Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Metodología para La Optimización PDF
Metodología para La Optimización PDF
TESIS DOCTORAL
para la obtención del título de
Doctor por la Universidad de Vigo
presentada por:
JOSÉ CARLOS TRONCOSO SARACHO
Director de tesis
Dr. JOSÉ POSE BLANCO
TESIS DOCTORAL
presentada por
JOSÉ CARLOS TRONCOSO SARACHO
Director de tesis
Dr. JOSÉ POSE BLANCO
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
“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.
INDICE
CAPÍTULO - 1
1. INTRODUCCIÓN 3
CAPÍTULO - 2
I
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
II
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
2.6.7.2. Optimización por Colonia de Hormigas (ACO: “Ant Colony Optimization”). …… 111
III
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
CAPÍTULO - 3
IV
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
3.6.13. Método de cálculo propuesto para distancias entre las distintas instalaciones. 205
CAPÍTULO - 4
V
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
CAPÍTULO - 5
VI
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
BIBLIOGRAFÍA
ANEXOS
VII
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
IX
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
X
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
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
Valores de media, desviación estándar y estadísticas obtenidos con la
Tabla 4.18: aplicación de la primera fase de ST1 y ST2, para los distintos problemas.
………………………………………………………………………………………… 264
Valores de media, desviación estándar y estadísticas obtenidos con la
Tabla 4.19:
aplicación de la segunda fase de ST1 y ST2, para los distintos problemas. 265
XI
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
XII
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
XIII
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
XIV
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
XV
CAPÍTULO – 1
INTRODUCCIÓN
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 2 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
CAPÍTULO 1
1. INTRODUCCION.
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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. …”
Pág. 4 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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”.
Pág. 5 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 6 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
en donde:
Pág. 8 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
5
Recorido
4
Coste
2 Carga y Descarga
0
0 10 20 30 40
Distancia
a) métodos constructivos;
b) métodos de mejora;
c) métodos híbridos, y
d) métodos que utilizan la teoría de grafos.
Pág. 9 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 10 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 11 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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
CRAFT Distancias
Almacén de valores
Disposición de departamentos
Flujo de materiales entre departamentos
COMBINED COMPUTER
AIDED APPROACH Distancia entre departamentos
Diagrama de relación de actividades
Diagrama de relación de actividades
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
Pág. 12 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
1.2. HIPOTESIS.
1.3. OBJETIVOS.
Pág. 13 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 14 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
1.4. LIMITACIONES.
Pág. 15 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 16 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 17 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 19 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 20 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 21 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 24 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
CAPÍTULO 2
Pág. 25 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 26 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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:
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.
Pág. 27 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Transformación Transformación
entrada P1 tiempo entrada P2 Algoritmo del salida P2 tiempo salida P1
polinomial problema P2 polinomial
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
Pág. 28 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 29 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
2.2.1. Introducción.
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).
Pág. 30 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
retorno
robot
saltos
Pág. 31 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
j-i si j>i
dij =
n+j-i si j<i
Pág. 32 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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).
Pág. 33 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 34 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 35 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 36 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 40 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Almacenes que existen porque apenas una parte de los productos del
Pág. 41 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Sin pretender crear una lista exhaustiva, nos interesa enumerar otras funciones
con alguna importancia en el proyecto de layout. Estas son:
Pág. 42 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
7
en la literatura en lengua inglesa, el termino para designar la relación de materiales es ‘bill of materials’.
Pág. 43 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 45 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
2.4.1. Introducción.
Covering Problem);
c) problema de programación lineal entera;
d) problema de programación entera mixta;
Pág. 46 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Problema de
LAYOUT
Pág. 47 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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)
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:
Pág. 48 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
n n n n
min åååå bijkl × xij × x kl (2.3)
i =1 j =1 k =1 l =1
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
n n n n
min åååå f jk × c jl × xij × x kl (2.4 b)
i =1 j =1 k =1 l =1
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 50 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 51 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
1 si el bloque t Î Ji (j)
pijt =
0 para los otros casos;
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)
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:
Pág. 52 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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
åx
j =1
ij = Si i = 1, 2, …, n (2.8 b)
åx
i =1
ij £1 j = 1, 2, …, q (2.8 c)
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:
n n n n
min åååå bijkl × y ijkl (2.10 a)
i =1 j =1 k =1 l =1
Pág. 53 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
n n n n
åååå y
i =1 j =1 k =1 l =1
ijkl = n2 (2.10 b)
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:
Pág. 54 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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
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
Xi , Yi ³ 0 i = 1,2,... , n (2.11 g)
Pág. 55 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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
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
n n
eij × xij + (åå bijkl × x kl ) - wij £ eij (2.13 b)
k =1 l =1
Pág. 56 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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
Pág. 57 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
E’ = { ( i , j ) | xij = 1 , ( i , j ) Î E };
xij = 1 , (i , j) Î N (2.16 b)
xij = 0 , (i , j) Î F (2.16 c)
Pág. 58 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 59 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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:
Pág. 60 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
a) restricciones de tamaño;
b) restricciones de orientación;
c) restricciones de forma;
d) restricciones de sobreposición.
n n
min sÎS F = åå vij × d ij (2.20 a)
i =1 j =1
donde:
Pág. 61 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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)
ak = max {0, max {(ak - max{akmax , 1/ akmin }),(min {akmin , 1/akmax}-ak)}} (2.25)
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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).
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 64 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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):
Pág. 65 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 66 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 67 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 69 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 70 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
‘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’.
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.
Pág. 71 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 72 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
áreas funcionales y aumento de capacidad. Los softwares utilizados para generar las
distribuciones físicas de test han sido CRAFT, ALDEP y CORELAP.
CORELAP
ALDEP
Cualitativos BLOCPLAN
PLANET
BLOCPLAN
Pág. 73 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 74 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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:
Pág. 75 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 76 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 77 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Asignación de
Instalaciones
a Lugares
Técnicas
Técnicas Numéricas y
Heurísticas Matematicas
Li & Love (1998)
Yeh (1995)
Tam et al. (2001)
Cheung et al. (2002)
Asignacion
de Instalaciones
a Localizaciones
Pág. 78 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 79 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 80 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 81 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
razonable. El término heurística proviene del vocablo griego heuriskein, que puede
traducirse como encontrar, descubrir o hallar.
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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”
Pág. 83 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 84 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 85 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
De modo general, se puede decir que las metaheurísticas combinan ideas que
provienen de cuatro campos de investigación bien distintos, ver Figura 2.9:
Pág. 86 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
− Son ciegas, no saben si llegan a la solución óptima. Por lo tanto, se les debe
indicar cuándo deben detenerse.
Pág. 87 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
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.
· Atendiendo a la Inspiración:
Natural: algoritmos que se basan en un símil real, ya sea biológico, social, cultural, etc.
Pág. 88 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
· Atendiendo a la vecindad:
Con memoria: utilizan una estructura de memoria para recordar la historia pasada.
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 90 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
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:
2.6.4. GRASP
Pág. 91 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
{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
Pág. 92 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 93 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Resende 1995, Urban 1998, Delmaire 1999, Urban et al. 2000, Cano et al. 2002,
Zheng y Chew 2009,…
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:
Pág. 94 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 95 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Pág. 96 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pág. 97 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Haga
Crear lista de candidatos (Ejecuta mejor_movimiento);
Actualice condiciones de admisibilidad;
Mientras (Criterio de paro = Falso);
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
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
p(i) y p(j) donde j > i, y que corresponden a restricciones que pueden imponerse para
prevenir movimientos inversos.
Pág. 99 de 337
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
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.
Analogía Física
Esqueleto de un TA
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.
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).
para todo j != j*
Entonces:
Version monotona
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).
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 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)
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)
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).
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.
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.
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.
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.
¿Cómo funciona?
Figura 2.11: Trayectorias influidas por los atractores en del movimiento de las
partículas.
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).
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).
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.
CAPÍTULO 3
3. CUESTIONES GEOMETRICAS.
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.
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
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.
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
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).
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.
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
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.
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).
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’).
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:
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.
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.
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
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.
v a+ c = 2 (3.2)
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)
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.
3n -6
N = C n ( n -1) / 2 (3.3)
con este modelo topológico la formulación del problema en dos dimensiones (plano)
es:
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.).
F
i
g
u
r
a
Diagrama relacional Grafo Planar P.M.
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.
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.
N= n! (3.6)
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.
Modelos discretos
D(A) à D(c, a)
(3.7)
Di(Ai)à Di(ci,a) / Ai = ci ∙ a
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)
(3.9)
xik=
{ 1 si la actividad i ocupa la casilla k-ésima.
0 si la actividad i no ocupa la casilla k-ésima.
c c
1
d ij = × å å d kl × x jl × x ik
c i × c j k =1 l = 1
(3.10)
n n n
MHC = åb +ååw
i =1
i
i =1 j =1
ij × d ij
(3.11)
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)
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:
Modelos continuos
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
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:
BASADOS EN CORTE
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.
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
ni nj
d k2( ij ) = d ki2 + d kj2 (3.21)
ni + n j ni + n j
n-2 n -1
æ pö
N = p n -1
ÕC
i=0
2
n-i = ç ÷
è 2ø
n ! ( n - 1)! (3.22)
n es el número de actividades.
Bay Model
SCATTER DIAGRAM
d (i, j ) = ( xi - x j ) 2 + ( y i - y j ) 2
En esta primera fase se distribuyen las actividades en las plantas, de tal forma que
se reduzca lo máximo posible el flujo entre plantas.
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.
1 FASE 2 FASES
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)
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.
Figura 3.26: Uso de SFC para la distribución de las instalaciones en cada nivel
(Bozer et al. 1994)
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
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.
cada una de las plantas se emplea una SFC. La heurística empleada para la
optimización es un algoritmo genético.
(10-12-L-11-9-R-B-5-6-L-8-7-R-U-D-4-3-B-1-2-U-R-D)
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.
acompañados cada uno de ellos por las distancias rectilíneas entre puntos de salida y
entrada de las distintas unidades.
Los indicadores que han aplicado los diferentes autores al problema se pueden
clasificar en dos grandes grupos:
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 3.35: 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
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.
Indicadores de Flujo
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.
Utilización y suficiencia espacial: En este criterio, (Lin y Sharp 1999a) recogen dos
aspectos de interés en el problema:
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:
2. Trabajo de papeleo
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:
- 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.
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:
Indicadores Geométricos
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.
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.
Indicador de perímetro W
Compacidad ϒ
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
Forma j
Indicador W4
n
AR « å Ai
i =1
Una solución con una buena utilización espacial tendrá dos características:
- 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”.
- 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.
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
polilineas obliga a que las instalaciones sean macizas (sin huecos) y abarquen una
única zona.
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.
· 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.
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
normalmente se conocen los puntos de entrada y de salida de cada una de las distintas
actividades.
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).
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).
EXTERIOR
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
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=∞).
Figura 3.41: Disposiciones Diana y Sandwich que minimizan las distancia entre
centroides de las áreas de las actividades (Mas 2006).
3.6.7. MANHATTAN
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).
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
d (i, j ) = ( xi - x j ) 2 + ( y i - y j ) 2 (3.29)
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
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).
EUCLIDEA CUADRATICA
d (i, j ) = ( xi - x j ) 2 + ( y i - y j ) 2 (3.30)
3.6.9. TCHEBYCHEV
(
d (i, j ) = max xi - x j , y i - y j ) (3.31)
F
A D
G
Metrica
B Tchebychev
Euclidea
E Rectilinea
C Contorno
H Exterior
3.6.10. EDIST
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.
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 .
(23.45)
(3.46)
Haciendo (xi, yi) X Ri y (xj , yj) X Rj donde las coordenadas (x, y) designan los
[ ]
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)
[ ]
n n
1
E d ij = åå ( xk - xl + y k - yl ) × xik × x jl (3.48)
k =1 l = j ni × n j
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.
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.
Fig. 3.45: Distintas métricas calculadas para unir dos puntos esquivando
obstáculos.
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.
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.
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.
F F
A D A D
G G
B B
E E
C C
H H
3
1 2
PASILLO
4 5 6
PASILLO
7 8 9 10
d (i, j ) = å
l , kÎRn
xl - x k + y l - y k (3.49)
b c
10
3
1 2
PASILLO a
b
4 5 c 6
PASILLO d
7 8 9 10
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
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
a1 a2
a3
b c
d3
d1 d2
10
{ }
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)
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.
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:
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.
reales) para las áreas de las instalciones a implantar y entidades lineales de curvas
implementadas como entidades Polilineas para las fronteras de las instalaciones.
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.
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
CAPÍTULO 4
4.1. INTRODUCCION.
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:
n n
min F = åå v
i =1 j =1
ij × d ij (4.1a)
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.
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:
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
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)
Instalaciones
Nº 12 15 20 30
Heurística 1 10082,00 15356,00 25426,00 52130,00
Instalaciones
Nº 12 15 20 30
Fase I Fase II
(a) (b)
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).
(1996), Gen et al. (1995), Suresh et al. (1995), Tate y Smith (1995a), Joines et al.
(1994), Chan y Tanski (1994) y muchos otros.
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.
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 (*).
a) b)
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).
Árbol de Corte
Estructura de Corte
Distribución en Planta
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.
Procedimiento GEAC
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;
åå d
i j
ij
· 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.
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.
A p = Ai + A j + Ac (4. 6)
donde:
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.
Así se tiene:
Procedimiento AJCOR
Figura 4.11: Diferencia relativa de área (%) en el ajuste de los pasillos por iteración
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.
n n n
min F = åå vij × d ij + w
i =1 j =1
åa × k
k =1
2
(4.9)
a k = min {dr ( ak , [akmin , akmax ]) , dr (ak , [1/ akmax , 1/ akmin ])} (4.11)
(4.12)
fi = 1 / Fi (4.13)
En el estudio del cálculo de las distancias dij se deben considerar tres casos
distintos:
a) Cálculo de las distancias entre instalaciones para distribución en planta sin pasillo:
b) Cálculo de las distancias entre instalaciones para distribución en planta con pasillo:
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.
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;
1 2 3 4 5 6
U 9 9 11 11
R * 8 *
B 9 9 11 11
L * 8 *
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.
(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
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).
Considerando que las coordenadas de g i son (xi, yi) y de g j (xj, yj), tenemos:
cij = | xi - xj | + | yi - yj | (4.18)
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
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)
Con estos resultados decimos que las instalaciones i y k son adyacentes si:
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.
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:
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
pn = 0,01 / ( 1 - e - D ) (4.22 a)
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
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.
4.5.1. EXPERIMENTO.
hasta ese momento. De esta forma se buscaba perpetuar las características existentes
en las mejores soluciones dentro de la nueva población.
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
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.
ST1 ST2
Nº
Fase 1 Fase2 Fase 1 Fase 2
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
Desviación estandar 824,47 1096,01 235,45 402,92
Tabla 4.15: Momentos de transporte obtenidos en distribuciones en planta de 20
instalaciones.
ST1 ST2
Nº
Fase 1 Fase2 Fase 1 Fase 2
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
Desviación estandar 2132,78 17342,49 753,09 1077,75
Tabla 4.16: Momentos de transporte obtenidos en distribuciones en planta de 30
instalaciones.
Figura 4.25: Comparación entre los costes medios de transporte determinados por
ST1 y ST2 en la primera y segunda fase.
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.
Figura 4.26: Distribución en planta obtenida con la heurística ST1 para el problema
de 2 instalaciones
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.
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.
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.
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.
CONCLUSIONES Y
RECOMENDACIONES
METODOLOGIA PARA LA OPTIMIZACIÓN DEL DISEÑO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
CAPÍTULO 5
5. CONCLUSIONES Y RECOMENDACIONES.
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.
5.2. CONCLUSIONES.
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.
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.
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
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;
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…
BIBLIOGRAFIA
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.
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.
http://www.refworks.com/refshare2?site=04118116226720
0000/76861443179841674/Referencias_LAYOUT
ANEXOS
ANEXOS
ANEXO A
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.
ANEXO B
Algoritmo de Dijkstra
P1 Rotular el vértice inicial xs como (ps, ls, s) = (Æ, 0, R), y los demás
vértices con (pi, li, si) = (Æ, +¥, N);
P5 Rotular nuevamente xk con (pk, lk, sk) = (pk, lk, P) y volver al paso 2.
ANEXO C
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.
End_While
Fin
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.
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:
ANEXO D
ANEXO E
CRAFT
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).
COFAD
LM se calcula por mdeio de programa y los demas valores son entradas necesarias.
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.
CORELAP
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
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 -
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.
ALDEP
PLANET
No importa cual de los tres elija el proyectista, PLANET lo traduce a una ‘Matriz
Desde-Hacia’ normalizada.
ANEXO F
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).
Orientación: - Fija.
- Restringida.
- Variable (Libre).
Tamaño: - Fijo.
- Variable.
- Limitado (Max-Min).
ANEXO G
ANEXO H
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
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
ANEXO I
; ----------------------------------------------------------------------
; 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.
; ---------------------------------------------------------------
; 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 ( / )
(setq mi-libro (vlax-get-property apl-excel "ActiveWorkbook"))
(setq el-libro (vlax-get-property mi-libro "name"))
); defun
; ---------------------------------------------------------------
; Activar Celda en la hoja actual
; 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
(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 (= (type libro) (type "H")) ; STR: libro es un nombre y hallamos su numero
(setq libro (ver-num-libro libro))
) ; if
(setq mi-libro (vlax-get-property coleccion-libros "item" libro))
(setq coleccion-hojas (vlax-get-property mi-libro "sheets"))
(vlax-invoke-method coleccion-hojas "add" )
(print)
) ; defun
; ---------------------------------------------------------------
; Numero de Libros abiertos en Excel.
; ---------------------------------------------------------------
(defun num-libros ( / )
(setq coleccion-libros (vlax-get-property apl-excel "workbooks"))
(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 (= (type libro) (type "H")) ; STR: libro es un nombre y hallamos su numero
(setq libro (ver-num-libro libro))
) ; if
(setq coleccion-libros (vlax-get-property apl-excel "workbooks"))
(setq mi-libro (vlax-get-property coleccion-libros "item" libro))
(setq coleccion-hojas (vlax-get-property mi-libro "sheets"))
(vlax-get-property coleccion-hojas "count" )
) ; defun
; ------------------------------------------------------------------------
; Para ver el Nombre de un Libro de Excel.
; Dato entrada : numero de libro
; ------------------------------------------------------------------------
; ------------------------------------------------------------------------
(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
(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 (/)
; --------------------------------------------------------------------------------
- ¿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 ...”