Rubén Ruiz, Concepción Maroto, Javier Alcaraz.
|
|
- Julio Herrero Río
- hace 8 años
- Vistas:
Transcripción
1 27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8 11 de abril de 2003 UN ALGORITMO GENÉTICO HÍBRIDO PARA EL TALLER DE FLUJO DE PERMUTACIÓN Rubén Ruiz, Concepción Maroto, Javier Alcaraz. Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Universidad Politécnica de Valencia, Valencia, España rruiz@eio.upv.es, cmaroto@eio.upv.es, jalcaraz@eio.upv.es RESUMEN En este trabajo se propone un nuevo algoritmo genético para resolver el conocido problema del taller de flujo de permutación con el criterio de minimizar la duración total (makespan). Este algoritmo incorpora técnicas avanzadas como la hibridación de algoritmos genéticos y búsqueda local, así como la inicialización de la población mediante heurísticas eficientes. Asimismo se presenta una completa evaluación de los operadores y parámetros del algoritmo genético mediante técnicas de Diseño de Experimentos. Por último, evaluamos la eficiencia del algoritmo genético frente a otros algoritmos genéticos, tabu search, simulated annealing y otras técnicas avanzadas recientes. Palabras y frases clave: algoritmos genéticos, taller de flujo. Clasificación AMS: 90B35, 90C Introducción En un taller de flujo de permutación se dispone de m máquinas (1,...,m) en las que hay que procesar n trabajos o tareas, (1,...,n). Todos los trabajos tienen la misma secuencia de proceso en las máquinas. Al ser de permutación el orden de los trabajos en la secuencia es el mismo para todas las máquinas, no se permite alterar la secuencia a lo largo del proceso, esto es, no se permite (job passing). El objetivo es encontrar una secuenciación de los trabajos en las máquinas de tal manera que se optimice algún criterio dado. El criterio más utilizado en la literatura es la minimización del tiempo de flujo total o makespan de la secuencia (C max ). Para este problema existen una serie de simplificaciones (Baker (1974)): Cada trabajo i puede ocupar, como mucho, una máquina j al mismo tiempo. Cada máquina m puede procesar, a lo sumo, un trabajo i a la vez. 1
2 El proceso de un trabajo i en una máquina j no se puede interrumpir. Todos los trabajos son independientes entre sí y se encuentran disponibles en el instante 0. Los tiempos de cambio de partida de los trabajos en las máquinas son independientes de la secuencia y están incluidos en los tiempos de proceso. Las máquinas se encuentran continuamente disponibles. Se permite almacenar producto en curso. Este problema se clasifica como F//C max de acuerdo a la notación α/β/γ sugerida por Graham et al. (1979) o como n/m/p/f max según Pinedo (1995) y es N P- Completo cuando m 3 (ver Garey et al. (1976)). De manera general, existen un total de n! secuencias o posibles ordenaciones de los trabajos. Este trabajo aporta un nuevo algoritmo genético para el problema del taller de flujo de permutación con características novedosas y que se compara favorablemente con otros algoritmos de la literatura. Para evaluar la eficiencia del algoritmo se hace uso del banco de datos Taillard (1993), que consta de un total de 120 problemas de tamaños de hasta 500x20 y que han demostrado ser muy difíciles de resolver. En la sección 2 se comentan varios algoritmos genéticos, así como otras técnicas existentes para el taller de flujo de permutación (PFSP a partir de ahora). En la sección 3 se expone el nuevo algoritmo genético diseñado para este problema. En la sección 4 se ilustra la metodología seguida para la correcta parametrización del algoritmos, que está basada en el diseño de experimentos (DOE). El algoritmo resultante se compara con otros algoritmos genéticos así como con otras técnicas para el PFSP en la sección 5. Finalmente, en la sección 6 se comentan los resultados de este trabajo. 2. Algoritmos genéticos y el problema del taller de flujo de permutación Uno de los primeros algoritmos genéticos que se conocen para el PFSP se debe a Chen et al. (1995). Se trata de un algoritmo genético simple con varias mejoras. De la población inicial, m 1 individuos se generan con las m 1 secuencias que se obtienen tras aplicar el algoritmo heurístico CDS de Campbell et al. (1970) y el individuo en la posición m-ésima se genera con el método Rapid Access RA de Dannenbring (1977). El resto de individuos se generan por simples intercambios de los trabajos en las secuencias de los individuos anteriores. Tan solo se aplica operador de cruce (no hay mutación), el cruce utilizado es el Partially mapped crossover o PMX de Goldberg y Lingle (1985). Este tipo de cruce se ha aplicado con éxito al problema del viajante de comercio y es aplicable al PFSP dado que la codificación 2
3 de la población es la misma para los dos problemas. Reeves (1995) también desarrolló un Algoritmo Genético. En este caso la descendencia generada en cada paso tras el cruce y la mutación no reemplaza a los padres sino que reemplaza a aquellos individuos de la población con una función de adecuación inferior a la media. Utiliza un cruce llamado C1, equivalente al cruce One Point Order Crossover o cruce de un punto. El algoritmo utiliza un esquema de mutación dinámico que cambia la probabilidad de mutación de acuerdo con la diversidad de la población. El algoritmo utiliza una mutación tipo shift en el que simplemente se escoge al azar un trabajo y se cambia de posición. La población inicial es aleatoria, exceptuando uno de los individuos, que se genera por el método NEH (ver Nawaz et al. (1983)). Este algoritmo fue uno de los primeros en probarse con el benchmark de Taillard (1993) para evaluar los resultados. Los Algoritmos Genéticos propuestos por Murata et al. (1996) usan el cruce de dos puntos, una mutación de desplazamiento de los trabajos y la técnica elitista para obtener buenas soluciones. Los autores hicieron pruebas para contrastar el rendimiento de estos algoritmos frente a implementaciones de Tabu Search, Simulated Annealing y búsqueda local. Las pruebas dieron como resultado que el Algoritmo Genético resultaba ser el peor de los tres. Después implementaron versiones híbridas del Algoritmo Genético mezclado con Tabu Search, Simulated Annealing y búsqueda local. En estos algoritmos híbridos hay una fase de mejora de las secuencias antes de la selección y el cruce, esta mejora se hace a partir de Tabu Search, Simulated Annealing o búsqueda local. Los algoritmos híbridos resultaron ser mejores que las versiones simples, en especial el genético hibridizado con búsqueda local. Otro Algoritmo Genético híbrido se debe a Yamada y Reeves (1997), en este caso se utiliza el cruce Multi-step crossover fusion o MSXF que junta las ideas de cruce genético con búsqueda local. Los resultados de este algoritmo son prometedores y los autores encontraron nuevas cotas inferiores para los problemas de Taillard. Recientemente, Ponnambalam et al. (2001) evalúan un Algoritmo Genético que utiliza el cruce GPX Generalized Position Crossover así como una mutación por intercambio de trabajos e inicialización de la población de manera aleatoria. 3. Nuevo algoritmo genético Un algoritmo genético se compone de varios operadores, normalmente estos operadores son: selección, cruce y mutación. Éstos trabajan sobre poblaciones de individuos, también llamados cromosomas y que en nuestro caso no son más que secuencias de trabajos o soluciones para el PFSP. La manera en la que las soluciones se codifican en un cromosoma se conoce como representación. En nuestro problema la representación comúnmente aceptada (prácticamente la única) es una cadena de enteros que indica la permutación de los trabajos. Aparte de los distintos operadores también hay que tener en cuenta un serie de probabilidades que afectan a la mutación y al cruce, el tamaño de la población y 3
4 cómo evaluamos los individuos (función de adecuación). En conjunto podemos tener un mínimo de 6 o 7 parámetros que pueden afectar al rendimiento del algoritmo genético. Es conocido que la calidad de los resultados es muy dependiente de los operadores escogidos así como de los parámetros. En todos los trabajos anteriormente citados no se aplica ningún método sistemático para evaluar las distintas combinaciones posibles de operadores y/o parámetros. Por norma general, los autores utilizan simulaciones cortas con las que van evaluando los parámetros por separado, utilizando la técnica de un factor cada vez, donde por ejemplo se evalúan distintos operadores manteniendo constantes el resto de parámetros. Esta metodología no permite evaluar las distintas interacciones entre los factores. Para poder tener en cuenta interacciones podemos utilizar las técnicas de diseño de experimentos (DOE) que pueden consultarse en Montgomery (1997). La aplicación del DOE a los algoritmos genéticos no es nueva, Bagchi y Deb (1996) mostraron como utilizar diseños de experimentos para parametrizar un algoritmo genético simple (aunque no aplicado al PFSP), nosotros utilizaremos la misma técnica para evaluar el algoritmo genético propuesto. Vamos ahora a discutir los distintos aspectos del algoritmo genético Inicialización de la población A partir de los trabajos citados se puede obtener la conclusión de que con una inicialización de la población completamente aleatoria no se obtienen buenas soluciones, generalmente, con una buena población de partida nos aseguramos unos buenos resultados. Por otro lado, las inicializaciones propuestas por Chen et al. (1995) y Jain y Bagchi (2000) crean una población inicial demasiado homogénea, por ejemplo, Jain y Bagchi, evalúan algoritmos genéticos simples donde el 100% de las soluciones iniciales se generan con la regla de Palmer (ver Palmer (1965)), esto quiere decir que todos los individuos son exactamente iguales, hecho que puede provocar problemas de convergencia prematura en el algoritmo genético. La inicialización de la población en Reeves (1995) resulta ser más eficaz. Todos los individuos iniciales son aleatorios excepto uno de ellos, que se genera con la heurística NEH. En el algoritmo genético propuesto hemos aplicado este método con una ligera modificación; generamos un super individuo a partir de la heurística NEH y luego le aplicamos la heurística de mejora de Ho y Chang (1991). De esta manera tendremos una buena solución inicial en la población. Se han considerado dos tamaños de población distintos, 60 y 80, que se corresponden con los más utilizados en la práctica para este problema. 4
5 3.2. Selección Para la selección de los individuos hemos evaluado varios de los mecanismos más usuales, como son selección por ruleta, por torneo y por ranking. Los detalles de cómo funcionan estos metodos se pueden consultar el trabajo de Goldberg (1989) o Michalewicz (1996). Para evitar una convergencia prematura se ha utilizado un escalado lineal simple. En tests iniciales se pudo observar una inferioridad evidente del mecanismo de selección por ranking sobre los otros dos, por lo que se eliminó este mecanismo de la evaluación final de parámetros Cruce Para el cruce existen varias propuestas en la literatura. Dado que la representación de la población es una permutación, no se pueden repetir elementos y esto es vital para el operador. Si algún elemento se repite o es faltante la secuencia no será factible. Hemos evaluado los siguientes operadores: PMX o partially mapped crossover de Goldberg y Lingle (1985). UOB o Uniform Order Based, se trata de una mezcla entre el cruce uniforme y el cruce basado en orden. OP o One Point Order crossover, de nuevo se trata de una mezcla entre el cruce ce un punto y el cruce basado en orden. OX o Order crossover, propuesto inicialmente por Davis (1985). En cuanto a las probabilidades de cruce hemos contemplado dos probabilidades comúnmente utilizadas, como son 0,60 y 0, Mutación Hemos codificado tres sencillos esquemas de mutación que se corresponden con los métodos más utilizados en la codificación basada en permutación: Mutación SWAP (también cambio de posición aleatoria o mutación por intercambio). Dos trabajos seleccionados al azar intercambian sus posiciones. Mutación SHIFT. Un trabajo escogido al azar se cambia a una nueva posición también escogida al azar. Los trabajos entre la anterior posición y la nueva posición se desplazan convenientemente. Mutación POSITION. Es un caso concreto de la mutación SWAP. Un trabajo escogido al azar se intercambia con el trabajo adyacente (el siguiente en la secuencia). 5
6 Hemos elegido aplicar la mutación a cada gen del individuo (cada posición de la secuencia) en vez de aplicar la mutación a todo el individuo. De esta manera cada gen mutará con una probabilidad que puede ser de 0,01 o 0,05. En tests preliminares se probó el esquema de mutación adaptativa de Reeves (1995) y no se encontraron diferencias estadísticamente significativas con el esquema de mutación fija, así que se decidió mantener este último para no incrementar los tiempos de cómputo Fase de mejora Una característica de nuestro algoritmo es que después de la fase de mutación y de cruce aplicamos una fase de mejora. La originalidad estriba en que en vez de aplicar la mejora a todos los individuos nosotros definimos una probabilidad de mejora, de manera que tan solo unos pocos individuos pasen por esta fase. De esta manera se mantienen bajos los requerimientos computacionales. Definimos una probabilidad de mejora, para cada individuo generamos un número aleatorio uniformemente distribuido entre 0 y 1 y si este número es menor que la citada probabilidad entonces el individuo se mejora Para la fase de mejora existen varias alternativas. Se pueden aplicar por ejemplo las heurísticas de mejora de Dannenbring (1977) (Rapid Access with Close Order Search (RACS) y Rapid Access with Extensive Search (RAES)). También se puede aplicar una forma de búsqueda local. Hemos realizado una implementación de la búsqueda local iterativa de Stützle (1998) (ILS). En nuestra implementación la solución inicial se genera mediante la heurística NEH y el procedimiento LocalSearch se hace llamando a la heurística RAES. El procedimiento Modify es una mutación triple tipo SHIFT y el procedimiento AcceptanceCriterion se basa solamente en aceptar mejores soluciones (para detalles sobre ILS se puede consultar Ramalhino Lourenco et al. (2001)). El límite de iteraciones en la fase de mejora está limitado a 100. En tests previos al experimento completo se pudo constatar una enorme superioridad de ILS sobre los otros dos métodos, por lo que se decidió directamente utilizar ILS en la fase de mejora. Las probabilidades de mejora que se contemplan son 0,05 y 0, Comentarios adicionales Cuando se comparan distintos algoritmos (algoritmos genéticos en este caso) hay que tener especial cuidado porque al variar los parámetros, el número de secuencias que se evalúan puede variar drásticamente. Es muy común encontrar en la literatura el número de generaciones como criterio de parada en los algoritmos genéticos. Nosotros hemos escogido el número de secuencias evaluadas (makespans) como criterio de terminación. De esta manera podemos asegurarnos que el mismo número de soluciones se evalúan en cada caso. Hemos utilizado la técnica elitista en nuestro algoritmo. Tras cada generación los 6
7 dos mejores individuos de la generación anterior se copian directamente en la nueva generación. Esto junto con la inicialización del algoritmo nos va a asegurar una buena solución final aunque sólo permitamos un número muy limitado de iteraciones (evaluaciones de makespans). 4. Evaluación experimental del algoritmo El algoritmo propuesto se ha codificado en Delphi 6, resultando ser muy rápido después de varias optimizaciones en el código del mismo. Para la evaluación del algoritmo hemos escogido un total de evaluaciones de makespans como un buen balance entre la velocidad y la calidad de las soluciones. Se ha realizado un diseño factorial completo sobre los siguientes parámetros: Tipo de cruce: 4 niveles (PMX, UOB, OP y OX) Tamaño de la población: 2 niveles (60 y 80) Tipo de selección: 2 niveles (Ruleta y Torneo) Probabilidad de cruce: 2 niveles (0,6 y 0,8) Tipo de mutación: 3 niveles (SWAP, SHIFT y POSITION) Probabilidad de mutación: 2 niveles (0,01 y 0,05) Probabilidad de mejora: 2 niveles (0,05 y 0,1) Los citados parámetros o factores dan como resultado un total de = 384 combinaciones y por tanto algoritmos diferentes. Para cada algoritmo, se resuelve el set completo de problemas de Taillard (120 instancias que van desde problemas de 20 trabajos y 5 máquinas a 500 trabajos y 20 máquinas). Las pruebas se hicieron en un grupo de 4 ordenadores tipo PC equipados con procesadores Atlhon XP y 512 MB de memoria principal, cada PC evaluó 96 algorithms correspondientes a cada tipo de cruce. Con los resultados se realizó un ANOVA multifactor. En este punto es necesario recalcar que para que los resultados del ANOVA sean aceptables es necesario que se comprueben las hipótesis de normalidad, homocedasticidad e independencia del residuo. Estas hipótesis resultaron cumplirse convenientemente. La tabla del ANOVA puede verse en el cuadro 1. 7
8 Analysis of Variance for Total - Type III Sums of Squares Source Sum of Squares Df Mean Square F-Ratio P-Value MAIN EFFECTS A:Cross_Prob 0, , ,98 0,0000 B:Cross_Type 4, , ,74 0,0000 C:Enh_Prob 0, , ,81 0,0000 D:Mut_Prob 0, , ,13 0,0000 E:Mut_Type 4, , ,05 0,0000 F:Pop_Size 0, , ,50 0,0000 G:Selec_Type 5, , ,94 0,0000 INTERACTIONS AB 0, , ,03 0,0000 AE 0, , ,66 0,0006 AG 0, , ,24 0,0000 BE 0, , ,04 0,0000 BG 1, , ,98 0,0000 CE 0, , ,20 0,0159 DE 6, , ,60 0,0000 DG 1, , ,82 0,0000 EF 0, , ,06 0,0068 EG 3, , ,13 0,0000 FG 0, , ,25 0,0000 RESIDUAL 1, , TOTAL (CORRECTED) 32, Cuadro 1: Tabla del ANOVA para la evaluación del algoritmo genético. Tal y como podemos ver en la tabla, todos los efectos simples resultan ser estadísticamente significativos (se ha considerado una probabilidad de error de primera especie de α = 0,05). Algunas interacciones de orden 2 son también significativas (las interacciones de orden superior no resultaron ser significativas). Para evaluar las condiciones operativas óptimas del algoritmo es necesario centrarse en los efectos significativos e ir fijándolos a sus niveles óptimos por orden de significación. A partir de la tabla anterior podemos ver que el factor más significativo es el tipo de selección o Select Type. Al dibujar los niveles del factor frente a la desviación con respecto a la solución óptima, se puede determinar qué nivel es el más interesante. En la figura 1 puede verse que la selección por torneo proporciona soluciones consistentemente mejores. 8
9 Means and 95,0 Percent LSD Intervals Average % Dev over Opt 2,9 2,8 2,7 2,6 2,5 Roulette Tournament Selection Type Figura 1: Gráfico de medias para el tipo de selección. El segundo factor más importante resulta ser la interacción entre el tipo de mutación o Mut Type y la probabilidad de mutación o Mut Prob. En la figura 2 se puede observar el gráfico de esta interacción que indica que la mejor combinación es 0,01 para la probabilidad de mutación y una mutación tipo SHIFT. 9
10 Interactions and 95,0 Percent LSD Intervals Average % Dev over Opt 3 2,9 2,8 2,7 2,6 2,5 2,4 0,01 0,05 Mutation Type SWAP SHIFT POSITION Mutation Probability Figura 2: Gráfico de la interacción entre el tipo de mutación y la probabilidad de mutación. Otro factor interesante resulta ser el cruce. Se han probado 4 tipos de cruce y el gráfico de medias puede observarse en la figura 3. 10
11 Means and 95,0 Percent LSD Intervals Average % Dev over Opt 2,9 2,85 2,8 2,75 2,7 2,65 2,6 PMX UOB OP OX Cross Type Figura 3: Gráfico de medias para los tipos de cruce. Como podemos ver, no existen diferencias significativas entre los cruces PMX y UOB. El cruce OX resulta en algoritmos que son un 0.3 % peores de media que el resto y el cruce OP resulta ser el mejor de entre los 4. Siguiendo el mismo procedimiento para todos los factores e interacciones significativos llegamos a la siguiente conclusión: Tipo de cruce: OP Tamaño de la población: 60 Tipo de Selección: Torneo Probabilidad de cruce: 0,6 Tipo de mutación: SHIFT Probabilidad de mutación: 0,01 Probabilidad de mejora: 0,05 11
12 5. Comparación con otras técnicas y algoritmos genéticos En esta sección vamos a comparar el algoritmo genético propuesto (lo denominaremos simplemente GA) con otros algoritmos genéticos (ver sección 2) así como con otros métodos conocidos para resolver el PFSP. Los métodos contra los que vamos a comparar son: El algoritmo NEH de Nawaz et al. (NEH), el algoritmo genético de Chen et al. (GAChen), el simulated annealing de Osman y Potts (SAOP), el tabu search de Widmer y Hertz (Spirit), el algoritmo genético de Reeves (GAReev), el algoritmo genético híbrido con búsqueda local de Murata et al. (GAMIT), y por último con el algoritmo genético de Ponnambalam et al. (GAPAC). Para todos los métodos se ha fijado el número de evaluaciones en para que los resultados sean comparables. Hemos incluido también un sencillo método que evalúa secuencias y devuelve la mejor como resultado (RAND), este método nos servirá como testigo o como peor solución posible dado que se espera que su eficacia sea baja. Para comparar los algoritmos evaluamos las instancias de Taillard (1993) y trabajamos con la siguiente medida de eficiencia: % Incremento sobre el óptimo = Heu sol Opt sol Opt sol 100 Donde Heu sol es la solución obtenida con un algoritmo determinado y Opt sol es la solución proporcionada para el problema en la librería de Investigación Operativa en ( Hemos actualizado las cotas proporcionadas en dicha librería con los resultados obtenidos a partir de trabajos posteriores, como por ejemplo en el trabajo de Stützle. De esta manera estamos utilizando las mejores cotas existentes. Los resultados pueden verse en el cuadro 2. Problema RAND NEH GA GAchen SAOP Spirit GAReev GAMIT GAPAC 20x5 6,20 3,35 1,43 3,73 1,37 2,14 0,67 3,86 8,66 20x10 9,75 5,02 2,34 4,94 2,62 3,09 1,96 5,39 12,82 20x20 7,82 3,73 2,04 4,02 2,60 2,99 1,70 4,62 10,29 50x5 4,88 0,84 0,38 2,02 0,54 0,57 0,25 3,44 6,81 50x10 13,39 5,12 3,46 6,59 4,24 4,08 2,63 9,70 16,52 50x20 16,50 6,20 4,70 8,09 5,46 4,78 3,81 11,21 18,70 100x5 3,61 0,46 0,29 1,37 0,52 0,32 0,20 3,17 5,02 100x10 10,56 2,13 1,71 3,87 1,85 1,69 1,06 12,54 12,01 100x20 16,08 5,03 4,51 7,97 5,07 4,49 3,86 18,29 18,34 200x10 8,34 1,43 1,27 2,82 1,54 1,17 0,79 6,49 9,63 200x20 15,42 4,36 4,15 7,01 4,89 4,02 3,35 14,70 16,99 500x20 11,63 2,24 2,16 4,83 3,41 2,17 1,85 11,95 12,46 Media 10,35 3,33 2,37 4,77 2,84 2,63 1,84 9,03 12,35 Cuadro 2: Incremento medio sobre la solución óptima para los métodos evaluados. 12
13 Como primer comentario se puede observar que el algoritmo genético de Ponnambalam et al. (GAPAC) es muy ineficiente, hasta el punto de ser peor, por un margen considerable que la simple regla aleatoria (RAND). Este resultado no es difícil de explicar, dado que el algoritmo emplea un operador de cruce no adecuado para el PFSP, además la población inicial es totalmente aleatoria y no tiene elitismo. El algoritmo genético de Murata et al. (GAMIT) tiene un mejor comportamiento, aun así la desviación con respecto a la solución óptima en algunos casos sobrepasa el 18 %, lo cual no es bueno, especialmente en un algoritmo de tipo híbrido con una complejidad considerable. En una posición mucho más favorable se encuentra el algoritmo genético de Chen et al. (GAChen) con casi un 5 % de incremento medio. Consideramos que estos tres algoritmos genéticos tienen un rendimiento mediocre dado que la heurística NEH, que es mucho más simple (y antigua) resulta ser mejor con un 3,33 % de incremento. El simulated annealing de Osman y Potts y el tabu search de Widmer y Hertz tienen un comportamiento muy similar, con un 2,84 % y un 2,63 % respectivamente. El algoritmo genético propuesto queda por debajo del 2,5 % de incremento, con lo que se puede decir que es más eficiente que todos los algoritmos evaluados a excepción del algoritmo genético de Reeves, que resulta ser el mejor de la comparativa con un incremento con respecto a la solución óptima inferior al 2 %. No obstante, hemos de tener en cuenta que el esquema generacional de dicho algoritmo, así como otros factores, hacen que sea sensiblemente más lento que el resto de algoritmos implementados. Hemos de hacer constar que existen muchos más métodos para el PFSP y que en esta sección tan solo se han comparado algunos de ellos, en especial los algoritmos genéticos. 6. Conclusiones En este trabajo se ha propuesto un nuevo algoritmo genético para el problema del taller de flujo de permutación. En el algoritmo se ha considerado una hibridación original mediante búsqueda local iterativa. Esta búsqueda local o fase de mejora de los individuos se lleva a cabo después de las fases de cruce y mutación. La mejora se realiza de acuerdo a una probabilidad de mejora para evitar que el tiempo de cómputo se alargue excesivamente. Para evaluar todas las alternativas de diseño del algoritmo genético (operadores y parámetros) se ha realizado un experimento basado en un diseño factorial completo que ha permitido obtener una parametrización buena para el algoritmo. El algoritmo propuesto se ha comparado con otros 4 algoritmos genéticos de la literatura, con un simulated annealing y con un tabu seach, así como con una de las heurísticas más eficientes para el PFSP, la heurística NEH. Como conclusión se puede decir que el algoritmo genético propuesto es muy competitivo, siendo sólamente inferior al algoritmo genético de Reeves, aunque por un escaso margen. 13
14 El algoritmo propuesto se puede mejorar mediante el uso de varias técnicas, por ejemplo se podría imitar el esquema generacional del algoritmo de Reeves, estudiar fases de mejora alternativas, etc. Actualmente los autores están trabajando en este tipo de mejoras para incrementar el rendimiento del algoritmo genético propuesto. 7. Agradecimientos Este trabajo está financiado por la Universidad Politécnica de Valencia, bajo un proyecto interdisciplinar, así como por el Ministerio de Ciencia y Tecnología (proyecto de investigación ref. DPI C02-01). 14
15 Referencias Bagchi, T. P. y Deb, K. (1996). Calibration of GA Parameters: The design of experiments approach. Computer Science and Informatics, 26(3): Baker, K. R. (1974). Introduction to Sequencing and Scheduling. John Wiley & Sons, New York. Campbell, H. G., Dudek, R. A., y Smith, M. L. (1970). A Heuristic Algorithm for the n Job, m Machine Sequencing Problem. Management Science, 16(10):B630 B637. Chen, C.-L., Vempati, Venkateswara, S., y Aljaber, N. (1995). An application of genetic algorithms for flow shop problems. European Journal Of Operational Research, 80: Dannenbring, D. G. (1977). An Evaluation of Flow Shop Sequencing Heuristics. Management Science, 23(11): Davis, L. (1985). Applying Adaptative Algorithms to Epistatic Domains. páginas Proceedings of the Interanational Joint Conference on Artificial Intelligence. Garey, M., Johnson, D., y Sethi, R. (1976). The Complexity of Flowshop and Jobshop Scheduling. Mathematics of Operations Research, 1(2): Goldberg, D. y Lingle, R. J. (1985). Alleles, Loci, and the Traveling Salesman Problem. En Grefenstette, J. J., editor, Proceedings of the First International Conference on Genetic Algorithms and Their Applications, páginas , Hillsdale, New Jersey. Lawrence Erlbaum associates. Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley. Graham, R., Lawler, E., Lenstra, J., y Rinnooy Kan, A. (1979). Optimization and Approximation in Deterministic Sequencing and Scheduling: A survey. Annals of Discrete Mathematics, (5): Ho, J. C. y Chang, Y.-L. (1991). A new heuristic for the n-job, M-machine flow-shop problem. European Journal of Operational Research, 52:
16 Jain, N. y Bagchi, T. P. (2000). flowshop scheduling by hybridized GA: Some new results. International Journal of Industrial Engineering, 7(3). Michalewicz, Z. (1996). Genetic Algorithms + Data Structures = Evolution Programs. Springer-Verlag, Berlin Heidelberg, tercera edición. Montgomery, D. C. (1997). Design and Analysis of Experiments. John Wiley & Sons, cuarta edición. Murata, T., Ishibuchi, H., y Tanaka, H. (1996). Genetic algorithms for flowshop scheduling problems. Computers & Industrial Engineering, 30(4): Nawaz, M., Enscore, E. E. J., y Ham, I. (1983). A Heuristic Algorithm for the m-machine, n-job Flow-Shop Sequencing Problem. OMEGA, The international Journal of Management Science, 11(1): Osman, I. y Potts, C. (1989). Simulated Annealing for Permutation Flow-Shop Scheduling. OMEGA, The international Journal of Management Science, 17(6): Palmer, D. (1965). Sequencing Jobs through a Multi-Stage Process in the Minimum Total Time - A Quick Method of Obtaining a Near Optimum. Operational Research Quarterly, 16(1): Pinedo, M. (1995). Scheduling: theory, algorithms and systems. Series in Industrial and Systems Engineering. Prentice Hall, Englewood Cliffs, New Jersey. Ponnambalam, S. G., Aravindan, P., y Chandrasekaran, S. (2001). Constructive and improvement flow shop scheduling heuristics: an extensive evaluation. Production Planning and Control, 12(4):335. Ramalhino Lourenco, H., Martin, O., y Stützle, T. (2001). A Beginner s Introduction to Iterated Local Search. páginas 1 6, Porto, Portugal. Reeves, C. R. (1995). A Genetic Algorithm for Flowshop Sequencing. Computers and Operations Research, 22(1):5 13. Stützle, T. (1998). Applying Iterated Local Search to the Permutation Flow Shop Problem. Technical report. Taillard, E. (1993). Benchmarks for basic scheduling problems. European Journal Of Operational Research, 64: Widmer, M. y Hertz, A. (1989). A new heuristic method for the flow shop sequencing problem. European Journal of Operational Research, 41:
17 Yamada, T. y Reeves, C. (1997). Permutation Flowshop Scheduling by Genetic Local Search. páginas , Glasgow, Scotland, UK. GALESIA 97 IEE Second International Conference on Genetic Algorithms in Engineering Systems: Innovations and Applications. 17
Flow-Shop Dinámico. Por: Juan Carlos Rivera Samuel De Greiff
Flow-Shop Dinámico Por: Juan Carlos Rivera Samuel De Greiff 1 Configuración tipo Flow- Shop Disposición lineal de los equipos. Productos con altos niveles de estandarización. Varios productos en volúmenes
Más detallesComputación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones
Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones Dr. Gregorio Toscano Pulido Laboratorio de Tecnologías de Información Centro de Investigación y de Estudios Avanzados del
Más detallesIntroducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Sección de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello
Más detalles&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN
&$3Ì78/2 6.1. INTRODUCCIÓN Los primeros avances para solucionar el TSP, por medio de Algoritmos Evolutivos han sido introducidos por Goldberg y Lingle en [68] y Grefenstette en [72]. En éste área muchos
Más detallesProgramación Genética
Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino
Más detallesETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS
ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos
Más detallesAlgoritmos Genéticos. Introduccion a la Robótica Inteligente
Algoritmos Genéticos Introduccion a la Robótica Inteligente 7 Marzo 2014 (IRIN) AGs 7/03/2014 1 / 43 Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos Matemáticos 4 Conclusiones (IRIN)
Más detallesUn algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau
Un algoritmo genético híbrido para resolver el EternityII Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Temas Temas Introducción Eternity II Historia Descripción Demo Metaheurísticas Algoritmos
Más detallesCiclo de vida y Metodologías para el desarrollo de SW Definición de la metodología
Ciclo de vida y Metodologías para el desarrollo de SW Definición de la metodología La metodología para el desarrollo de software es un modo sistemático de realizar, gestionar y administrar un proyecto
Más detalles7. Conclusiones. 7.1 Resultados
7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar
Más detallesSÍNTESIS Y PERSPECTIVAS
SÍNTESIS Y PERSPECTIVAS Los invitamos a observar, a identificar problemas, pero al mismo tiempo a buscar oportunidades de mejoras en sus empresas. REVISIÓN DE CONCEPTOS. Esta es la última clase del curso.
Más detallesMétodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid
Métodos evolutivos de Optimización Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Indice Introducción Método de Montecarlo Algoritmos genéticos Tabú Search Simulated
Más detallesRubén Ruiz, Miguel Angel Edo.
27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8 11 de abril de 2003 ANÁLISIS Y PREVISIÓN DE VENTAS EN EL SECTOR AZULEJERO Rubén Ruiz, Miguel Angel Edo. Departamento de Estadística
Más detallesPROCEDIMIENTO HEURÍSTICO PARA MINIMIZAR EL C max EN CELDAS ROBOTIZADAS CON BUFFERS FINITOS Y PIEZAS DISTINTAS
27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8 11 de abril de 2003 PROCEDIMIENTO HEURÍSTICO PARA MINIMIZAR EL C max EN CELDAS ROBOTIZADAS CON BUFFERS FINITOS Y PIEZAS DISTINTAS
Más detallesAlgoritmos Genéticos Y
Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Operadores de Mutación El operador
Más detallesSistemas de Gestión de Calidad. Control documental
4 Sistemas de Gestión de Calidad. Control documental ÍNDICE: 4.1 Requisitos Generales 4.2 Requisitos de la documentación 4.2.1 Generalidades 4.2.2 Manual de la Calidad 4.2.3 Control de los documentos 4.2.4
Más detallesPráctica 5. Curso 2014-2015
Prácticas de Seguridad Informática Práctica 5 Grado Ingeniería Informática Curso 2014-2015 Universidad de Zaragoza Escuela de Ingeniería y Arquitectura Departamento de Informática e Ingeniería de Sistemas
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesScheduling Problem. Cuándo y dónde debo hacer cada trabajo?
Scheduling Problem Cuándo y dónde debo hacer cada trabajo? Ejemplos de problemas de asignación de recursos Fabricación de varios tipos de productos Asignación de turnos de trabajo Inversión financiera
Más detallesAlgoritmos Genéticos.
Algoritmos Genéticos. Miguel Cárdenas Montes, Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es 15-19 de Octubre de 2011
Más detallesAlgoritmos Genéticos
Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados
Más detallesAlgoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos
Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados
Más detallesAlgoritmos Genéticos Y
Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Algoritmos Genéticos - Operadores
Más detallesCapítulo 12: Indexación y asociación
Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación
Más detalles6. Gestión de proyectos
6. Gestión de proyectos Versión estudiante Introducción 1. El proceso de gestión de proyectos 2. Gestión del riesgo "La gestión de proyectos se basa en establecer objetivos claros, gestionar el tiempo,
Más detallesK2BIM Plan de Investigación - Comparación de herramientas para la parametrización asistida de ERP Versión 1.2
K2BIM Plan de Investigación - Comparación de herramientas para la parametrización asistida de ERP Versión 1.2 Historia de revisiones Fecha VersiónDescripción Autor 08/10/2009 1.0 Creación del documento.
Más detallesMétodos Heurísticos en Inteligencia Artificial
Métodos Heurísticos en Inteligencia Artificial Javier Ramírez rez-rodríguez Ana Lilia Laureano-Cruces Universidad Autónoma Metropolitana Métodos Heurísticos en Inteligencia Artificial Los problemas de
Más detallesDE VIDA PARA EL DESARROLLO DE SISTEMAS
MÉTODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS 1. METODO DEL CICLO DE VIDA PARA EL DESARROLLO DE SISTEMAS CICLO DE VIDA CLÁSICO DEL DESARROLLO DE SISTEMAS. El desarrollo de Sistemas, un proceso
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detalles"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios
"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios Miguel Alfonso Flores Sánchez 1, Fernando Sandoya Sanchez 2 Resumen En el presente artículo se
Más detallesTEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.
TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son
Más detallesImplementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Resumen
Implementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Arturo Gómez Cortés y Raúl Leal Ascencio ITESO, Guadalajara Resumen El presente trabajo describe una arquitectura
Más detallesÍNDICE DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ
ELECTRÓNICA DIGITAL DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ IES TRINIDAD ARROYO DPTO. DE ELECTRÓNICA ÍNDICE ÍNDICE... 1 1. LIMITACIONES DE LOS CONTADORES ASÍNCRONOS... 2 2. CONTADORES SÍNCRONOS...
Más detallesConclusiones. Particionado Consciente de los Datos
Capítulo 6 Conclusiones Una de las principales conclusiones que se extraen de esta tesis es que para que un algoritmo de ordenación sea el más rápido para cualquier conjunto de datos a ordenar, debe ser
Más detallesIndicaciones específicas para los análisis estadísticos.
Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por
Más detallesCómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1
. ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 1. Comparación de múltiples poblaciones
EL ANÁLISIS DE LA VARIANZA (ANOVA) 1. Comparación de múltiples poblaciones Ricard Boqué, Alicia Maroto Grupo de Quimiometría y Cualimetría. Universitat Rovira i Virgili. Pl. Imperial Tàrraco, 1. 43005Tarragona
Más detallesRegulador PID con convertidores de frecuencia DF5, DV5, DF6, DV6. Página 1 de 10 A Regulador PID
A Página 1 de 10 A Regulador PID INDICE 1. Regulador PID 3 2. Componente proporcional : P 4 3. Componente integral : I 4 4. Componente derivativa : D 4 5. Control PID 4 6. Configuración de parámetros del
Más detallesIntroducción. Ciclo de vida de los Sistemas de Información. Diseño Conceptual
Introducción Algunas de las personas que trabajan con SGBD relacionales parecen preguntarse porqué deberían preocuparse del diseño de las bases de datos que utilizan. Después de todo, la mayoría de los
Más detallesAlgoritmos exactos y heurísticos para minimizar el adelantamiento y retraso ponderados en una máquina con una fecha de entrega común
Algoritmos... en una máquina con una fecha de entrega común Algoritmos exactos y heurísticos para minimizar el adelantamiento y retraso ponderados en una máquina con una fecha de entrega común R. Alvarez-Valdés,
Más detalles4. Programación Paralela
4. Programación Paralela La necesidad que surge para resolver problemas que requieren tiempo elevado de cómputo origina lo que hoy se conoce como computación paralela. Mediante el uso concurrente de varios
Más detallesGuía de uso del Cloud Datacenter de acens
guíasdeuso Guía de uso del Cloud Datacenter de Calle San Rafael, 14 28108 Alcobendas (Madrid) 902 90 10 20 www..com Introducción Un Data Center o centro de datos físico es un espacio utilizado para alojar
Más detallesALGORITMOS GENÉTICOS
Arranz de la Peña, Jorge Universidad Carlos III 100025106@alumnos.uc3m.es ALGORITMOS GENÉTICOS Parra Truyol, Antonio Universidad Carlos III 100023822@alumnos.uc3m.es En este documento se pretende analizar
Más detallesFísica de los Procesos Biológicos Curso 2005/6
Bibliografía: ísica, Kane, Tema 8 ísica de los Procesos Biológicos Curso 2005/6 Grupo 3 TEMA 2 BIOMECÁNICA 2.1 SÓIDO DEORMABE Parte 1 Introducción Vamos a estudiar como los materiales se deforman debido
Más detallesUN ENTORNO A MEDIDA PARA EL DISEÑO Y LA SIMULACIÓN DE MAQUINARIA POR COMPUTADOR
UN ENTORNO A MEDIDA PARA EL DISEÑO Y LA SIMULACIÓN DE MAQUINARIA POR COMPUTADOR Manuel González y Javier Cuadrado Departamento de Ingeniería Industrial II, Campus de Esteiro, 15403 Ferrol Universidad de
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detallesIMPLANTACIONES DE ERP. CÓMO CONSEGUIR EL ÉXITO? MasEmpresa
IMPLANTACIONES DE ERP. CÓMO CONSEGUIR EL ÉXITO? MasEmpresa Implantaciones de ERP. Cómo conseguir el éxito?. Parte I Aunque los sistemas de información para la gestión ERPs tienen muchos años de historia,
Más detallesProbabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.
Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma
Más detallesModelos de Ciclo de Vida de Desarrollo de Software en el Contexto de la Industria Colombiana de Software
Modelos de Ciclo de Vida de Desarrollo de Software en el Contexto de la Industria Colombiana de Software Hugo F. Arboleda Jiménez. MSc. Docente-Investigador, Facultad de Ingenierías, Universidad de San
Más detallesProgramación de la producción en talleres de flujo con máquinas sin interrupción. Algoritmos y aplicaciones *
3 rd International Conference on Industrial Engineering and Industrial Management XIII Congreso de Ingeniería de Organización Barcelona-Terrassa, September 2nd-4th 2009 Programación de la producción en
Más detallesPropuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA
Propuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA Documento de trabajo elaborado para la Red Temática DocenWeb: Red Temática de Docencia en Control mediante Web (DPI2002-11505-E)
Más detallesPortal de Compras del Gobierno del Estado de Baja California (www.comprasbc.gob.mx) A. Antecedentes
Buenas prácticas en la implementación de las recomendaciones de la Guía para Mejorar la Calidad Regulatoria de Trámites Estatales y Municipales e Impulsar la Competitividad de México Portal de Compras
Más detallesCASO PRÁCTICO DISTRIBUCIÓN DE COSTES
CASO PRÁCTICO DISTRIBUCIÓN DE COSTES Nuestra empresa tiene centros de distribución en tres ciudades europeas: Zaragoza, Milán y Burdeos. Hemos solicitado a los responsables de cada uno de los centros que
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesAHORRACOM SOLUCIONES AVANZADAS S.L. Avda. de la Industria 13, Oficina 25. 28108 Alcobendas, Madrid. www.ahorracom.com
PAGTE Plan de Ahorro y Gestión de Telecomunicaciones para Empresas En Ahorracom nos ponemos de su parte. Por eso nos interesa que usted, nuestro cliente, esté al tanto de todos los procesos que llevamos
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detalles1. INTRODUCCIÓN 1.1 INGENIERÍA
1. INTRODUCCIÓN 1.1 INGENIERÍA Es difícil dar una explicación de ingeniería en pocas palabras, pues se puede decir que la ingeniería comenzó con el hombre mismo, pero se puede intentar dar un bosquejo
Más detallesCAPÍTULO 4: ALGORITMOS DE APRENDIZAJE
Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:
Más detallesUnidad I. 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal)
Unidad I Sistemas numéricos 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal) Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS.
Más detallesColección de Tesis Digitales Universidad de las Américas Puebla. Morales Salcedo, Raúl
1 Colección de Tesis Digitales Universidad de las Américas Puebla Morales Salcedo, Raúl En este último capitulo se hace un recuento de los logros alcanzados durante la elaboración de este proyecto de tesis,
Más detallesResumen de técnicas para resolver problemas de programación entera. 15.053 Martes, 9 de abril. Enumeración. Un árbol de enumeración
5053 Martes, 9 de abril Ramificación y acotamiento () Entregas: material de clase Resumen de técnicas para resolver problemas de programación entera Técnicas de enumeración Enumeración completa hace una
Más detallesPor qué deberías adaptar tu página web a la navegación móvil?
Por qué deberías adaptar tu página web a la navegación móvil? Adaptación de páginas web a dispositivos móviles, una realidad. Hoy en día, la variedad de dispositivos móviles existentes en el mercado ha
Más detallesEL MÉTODO PERT. Para ello debemos seguir 4 pasos:
EL MÉTODO PERT El método PERT (Program Evaluation and Review Technique Técnica de evaluación y revisión de programas) es un método que sirve para planificar proyectos en los que hace falta coordinar un
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detallesAdministración del conocimiento y aprendizaje organizacional.
Capítulo 2 Administración del conocimiento y aprendizaje organizacional. 2.1 La Importancia Del Aprendizaje En Las Organizaciones El aprendizaje ha sido una de las grandes necesidades básicas del ser humano,
Más detallesAnálisis de los datos
Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesCapítulo IV. Manejo de Problemas
Manejo de Problemas Manejo de problemas Tabla de contenido 1.- En qué consiste el manejo de problemas?...57 1.1.- Ventajas...58 1.2.- Barreras...59 2.- Actividades...59 2.1.- Control de problemas...60
Más detallesAmpliación de Estructuras de Datos
Ampliación de Estructuras de Datos Amalia Duch Barcelona, marzo de 2007 Índice 1. Diccionarios implementados con árboles binarios de búsqueda 1 2. TAD Cola de Prioridad 4 3. Heapsort 8 1. Diccionarios
Más detallesMERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II
MERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II 28 febrero de 2012 Javier Marchamalo Martínez Universidad Rey Juan Carlos SABER INTERPRETAR LOS RATIOS SIGNIFICATIVOS EN LA GESTIÓN POR BENCHMARK Ratio
Más detallescapitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación
capitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación Sistemática de Layout, SLP por sus siglas en inglés. Se hará uso de la simulación para comparar el
Más detallesANÁLISIS DE BALANCES CON EL NUEVO PGC DE 2008
ANÁLISIS DE BALANCES CON EL NUEVO PGC DE 2008 Índice: 1.- ANÁLISIS DE BALANCES. GENERALIDADES...2 2.- EL FONDO DE MANIOBRA...2 3.- ANÁLISIS FINANCIERO DEL BALANCE...3 4.- ANÁLISIS ECONÓMICO DEL BALANCE...6
Más detallesGeneración de funciones lógicas mediante decodificadores binarios con salidas activas a nivel alto
Generación de funciones lógicas mediante decodificadores binarios con salidas activas a nivel alto Apellidos, nombre Martí Campoy, Antonio (amarti@disca.upv.es) Departamento Centro Informática de Sistemas
Más detallesADAPTACIÓN AL EEES DE LAS ASIGNATURAS DEL ÁREA DE ESTADISTICA E INVESTIGACIÓN OPERATIVA EN LA TITULACIÓN DE INGENIERÍA DE TELECOMUNICACIÓN
MEMORIA DEL PROYECTO DE INNOVACIÓN EDUCATIVA ADAPTACIÓN AL EEES DE LAS ASIGNATURAS DEL ÁREA DE ESTADISTICA E INVESTIGACIÓN OPERATIVA EN LA TITULACIÓN DE INGENIERÍA DE TELECOMUNICACIÓN Participantes: Germán
Más detallesDesarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos
MT 6 Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos Rosario Baltazar 1 Judith Esquivel Vázquez 2 Andrea Rada 3 Claudia Díaz 4 Resumen Durante los últimos 15
Más detallesGUÍA TÉCNICA PARA LA DEFINICIÓN DE COMPROMISOS DE CALIDAD Y SUS INDICADORES
GUÍA TÉCNICA PARA LA DEFINICIÓN DE COMPROMISOS DE CALIDAD Y SUS INDICADORES Tema: Cartas de Servicios Primera versión: 2008 Datos de contacto: Evaluación y Calidad. Gobierno de Navarra. evaluacionycalidad@navarra.es
Más detallesSISTEMAS Y MANUALES DE LA CALIDAD
SISTEMAS Y MANUALES DE LA CALIDAD NORMATIVAS SOBRE SISTEMAS DE CALIDAD Introducción La experiencia de algunos sectores industriales que por las características particulares de sus productos tenían necesidad
Más detallesElementos requeridos para crearlos (ejemplo: el compilador)
Generalidades A lo largo del ciclo de vida del proceso de software, los productos de software evolucionan. Desde la concepción del producto y la captura de requisitos inicial hasta la puesta en producción
Más detallesLa Tecnología líder en Simulación
La Tecnología líder en Simulación El software de simulación Arena, es un "seguro de vida" para las empresa: le ayuda a predecir el impacto en las organizaciones de nuevas ideas, estrategias y políticas
Más detallesEl guión docente: un método para mejorar el aprendizaje
El guión docente: un método para mejorar el aprendizaje José Alberto Conejero Casares (1), J. Luis Poza Luján (2) (1) Dpto. de Matemática Aplicada. Facultad de Informática. aconejero@mat.upv.es (2) Dpto.
Más detalles1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1
5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0
Más detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctico de Bioestadística Con Herramientas De Excel Fabrizio Marcillo Morla MBA barcillo@gmail.com (593-9) 4194239 Fabrizio Marcillo Morla Guayaquil, 1966. BSc. Acuicultura. (ESPOL 1991). Magister
Más detallesCapítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI
Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI La segunda fase del NIPE corresponde con la adecuación de las intervenciones de enfermería del sistema de clasificación N.I.C. (Nursing Intervention
Más detallesUnidad 1. Fundamentos en Gestión de Riesgos
1.1 Gestión de Proyectos Unidad 1. Fundamentos en Gestión de Riesgos La gestión de proyectos es una disciplina con la cual se integran los procesos propios de la gerencia o administración de proyectos.
Más detallesPrincipios de Estadística. Intro. En R. Ejercicios
Leonardo Collado Torres y María Gutiérrez Arcelus Licenciatura en Ciencias Genómicas, UNAM www.lcg.unam.mx/~lcollado/index.php www.lcg.unam.mx/~mgutierr/index.php Cuernavaca, México Febrero - Junio, 2009
Más detallesDESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS
DESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS Replicar un índice Formar una cartera que replique un índice (o un futuro) como el IBEX 35, no es más que hacerse con
Más detallesby Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true
by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true I. FUNDAMENTOS 3. Representación de la información Introducción a la Informática Curso de Acceso a la Universidad
Más detallesNorma ISO 14001: 2004
Norma ISO 14001: 2004 Sistema de Gestión Ambiental El presente documento es la versión impresa de la página www.grupoacms.com Si desea más información sobre la Norma ISO 14001 u otras normas relacionadas
Más detallesRetiro de activos y el stock de capital bruto
From: Medición del capital - Manual OCDE 2009 Segunda edición Access the complete publication at: http://dx.doi.org/10.1787/9789264043695-es Retiro de activos y el stock de capital bruto Please cite this
Más detallesFUENTES SECUNDARIAS INTERNAS
FUENTES SECUNDARIAS INTERNAS Las fuentes secundarias son informaciones que se encuentran ya recogidas en la empresa, aunque no necesariamente con la forma y finalidad que necesita un departamento de marketing.
Más detallesJhoan Sebastián Cadavid Jaramillo Ingeniero Industrial, Universidad Nacional de Colombia, jscadav0@unal.edu.co RESUMEN
PROBLEMA DE PROGRAMACIÓN DE PRODUCCIÓN ABIERTA CON CARACTERÍSTICAS DE MÁQUINAS MÓVILES DEDICADAS Y CON TIEMPOS DE PREPARACIÓN DEPENDIENTES DE LA SECUENCIA ENTRE ETAPAS Alexander Alberto Correa Espinal
Más detallesCriterios de Selección de Inversiones: El Valor Actual Neto y sus derivados *.
Criterios de Selección de Inversiones: El Valor Actual Neto y sus derivados *. Uno de los criterios más válidos para la selección de inversiones alternativas es la determinación del Valor Actual Neto (VAN)
Más detallesCapítulo 1 Documentos HTML5
Capítulo 1 Documentos HTML5 1.1 Componentes básicos HTML5 provee básicamente tres características: estructura, estilo y funcionalidad. Nunca fue declarado oficialmente pero, incluso cuando algunas APIs
Más detallesReporte inicial. Metodología
Reporte inicial Este reporte inicial expondrá las decisiones que tomamos al momento de selección de metodología, plantillas y métodos de recabado de evidencia y por qué tomamos dichas decisiones. Metodología
Más detallesEstas visiones de la información, denominadas vistas, se pueden identificar de varias formas.
El primer paso en el diseño de una base de datos es la producción del esquema conceptual. Normalmente, se construyen varios esquemas conceptuales, cada uno para representar las distintas visiones que los
Más detalles- MANUAL DE USUARIO -
- MANUAL DE USUARIO - Aplicación: Kz Precio Hora Instagi Instagi Teléfono: 943424465-943466874 Email: instagi@instagi.com GUIA PROGRAMA CALCULO PRECIO HORA 1. Introducción 2. Datos de la empresa 2.1.Gastos
Más detalles6. SISTEMAS CAD-CAM (CAM) 6.1. CONCEPTO DE CAM
6.1. CONCEPTO DE CAM Las siglas CAM corresponden al acrónimo de Computer Aided Manufacturing, Fabricación asistida por ordenador. Por CAM se entiende la utilización de ordenadores para tareas técnicas
Más detallesTécnicas de prueba 1. FUNDAMENTOS DE LA PRUEBA DEL SOFTWARE
Técnicas de prueba El desarrollo de Sistemas de software implica la realización de una serie de actividades predispuestas a incorporar errores (en la etapa de definición de requerimientos, de diseño, de
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detalles