---------------------------------------------------------------
(defun prepara_texto_e ( texto_e / )
(vl-string-subst "," "." texto_e)
) ; defun
; ---------------------------------------------------------------
; Prepara los textos con valores numeros para ACAD
; Sustituye comas por puntos
; ---------------------------------------------------------------
(defun prepara_texto_a ( texto_a / )
(vl-string-subst "." "," texto_a)
) ; defun
; ---------------------------------------------------------------
; Borra hoja de libro de excel
; OJO si la hoja ha sido modificada EXCEL pregunta si desea borrar y perder datos.
; HAY QUE DEPURARLA VERIFICANDO LOS CAMBIOS.
; Datos de entrada:
; - Libro : numero o nombre de Libro de Excel.
; - Hoja : Nombre de Hoja del libro.
; Dato salida: nil
; ---------------------------------------------------------------
(defun borra-hoja ( libro hoja / mi-libro la-hoja )
) ; if
(if (= (type hoja) (type 1)) ;INT: num_hoja es un nombre y hallamos su numero
) ; if
(setq la-hoja (vlax-get-property coleccion-hojas "item" hoja))
(vlax-invoke-method la-hoja "delete")
Pág. 329 de 337

(print)
) ; defun
; --------------------------------------------------------------
; Añade/Inserta una nueva hoja en el libro de Excel actual.
; Datos de entrada:
; - Libro : Libro de Excel (nombre o numero).
; Dato salida: nil
; ---------------------------------------------------------------
(defun inserta-hoja ( libro / mi-libro mi-hoja )
) ; if
(vlax-invoke-method coleccion-hojas "add" )
(print)
) ; defun
; ---------------------------------------------------------------
; Numero de Libros abiertos en Excel.
; ---------------------------------------------------------------
(defun num-libros ( / )
(vlax-get-property coleccion-libros "count" )
) ; defun
; ---------------------------------------------------------------
; Numero de de Hojas en libro actual.
; Datos entrada: numero o nombre de libro.
; ---------------------------------------------------------------
(defun num-hojas ( libro / coleccion-libros mi-libro coleccion-hojas)
) ; if
(vlax-get-property coleccion-hojas "count" )
) ; defun
; ------------------------------------------------------------------------
; Para ver el Nombre de un Libro de Excel.
; Dato entrada : numero de libro
; ------------------------------------------------------------------------
Pág. 330 de 337

(defun ver-name-libro ( libro / mi-libro el-libro )

el-libro
) ; defun
; ------------------------------------------------------------------------
; Para ver el Nombre del Libro enlazado con ACAD actualmente.
; ------------------------------------------------------------------------
(defun ver-name-libro-actual ( / el-libro )
el-libro
) ; defun
; ------------------------------------------------------------------------
; Para ver el Nombre de una Hoja de un Libro abierto.
; Datos entrada:
; - numero o nombre del libro
; - numero de hoja
; ------------------------------------------------------------------------
(defun ver-name-hoja ( libro num_hoja / coleccion-hojas mi-hoja la-hoja)
) ; if
mi-libro "sheets"))
(setq mi-hoja (vlax-get-property ; Hoja seleccionada
coleccion-hojas "item" num_hoja))
la-hoja
) ; defun
; ------------------------------------------------------------------------
; Para ver el Nombre del Libro o de la Hoja enlazada con ACAD actualmente.
; ------------------------------------------------------------------------
(defun ver-name-hoja-actual ( / la-hoja )
la-hoja
) ; defun
; ------------------------------------------------------------------------
; Para renombrar una Hoja.
; Datos entrada:
; - numero o nombre de libro
Pág. 331 de 337

; - numero o nombre de hoja

; - nombre nuevo para hoja
; ------------------------------------------------------------------------
(defun rename-hoja (libro num_hoja nombre / mi-libro mi-hoja la-hoja)
(if (= (type libro) (type "H")) ; STR: libro es numero y hallamos su nombre
) ; if
(if (= (type num_hoja) (type "H")) ;STR: num_hoja es nombre y hallamos su numero
(setq num_hoja (ver-num-hoja libro num_hoja))
) ; if

mi-libro "sheets"))
(setq mi-hoja (vlax-get-property ; Hoja seleccionada
coleccion-hojas "item" num_hoja))
(setq la-hoja (vlax-put-property mi-hoja "name" nombre))
) ; defun
; ------------------------------------------------------------------------
; Para renombrar un Libro.
; Datos entrada:
; - numero de libro
; - numero de hoja
; - nombre nuevo para hoja
; ------------------------------------------------------------------------
(defun rename-libro (libro nombre / mi-libro)
(setq el-libro (vlax-put-property mi-libro "name" nombre))
) ; defun
; ------------------------------------------------------------------------
; Renombra Libro de Excel.
; NO VA BIEN ver propiedades .....
; Dato entrada : numero de libro y nombre para el mismo.
; ------------------------------------------------------------------------
;(defun rename-libro (libro name / mi-libro )
; (setq mi-libro (vlax-get-property coleccion-libros "item" libro))
; (vlax-invoke-method mi-libro "exchange" "name" name)
;) ; defun
; ---------------------------------------------------------------
; ------------------------------------------------------------------------
; Lista de libros abiertos actualmente en EXCEL.
Pág. 332 de 337

; ------------------------------------------------------------------------
(defun lista-libros ( / num_libros contador name_libro lista_libros)
(setq num_libros (num-libros))
(setq lista_libros nil)
(setq contador 1)
(repeat num_libros
(setq name_libro (ver-name-libro contador))
(setq lista_libros (cons name_libro lista_libros))
(setq contador (1+ contador))
) ; repeat
(reverse lista_libros)
) ; defun
; ------------------------------------------------------------------------
; Lista de Hojas de un Libro abierto en EXCEL.
; Datos entrada: - numero o nombre de libro
; ------------------------------------------------------------------------
(defun lista-hojas-libro (libro / name_libro num_hojas lista-hojas contador name_hoja)
(if (= (type libro) (type "H")) ; STR: libro es un numero y hallamos su nombre
(setq libro (ver-name-libro libro))
) ; if
(setq name_libro (ver-name-libro libro))
(setq num_hojas (num-hojas libro))
(setq lista-hojas nil)
(setq contador 1)
(repeat num_hojas
(setq name_hoja (ver-name-hoja (ver-name-libro libro) contador))
(setq lista-hojas (cons name_hoja lista-hojas))
(setq contador (1+ contador))
) ; repeat
(setq lista-hojas (reverse lista-hojas))
(setq lista-hojas (cons name_libro (list lista-hojas)))
) ; defun
; --------------------------------------------------------------------------------
; Ver numero correspondiente a un Libro de EXCEL (dado por su nombre).
; Datos entrada: - nombre de libro
; OJO: esta orden es sensible a las mayusculas por lo que el nombre debe ser exacto.
; ---------------------------------------------------------------------------------
(defun ver-num-libro (libro / lista_libros lll ll_libos posicion)
(setq lista_libros (lista-libros))
(if (member libro lista_libros)
(progn
Pág. 333 de 337

(setq lll (length (member libro lista_libros)))

(setq ll_libros (length lista_libros))
(setq posicion (1+ (- ll_libros lll)))
) ; progn
(progn
(prompt (strcat
"\n El Libro indicado (" libro ") no esta abierto."))(print)
(setq posicion 0)
) ; progn
) ; if & progn
; (print posicion)
(if (= posicion 0) (setq posicion nil) (setq posicion posicion))
) ; defun
; ---------------------------------------------------------------------------------
; Ver numero correspondiente a una Hoja de un libro de EXCEL (dado por su nombre).
; Datos entrada:
; - nombre o numero de libro
; - nombre de hoja
; OJO: esta orden es sensible a mayusculas asi que los nombres deben ser exactos.
; ---------------------------------------------------------------------------------
(defun ver-num-hoja ( libro hoja / lista_libros lll ll_libros posicion_libro posicion)
(if (= (type libro) (type "H")) ; STR: libro es un numero y hallamos su nombre
(setq libro (ver-name-libro libro))
) ; if
(setq lista_libros (lista-libros))
(if (member libro lista_libros)
(progn
(setq lll (length (member libro lista_libros)))
(setq ll_libros (length lista_libros))
(setq posicion_libro (1+ (- ll_libros lll)))
(setq lista_hojas_libro (cadr (lista-hojas-libro posicion_libro)))
(if (member hoja lista_hojas_libro)
(progn
(setq lll (length (member hoja lista_hojas_libro)))
(setq ll_hojas (length lista_hojas_libro))
(setq posicion (1+ (- ll_hojas lll)))
(setq lista_hojas_libro (cadr (lista-hojas-libro posicion_libro)))
) ; progn
(progn
(prompt (strcat "\n La Hoja indicada (" hoja ")
no existe en el libro abierto (" libro ")."))(print)
Pág. 334 de 337

(setq posicion 0)
) ; progn
) ; if
) ; progn
(progn
(prompt (strcat
"\n El Libro indicado (" libro ") no esta abierto."))(print)
(setq posicion 0)
) ; progn
) ; if & progn
; (print posicion)
(if (= posicion 0) (setq posicion nil) (setq posicion posicion))
) ; defun
; --------------------------------------------------------------
; Ejecucion de MACRO de EXCEL desde ACAD
; Los datos de entrada son:
; LIBRO = nombre del libro en el que esta definida la macro.
; MACRO = nombre de la macro a ejecutar.
; Ademas previamente deberiamos considerra situar la hoja.
; --------------------------------------------------------------
(setq libro "Libro1")
(setq macro "Macro1")
(defun run_macro ( libro macro / micadena lacosa )
(setq micadena (strcat libro "!" macro))
; (setq lacosa (vlax-invoke-method apl-excel 'Run.Application "Libro1!Macro1"))
(setq lacosa (vlax-invoke-method apl-excel 'Run.Application micadena))
; La siguiente linea tambien funciona sustituyendo a la anterior.
; (setq lacosa (vlax-invoke apl-excel 'Run.Application micadena))
(print)
) ; defun
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
; Para cambiar el color de una celda de Excel desde Acad
(defun cambia_color_celda (/)
(setq *AplExcel* (vlax-get-or-create-object "excel.application")

*ColeccionLibros* (vlax-get-property *AplExcel* "Workbooks")
*NuevoLibro* (vlax-invoke-method *ColeccionLibros* "add")
*ColeccionHojas* (vlax-get-property *NuevoLibro* "Sheets")
*Hoja1* (vlax-get-property *ColeccionHojas* "Item" 1)
Range (vlax-Get-Property *Hoja1* 'Range "B2")
Pág. 335 de 337

Interior (vlax-Get-Property Range 'Interior))

(vlax-Put-Property Interior 'ColorIndex 4)
) ; defun
; ---------------------------------------------------------------
; Funcion que procesa datos de una lista a las celdas de Excel
(defun procesa-tabla (lista / numfila numcol)
(setq numfila 1)
(foreach campo (car lista)
(dato->celda numfila
(setq numcol (1+ numcol))
(car campo))
) ; foreach
(while (setq fila (car lista))
(setq numfila (1+ numfila)
lista (cdr lista))
(procesa-fila fila numfila)
); while
) ; defun
; ---------------------------------------------------------------
(defun procesa-tabla2 (lista / numfila numcol)
(setq numfila 1)
(setq numcol 1)
(repeat (length lista)
(setq lalinea (nth (1- numfila) lalista))
(repeat (length lalinea)
(setq campo (nth (1- numcol) lalinea))
(dato->celda numfila numcol campo)
(setq numcol (1+ numcol))
) ; repeat
(setq numcol 1)
(setq numfila (1+ numfila))
) ; repeat
) ; defun
; ---------------------------------------------------------------
; Funcion que envia datos de una lista a las celdas de Excel
; nombre: nombre de la hoja
: lista: lista a procesar
(defun lista->excel (nombre lista / *error* celdas-excel hoja-1 coleccion-hojas nuevo-libro
coleccion-libros apl-excel)
(setq *error* apl-err)
(vl-load-com)
Pág. 336 de 337

(conecta-excel) ; conecta la hoja de Excel

(vlax-put-property hoja-1 "Name" nombre) ; pone nombre a la hoja de Excel
(procesa-tabla2 lista) ; envia datos de la lista a las celdas de Excel
; (desconecta-excel) ; desconecta la hoja de Excel
); defun
; ---------------------------------------------------------------
; Prueba de Lista->excel
(defun c:lista->excel (/)
(setq elnombre (getstring "\n Introduce nombre de hoja: "))
(setq lalista (list (list "hola como estas" "adios" "tres")
(list "hola1" "adios2" "tres3")
(list "hola01" "adios02" "tres03")))
(lista->excel elnombre lalista)
); defun
; ---------------------------------------------------------------------------------
(prompt "\n Funciones de ACAD_EXCEL cargadas. C)TRONCOSOFT-VIGO. 2006-2015 \n") (print)
; ---------------------------------------------------------------------------------
; Fin de ACAD_EXCEL.LSP (C) TRONCOSOFT-VIGO 2006-2015
; --------------------------------------------------------------------------------
Pág. 337 de 337

…y al final…, un poco más de literatura…, volvemos a Lewis Carrol
- ¿Quisiera usted decirme qué camino debo tomar para irme de aquí?, preguntó Alicia.
- Eso depende, en mucho, del lugar donde quiera ir, respondió el Gato.
- No me preocupa mayormente el lugar..., dijo Alicia.
- En tal caso, poco importa el camino, declaró el Gato.
- ... con tal de llegar a alguna parte, añadió Alicia.
- ¡Oh!, dijo el Gato: puede estar usted segura de llegar, con tal de que camine durante un
tiempo bastante largo ...”
Lewis Carroll (1832-1898),

seudónimo de Charles Lutwidge Dodgson,
en “Alicia en el país de las maravillas”.

ANTECEDENTES 01 Tesis Doctoral Metodología para La Optimización Del Diseño de Distribuciones de Plantas Industriales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ANTECEDENTES 01 Tesis Doctoral Metodología para La Optimización Del Diseño de Distribuciones de Plantas Industriales

Cargado por

Copyright:

Formatos disponibles

Departamento de Diseño en la Ingeniería

METODOLOGÍA PARA LA OPTIMIZACIÓN

Vigo, septiembre de 2015

Metodología para la Optimización del Diseño de Distribuciones en Plantas Industriales.

Reservados todos los derechos.

METODOLOGÍA PARA LA OPTIMIZACIÓN DEL

para optar al título de

Vigo, septiembre de 2015

Dr. José Pose Blanco, Catedrático de Escuela Universitaria del

Vigo, a 21 de septiembre de 2015

Fdo: Dr. José Pose Blanco

Don José Carlos Troncoso Saracho, doctorando de la Universidad de Vigo,

hace constar que esta tesis titulada “METODOLOGÍA PARA LA

OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS

INDUSTRIALES” ha sido realizada en la Universidad de Vigo, en la Escuela de

Ingeniería Industrial (E.E.I.)

Se ha realizado en el departamento de Diseño en la Ingeniería, dentro del

programa de doctorado “Ingeniería de Diseño y Fabricación”, bajo la dirección del

Dr. José Pose Blanco.

En Vigo, septiembre de 2015

Fdo: José Carlos Troncoso Saracho

Dedicado a mi madre, por su saber esperar,

Este trabajo de investigación tiene como principal objetivo presentar

De la revisión bibliogáfica se extrae que aunque las técnicas de diseño de

Por este motivo se ha abordado como principal objetivo de este trabajo de

El modelo propuesto, considera tres etapas distintas. En la primera etapa, a

What is understood need not be discussed.

This work has as main objective to present some operational procedures to

What is understood need not be discussed.

This work has as main objective to present some operational procedures to

Palabras Clave: Distribución en Planta, Instalaciones Industriales, Diseño

Basadas en algunos de los trabajos realizados para la investigación de este

Se citan, a continuación, algunas de las publicaciones fimadas por el autor

q Ponencia con Comunicación Oral y Publicación de Resumen en el "VIII

q Ponencia con Comunicación Oral y Publicación del Resumen en el

q Citacion de Artículo en revista ‘Virtual PRO’, especializada en Procesos

1.1. CONSIDERACIONES GENERALES. …………………………………………………………………………… 4

1.2. HIPOTESIS. ………………………………………………………………………………………………………..…… 13

1.3. OBJETIVOS. …………………………………………………………………………………………………..………. 13

1.3.1. Objetivo general. ……………………………………………………………………………………………….. 13

1.3.2. Objetivos específicos. ………………………………………………………………………………………… 14

1.4. LIMITACIONES. …………………………………………………………………………………………………….. 15

1.5. IMPORTANCIA DEL TRABAJO. ……………………………………………………………………………….. 16

1.6. CONSIDERACIONES SOBRE EL TRABAJO. …………………………………………………………..….. 18

1.7. ESTRUCTURA DEL TRABAJO. ………………………………………………………………………………….. 20

2. EL PROBLEMA DE DISTRIBUCIÓN EN PLANTA 25

2.1. CONSIDERACIONES INICIALES. ……………………………………………………………………………… 25

2.2. CARACTERÍSTICAS DEL PROBLEMA. ………………………………………………………………………. 30

2.2.1. Introducción. …………………………………………………………………………………………………….. 30

2.2.2. Tipos de problemas. …………………………………………………………………………………………… 30

2.2.3. Diferencia entre los problemas. ……………………………………………………………………… 31

2.2.4. Relación entre el problema de distribución en planta de instalaciones y el

2.3. PROYECTO DE DISTRIBUCIÓN DE INSTALACIONES INDUSTRIALES. ……….………………… 37

2.3.1. Planificación y Proyecto de Instalaciones. ………………………………..………………………… 37

2.3.1.1. Layout de Instalaciones Industriales. ……..……………………………………………………… 38

2.3.1.2. Tipos de Layout Basados en el Flujo. …………………………………………..………………… 40

2.3.1.3. Tipos de Layout Basados en la Funcionalidad. ……………………………………………… 41

2.3.2. Recogida de Información para el Layout de Instalaciones Industriales. …………… 42

2.3.2.1. Productos. …………………………………………………………………………………………………….. 43

2.3.2.2. Especificación del Proyecto. ………………………………………………………………………….. 44

2.3.3. Principios que deben cumplir las distribuciones. ……………………………………………….. 45

2.4. MODELADO MATEMÁTICO PARA PROBLEMAS DE DISTRIBUCIÓN EN PLANTA. ….... 46

2.4.1. Introducción. ………………………………………………………………………………..…………………… 46