Traducido del inglés al español - www.onlinedoctranslator.

com

Disponible en línea enwww.sciencedirect.com

Ciencia Directa
Procedia Ciencias de la Computación 217 (2023) 1117–1126

IV Congreso Internacional sobre Industria 4.0 y Fabricación Inteligente

Optimización basada en simulación de los

parámetros de planificación de requisitos de materiales

Bernhard Wertha,b, Johannes Kardera,b, Andreas Behama,∗, Klaus AltendorferC

aCentro Josef Ressel adaptop, Laboratorio de algoritmos heurísticos y evolutivos, Universidad de Ciencias Aplicadas de Alta Austria, Campus
Hagenberg, Softwarepark 11, 4232 Hagenberg, Austria
bInstituto de Verificación y Modelos Formales, Universidad Johannes Kepler de Linz, Altenberger Straße 69, 4040 Linz, Austria
CDepartamento de Gestión de Producción y Operaciones, Universidad de Ciencias Aplicadas de Alta Austria, Campus Steyr Wehrgrabengasse 1–3,
4400 Steyr, Austria

Abstracto

El rendimiento de los sistemas de producción modernos a menudo depende de estrategias de planificación de la producción automatizadas, como la planificación de
los requisitos de materiales. Parametrizar, evaluar y comparar estas estrategias probándolas en el mundo real suele ser difícil.fficulto y con un uso prohibitivo de
recursos. Se puede utilizar simulación por computadora de última generación para modelar adecuadamente los procesos de producción y predecir las métricas de
desempeño relevantes sin invertir valiosas capacidades de producción. Los procedimientos de optimización heurística pueden aprovechar estas simulaciones para
ajustar las estrategias de planificación de la producción. Sin embargo, un obstáculo importante para este enfoque de optimización basado en simulación reside en
sus requisitos computacionales, ya que las simulaciones de producción precisas requieren una buena parte del tiempo de cálculo. En este trabajo, demostraremos el
uso de la optimización heurística para aprender estrategias de producción óptimas para un escenario bioobjetivo de alta dimensión del mundo real y exploraremos
cómo reducir el costo computacional de la búsqueda heurística mediante el uso de sustitutos y la reducción de dimensionalidad. Los resultados indican que el
enfoque empleado logró soluciones que podrían superar los parámetros de planificación de producción utilizados actualmente en el mundo real.

© 2022 Los Autores. Publicado por Elsevier BV

Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0) Revisión por
pares bajo la responsabilidad del comité científico de la 4ª Conferencia Internacional sobre Industria 4.0 y Fabricación Inteligente

Palabras clave:Simulación; Modelado sustituto; Optimización asistida por sustitutos; Sistema de producción; Tamaño del lote; Plazo de entrega planificado

1. Introducción

El rendimiento de los sistemas de producción modernos a menudo depende de estrategias de planificación de la producción automatizadas, como la
planificación de requisitos de materiales (MRP) o kanban. Estas herramientas automatizadas son fundamentales para el rendimiento de la producción y,
en muchos casos, diffiEs difícil parametrizar correctamente, pero a menudo se calibran solo una vez y carecen de actualizaciones periódicas y procesos
de validación. Por lo tanto, después de algún tiempo, los parámetros del sistema mal ajustados pueden afectar negativamente la producción.

∗Autor correspondiente. Tel.: +43-50804-27133; fax: +43-50804-21599.

Dirección de correo electrónico:andreas.beham@fh-ooe.at

1877-0509© 2022 Los Autores. Publicado por Elsevier BV

Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0)
Revisión por pares bajo la responsabilidad del comité científico de la 4ª Conferencia Internacional sobre Industria 4.0 y Fabricación
Inteligente
10.1016/j.procs.2022.12.310
1118 Bernhard Werth et al. / Procedia Ciencias de la Computación 217 (2023) 1117–1126

rendimiento sin detección. Un proceso formal y exacto de actualización y validación a menudo es imposible de implementar o inviable porque
el tiempo de producción dedicado a la validación superaría cualquier potencial de optimización. La simulación por computadora de última
generación se puede utilizar para modelar los procesos en el mundo real con gran detalle (simulación de alta fidelidad) y obtener las métricas
de rendimiento relevantes sin invertir valiosas capacidades de producción. La simulación es un método importante en la evaluación de
sistemas de producción reales, ya que los modelos analíticos de forma cerrada generalmente no son capaces de representar las interacciones
entre materiales, órdenes de producción y recursos. Los modelos de simulación se pueden utilizar para realizar análisis hipotéticos, comparar
escenarios y pronosticar el comportamiento del sistema.1]. Estudios previos [2,3,4] indican que los modelos de simulación pueden
aproximarse a los sistemas de producción del mundo real en un grado satisfactorio que permite la optimización de la producción basada en
simulación, por ejemplo, mediante la planificación previa de difdiferentes tamaños de lote [5].
Mediante el uso de estas simulaciones, se puede evaluar una estrategia de planificación de la producción con respecto a los indicadores
clave de rendimiento (KPI) relevantes del sistema (por ejemplo, nivel de servicio, tardanzas, costos de inventario acumulados,...). Otra ventaja
es la capacidad de medir la estabilidad de una estrategia bajo difcircunstancias diferentes introduciendo elementos estocásticos en la
simulación y simulando una estrategia varias veces.
Una vez que se ha establecido un modelo de simulación, se pueden emplear procedimientos de optimización heurística en combinación
con simulaciones por computadora para afinar las estrategias de planificación de la producción. Un obstáculo importante para este enfoque
radica en sus requisitos computacionales, ya que las simulaciones de producción precisas requieren una buena parte del tiempo de cálculo.
Además, hay una serie de desafíos que superar si se va a aplicar la optimización basada en simulación a la planificación de la producción:

• Múltiples objetivos:Comparando el rendimiento de difDiferentes estrategias de MRP son un desafío ya que muchos aspectos de una effiUn
sistema de producción eficiente no puede convertirse directamente en costos monetarios. Los algoritmos metaheurísticos para múltiples
objetivos han sido un elemento básico desde hace varios años. Producen frentes de soluciones potenciales en lugar de óptimos únicos, lo que
requiere que un tomador de decisiones (humano) haga una selección final.
• Estocasticidad:En comparación con los modelos matemáticos cerrados, las simulaciones suelen incorporar elementos estocásticos. Esto puede aumentar el
realismo pero también dificulta las comparaciones entre los candidatos a soluciones.fficulto. Los valores atípicos estocásticos (explosiones de demanda,
configuraciones desafortunadas de los tiempos de producción,...) pueden hacer que los escenarios de producción pasen a estados en los que el e
acumulativofLos efectos impactan fuertemente los costos simulados.
• E computacionalfort:La simulación de alta fidelidad exige mucho recursos computacionales, que van desde varios minutos
hasta horas por ejecución, y la demanda muy justificable de resultados sólidos y estables agrava aún más este problema.
Demostramos cómo se puede emplear el uso conservador de modelos sustitutos en combinación con un enfoque de
simulación de fidelidad mixta para aliviar parte de la carga de trabajo computacional.
• Dimensionalidad:Las estrategias modernas de planificación de la producción pueden tener cientos de parámetros de difDiferentes
tipos (valores reales, enteros, categóricos, ordinales,...). Esto crea enormes espacios de búsqueda para el algoritmo de optimización
que a menudo resisten los intentos matemáticos de separación y descomposición (p. ej. análisis de componentes principales,
detección de grupos de variables lineales separables). Mostramos que incluso información semántica simple sobre el problema de
optimización (es decir, agrupar materiales por tecnología asociada o volumen de producción esperado) puede usarse para restringir la
búsqueda o sesgarla hacia configuraciones más relevantes.

Este artículo demuestra que estos desafíos se pueden superar mostrando una optimización basada en simulación multiobjetivo asistida
por sustitutos de alta dimensión en un sistema de producción de palabras reales. La simulación del sistema de producción para este trabajo
se ha creado con el marco genérico SimGen, introducido por Felberbauer et al. y Altendorfer et al. [6,7] y ha sido construido para un productor
de una amplia variedad de baterías y dispositivos de almacenamiento de energía. Dentro del sistema productivo se procesan un total de 124
materiales, productos intermedios y finales. Para la mayoría de estos eltamaño del lote,stock de seguridadytiempo de seguridadhay que
planificarlo. También se deben configurar tres parámetros adicionales relacionados con la estrategia de tiempo de configuración, lo que da un
total de 371 parámetros de entrada. Al utilizar la discretización de tiempo, todos los parámetros se pueden codificar como números enteros
en un cuadro delimitador. Ejecutar una simulación requiere hasta 20 minutos de tiempo de ejecución de un solo núcleo por simulación en una
CPU moderna y la estocasticidad dentro de la simulación requiere un promedio de múltiples repeticiones. El resto de este artículo está
estructurado de la siguiente manera: La literatura relevante y el trabajo previo sobre la optimización basada en simulación de los parámetros
MRP se presentan en la Sección2. Secciones3y4constituyen la parte principal del trabajo al brindar una descripción general de las técnicas de
regresión aplicadas y las aplicaciones de optimización asistida por sustitutos.
 Bernhard Werth et al. / Procedia Ciencias de la Computación 217 (2023) 1117–1126 1119

enfoques, así como discutir los experimentos y resultados, respectivamente. Finalmente, las conclusiones se extraen en la Sección5 y se da
potencial para futuras investigaciones.

2. Revisión de la literatura

La complejidad y la dinámica del proceso integral de planificación de la producción de una organización normalmente no se pueden
representar con modelos cerrados. Por lo tanto, las simulaciones en las que los procesos de producción se pueden presentar de manera
realista son efEfectivamente la única alternativa para brindar apoyo a la toma de decisiones en problemas de planificación complejos y
dinámicos [8]. Optimización basada en simulación [9,10] en general sigue siendo un área de investigación muy activa ya que un requisito clave
para optimizar modelos de simulación de palabras reales más complejos es la effiUtilización eficiente de infraestructuras informáticas
distribuidas. Se pueden encontrar encuestas sobre aplicaciones exitosas de enfoques de optimización metaheurística basados en simulación
para diversas áreas, como rutas de vehículos, programación de producción y optimización del diseño.11] así como variaciones del diseño de
ingeniería [12,13]. Desde entonces, varios investigadores han experimentado con la simulación de sistemas de producción bajo el aspecto de
optimización. Jeon y Kim [14] proporciona un estudio completo del trabajo científico de 2002 a 2014 relacionado con la planificación y el
control de la producción basados en simulación, no limitado a MRP. Nguyen et al. [15] proporcionan una revisión de la programación de
producción basada en simulación centrada en la programación genética. En cuanto a la simulación de eventos discretos de sistemas de
producción específicamente con SimGen o algoritmos genéticos para crear estrategias de planificación de la producción, se remite al lector a
los siguientes artículos:

• Jodlbauer y Huber [dieciséis] explorar la solidez y estabilidad de los parámetros de planificación de la producción en el campo de
varios sistemas de control y planificación de la producción, como MRP.
• Hubl et al. [17] examina la influencia de las reglas de despacho en el tiempo promedio de producción para sistemas de
producción de una y varias etapas.
• Gansterer et al. [18] muestran una aplicación de optimización basada en simulación para la mejora de parámetros de
planificación para un ejemplo académico de baja dimensión.
• Se pueden mostrar correlaciones entre los parámetros dependientes del tiempo y la capacidad y las influencias estocásticas en todo el sistema
de planificación [19] y los resultados de optimización se pueden evaluar en relación con parámetros de calidad definidos [11].
• Altendorfer et al. (2016) evalúan un proceso de planificación jerárquica con simulación [20] e identificar un alto potencial de reducción
de costos, así como un peligro significativo para este potencial derivado de errores de pronóstico, subrayando la necesidad tanto de e
ffiEstrategias MRP eficientes y robustas.
• Sukkerd [21] y Chaube [22] emplean algoritmos genéticos modificados para la planificación de materiales y producción para
formulaciones de problemas tanto de objetivo único como de objetivo múltiple.
• Osorio et al. [23] abordan la cuestión del tamaño del problema con un modelo de programación lineal entera de dominio específico que funciona
en conjunto con una simulación de eventos discretos.

Como un problema de optimización estocástico de alta dimensión multiobjetivo con evaluación considerable efPor ejemplo, la
optimización basada en simulación de los parámetros MRP pertenece a varios aspectos especiales de la optimización metaheurística. Las
siguientes subsecciones describen brevemente conceptos y enfoques relevantes para el caso presentado.

2.1. Optimización de ruido multidimensional

ElAlgoritmo genético de clasificación no dominado, versión 2(NSGA-II) [24] es probablemente el algoritmo metaheurístico basado
en población más utilizado para la optimización multiobjetivo. Utiliza conceptos clásicos de algoritmos genéticos como selección,
cruce y mutación, para mejorar una población de soluciones. Las soluciones se insertan o eliminan de la población dependiendo de
surango de dominación(soluciónadomina la soluciónbsiaes estrictamente mejor queben al menos un objetivo y al menos igual son
todos los demás) y sudistancia de hacinamiento(una medida que describe cuán única es la combinación de soluciones de valores
objetivos en la población actual). Como resultado de este procedimiento de selección, NSGA-II es un algoritmo elitista que puede
explotar el espacio de búsqueda con bastante avidez, lo que puede resultar beneficioso en escenarios de optimización de simulación
donde el presupuesto computacional es bastante limitado. Establecer la dominación en presencia de ruido es un desafío en sí
mismo y se han presentado varias soluciones a este problema [25]. Sin embargo,
1120 Bernhard Werth et al. / Procedia Ciencias de la Computación 217 (2023) 1117–1126

para esta simulación lo encontramos suffiEs conveniente simplemente repetir la simulación cinco veces y tratar los valores objetivos promediados como
si no tuvieran ruido.

2.2. Optimización computacionalmente costosa

Dentro de la optimización basada en simulación, la evaluación de posibles soluciones candidatas puede resultar bastante costosa. Una
sola ejecución de simulación puede tardar desde varios minutos hasta horas o incluso días [26]. Optimizar problemas tan complejos con
enfoques heurísticos convencionales que necesitan ejecutar cientos de miles de evaluaciones no es factible debido a limitaciones de tiempo.
Los modelos sustitutos sirven como aproximaciones a las simulaciones y pueden evaluarse en un marco de tiempo mucho más corto.27,28].
Una simulación del sistema explorado en este artículo lleva hasta 20 minutos, lo que es prohibitivo para la optimización metaheurística
convencional, pero permite la comparación de difDiferentes estrategias de búsqueda basadas en sustitutos.
El objetivo de aplicar modelos de regresión para la optimización asistida por sustitutos es aproximar la superficie de respuesta del modelo
de simulación subyacente. Las configuraciones observadas y sus correspondientes respuestas se utilizan en el proceso de ajuste del modelo.
El modelo resultante se utiliza luego como función objetivo para un proceso de optimización posterior, donde se deben identificar
configuraciones nuevas y prometedoras. Luego se cierra el ciclo evaluando estas nuevas configuraciones mediante simulación y obteniendo
así nuevos datos que nuevamente permiten construir mejores modelos de regresión.
En la mayoría de los casos, los modelos sustitutos son modelos de regresión de caja negra que predicen el valor objetivo directamente a
partir de las variables de decisión. Algunas excepciones son los modelos de clasificación, que predicen si una solución mejorará o no el estado
actual del algoritmo, o los procedimientos de agrupación que intentan identificar similitudes entre soluciones candidatas. La literatura
relevante describe muchos difDiferentes técnicas de modelado sustituto, por ejemplo, regresión lineal y polinómica [29], bosques aleatorios [
30], máquinas de vectores de soporte, árboles potenciados por gradiente [31], modelos de árboles híbridos [32,33], (superficiales y profundas)
Redes neuronales [34] o procesos gaussianos [35]. Kleijnen (2009) realiza una revisión extensa sobre los sustitutos de Kriging (es decir, el
proceso gaussiano) para simulaciones [36]. Por lo general, las metaheurísticas asistidas por sustitutos se aplican a problemas de optimización
con un número limitado de variables de decisión de valor real. Estos enfoques difer en el tipo de modelo, en si emplean uno o varios modelos
y si los modelos se aplican local o globalmente al espacio de búsqueda [37]. Una limitación muy común de las técnicas sustitutas es su
restricción a problemas de dimensiones bastante bajas.38].

2.3. Optimización de alta dimensión

El diffiLa dificultad de construir modelos sustitutos adecuados aumenta drásticamente con el número de parámetros de entrada. Uno de
los enfoques más populares para la optimización heurística asistida por sustitutos es la optimización bayesiana que utiliza un modelo de
proceso gaussiano en el quecriterio de rellenose optimiza antes de realizar la simulación, se construye un nuevo modelo y el proceso se inicia
nuevamente. Este proceso a menudo se conoce comomiffiOptimización global eficientedespués de un artículo de Jones et al. [39]. Una idea
central de este algoritmo es la mejora continua de la confianza del modelo en sus propias predicciones además de las predicciones mismas.
Sin embargo, para espacios de búsqueda de alta dimensión, casi siempre habrá grandes regiones donde habrá muy pocos datos disponibles
y la confianza de predicción del modelo nunca convergerá lo suficiente como para que el algoritmo alcance su máximo potencial.

Se han propuesto varios enfoques para aplicar modelos sustitutos para problemas de optimización de dimensiones bastante altas. Una
estrategia popular es ampliar varios métodos de búsqueda metaheurística, que funcionaron bien en problemas de optimización económicos
de alta dimensión, como optimizadores de nado de partículas, búsqueda dinámica de coordenadas o difevolución diferencial y combinarlos
con modelos de regresión que utilizan núcleos de base radial [40,41,42,43]. Una propiedad importante explotada en estos algoritmos es que
los modelos que utilizan una proyección de los datos de entrenamiento en unespacio del núcleo, como las máquinas de vectores de soporte,
los procesos gaussianos, los modelos de regresión de base radial o las redes neuronales de base radial, solo dependen de las distancias de los
puntos dentro del espacio de búsqueda en lugar de las dimensiones de entrada reales. Por lo tanto, no requieren un número cada vez mayor
de muestras de entrenamiento con dimensiones crecientes. Por el contrario, ajustar un modelo lineal de manera óptima a los datos requiere
al menos n puntos lineales independientes para un espacio de n dimensiones.
La optimización metaheurística de última generación a menudo emplea la reducción o descomposición del espacio de búsqueda basada
en la idea de separabilidad lineal.44]. Los problemas de optimización lineal separable se pueden subdividir en problemas más pequeños de
baja dimensión, que se pueden resolver de forma independiente. Se han propuesto técnicas basadas en sustitutos que utilizan este principio,
por ejemplo, el enfoque presentado en [45] utiliza unrepresentación del modelo de alta dimensión(es decir, una combinación lineal de
modelos que se centran en grupos más pequeños de variables de entrada). Sin embargo, los resultados preliminares indican que la mayoría
 Bernhard Werth et al. / Procedia Ciencias de la Computación 217 (2023) 1117–1126 1121

Los parámetros de entrada de la simulación utilizada aquí no son separables linealmente para ninguno de los objetivos y probar exhaustivamente la
separabilidad de todas las combinaciones de parámetros excedería cualquier presupuesto computacional razonable. En este trabajo demostramos que
el soporte sustituto aún se puede utilizar para una optimización de alta dimensión incluso cuando la separación no es factible o posible.

3. Optimización de parámetros MRP basada en simulación

NSGA-II servirá como punto de partida base para la optimización del sistema de producción descrito en la Sección1. Los experimentos
preliminares indican que una combinación de un operador de cruce discreto [46] y un cruce de un solo punto [47] como operador de
recombinación y agregar ruido gaussiano a aproximadamente el 10% de los parámetros de entrada como operador de mutación proporcionó
los mejores resultados (las soluciones se redondean a los enteros entrantes más cercanos después de la mutación) (consulte también la Tabla
4). A continuación se describen tres modificaciones del NSGA-II “predeterminado”.

3.1. Muestreo direccional

La primera mejora que se puede realizar al algoritmo radica en el procedimiento de muestreo inicial para la primera población. Este problema de
optimización basado en simulación difers de las funciones de prueba académicas habituales, en el sentido de que el algoritmo de optimización no
necesita (y no debe) ignorar todo el conocimiento previo sobre el problema. Dado que la simulación modela un sistema de producción real, se puede
obtener información sobre cómo se realizan actualmente los materiales y la producción. Específicamente, se puede construir un conjunto de parámetros
que refleje el estado actual del mundo real. Estesolución predeterminada Se puede obtener consultando al experto en el dominio o al sistema de
planificación de producción actualmente en uso. Creemos que obtener dichos parámetros predeterminados es posible en la mayoría, si no en todos, los
casos en los que un sistema de producción real actualmente en uso debe ampliarse con una optimización basada en simulación, independientemente
del dominio de la aplicación. En segundo lugar, esperamos cambios similares en el comportamiento al cambiar el tamaño de los lotes, los tiempos de
seguridad y las existencias, con la idea aproximada de que aumentar cualquiera de estos números independientemente de qué componente o material
empuja al sistema de producción a "producir más temprano", mientras que disminuir estos números empuja al sistema de producción a "producir más
temprano". sistema para “producir menos y justo a tiempo”. Por lo tanto, proponemos un procedimiento de muestreo inicial que comienza desde la
solución predeterminada y la modifica moviéndola a lo largo de las líneas que pasan por la solución predeterminada y el punto máximo y mínimo del
espacio de búsqueda (un ejemplo bidimensional se muestra en la Figura1). Es de destacar que, si bien esta forma de muestreo inicial sesga fuertemente
la búsqueda hacia ciertas regiones, el NSGA-II puede desviarse rápidamente de ellas a través de los operadores de recombinación y mutación.

Fig. 1. Muestreo inicial direccional

3.2. Reducción de parámetros mediante agrupación

Una segunda mejora potencial es reducir el espacio de búsqueda disponible mediante la agrupación de parámetros. Si bien la descomposición
espacial y la reducción de dimensionalidad mediante el análisis de componentes principales están limitadas por la descomponibilidad del problema de
optimización y requieren una serie de evaluaciones en sí mismas, se puede obtener información semántica sobre el escenario de planificación de
producción mucho más fácilmente. Al agrupar materiales con estrechos vínculos semánticos, los parámetros
1122 Bernhard Werth et al. / Procedia Ciencias de la Computación 217 (2023) 1117–1126

relacionados con estos materiales se pueden asignar a un valor único (es decir, los tamaños de lote para todos los materiales en el mismo
grupo comparten el mismo valor numérico). Esto reduce en gran medida el número de parámetros involucrados, a riesgo de restringir tanto
el espacio de búsqueda que ya no se puedan lograr buenas soluciones. En este trabajo, hicimos que expertos en el campo agruparan los
materiales involucrados según la tecnología correspondiente (etiquetadatecnologíamás adelante) y por volumen de facturación (etiquetado
volumen) reduciendo drásticamente el número de parámetros de 371 a 24 y 33 en consecuencia.

3.3. Filtrado asistido por sustitutos

Por último, NSGA-II se puede complementar con un modelo sustituto que utiliza datos de iteraciones anteriores para decidir si la
evaluación de una solución candidata es lo suficientemente prometedora como para justificar su ejecución real. Más
específicamente, dos modelos sustitutos individuales predicen los dos valores objetivos y sólo si las cualidades predichas no estarían
dominadas por la población actual, se realizará la simulación real (de lo contrario, la solución candidata se descarta
inmediatamente). Dado que este procedimiento se vuelve cada vez más restrictivo a medida que avanza la búsqueda y corre el
riesgo de sofocarla, se emplea una política ε-codiciosa (ε = 0,05) [48].
La multiobjetividad del problema de optimización es realmente beneficiosa en esta etapa, ya que la probabilidad de que una
solución pase el filtro sustituto aumenta con el número de objetivos. Además, incluso los tipos de modelos sustitutos cuyas
predicciones siempre se encuentran entre el rango de valores objetivos encontrados en los datos de entrenamiento se pueden
utilizar sin bloquear todas las posibles soluciones candidatas.
En lo que respecta a la elección del modelo, muchos de los tipos de modelos adecuados enumerados en la Sección2.2requieren una calibración
cuidadosa en términos de funciones de distancia, núcleos e hiperparámetros o están orientados a enfoques complejos de optimización de múltiples
etapas. Por el contrario, optamos por emplear un modelo de regresión simplista no ponderado de k-vecino más cercano (k=3) basado en la distancia
euclidiana, ya que dicho modelo proporciona predicciones rápidas, prácticamente no requiere tiempo de entrenamiento, es muy robusto y, por lo tanto,
puede aplicarse más fácilmente. a otros escenarios de planificación de la producción.

4. Experimentos y resultados

Los aspectos metaheurísticos de los experimentos se han llevado a cabo con el entorno de código abierto HeuristicLab y
la implementación exacta de cruces y mutadores, así como NSGA-II, se puede encontrar en su código asociado.1. Mesa4
Contiene los parámetros para el NSGA-II extendido y el problema de optimización.

Nombre del parámetro Valor

Transversal Discreto (50%), Punto Único (50%)
Probabilidad de cruce 75%
Número máximo de evaluaciones 2500
Probabilidad de mutación 25%
mutador Múltiples posiciones (pag=0.1)
Redondeado-Normal(σ = 1)-Suma 100
Tamaño de la poblacion

Selector Torneo lleno de gente (tamaño del grupo = 2) 5

Repeticiones de evaluación
Muestreo inicial Dirigido, no dirigido (aleatorio uniforme) Ninguno, K-
Sustituto Regresión del vecino más cercano (k = 3) Ninguno,
Agrupación de parámetros Tecnología, Volumen

Tabla 1. Parámetros para los experimentos numéricos

Cifra2presenta el hipervolumen invertido (hipervolumen del punto óptimo menos el hipervolumen del
frente actual).
En primer lugar, es evidente que NSGA-II dirigido funciona notablemente mejor que sus homólogos no dirigidos. Esto se puede explicar
por una falta de variedad en la población inicial, ya que debido a la alta dimensionalidad del problema, las muestras aleatorias uniformes o de
hipercubo latino muestran parámetros promedio muy similares. Para ilustrar esto, la figura3, que muestra las correlaciones entre este
tamaño de lote promedio y los costos de tardanza y sugiere que los costos de tardanza se acumulan principalmente si el tamaño de lote
promedio es bastante bajo. En los casos no direccionales, el tamaño medio del lote a menudo no alcanza valores suficientemente bajos.

1https://dev.heuristiclab.com
 Bernhard Werth et al. / Procedia Ciencias de la Computación 217 (2023) 1117–1126 1123

Fig. 2. Hipervolumen invertido por iteración (cuanto más bajo, mejor)

que aparezcan mayores costes por tardanzas. También se puede ver que las variaciones dirigidas exploran un espectro más diverso
que sus contrapartes no dirigidas en términos de promedios o sumas de parámetros que podrían dotarlas de material genético
valioso.

Fig. 3. Correlación de tardanzas en el tamaño del lote

En segundo lugar, figura2representa la efEfectos del uso del filtrado de modelos sustitutos. Para los recorridos direccionales, los modelos sustitutos
proporcionan un pequeño beneficio, pero para los no direccionales la búsqueda se ve obstaculizada. Esto es igualmente el resultado de la no-
1124 Bernhard Werth et al. / Procedia Ciencias de la Computación 217 (2023) 1117–1126

configuraciones direccionales que no obtienen valores de coste de tardanza suficientemente altos. Si todos los costos de tardanza son iguales,
el problema pasa de ser un problema bidimensional a uno unidimensional, lo que disminuye gravemente la probabilidad de que las posibles
soluciones pasen el filtro sustituto. Ver figura4como ejemplo de esto efetc. El conjunto de soluciones que se muestra en el lado izquierdo
abarca ambos objetivos, lo que permite que todas las soluciones cuyas predicciones caen en el área más oscura pasen el filtro sustituto. Sin
embargo, el conjunto de soluciones del lado derecho se colapsa en un solo objetivo y no permite que ninguna solución pase el filtro. Tenga en
cuenta que un modelo de regresión k-nn nunca puede predecir valores inferiores al valor más bajo de su conjunto de entrenamiento, una
cualidad que comparte con varios modelos de regresión populares.

Fig. 4. Filtro sustituto: frente bidimensional (izquierda); Frente colapsado (derecha)

En tercer lugar, el uso de agrupamiento de parámetros para disminuir la dimensionalidad del problema mejoró sustancialmente los resultados
obtenidos en el caso no dirigido, pero en el caso dirigido los resultados varían sólo marginalmente. Los experimentos con presupuestos
computacionales mayores indican que la mayor parte del potencial de optimización se agota en 2500 evaluaciones.
Por último, cabe señalar la solidez de las soluciones. Cifra5muestra el frente de Pareto combinado tomado de todas las soluciones de
todos los enfoques y muestra las desviaciones estándar del frente de Pareto combinado. Ambas incertidumbres aumentan con menores
costos de inventario y mayores tardanzas, lo que indica la sugerencia intuitiva de que tener un inventario más grande conduce a una situación
de producción más estable. La incertidumbre relativa en los costos de tardanza también es considerablemente mayor que la incertidumbre
relativa en los costos de inventario.

Fig. 5. Frente de Pareto logrado combinado con incertidumbres

5. Conclusión y trabajo futuro

En este artículo, se demuestra la aplicación de la optimización basada en simulación para la planificación de requisitos de materiales en un
caso de uso de alta dimensión en el mundo real. El enfoque multiobjetivo empleado proporciona al tomador de decisiones múltiples
soluciones óptimas de Pareto que no solo permiten difintercambio existentefHay una diferencia entre tardanzas y costos de inventario, pero
se puede analizar y evaluar en detalle visualizando las ejecuciones de simulación correspondientes.
 Bernhard Werth et al. / Procedia Ciencias de la Computación 217 (2023) 1117–1126 1125

Se exploraron tres alteraciones del algoritmo NSGA-II: asistencia sustituta, reducción de dimensionalidad mediante
agrupamiento y muestreo inicial sesgado. Las declaraciones generales sobre la viabilidad de estas extensiones requieren múltiples
repeticiones del algoritmo heurístico para que el estocástico efLos efectos derivados de la optimización se pueden cuantificar y
probar para determinar su importancia; sin embargo, los resultados indican que se pueden lograr mejoras incorporando incluso
conocimientos muy rudimentarios específicos del problema.
Una clara limitación de la investigación actual es su limitación a un único caso de uso en el mundo real. Esto subraya la relevancia del
problema, pero para mostrar la generalización del enfoque presentado, será necesaria la introducción de puntos de referencia de alta
dimensión, codificados con números enteros/combinatorios y computacionalmente costosos. Específicamente, puntos de referencia, que
permiten la incorporación de conocimiento del problema en forma de operadores o restricciones específicos del problema. El trabajo futuro
deberá ampliar la metodología metaheurística, comparar difRealizar parametrizaciones diferentes con respecto a la significación estadística y
realizar comparaciones a lo largo de múltiples instancias de problemas de MRP. Además, el inventario y las tardanzas no serán los únicos
objetivos de optimización para los controladores de producción; por lo tanto, el trabajo futuro explorará objetivos y limitaciones adicionales.

6. Agradecimientos

El trabajo descrito en este documento se realizó en parte dentro del proyecto.Métodos integrados para una planificación
y control de producción sólidos(SIMGENOPT2, #858642) en el programaProduktion der Zukunft, financiado por la Agencia
Austriaca de Promoción de la Investigación (FFG). Por otra parte, el apoyo financiero del Ministerio Federal de Asuntos
Digitales y Económicos de Austriafairs y se agradece a la Fundación Nacional para la Investigación, Tecnología y Desarrollo y
a la Asociación de Investigación Christian Doppler.

Referencias

[1] J. Xu, E. Huang, L. Hsieh, LH Lee, Q.-S. Jia, C.-H. Chen, Optimización de la simulación en la era de la industria 4.0 y la Internet industrial,
Journal of Simulation 10 (4) (2016) 310–320.
[2] AJ Peirleitner, K. Altendorfer, T. Felberbauer, Mejora del sistema de fabricación basada en simulación centrándose en las decisiones de capacidad y
mrp: un caso práctico de la ingeniería mecánica, en: Conferencia de simulación (WSC), invierno de 2017, IEEE, 2017, págs. 3876–3887.
[3] T. Felberbauer, K. Altendorfer, Comparación del desempeño de dos difComportamientos diferentes de los pedidos de los clientes dentro de la planificación
jerárquica de la producción, en: Actas de la Conferencia de simulación de invierno de 2014, IEEE Press, 2014, págs.
[4] K. Altendorfer, A. Hübl, H. Jodlbauer, Métodos periódicos de establecimiento de capacidad para sistemas de producción de múltiples máquinas fabricados por pedido, Revista
internacional de investigación de producción 52 (16) (2014) 4768–4784.
[5] LC Mak, WK Wong, YS Leung,Un análisis de simulación del impacto del tamaño del lote de producción y su interacción con la competencia del
operador en el rendimiento del sistema de fabricación., Práctica y teoría del modelado de simulación 49 (2014) 203 – 214.doi:https://doi.org/10.1016/
j.simpat.2014.09.008.
URLhttp://www.sciencedirect.com/science/article/pii/S1569190X14001518
[6] T. Felberbauer, K. Altendorfer, A. Hübl, Uso de un modelo de simulación escalable para evaluar el rendimiento de la segmentación del sistema de producción en
un sistema combinado mrp y kanban, en: Actas de la Conferencia de simulación de invierno, Conferencia de simulación de invierno, 2012 , pag. 266.
[7] K. Altendorfer, T. Felberbauer, D. Gruber, A. Hübl, Aplicación de un modelo de simulación genérico para optimizar la producción y la planificación de la fuerza
laboral en un proveedor de automóviles, en: Actas de la Conferencia de simulación de invierno de 2013: Simulación: toma de decisiones en un mundo complejo,
IEEE Press, 2013, págs. 2689–2697.
[8] A. Negahban, JS Smith, Simulación para el diseño y operación de sistemas de fabricación: revisión y análisis de la literatura, Journal of Manufacturing
Systems 33 (2) (2014) 241–261.
[9] AM Law, WD Kelton, Modelado y análisis de simulación, vol. 3, McGraw-Hill Nueva York, 2007.
[10] MC Fu, FW Glover, J. April, Optimización de la simulación: una revisión, nuevos desarrollos y aplicaciones, en: Actas de la 37ª conferencia sobre
simulación de invierno, Conferencia de simulación de invierno, 2005, págs.
[11] MAfenzeller, A. Beham, S. Vonolfen, E. Pitzer, SM Winkler, S. Hutterer, M. Kommenda, M. Kofler, G. Kronberger, S. Wagner, Optimización basada en
simulación con heuristiclab: directrices prácticas y aplicaciones del mundo real, en: Simulación y optimización aplicadas, Springer, 2015, págs. 3–38.

[12] A.-T. Nguyen, S. Reiter, P. Rigo, Una revisión sobre métodos de optimización basados en simulación aplicados al análisis del rendimiento de edificios, Applied
Energy 113 (2014) 1043–1058.
[13] H. Liu, Y.-S. Ong, J. Cai, Un estudio de muestreo adaptativo para el metamodelado global en apoyo del diseño de ingeniería complejo basado en simulación,
Optimización estructural y multidisciplinaria 57 (1) (2018) 393–416.
[14] SM Jeon, G. Kim, Un estudio de las técnicas de modelado de simulación en la planificación y el control de la producción (ppc), Planificación y control de la
producción 27 (5) (2016) 360–377.
1126 Bernhard Werth et al. / Procedia Ciencias de la Computación 217 (2023) 1117–1126

[15] S. Nguyen, Y. Mei, M. Zhang, Programación genética para la programación de la producción: una encuesta con un marco unificado, Complex & Intelligent Systems
3 (1) (2017) 41–66.
[16] H. Jodlbauer, A. Huber, Rendimiento a nivel de servicio de mrp, kanban, conwip y dbr debido a la estabilidad de los parámetros y la solidez ambiental,
International Journal of Production Research 46 (8) (2008) 2179–2195.
[17] A. Hübl, H. Jodlbauer, K. Altendorfer, Influencia de las reglas de despacho en el tiempo promedio de producción para sistemas de producción de múltiples etapas,
Revista internacional de economía de la producción 144 (2) (2013) 479–484.
[18] M. Gansterer, C. Almeder, RF Hartl, Métodos de optimización basados en simulación para establecer parámetros de planificación de producción, International
Journal of Production Economics 151 (2014) 206–213.
[19] D. Mourtzis, M. Doukas, D. Bernidaki, Simulación en la fabricación: revisión y desafíos, Procedia CIRP 25 (2014) 213–229.
[20] K. Altendorfer, T. Felberbauer, H. Jodlbauer, E.fEfectos de los errores de pronóstico sobre la utilización óptima en la planificación de la producción agregada con demanda
estocástica de los clientes, International Journal of Production Research 54 (12) (2016) 3718–3735.
[21] W. Sukkerd, T. Wuttipornpun, Algoritmo genético híbrido y búsqueda tabú para un sistema de planificación de requisitos de materiales de capacidad finita en un taller de flujo
flexible con operaciones de ensamblaje, Computadoras e ingeniería industrial 97 (2016) 157–169.
[22] A. Chaube, L. Benyoucef, MK Tiwari, Generación de planes de procesos dinámicos basados en un algoritmo nsga-2 adaptado para un sistema de fabricación
reconfigurable, Journal of Intelligent Manufacturing 23 (4) (2012) 1141–1155.
[23] AF Osorio, SC Brailsford, HK Smith, SP Forero-Matiz, BA Camacho-Rodrı́guez, Modelo de simulación y optimización para la planificación de la producción en la
cadena de suministro de sangre, Ciencia de la gestión de la atención médica 20 (4) (2017) 548–564.
[24] K. Deb, A. Pratap, S. Agarwal, T. Meyarivan, Un algoritmo genético multiobjetivo rápido y elitista: Nsga-ii, transacciones IEEE sobre computación
evolutiva 6 (2) (2002) 182-197.
[25] EJ Hughes, Clasificación evolutiva multiobjetivo con incertidumbre y ruido, en: Conferencia internacional sobre optimización evolutiva de
múltiples criterios, Springer, 2001, págs.
[26] S. Koziel, L. Leifsson, Modelado y optimización basados en sustitutos, Aplicaciones en ingeniería (2013).
[27] AIJ Forrester, AJ Keane, Avances recientes en optimización basada en sustitutos, Progress in Aerospace Sciences 45 (1-3) (2009) 50–79.
[28] NV Queipo, RT Haftka, W. Shyy, T. Goel, R. Vaidyanathan, PK Tucker, Análisis y optimización basados en sustitutos, Progreso en las ciencias
aeroespaciales 41 (1) (2005) 1–28.
[29] J. Neter, MH Kutner, CJ Nachtsheim, W. Wasserman, Modelos estadísticos lineales aplicados, vol. 4, IrwinChicago, 1996.
[30] L. Breiman, Bosques aleatorios, Aprendizaje automático 45 (1) (2001) 5–32.
[31] JH Friedman, Aproximación de función codiciosa: una máquina de impulso de gradiente, Annals of stats (2001) 1189–1232.
[32] JR Quinlan, et al., Aprendizaje con clases continuas, en: 5ª conferencia conjunta australiana sobre inteligencia artificial, vol. 92, Singapur, 1992, págs.
343–348.
[33] Y. Wang, IH Witten, Inducción de árboles modelo para predecir clases continuas (1996).
[34] J. Sreekanth, B. Datta, Evaluación comparativa de la programación genética y la red neuronal como posibles modelos sustitutos para la gestión de
acuíferos costeros, Gestión de recursos hídricos 25 (13) (2011) 3201–3218.
[35] CE Rasmussen, Procesos gaussianos en el aprendizaje automático, en: Conferencias avanzadas sobre aprendizaje automático, Springer, 2004, págs.
[36] JPC Kleijnen, Metamodelado Kriging en simulación: una revisión, Revista europea de investigación operativa 192 (3) (2009) 707–716.
[37] RT Haftka, D. Villanueva, A. Chaudhuri, Optimización global asistida por sustitutos paralelos con funciones costosas: una encuesta, Optimización
estructural y multidisciplinaria 54 (1) (2016) 3–13.
[38] JH Friedman, Sobre el sesgo, la varianza, 0/1: pérdida y la maldición de la dimensionalidad, Minería de datos y descubrimiento de conocimiento 1 (1) (1997) 55–77.
[39] DR Jones, M. Schonlau, WJ Welch, E.ffiCient optimización global de costosas funciones de caja negra, Journal of Global Optimization 13 (4)
(1998) 455–492.
[40] C. Sun, Y. Jin, R. Cheng, J. Ding, J. Zeng, Optimización de enjambre cooperativa asistida por sustitutos de problemas costosos de alta dimensión, IEEE
Transactions on Evolutionary Computation 21 (4) (2017) 644– 660.
[41] RG Regis, CA Shoemaker, Combinación de sustitutos de funciones de base radial y búsqueda dinámica de coordenadas en una costosa optimización de caja negra
de alta dimensión, Engineering Optimization 45 (5) (2013) 529–555.
[42] RG Regis, Programación evolutiva para una costosa optimización de caja negra restringida de alta dimensión utilizando funciones de base radial, IEEE
Transactions on Evolutionary Computation 18 (3) (2013) 326–347.
[43] L.-L. Chen, C. Liao, W. Lin, L. Chang, X.-M. Zhong, e basado en modelo sustituto híbridoffiOptimización global eficaz para el diseño de antenas de alta dimensión,
Progress In Electromagnetics Research 124 (2012) 85–100.
[44] Z. Yang, K. Tang, X. Yao, Optimización evolutiva a gran escala mediante coevolución cooperativa, Ciencias de la información 178 (15) (2008) 2985–2999.

[45] E. Li, H. Wang, F. Ye, Método de optimización asistida por sustitutos múltiples de dos niveles para problemas no lineales de alta dimensión, Applied Soft Computing
46 (2016) 26–36.
[46] TD Gwiazda, Crossover para problemas de optimización numérica de objetivo único, vol. 1, Tomasz Gwiazda, 2006.
[47] Z. Michalewicz, Algoritmos genéticos + estructuras de datos = programas de evolución, Springer Science & Business Media, 2013.
[48] M. Gimelfarb, S. Sanner, C.-G. Lee, Epsilon-bmc: Un enfoque de conjunto bayesiano para la exploración codiciosa de épsilon en el aprendizaje por refuerzo sin
modelos., en: UAI, 2019, p. 162.