Configuración de planta por medio de algoritmos genéticos

Diana García
Delimiro Visbal
José Fidel Torres Delgado

Universidad de Los Andes, Departamento de Ingeniería Industrial,

Bogotá, COLOMBIA
Email: d-garcia@uniandes.edu.co
Email: d-visbal@uniandes.edu.co
Email: ftorres@uniandes.edu.co

RESUMEN

En este artículo presentamos un modelo para buscar una mejor solución al problema de configuración de
plantas, lo cual involucra la selección del arreglo más eficiente de los departamentos que constituyen un sistema
productivo satisfaciendo múltiples objetivos, utilizando la técnica heurística de optimización denominada
Algoritmos Genéticos. Empleando el modelo propuesto a problemas disponibles en la literatura se obtienen
mejores soluciones. El modelo también es utilizado en un caso real, la distribución de la planta de producción de
una empresa colombiana que manufactura viviendas prefabricadas, hallándose una mejor configuración de
planta que la existente en la actualidad, reduciéndose sustancialmente los costos de transporte.

PALABRAS CLAVE: Configuración de planta, Algoritmos Genéticos.

1. INTRODUCCIÓN

El problema de distribuir óptimamente los diferentes departamentos involucrados en un proceso productivo, con
el propósito de lograr una mayor eficiencia en la utilización de los recursos para producir un producto o servicio,
satisfaciendo múltiples objetivos tales como la minimización de las cargas de transporte, la maximización del
grado de compactación de las áreas de las estaciones de trabajo y la minimización de la diferencia entre las áreas
demandadas y las disponibles para cada estación de trabajo o departamento es el objetivo de este trabajo. Este
trabajo presenta la formulación y posterior optimización de una función multicriterios, mediante la creación y
desarrollo de un Algoritmo Genético para generar alternativas eficientes de configuración de planta.

2 CONFIGURACIÓN DE PLANTA

La configuración o disposición del equipo (instalaciones, maquinas, etc.) y áreas de trabajo es un problema
ineludible de todas las plantas industriales. El termino configuración implica la ordenación física de los elementos
industriales e incluye tanto los espacios necesarios para el movimiento del material, almacenamiento, trabajadores
indirectos y todas las otras actividades o servicios, como el equipo de trabajo y el personal de la planta[13].
Actualmente se vienen realizando muchos estudios para determinar algoritmos que buscan solucionar
eficientemente el problema de configuración de planta, tales como los de Inteligencia Artificial, entre los cuales se
destaca la técnica de Algoritmos Genéticos.
Independientemente de la representación utilizada, el objetivo es minimizar la distancia recorrida por el personal o
por el material, encontrando la mejor configuración de las máquinas o estaciones de trabajo [1]. Según Immer
(1993)[9], el 40% de los costos de producción son atribuidos al manejo y transporte de materiales.

Como primera restricción, los departamentos no deben traslaparse entre si. Adicionalmente, las áreas de cada
departamento y el área total disponible deben estar debidamente predefinidas de acuerdo a límites establecidos. La
solución resultante debe producir formas razonables para cada departamento y para todo el conjunto de la
configuración.

3. FORMULACIÓN DEL MODELO DE CONFIGURACIÓN DE PLANTA.

La siguiente formulación es el resultado de un estudio [9] de un método avanzado para resolver problemas de
configuración. El problema es percibido como una optimización con una estructura multicriterios. Los criterios de
optimización que conforman el modelo son los siguientes:

1) Minimizar la carga de transporte.

2) Maximizar el grado de compactación de las áreas de las estaciones de trabajo.
3) Minimizar la diferencia entre las áreas demandadas y las disponibles para cada estación de trabajo o
departamento.

A continuación mostramos los datos y variables de cada uno de los anteriores criterios de optimización.

1) Minimizar la carga de transporte.

La carga total de transporte es calculada usando la información de flujo y unidades de carga junto con distancias
rectilíneas entre los centroides de las estaciones de trabajo. En una planta de manufactura, las partes son
transportadas de un lado a otro para su procesamiento, generándose costos de transporte. De aquí surgen los
conceptos de unidad de carga y de centroide, simplificando los cálculos de los costos totales de transporte de
cualquier alternativa de layout. Una unidad de carga puede ser una carga física o un equivalente conceptual
determinado sobre supuestos y conversiones. El número de unidades de carga que se mueven desde una estación
de trabajo a otra, en un periodo de tiempo es el flujo entre ellas. El cálculo de las distancias entre departamentos
esta basado en los centroides, es decir el centro del área. Shafer and Rogers (1993) proponen la siguiente formula
para calcular la distancia entre dos departamentos i y j:

d ij ( p) = (∑k =1│X ik − X jk│p )1 / p

N

Donde:

i,j índices de estaciones de trabajo o departamentos

i = 1,2,3, ..... n j = 1,2,3, ........ n
k dimensión1 donde k = 1,2, en este caso son dos dimensiones X y Y, plano rectilíneo.
p determinante de la métrica usada
(p = 1 rectilíneo p = 2 euclidiano)
dij distancia rectilínea entre el departamento i y el j
xik coordenada del centroide del departamento i en la dimensión k
xjk coordenada del centroide del departamento j en la dimensión k
N número de dimensiones

Para el caso de configuración de planta N = 2 y p = 1, de tal forma que la expresión queda convertida en:

dij = │ xi1 – xj1 │ + │ xi2 – xj2 │

El producto de las distancias con los flujos y los costos unitarios es igual al costo total de transporte en un periodo
determinado. Los costos unitarios son los costos de mover una unidad de carga desde un departamento a otro por
unidad de longitud. De esta manera para el problema de minimizar la carga de transporte los datos de entradas son
las siguientes matrices:
• Matriz de Flujo
• Matriz de Distancias
• Matriz de Costos Unitarios

Cada una de estas matrices está conformada por datos entre departamentos, los cuales son representados por letras
como se muestra a continuación.

A B C D E F G H I J K
A
B
C
D
E
F
G
H
I
J
K
Figura 1. Matriz de Datos de Entradas

Para minimizar la carga de transporte se ha creado un factor de carga que es la razón entre la carga ideal a
transportar desde un departamento i a un departamento j y la carga realmente transportada del departamento i al j.
Al maximizar este factor, que siempre estará entre 0 y 1, se minimiza la carga de transporte.

El factor de carga es:

∑i=1∑ j=1 f ij dij
n n

t= V
=
∑i=1∑ j=1cij f ij dij ∑i=1∑ j=1cij f ij dij
n n n n

donde:

V Carga ideal (no hay costos de transporte)

i,j índices para los departamentos
dij distancia rectilínea entre el departamento i y j
cij costo de transportar una unidad de carga por unidad de longitud entre el departamento i y el j.
fij número de unidades de carga que serán transportadas entre el departamento i y el j
n número de estaciones de trabajo departamentos

2) Maximizar el grado de compactación de las áreas de los departamentos.

El segundo criterio de optimización se refiere a encontrar formas razonables de los departamentos dentro del
diseño de planta. El momento de área es un buen concepto mecánico como indicador de las formas de los
departamentos, este se reduce a medida que el área se compacta.

En este punto definimos un factor de forma dividiendo los momentos entre las áreas. De esta forma la razón entre
el perímetro y el área debe ser mínima para obtener formas adecuadas, por lo tanto se debe minimizar el siguiente
factor de forma.
∑ u pk 2
s = b ∑e k =1 n
n
rk
= b p∈Sek n
∑i=1∑ j=1∑k =1 aijk ∑i=1∑ j=1∑k =1 aijk

donde:

k índice de estaciones de trabajo i= 1,2,3 ....I

p índice de celdas p = 1,2,3 ...P
i índice de filas en el plano de diseño de la planta
j índice de columnas en el plano de diseño de la planta
b número de filas en el plano de diseño de planta
e número de columnas en el plano de diseño de planta
n número de estaciones de trabajo
rk momento del área de la estación de trabajo
upk distancia rectilínea del centroide de la estación de trabajo k al centroide de la celda p que esta dentro de
la estación de trabajo k.
rk momento de área de la estación de trabajo k
Sk conjunto de celdas de la estación de trabajo k
aijk indicador que es igual a 1 si la celda en la fila i y la columna j en el plano de diseño esta en la estación
de trabajo k.

3. Minimizar la diferencia entre las áreas demandadas

y las disponibles para cada estación de trabajo.

Para nuestro tercer criterio, la planeación sistemática de la planta propuesta por Muther (1976) busca encontrar
un balance entre las áreas requeridas y las áreas disponibles. Esto significa que las áreas de las estaciones de
trabajo no son fijas, por esta razón aparece el factor de desviación. Con esto se busca minimizar la desviación
total de las áreas más deseadas manteniendo las restricciones de fronteras superiores e inferiores.

Para minimizar esta desviación se presenta el siguiente factor:

n n e
∑ | Ak − ∑ ∑ aijk |
h= k =1 i =1 j =1
b e n
∑ ∑ ∑ aijk
i =1 j =1k =1

Donde:

h Factor de desviación.
Ak Área más deseada para la estación de trabajo.
k índice de estaciones de trabajo i= 1,2,3 ....I
i índice de filas en el plano de diseño de la planta
j índice de columnas en el plano de diseño de la planta
b número de filas en el plano de diseño de planta
e número de columnas en el plano de diseño de planta
n número de estaciones de trabajo
aijk indicador que es igual a 1 si la celda en la fila i y la columna j en el plano de diseño esta en la estación
de trabajo k.

Unificando estos tres criterios se tiene el siguiente modelo final con función objetivo y restricciones:

Max s*t h
s.t.
n

∑a
k =1
ijk ≤1 ∀ i y j. (1)
b e __
Ak ≤ ∑∑ aijk ≤ Ak ∀ k. (2)
___ i =1 j =1

b e n

∑∑∑ a
i =1 j =1 k =1
ijk ≤e ∗ b (3)

(1) La primera restricción prohíbe que una máquina sea compartida por más de una estación de trabajo.

(2) La segunda restricción mantiene el número de máquinas de cada estación de trabajo dentro de los límites
__
predeterminados. Ak y Ak son los límites inferiores y superiores para al número de máquinas dentro de una
estación de trabajo.
(3) La tercera restricción evalúa el número total de máquinas para todas las estaciones de trabajo, de tal
forma que no excedan el área total disponible como parte del requerimiento.

4. DESARROLLO DEL ALGORITMO GENETICO PARA DISTRIBUCIÓN DE PLANTA

4.1 ESTRUCTURA GENETICA PARA EL MODELO DE DISTRIBUCIÓN DE PLANTA

Con el objeto de aplicar el algoritmo genético a la formulación del problema para distribución de planta con la
función objetivo en el modelo anteriormente descrito, es necesario tener una estructura de codificación adecuada
para los individuos de la población y operadores propios de tal manera que sean capaces de producir y mantener
soluciones factibles.

De acuerdo a Islier [8], una posible estructura para definir el cromosoma es la siguiente:

ABCE DL F GHKJ I 18 12 20 32 36 1510 35 2020 26 21 5 5 4 5

Secuencia Áreas de los Dptos Anchos
G1 G2 G3
Figura 2. Estructura del Cromosoma

La estructura anterior está dividida en tres partes:

G1 (Secuencia): Muestra la secuencia de los departamentos cada una representada por una letra.

G2 (Áreas de los Departamentos): Muestra el área de cada departamento correspondiente a la secuencia de G1.
Las áreas de los departamentos pueden variar entre sus límites inferiores y superiores.

G3 (Anchos): Representa el ancho de cada una de las bandas de la grilla completa. Para poder obtener la
solución de este segmento y representar la distribución de planta resultante se utiliza el procedimiento X-Y
Oscilatorio que divide en primer lugar todo el espacio en bandas y luego aplica una oscilación en una sola
dimensión para cada una al ubicar las áreas de las estaciones de trabajo. A continuación se muestra un diagrama
para la ubicación:

Banda Banda
Ancho 1 Ancho 2
Figura 3. Procedimiento X-Y oscilatorio para situar los departamentos

Los anchos son generados aleatoriamente, y la suma debe ser igual al ancho del área disponible de la planta

De acuerdo a la explicación anterior de cada uno de los segmentos podemos obtener la siguiente distribución de
planta según el cromosoma anteriormente mostrado:
E E E E E E E E E E H H H H HH HK K
E E E E E E E E E E H H H H KK KK K
E E E E E E E D D D H H H H KK KK K
E E E E E D D D D D H H H H KK KK K
C C C C C D D D D D H H G G KK J J J
C C C C C DDDD D G G G G J J J J J
C C C C C DDDD D G G G G J J J J J
C C C C C DDDD D G G G G J J J J J
B B B B B DDDD D G G G G J J J J J
B B B B B L L DD D G G G G I I J J J
B B A A AL L L L L G G G G I I I I I
A A A A AL L L L L G G G G I I I I I
A A A A AL L L F F G G G G I I I I I
A A A A AF F F F F F F F G I I I I @
Figura 4. Distribución de Planta departamentos A – k.

Cada celda es de 1 por 1 y se adecua según las dimensiones del área disponible en metros, centímetros, pies, etc.
Para mantener la factibilidad de las soluciones es necesario cumplir con las restricciones del problema durante
todo el algoritmo genético. Para lograr esto se emplearon técnicas de reparación para manejar las restricciones
haciendo una evaluación de la estructura de cada segmento del cromosoma en cada generación para toda la
población y realizando los cambios necesarios con el fin de mantener la factibilidad de cada uno de los individuos.

4.2 METODOLOGIA UTILIZADA EN EL ALGORITMO GENÉTICO PARA DISTRIBUCION DE

PLANTA

A continuación se presentan la descripción de la metodología empleada para el desarrollo del algoritmo genético
para distribución de planta acorde con el modelo formulado y la estructura genética presentada utilizando
técnicas de reparación para mantener la factibilidad de las soluciones:

Población Inicial: Se genera una población inicial aleatoria de 100 individuos cada uno con los tres segmentos
citados anteriormente conservando su factibilidad
Evaluación: Cada uno de los individuos de la población se evalúa para obtener el valor de la función objetivo.
Para lograr esto se emplean los dos primeros segmentos y las matrices de entrada de flujo y de costos.
Selección: Para obtener cada nueva generación se establece un porcentaje de los mejores valores de la función
objetivo (% de mejores padres) con lo cuales se genera otro porcentaje de la población (% generado por mejores
padres). Este proceso se conoce como elitismo, es decir que se escogen los mejores padres para generar mejores
hijos, evitando que se destruyan buenas soluciones al emplear los operadores genéticos. Así mismo, la mejor
solución de cada generación es copiada a la siguiente generación después del último individuo generado por el
porcentaje seleccionado de mejores padres para que ésta no se pierda. El resto de la población de la nueva
generación es completada con cruces de todos los individuos de la generación anterior.
Cruce: Con la técnica de selección descrita se generan los hijos por medio de cruces entre dos pares de
individuos. Para los segmentos 1 y 2 se seleccionan 1 punto de cruce al azar, los dos nuevos hijos serán los
cromosomas intercambiados a partir del punto de cruce. Para el segmento 3 se selecciona otro punto de cruce al
azar y se intercambian.

Ejemplo:
A B C D E F G H I J K L
1
Área mínima 18 12 20 36 33 0 35 20 21 25 20 15
1
Área máxima 23 16 25 49 44 2 46 25 30 30 25 16
Área más 1
deseada 21 14 23 43 39 1 41 23 26 28 23 16
Figura 5. Límite de áreas para el ejemplo de cruces

Área Disponible: 294 m2 Ancho: 21 m

Padres
Cromosoma 1 :
Cromosoma 2:
Figura 6. Padres para el ejemplo de cruce. 1 1 2 1 2 2 2 2
ABCEDLF GHKJ I 28 12 0 32 36 15 20 35 0 0 61 1 5 5 4 7
Punto de cruce segmentos 1 y 2: 8 I LDEJ BHCKGF A3 5 42 33 25 13 3 22 22 40 1 21 7 4 2 8
Punto de cruce segmento 3: 2
Después del cruce, Hijos

Cromosoma 1:
Cromosoma 2: 11 33 113 2 4 1 2
Figura 7. Hijos resultantes para el ejemplo Cruce ABCEDLF GKGF A82 21 20 23 62 51 20 52 22 02 12 12 5 5 2 8
I L DEJ BHC HKJ I 3 5 42 3 5 3 3 2 0 0 6 1 7 4 47
Al observar los hijos resultantes se puede notar que hay
departamentos repetidos y la suma de los anchos es diferente al ancho requerido de la planta. Para garantizar la
factibilidad es necesario repararlos tal como se muestra en el siguiente paso.

Reparación del Cruce: Para garantizar la factibilidad de cada individuo se crearon las siguientes técnicas de
reparación de cruce para cada segmento:

Primer Segmento:
1. Se buscan los departamentos repetidos y el primer repetido se reemplaza por el primer ausente. Para esto
se utilizan dos vectores que se llenan con ceros y unos, comparando el cromosoma a evaluar y el cromosoma
original con todos los departamentos. El uno representa una repetición que se reemplaza por el primer cero
del otro vector a partir del corte.

A B C D E F G H I J K L
1 1 1 1 1 1 1 0 0 0 1 1
1 0 0 0 0 0 1 1 0 1 1 1
A B C E D L F G K G F A
H I J
Figura 8. Vector de 0 y 1 para Reparación de Cruce

Los primeros segmentos de los hijos resultantes reparados son los siguientes:

A B C E D L F G K H I J
I L D E J B H C A K F G
Figura 9. Primer segmento de Hijos Reparados para ejemplo de Cruce

Segundo Segmento:
1. Se evalúa que el área de los departamentos que fueron reparados, esté dentro de los límites superiores e
inferiores; en caso de que no cumplan, se les asigna el área mas deseada.

H I J 23 26 27
Figura 10. Asignación de Área más deseada para ejemplo de
Reparación de Cruce.

Los individuos resultantes de este paso son:

1 2 3 1
A BCE DL F GKHI J 8 12 0 2 36 5 1035 22 23 26 27 Figura 11. Primer y segundo segmento de Hijos
Reparados para ejemplo de Reparación de Cruce
2 4 3 1
I L DE J BHCAKF G3 15 2 3 25 3 2322 21 23 11 41
2. Se evalúa que la suma de todas las áreas sea menor
o igual al área disponible. En caso de que no cumpla, a partir del corte en adelante se le resta uno a cada
departamento hasta que cumpla con la restricción de ser igual al área disponible.

Los individuos anteriores cumplen con la restricción de suma de áreas menor igual que el área disponible (294)
por lo tanto no se aplica este paso ni el siguiente.
3. En caso de que una vez hecha esta reparación el área sea mayor que la disponible, se ordenan las áreas a
partir del punto de corte y para atrás de mayor a menor, se le resta uno a cada departamento hasta que sea
igual al área disponible.

Tercer Segmento:

1. Se evalúa que la suma de todos los anchos sea menor o igual al ancho de la planta, en caso de que no se
cumpla, se le suma uno a cada ancho o se le resta uno dependiendo si la diferencia es menor o mayor
respectivamente.

Ejemplo:
5 5 2 8 6 5 2 8
Figura 12. Tercer segmento para ejemplo de Reparación de Cruce

En este caso se le suma uno al primer gen del cromosoma quedando con un valor de 6 para completar los 21 m2
de ancho de la planta.

Los dos hijos reparados del cruce quedan así

Figura 13. Cromosoma completo de hijos
A B CE DLF GKH I J 18 12 20 32 36 15 10 3522 2326 27 6 5 2 8
Reparados para ejemplo de Reparación de Cruce.
I L DE J BHCAK F G22 15 41 43 24 13 22 2120 2011 40 6 4 4 7
Mutación: Con una probabilidad de mutación establecida, los individuos mutan al azar para generar un nuevo
individuo en el segmento de las áreas. Se escogen dos posiciones al azar para el segundo segmento y la menor
área menos una unidad de las posibles en el cromosoma en referencia. A una posición se le suma este valor de
área y a la otra se le resta, logrando que el área total no varíe.

Ejemplo:
El primer cromosoma no muta y el segundo si. Las posiciones al azar para el segundo segmento son 4 y 10. El
valor de departamento de menor área es 11, menos uno es 10, es decir que a la posición 4 se le suma 10 y a la 10
se le resta 10.

1 2 3 3 1 1 3 2 2 Figura 14. Hijos para Ejemplo de Mutación

A BCE DL F GKHI J 8 12 0 2 6 5 0 5 22 3 26 7 6 5 2 8
2 4 4 2 1 2 2 1 4 Reparación de la Mutación: Para garantizar la
I L DE J BHCAKF G3 15 2 3 5 3 3 2 21 3 11 1 6 4 4 7 factibilidad de cada individuo se crearon las
siguientes técnicas de reparación de mutación para el
segundo segmento:
1. Si no es posible sumar a la posición escogida, el valor del área menor menos uno, la diferencia entre el
área máxima de ese departamento y el valor del área menos uno, se la suma de uno en uno a cada
departamento a partir del de menor área al de mayor área hasta que se termine la diferencia. Este proceso se
realiza de la misma forma para la posición que se resta, evaluando en ambos procesos que cumpla con la
restricción de los limites de área inferior y superior de para cada departamento.

Ejemplo:
En el segundo segmento al realizar la mutación, la posición 10 no cumple con los requerimientos de área por lo
que es necesario restar solo 3 y la diferencia que es de 7 unidades de área restarla de una en una desde el
departamento de mayor área al de menor. Se puede observar que el área antes y después de la mutación y la
reparación respectiva es la misma. Los cromosomas hijos resultantes, es decir nuevas soluciones factibles, de
todo el proceso son:

Figura 15. Hijos resultantes para el ejemplo de

A B C E DL F GKHI J 18 12 20 32 36 1510 3522 23 26 27 6 5 2 8
Mutación.
I L DE J B HC AKF G23 15 42 33 25 1323 2221 23 11 41 6 4 4 7
2. En las posiciones aleatorias de mutación no aplica la reparación anterior, es decir los valores de las áreas no
cambian una vez mutados.
3. No se evalúa la restricción de que sea menor o igual que el are disponible porque el individuo ya es factible.
5. EXPERIMENTOS

5.1 METODOLOGIA DE LOS EXPERIMENTOS

Con el objeto de comprobar el funcionamiento del programa nuevo desarrollado y medir su desempeño, se hace
necesario comparar los resultados con otros ya existentes en la literatura.
Dado que este tipo de modelo es multicriterios, pues en la función objetivo intervienen tres criterios, factor de
carga, de forma y de desviación, no existen en la literatura otros modelos iguales para comparar los resultados y
evaluar su desempeño. Sin embargo, ya que es indispensable elaborar un benchmarking con lo existente en la
literatura, el modelo y todo el algoritmo desarrollado es aplicable si solo se tiene en cuenta una parte del factor de
carga como función objetivo. De esta manera la función objetivo que resulta a partir del factor de carga a evaluar
en los siguientes experimentos es:

Factor de Carga Actual:

∑ ∑ f ij d ij
n n

t = n i =1 n j =1
∑ i =1 ∑ j =1 cij f ij d ij

Función Objetivo del modelo:

Max s *t h
Función Objetivo Modificada para hacer el Benchmarking:
n −1 n
Min∑∑ cij . f ij .d ij
i =1 j = 2
Esta función modificada esta sujeta a las restricciones 1 y 3 del problema original, en este caso se esta
minimizando, pues esta parte es el equivalente a la carga de transporte y entre menor sea la carga de la
distribución de planta obtenida, mejor será el desempeño de la misma. La estructura genética de representación
y operadores funcionan de la misma manera.

Los siguientes experimentos son realizados para tres tipos de problemas: simples, medianos y complejos. Se
realizaron 50 generaciones para los simples y 100 para los medianos y complejos. Se quiere demostrar el
funcionamiento del programa evaluándolo con medidas de desempeño y comparando los resultados con los
existentes en la literatura.

Se utilizaron las siguientes medidas de desempeño:

Valor de la carga: Es el valor de la función objetivo cuando ha convergido a un valor en una generación
determinada.

Número de Generación en que converge: Es la generación en la que el valor de la carga converge.

Tiempo de ejecución: Es el tiempo que tarda el programa en hacer el número de generaciones propuesto. Para
algunos problemas simples la varianza de generaciones menores a 50, es cero, por lo que el programa se detiene,
y el tiempo de ejecución es medido hasta ese momento.

% de Mejora: Indica el % de mejora de la solución final respecto a la inicial. Entre mayor sea el % de mejora,
significa que el programa hizo evolucionar el valor de la función objetivo mas veces, es decir pasó a nuevos
valores mejores.

Para cada tipo de problema se realizaron 27 pruebas con los siguientes parámetros de variación:

% de Mejores padres: 20, 50, 80

%Generado por mejores padres: 30, 50, 70
Probabilidad de Mutación: 0,005 – 0,01 – 0,07

5.2 ALGORITMO GENËTICO PARA UNA DISTRIBUCION DE PLANTA DE 6 DEPARTAMENTOS.

El siguiente enunciado de Golany y Rosemblatt[8]para 6 departamentos de Nugent, Vollman y Ruml(1968),

muestra un problema simple.
Todos los departamentos tienen el mismo tamaño y los costos de transporte son proporcionales a la distancia.

La mejor solución tiene un valor de la carga de 74, se utilizan 50 generaciones siendo obtenida en la generación
inicial, por lo cual no existe mejora con respecto a la solución inicial, con un elitismo del 20%, generando el 70 %
de la población con estos mejores padres y utilizando una probabilidad de mutación de 0.01, en un tiempo de
1´17´´.
A continuación se presenta una tabla de comparación del mejor valor de la carga en la literatura [8] para el
problema presentado, con el objeto de demostrar la eficiencia del algoritmo genético.

Nugent Heurística Promedio Algoritmo Solución

(1968) Golany CRAFT Genético Optima
(1989)
Carga 78 79 74 73
Tabla 1. Benchmarking experimento de 6 departamentos

5.3 ALGORITMO GENETICO PARA UNA DISTRIBUCION DE PLANTA DE 12 DEPARTAMENTOS.

El enunciado de Banerjee P. y Montereuil B. (1992) de 12 departamentos muestra un problema mediano:

En este estudio para el problema en cuestión se realizó un cambio de escala en las áreas originales, con el fin de
disminuir la complejidad computacional, para lo cual se utilizo un factor de reducción de 0,01. De esta forma se
reduce el tiempo de procesamiento y la solución no varía, así la matriz de entrada de flujo presentan esta
modificación.

La mejor solución obtenida corresponde a un valor de carga de 30252 obtenido en la generación 80 con un
elitismo del 50% y generando el 70 % de la población con los mejores padres. Se utilizan 100 generaciones y una
probabilidad de mutación de 0.01
A continuación se presenta una tabla de comparación del mejor valor de la carga en la literatura[9].

Tabla 2. Benchmarking para experimento 12 Banerjee Heurístico Algoritmo Genético Algoritmo

departamentos (1992) de Islier (1998) en Genético Actual
Banerjee generación 3201 en generación
5.4 ALGORITMO GENETICO PARA UNA (1992) en 7 min 23seg 80 en 8 min 40 seg.
DISTRIBUCION DE PLANTA DE 32
DEPARTAMENTOS Carga 43700 37780 30252

El enunciado de Banerjee P. y Montereuil B. (1992) de 32 departamentos muestra un problema complejo.

La mejor distribución corresponde a un valor de carga de 161170 obtenido con un elitismo del 50% y generando
el 30 % de la población con estos mejores padres. El valor de la carga se obtuvo en la generación número 98 para
una probabilidad de mutación de 0,01 y tuvo 44,22% de mejora respecto al mejor individuo de la población
inicial.

La tabla siguiente presenta una comparación del mejor valor de la carga en la literatura [8] para el problema
presentado.

Banerjee Heurística Algoritmo Algoritmo Tabla 3. Benchmarking para experimento 32

(1992) de Genético Genético departamentos
Banerjee Islier (1998) en Actual
(1992) generación en generación 5.5 EVALUACION DE RESULTADOS
2866 en 11´40´´ 83 en 28´08´´
Carga -- 114810 161170 De acuerdo a los experimentos anteriores
podemos llegar a las siguientes conclusiones:
• La selección de la probabilidad de mutación no debe ser ni muy grande, ni muy pequeña. Si ésta es muy
grande, la variedad de los individuos aumenta considerablemente y puede alejar soluciones mejores; por otro
lado, si ésta es muy pequeña puede dejar de generar mejores soluciones. De acuerdo a los experimentos
realizados una probabilidad adecuada puede ser de 0,01 para obtener buenos resultados.
• El elitismo o % de mejores padres para crear la siguiente generación obtienen mejores soluciones para
valores menores de 50%. Al ser menor el numero de padres mejores los individuos resultantes van a tener
mejores valores de solución.
• En el % de la población generada con mejores padres, no se observa una constante clara, pues las
mejores soluciones para los tres tipos de problemas variaron en los tres porcentaje seleccionados 30%, 50% y
70%

6 APLICACIÓN DE ALGORITMOS GENETICOS A UNA PEQUEÑA PLANTA DE VIVIENDA

INDUSTRIALIZADA

La empresa escogida para realizar una aplicación real del presente trabajo es Chimeneas de Colombia y más
específicamente su división de vivienda industrializada Casas de Colombia que produce casas completas con un
diseño arquitectónico de vivienda campestre.

6.1 DATOS

Con la ayuda del departamento de producción se logró obtener unos datos aproximados de los costos y flujos del
proceso, que permite evaluar la optimalidad de la actual configuración.

Áreas: Para obtener el rango de áreas se utilizo el mismo proceso empleado por Islier [9], basado en los
perímetros de cada departamento. Los límites inferiores y superiores se fijaron de acuerdo al espacio subutilizado
y sobreutilizado de la planta, de tal manera que la suma de las áreas máxima es igual al área disponible.
Flujos: Para obtener los flujos se tuvo en cuenta el diagrama de proceso y el tiempo empleado en hacer la
operación respectiva de cada departamento y de transportar la carga a la siguiente estación. Los valores están
dados en Kilogramo por hora.
Costos: El cálculo de los costos de transporte se baso en el número de trabajadores necesarios para transportar el
flujo respectivo, el salario de cada trabajador y el tiempo que tardan en recorrer un metro. El costo esta dado en $
por Kilogramo por metro

Las matrices de estos datos se muestra en el apéndice 1.

6.2 DISEÑO DE PLANTA ACTUAL

La configuración de planta actual corresponde a la localización y tamaño de los departamentos existentes. El

diagrama representativo fue obtenido adaptando los datos a la estructura de cromosoma genético utilizado en este
trabajo. De esta manera los departamentos asociados a una letra representativa y sus respectivas áreas se
muestran en el apéndice 2.
El diagrama de la configuración de planta actual con sus respectivos flujos es mostrado en el apéndice 3.
El cromosoma y la configuración resultante de la planta actual se pueden apreciar en el apéndice 4.

Una evaluación de este cromosoma en las dos funciones objetivo trabajadas obtenemos los siguientes valores:
Valor de la Carga: 96172 Kg.
Valor de la función objetivo multicriterios: 1270,56 (1/$)

6.3 EXPERIMENTOS.

Se realizaron dos tipos de experimentos, el primero utilizando solo la función objetivo carga y el segundo
aplicando la función objetivo completa multicriterios.
Para ambos casos se utilizó una probabilidad de mutación de 0.01, 20% y 50% para el porcentaje de mejores
padres y 30%, 50% y 70% para el porcentaje de la población generada por mejores padres. Estos parámetros se
escogieron de acuerdo a los resultados obtenidos en los experimentos anteriores.

Cuando trabajamos con la función objetivo modificada (solo carga) obtuvimos el siguiente mejor resultado:
Probabilidad de Mutación 0,01
Valor Carga 37462
Generación en que converge 62
Tiempo de Ejecución 10´32´´
% Mejora Solución Inicial 49,43
Tabla 4. Resultados aplicación real función objetivo modificada.

Esta solución fue obtenida con un elitismo del 50% y generando el 50% de la población con los mejores padres.
Se utilizan 100 generaciones.
Al trabajar con la función objetivo multicriterios la mejor solución encontrada en los experimentos es:

Probabilidad de Mutación 0,01

Valor Función Multicriterios 42202
Valor de Carga Asociada a la F. O. M. 58096
Generación en que converge 76
Tiempo de Ejecución 12´03´´
% Mejora Solución Inicial 3341,77
Tabla 5. Resultados aplicación real función objetivo multicriterios.
Esta solución corresponde a un elitismo del 20% y generando el 30% de la población con los mejores padres. Se
utilizan 100 generaciones.

El cromosoma y la configuración de planta correspondiente a esta solución se pueden apreciar en el apéndice 5

Es muy importante hacer mención al % de mejora con respecto a la población inicial, pues al evaluar la función
objetivo modificada es decir con solo el criterio de minimizar la carga nunca se produjo un % de mejora tan alto
como los producidos al implementar la función objetivo multicriterios. Lo cual nos permite aseverar que el
modelo multicriterios es más eficiente, pues hace más evoluciones en el transcurso de las generaciones, creando
mejores soluciones factibles.

En el apéndice 6 se muestran las graficas de evolución de cada una de las variables.

Como puede verse en las graficas, es clara la minimización de los factores s y h, pero no lo es para la
maximización del factor t.

Una tabla que muestra la evaluación de los resultados obtenidos en relación con la configuración actual se
presenta en el apéndice 7.

De acuerdo a esta tabla se nota que tanto el algoritmo genético de función objetivo carga como la de
multicriterios presenta una configuración de planta mucho mejor que la correspondiente a la configuración de
planta actual.
La mejor configuración de planta para vivienda industrializada generada por el algoritmo genético con función
objetivo multicriterios se muestra en el apéndice 8.

Al comparar esta última configuración de planta con la configuración de planta actual es fácil observar las
ventajas de la configuración generada por el algoritmo genético.

7 CONCLUSIONES.

En el presente trabajo nos podemos dar cuenta del poder y la robustez que presentan los algoritmos genéticos
para solucionar problemas complejos como lo es el de configuración de planta y su aplicación a un problema real
en una empresa colombiana, utilizando una función objetivo Multicriterios, la cual busca minimizar la carga de
transporte, maximizar el grado de compactación de las áreas y minimizar la diferencia entre las áreas demandadas
y las disponibles para cada departamento.

Dentro de las principales conclusiones podemos mencionar las siguientes.

• Mediante la experimentación con problemas de la literatura podemos afirmar que el algoritmo es
eficiente, ya que se obtuvieron mejores resultados en 2 de los 3 problemas estudiados.
• Respecto a los parámetros del AG , se determinó que una probabilidad de mutación de 0,01 y un
elitismo menor al 50% son los más apropiados. Además para poder hallar mejores configuraciones de planta
se debe variar el % de población generada por los mejores padres, realizando por lo tanto varias pruebas.
• A mayor complejidad del problema, es decir a mayor número de departamentos es necesario aumentar el
número de generaciones, de esta manera aumenta la probabilidad de observar claramente la convergencia y
así hallar mejores soluciones.
• En la aplicación del AG a un problema real en una empresa de manufactura de vivienda industrializada
se halló una mejor configuración de planta que la actual.
• En la aplicación al caso real en cuestión se demostró que con la función Multicriterios se obtienen
mejores resultados que con la función que minimiza solamente la carga de transporte.
• La recolección de los datos de entrada al modelo es una tarea bastante difícil, siendo necesario modificar
algunos parámetros y aproximar algunas cantidades.
• La aplicación de este algoritmo en empresas colombianas es útil y puede ser aplicado a casos de
diferentes tamaños, con el fin de reducir considerablemente los costos de transporte y aumentar de esta
manera la productividad de nuestras industrias.

8 REFERENCIAS

[1] ARMOUR G. y BUFFA E. “A heuristic algorithm and simulation approach to relative locations facilities”
Management Science, Vol. 9, 1963, 294-309

[2] ASKIN & STANDRIGE “Modelying and Analysis of Manufacturying Systems”, 1994.

[3] BANERJEE P., MONTREUIL B., MOODIE C.L. y KASHYAP R.L. “A modelling of interactive facilities
layout designer reasoning using qualitative patterns”, International Journal of Production Research, Vol. 30,
No.3. ,1992, 433-453.

[4] BANERJEE P. y ZHOU Y. “Facilities layout design optimization with single loop material flow path
configuration” International Journal of Production Research, Vol. 33, No.1. ,1995, 183-203

[5] DUNCAN T. “Experiments in the use of neighbourhood sarch techniques for vehicle routing” Artificial
Intelligence Applications Institute, University of Edinburgh, Edinburgh EH1 1HN, AIAA-TR-176 June 1995.

[6] GOLDBERG D. E., “Genetic Algorithms in search, optimization and machine learning” Addison Weslye
Publishing Company, 1989.

[7] GOLANY B. y ROSENBLATT M. J. “ A heuristic algorithm for the quadratic assignment formulation to
plant layout problem”, International Journal of Production Research, Vol. 27, No.2. ,1989, 293-308

[8] ISLIER A.A “A genetic algorithm approach for multiple criteria facility layout design”, International
Journal of Production Research, Vol. 36, No.6, 1998, 1549-1569.

[9] MUTHER Richard “Distribución de Planta” Editorial Hispano Europea Cuarta Edición 1981.

[10] PICONE C. J. y WILHELM W. E. “A perturbation scheme to improve Hillier’s solution to the facilities
layout problem” Management Science, Vol. 30, No.10, Octubre 1984, 1238-1249.

[11] ROSEMBLATT M. J. “The dynamics of plant layout” ” Management Science, Vol. 32, No.1, Enero 1986,
76-86.

[12] TAM K. Y. y LI S. H. “A hierarchical approach to the facility layout problem” International Journal of
Production Research, Vol. 29, No.1. ,1991, 165-184.

[13] VALHONRAT J. M. y COROMINAS A. “Localización, distribución en planta y manutención”

[14] WELGAMA P.S. y GIBSON P. R. “A construction algorithm for the machine layout problem with fixed
pick-up and drop-off points”, International Journal of Production Research, Vol. 31, No.11, 1993, 2575-2590..