Planeación y diseño de instalaciones

Asignación cuadrática
Dentro de las formulaciones más conocidas y utilizadas en la distribución de planta
fija se encuentra el problema de asignación cuadrática, también mencionado como
QAP o (Quadratic assignment problem). La cual suele ser la referencia utilizada
para las formulaciones discretas del FLP.
QAP fue introducido como formulación por Koopsman y Beckman en 1957, los
principales supuestos requeridos es que se tienen un número determinado de
locaciones o ubicaciones, y existe este mismo número de departamentos a
distribuir igual a este número de locaciones. También supone que todos los
departamentos se pueden intercambiar sin tener en cuenta espacios o tamaños de
los mismos.
En 1976 Shani y González probaron que QAP es un problema NP-completo.
Hasta hoy sólo se han encontrado soluciones óptimas usando métodos exactos
para instancias de tamaño menores que 30.
Tiene como objetivo minimizar los costos de flujo o de manejo de materiales en un
proceso productivo; y encontrar una permutación de asignación óptima de n
instalaciones a n localidades, dadas dos matrices simétricas: una de distancias
y otra de flujos
La formulación más común del QAP es:

Donde:
 ɳ - Es el número de departamentos y ubicaciones que se encuentran en la
planta a distribuir. Se suponen iguales y se distribuirá un departamento por
ubicación.
 fik - Es el flujo de material entre los departamentos i, k.
 djl - Es la distancia desde el centro de la ubicación j al centro de la ubicación
l.
 xij - Es la variable de decisión 1 si se ubica el departamento i en la
ubicación j.
Sujeto a:
En forma matricial se puede ver el problema como:

El algoritmo exacto más popular para resolverlo es el de ramificación y

acotamiento (Branch and Baund B&B) con algunas variantes.
El primer algoritmo exacto de ramificación y acotamiento en paralelo fue propuesto
por Roucairol, sin embargo, en los últimos años se ha propuesto métodos de
búsqueda de soluciones, conocidos como metaheurísticas (MH) que son
procedimientos de aproximación de propósito general, tales como los algoritmos
genéticos, el recorrido simulado, búsqueda tabú, GRASP, entre otras.
Un caso de ejemplo sería el siguiente:
Tenemos el problema de asignar cuatro entidades en unas oficinas, en cuatro
localidades diferentes. El gráfico muestra una posible solución asignando la oficina
1 en la ciudad 2, la entidad 2 en la localidad 1, la oficina 3 en la ciudad 4 y, por
último, la oficina 4 en la localidad 3.
La formulación matemática del problema QAP se podría reducir a un problema de
programación como el siguiente:
int calcqap (matriz flujos, matriz distancias, vector orden) {
int result = 0;
int i,j,z;
for (i=0; i<n; i++) {
for (j=0; j<n; j++) {
z = flujos[i][j] * distancias[orden[i]][orden[j]];
result = result + z;
}
}
return result;
}

Esta función llamada a modo de ejemplo “calcqap”, tiene los inputs de la matriz de
flujos y distancias. Y un vector solución llamado “orden”, por ser el orden de la
secuencia apta a ser solución óptima.
Métodos resolutivos del QAP
Los métodos para resolver problemas de asignación cuadrática se basan en
algoritmos exactos o heurísticas que son métodos aproximados.
En el siguiente esquema se presenta los diferentes tipos de métodos, tanto
exactos como aproximados.
Métodos exactos
Siguiendo el esquema anterior, a modo de resumen se mencionarán las
características básicas de los métodos o algoritmos exactos. Cuya utilización está
supeditada al poder creciente de los microprocesadores con tiempos de
procesado, de momento inviables para resolver problemas de orden mayor a n =
30.

 Exploración dirigida o “branch-and-bound”: Este procedimiento fue

presentado a mediados de 1960 por Land y. Consiste en organizar las
soluciones en nodos (p) diversificados, progresivamente más acotados y
determinar para cada nodo un indicador de la calidad de las soluciones que
contiene. Este indicador permite considerar qué nodos son los más
interesantes para explorar. La exploración consiste en sustituir el nodo por
dos o más nodos que en conjunto tienen todas las soluciones de su
predecesor.

 Programación lineal entera (PLE), binaria (PLB) o mixta (PLM): Una

gran mayoría de los problemas combinatorios admiten una formulación
como programas lineales enteros o binarios, y especialmente su
combinación mixta. En la siguiente imagen, se muestra la región factible de
encontrarse la solución óptima en un problema de programación lineal. El
inconveniente de esta metodología es la cantidad notable de variables que
surgen en la mayoría de los problemas para modelar sus restricciones.
  Programación dinámica (PD): En lugar de orientar el problema hacía la
optimización de una función global, se resuelve por fases en cada una de
las cuales se puede tomar una decisión independiente de las decisiones
consideradas con anterioridad.
 Programación dinámica acotada o bounded dynamic programming
(BDP): La metodología es similar que en el procedimiento anterior. En este
método en cambio, se conoce una cota inferior o superior de los elementos
que deben integrarse para pasar de una fase a otra. Se compara el mejor
valor esperado a partir de la fase considerada con el de una solución
heurística, cancelando las fases que no ofrecen garantías de mejora.
Procedimientos heurísticos
Los métodos aproximados aplicados al QAP, se englobaban dentro de su
funcionalidad para buscar una buena solución (métodos de búsqueda), por su
capacidad constructiva de posibles soluciones o mediante heurísticas evolutivas
basadas en el desarrollo de poblaciones. Los algoritmos híbridos son los más
utilizados.
 Scatter Search (Búsqueda dispersa): El método fue descrito por Glover
en 1977. Se centra en combinar dos o más soluciones de un conjunto de
referencia. La combinación de más de dos soluciones tiene como objetivo el
generar centroides (mejores soluciones). La combinación se debe realizar
asignando pesos a cada solución y no mediante el azar. La distribución de
los puntos se considera importante y deben de tomarse dispersos, he aquí
el nombre de búsqueda dispersa.
 GRASP (Greedy Randomized Adaptive Search Procedure): Se
construye una solución factible generalmente mediante una heurística
greedy. En cada paso, se establece una lista de candidatos, pero en lugar
de elegir el que aporta más, se elige al azar uno de los candidatos de una
lista restringida. Si la solución obtenida es mejor que la guardada como tal,
se efectúa la sustitución.
 Algoritmos genéticos (GA): Este procedimiento se basa en las ideas de la
selección natural de la teoría evolutiva de las especies de Darwin. Se basa
que en lugar de una solución en curso se reproducen varias poblaciones
(de soluciones). Se selecciona los padres, se cruzan y/o mutan y se
obtienen los hijos regenerando la población inicial.
 Búsqueda tabú (TS): Existe una lista de propiedades de las soluciones. Si
alguna característica de una solución coincide con algunas de las
propiedades de la lista es una solución tabú. Se generan todos los vecinos
de la solución en curso, se clasifican (en no tabú y tabú) y se evalúan. Si el
valor del mejor vecino es mejor que el de la mejor solución hallada,
sustituye a ésta y a la solución en curso y se vacía la lista tabú. En caso
 contrario, la mejor solución no tabú pasa a ser la solución en curso y se
introduce una característica de la antigua solución en curso en la lista tabú.
 Recocido simulado (SA): El nombre procede de la analogía entre el
procedimiento y el tratamiento térmico que se aplica a diversos materiales.
Dada una solución en curso, se obtiene una vecina de la misma mediante
una búsqueda hasta alcanzar un equilibrio ficticio de iteraciones. Si es
mejor (o igual), la sustituye como tal; si es peor, puede pasar a ser la
solución en curso con una probabilidad que depende de la diferencia entre
el valor de la solución en curso y el de la vecina y que decrece
monótonamente a lo largo de la ejecución del algoritmo.
 Ant Colony Optimization (ACO): Es un método novedoso y moderno, que
se basa en el comportamiento colectivo de una colonia de hormigas. La
técnica consiste en simular la comunicación directa que utilizan las
hormigas, que son insectos prácticamente ciegos, y establecer así el
camino más corto desde su nido hasta la fuente de alimento y regresar
como analogía a la búsqueda de soluciones.
Aplicaciones del QAP
Aunque inicialmente fue concebido como una técnica enfocada a la economía, sus
aplicaciones han abarcado campos tecnológicos muy variados.
En su momento, el objetivo del problema unidimensional de localización de un
departamento era minimizar los movimientos de trabajo en ambos sentidos. Sin
embargo, debido al incremento de los equipos automatizados de manejo de
materiales en la manufactura de lotes pequeños, el problema del “viaje en reversa”
se ha convertido en un asunto de importancia para el diseño de una lista.
En este caso se minimiza las distancias y flujos de un departamento a otro.
 En el campo de la logística y las infraestructuras aeroportuarias, se
encuentra el problema de minimizar el tiempo de transbordo de los
pasajeros junto con su equipaje para continuar con la ruta que los llevará a
su destino en vuelos con escalas.
 Otra aplicación del QAP es la ubicación de negocios en el diseño de un
centro comercial donde se busca minimizar el tráfico de clientes en
circulación entre locales y salidas, encontrando la asignación óptima de
tiendas a los locales disponibles.
 Una aplicación diferente del QAP es el problema de flujo en línea
generalizado, que es una línea de flujo en la cual las operaciones fluyen
hacia adelante y no se procesan necesariamente en todas las máquinas de
la línea. En este tipo de líneas se puede comenzar y completar el proceso
en cualquier máquina, moviéndose siempre hacia delante (downstream) por
operaciones sucesivas de acuerdo con la secuencia de trabajo del proceso.
Cuando la secuencia de operaciones de un trabajo no especifica una
 máquina delante de su localización actual, el trabajo tiene que viajar en
sentido contrario (upstream) a fin de completar la operación requerida.

La minimización del backtracking de trabajos en una línea de producción

sirve a varias metas implícitas, tales como la reducción del tiempo de ocio
de las máquinas, la simplificación del problema de la programación y carga,
el incremento de la salida en la línea de producción.

Métodos automatizados para generar alternativas (CORELAP, ALDEP,

CRAFT)
La distribución de planta es el proceso de ordenación física de los elementos
industriales de modo que constituyan un sistema productivo capaz de alcanzar los
objetivos fijados de la forma más adecuada y eficiente posible.
Esta ordenación ya practicada o en proyecto, incluye tanto los espacios
necesarios para el movimiento del material, almacenamiento, trabajos indirectos y
todas las otras actividades o servicios, como el equipo de trabajo y la persona del
taller.
Mientras en los métodos de construcción se plantea el problema de ubicación de
actividades, en los métodos de mejora se consideran problemas de asignación.
Estos tienen aplicación en plantas industriales donde el proceso productivo venga
determinado por secciones, entre las cuales exista un tráfico de materiales, y sea
posible cuantificar los costes de transporte.

Algoritmo de mejora
El método CRAFT (Computerized Relative Allocation of Facilities Technique) fue
introducido en 1963 por Armour, Buffa y Vollman. Es uno de los primeros
algoritmos para la distribución de planta. Utiliza una caja o rectángulo para los
datos de entrada para el flujo entre departamentos.
Los departamentos no se restringen a las formas rectangulares y la disposición se
representa en una manera discreta. El CRAFT comienza determinando los centros
de los departamentos en la disposición inicial. Calcula la distribución de partida,
las distancias entre los centros de las áreas dedicadas a cada actividad
(considerando una distancia rectangular) y, a partir de ellas, el coste de los
movimientos. Después de calcula la distancia rectilínea entro los pares de centros
de los departamentos y almacena los valores en una matriz de la distancia y
calcula la disposición de los departamentos.

ELEMENTOS
Flujo de materiales y personas entre departamentos
Datos de entrada
Distancias
Almacén de valores
Disposición de departamentos

El mayor inconveniente de CRAFT es que proporciona soluciones poco realistas,

con líneas de separación poco regulares que dan lugar a formas difíciles de llevar
a la práctica o claramente inconvenientes. Normalmente el obligado, por tanto,
proceder a ajustes manuales, pero ello puede resultar a veces excesivamente
complicado.
Este algoritmo está estrechamente emparentado con el algoritmo heurístico para
la asignación cuadrática, pero este último incluía un procedimiento para generar la
solución inicial, que en CRAFT se obtiene manualmente. Dicha solución inicial, por
supuesto, condiciona el resultado, por lo que es conveniente pasar diversas veces
el algoritmo, cada una con una solución inicial diferente y comparar los resultados
obtenidos.
Consideraciones

 Solo se consideran los intercambios posibles entre los departamentos del

mismo tamaño o entre los departamentos que son adyacentes.
 Los departamentos de desigual tamaño que no sean adyacentes no son
considerados para el intercambio (en el MICRO-CRAFT se reduce esta
restricción).
 Selecciona el mejor de todos los posibles intercambios.
 Puede no obtenerse una reducción de costes tras la realización de un
intercambio.
 La hipótesis de los centroides puede dar lugar a extrañas formas de
departamentos y a inaceptables distribuciones en planta, pero de bajo
coste.
 El algoritmo permite fijar departamentos y departamentos comodín. Estos
departamentos pueden ser usados para rellenar irregularidades del edificio,
representar obstáculos o áreas no utilizables, representar espacio extra y
añadir localizaciones aisladas para evaluación en la distribución final.
Algoritmos constructivos
Dentro de este tipo caben, al menos, dos enfoques básicos que se pueden
representar a través de los algoritmos más conocidos de cada uno de ellos, a
saber, CORELAP y ALDEP.
El método CORELAP(Computerized Relationship Layout Planning) desarrollado
por Lee y Moore en 1967. Usa la tabla de relaciones entre departamentos como
entrada, el usuario es quien asigna los pesos para cada una de las relaciones. La
distribución se construye mediante el cálculo del Ratio toral de proximidad (TCR)
para cada departamento.
El valor del TCR es la suma de los valores numéricos asignados a las relaciones
en el gráfico de relaciones. Los valores que toman normalmente las constantes
para la determinación del TCR suelen ser:

Proceso de selección de los departamentos:

1. Seleccionar el departamento con el mayor TCR
2. En caso de empate en el valor de TCR se tomará el departamento con la
siguiente preferencia:
a) Mayor TCR
b) Mayor área de departamento
c) Número más bajo de departamento
3. Paso iterativo
a) Se selecciona el departamento con el mayor ratio de proximidad con
los ya colocados
b) Ver casos de empate
Procesos de colocación:
1. El primer departamento se sitúa en el centro
2. Para los siguientes departamentos en ser colocados:
a) Se evalúan las posibles situaciones
b) Para cada combinación se calcula:
i. Ratio de colocación usando el CR y la longitud de borde (se
computa un promedio de ambos valores como ratio)
ii. Se escoge el ratio de colocación más alto
iii. Se rompen lo empates por el menor contacto de borde

Evaluación:

La evaluación del layout se realiza mediante puntuación basa en la adyacencia. El

índice es el sumatorio de las adyacencias producidas por el valor de su CR.
Empieza calculando para centro de actividad la suma de las evaluaciones de su
relación con cada una de las demás.
La actividad a que corresponde una suma mayor se coloca en primer lugar, en lo
que será aproximadamente el centro de la distribución en planta, después, en
cada iteración se coloca la actividad cuya proximidad a las ya colocadas sea
mayor.

Características
 Restringe la gama de soluciones consideradas, lo que posiblemente le
impide acercarse al óptimo.
 Las soluciones obtenidas son susceptibles de ser llevadas a la práctica sin
o con pocas adaptaciones.
Limitaciones
 La solución obtenida depende de la actividad que se coloca primero, por lo
que se debe probar con varias opciones distintas.

El método ALDEP( Automated Layout Desing Procedure) es un procedimiento de

diseño automatizado de distribución de planta fue el primer modelo para múltiples
pantas.
Es un procedimiento constructivo que calcula el ratio total de proximidad (TCR del
inglés Total Closeness Rating) para cada departamento. El TCR es la suma de
valores numéricos asignados a las relaciones de proximidad en el gráfico de
relaciones por medio de los coeficientes A, E, I, O, U, X. Estos pesos numéricos
son llamados Closeness Rating (CR) “Necesidades de proximidad”.

Pasos para la selección de los departamentos:

1. Selección de la primera actividad entrante, de forma aleatoria. Esta entrará
en un contorno definido, siguiendo un nacho de banda o dimensión de
avance predeterminado.
2. La segunda actividad entrante es aquella que tiene un mayor TCR con la
actividad elegida anteriormente. En caso de no haber ninguna relacionada,
se escoge una aleatoriamente, que se ubica siguiendo un orden de avance
establecido y con el ancho de banda del punto anterior.
3. Se repiten los pasos anteriores hasta que todos los departamentos son
seleccionados.

Procedimiento de emplazamiento:
1. Colocar el primer departamento en la esquina superior izquierda y
extenderla hacia abajo. La anchura de la extensión está determinada por la
anchura disponible.
2. El siguiente departamento comienza donde el anterior finaliza
disponiéndose los departamentos en forma de serpentín.
Puede acomodarse a una variedad de formas de edificios e irregularidades. Los
ratio utilizados por ALDEP para la determinación dela cantidad de adyacencia
entre los departamentos suelen tomar los valores:
Referencias:
Víctor Manuel Sarria Cerro. (Septiembre 2010). Metaheurísticas aplicadas al
problema QAP. Estudio y experiencia computacional. Recuperado de:
https://upcommons.upc.edu/bitstream/handle/2099.1/10505/PFC%20QAP
%20Vol1.pdf
Carlos Enrique Gómez Segura. (2012). Metodología para la optimización de la
distribución de plantas. Recuperado de:
https://repository.javeriana.edu.co/bitstream/handle/10554/10318/GomezSeguraCa
rlosEnrique2013.pdf?sequence=1&isAllowed=y
http://catarina.udlap.mx/u_dl_a/tales/documentos/lii/ortega_e_r/capitulo2.pdf

Rogelio González, Beatriz Bernábe, Martín Estrada,Antonio Alfredo Reyes.

Aproximación GRASP-VND para el problema de asignación cuadrática. 2014, de
Benemérita Universidad Autónoma de Puebla Sitio web:
https://www.rcs.cic.ipn.mx/2014_88/Aproximacion%20GRASP-VND%20para%20el
%20problema%20de%20asignacion%20cuadratica.pdf
López Olais Margarita. (2014). Informe final: Planeación y diseño de instalaciones.