Elkin Rodríguez Velásquez Profesor Escuela de Ingeniería de la Organización, Universidad Nacional de Colombia, Medellín,

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Elkin Rodríguez Velásquez Profesor Escuela de Ingeniería de la Organización, Universidad Nacional de Colombia, Medellín, erodrigu@unal.edu."

Transcripción

1 EVALUACIÓN DE LA METDLGÍA DE ALGRITMS GENÉTICS CN DISEÑ EXPERIMENTAL PARA PRGRAMACIÓN DE PLANTAS CN CNFIGURACIÓN PRDUCTIVA TIP JB SHP FLEXIBLE. Alexander A. Correa Espinal Profesor Escuela de Ingeniería de la rganización, Universidad Nacional de Colombia, Medellín, Elkin Rodríguez Velásquez Profesor Escuela de Ingeniería de la rganización, Universidad Nacional de Colombia, Medellín, M. Isabel Londoño Restrepo Ingeniera Industrial, Universidad Nacional de Colombia, Medellín, RESUMEN A pesar de que en nuestro medio existe un gran porcentaje de empresas que presentan el tipo de configuración Flexible Job Shop, la programación de la producción suele hacerse de forma empírica, lo cual conduce a ineficiencias y falta de competitividad a nivel nacional e internacional. Sin embargo, en las últimas décadas se ha considerado trabajos enfocados a solucionar este tipo de problemas, generalmente estos acercamientos se han concentrado en técnicas conocidas como algoritmos iterativos de búsqueda local o meta heurísticas; lo que representa una oportunidad para solventar de manera eficaz el problema de asignar los recursos. En este trabajo se muestra un algoritmo de solución eficiente para el problema del Job Shop Flexible, primero se resuelve el problema de asignación y luego se resuelve el problema de la mejor secuencia, este desarrollo está basado en un algoritmo genético con operadores adaptados para entregar la secuencia válida minimizando el Makespan. Para encontrar el mejor desempeño del algoritmo desarrollado y afinar los parámetros del mismo, se presenta un diseño de experimentos. Palabras claves: Flexible Job Shop, asignación, secuenciación, algoritmos genéticos, diseño de experimentos, makespan. 1. INTRDUCCIÓN. Uno de los modelos de la teoría de secuenciación de operaciones, es el problema del Job Shop (JSSP), que es considerado como una buena representación de las configuraciones de planta industriales reales; sin embargo, en investigaciones recientes, se estableció un problema más genérico, llamado el Flexible Job Shop Scheduling Problem (FJSSP), siendo este una representación de los sistemas de manufactura donde los centros de trabajo en la planta, constan de un conjunto de máquinas en paralelo que pueden ejecutar las operaciones específicas de los trabajos, el FJSSP es más complejo que el JSSP, porque la meta de la secuenciación es escoger una asignación para cada una de las operaciones de los trabajos a alguna máquina del conjunto. El problema genérico del JSSP ha sido menos estudiado que este último, sin embargo, se conoce que es un problema NP-Hard. Los algoritmos genéticos han mostrado grandes bondades para solucionar problemas de optimización combinatoria como el anteriormente descrito. Este trabajo presenta un algoritmo genético para minimizar el makespan en el FJJSP, parametrizando sus operadores y se encuentra estructurado como sigue: en la sección, se presenta el estado del arte, donde hace breve revisión de las investigaciones realizadas hasta la fecha. En la sección, se realiza el planteamiento del problema. En la sección, se presenta la descripción de la técnica utilizada para resolver el problema. En la sección 5, se define el enfoque propuesto en el algoritmo. En la sección 6, se presenta un análisis del resultado del algoritmo. En la sección 7, se presenta el modelo propuesto para la evaluación del los parámetros del algoritmo usando diseño de experimentos. Finalmente, en la sección 8, se presentan las conclusiones y el trabajo futuro respectivamente.. ESTAD DEL ARTE. El problema clásico de programación Job Shop para minimizar el makespan, fue presentado por primera vez por Fisher y Thompson en 196; desde entonces el problema ha sido un tema estándar en la programación y secuenciación de operaciones. El problema del FJSSP es una generalización del clásico problema de Job Shop, donde se determinan y se optimizan, de acuerdo a un criterio, las secuencias de trabajos en cada máquina.

2 Varios procedimientos heurísticos (reglas de despacho, búsqueda local y meta-heurísticos) han sido propuestos para abordar el FSSP. Estos pueden clasificarse en dos categorías: Enfoques Jerárquicos e integrados; en este trabajo utilizamos el primer enfoque. El planteamiento jerárquico, trata de resolver el problema por descomposición de una secuencia en subproblemas, y con ello reducir la dificultad. Una típica descomposición consiste en resolver primero la asignación y luego secuenciación. Recientemente los algoritmos genéticos han sido adoptados para resolver el FJSSP, algunos de los trabajos más relevantes los han desarrollado Lehmann et al. [1999] [1], ellos proponen un algoritmo genético para el FJSSP, donde dividen la representación de cromosomas en dos partes, la primera define la política de enrrutamiento, y la segunda los operadores de secuencia sobre la máquina. [] Jeong et al. [00], evalúan las alternativas de procesos en la planta para trabajos con restricciones de precedencia, para ello obtienen la secuencia usando un algoritmo genético que evalúa parámetros tales como: intervalos de entrega de los trabajos y los costos de salvamento. Kacem I. et al. [00] [], utilizan una representación de cromosomas que combina la información de la secuencia y de enrrutamiento, desarrollando un planteamiento de localización para encontrar una asignación inicial prometedora. Las reglas de despacho son utilizadas luego para la secuencia de las operaciones. Kacem, [00] [], utiliza un algoritmo genético con operadores de preservación de precedencia para minimizar el makespan y los tiempos de carga de las máquinas. Tay J.C y Ho N.B., [00] [5], propone una metodología eficiente llamada GENACE basada en una arquitectura evolutiva para resolver el FJSSP con recirculación, utilizando un juego de reglas de despacho. Borne et al. [00] [6], desarrollaron una aplicación de algoritmos evolucionarios, para encontrar mejores resultados, usando un operador genético adaptado para cada representación y una eficiente creación de una población inicial, mediante una combinación de algunos métodos heurísticos. tros autores han estudiado el desempeño de las diferentes metodologías para problemas particulares, como: G. Vilcot y J. Billaut, [008], para lo cual [7], presentan un algoritmo híbrido, entre un algoritmo genético y uno Búsqueda Tabú, haciendo referencia a los problemas que se presentan en las empresas de impresión y en la industria de encartonado. Proponen un algoritmo para encontrar una aproximación a la frontera de pareto; el algoritmo desarrollado por ellos está basado en NSGA-II (entorno de trabajo, comúnmente usado para solucionar problemas de optimización multicriterio); donde la población inicial es, parcialmente generada usando Búsqueda Tabú, donde tiene una importante impacto en las soluciones y el elitismo del NSGA-II.. DESCRIPCIÓN DEL PRBLEMA. Este problema presenta una alta complejidad computacional debido a la siguiente configuración de planta de producción: 1) Diferentes centros de trabajo. ) Los trabajos son independientes. ) cada uno de los trabajos tiene una lista de secuencia de operaciones. ) Las máquinas son distintas para cada uno de los centros de trabajo, siendo estas heterogéneas y paralelas, por lo que cada operación tiene tiempos distintos de ejecución en cada máquina. El objetivo será minimizar el tiempo acumulado de ejecución de las máquinas, conocido en la literatura como makespan. El problema de FJSSP suele ser definido por las siguientes condiciones [1]: Hay n trabajos con subíndice i, y estos trabajos son independientes entre ellos. Cada trabajo i tiene una secuencia de operación, denotada por J i. Cada trabajo consiste de una o más operaciones i,j. Cada secuencia de operación está ordenada por un juego de operaciones i,j Hay M máquinas con subíndice K (El k-ésima máquina es denotado por m k ) Para cada operación i,j. hay un juego (centro de trabajo) de máquinas capaces de cumplir con la función objetivo. Este juego de máquina es denotado por U i,j. Los tiempos de procesamiento d i,j,k ; de una operación i,j en una máquina K son predefinidos y mayores que cero. Restricciones generales Ninguna operación puede ser interrumpida durante el cumplimiento de la ejecución de la misma. Todas las máquinas están disponibles en el tiempo t=0 Ninguna máquina K, puede procesar más de una operación simultáneamente. La función objetivo, conocida como Makespan, es el valor más largo entre las sumas del tiempo de inicio de la operación en cada máquina y su tiempo de procesamiento. Este problema es conocido como NP-Hard, incluso si el trabajo tiene tres operaciones y tan sólo dos

3 máquinas [8]. Williamson y otros [9] demostraron que, el tiempo polinomial de los algoritmos son determinados si una instancia tiene un programa de longitud máxima igual a, pero si la longitud es mayor que el problema es NP- Hard. Este último resultado implica, al menos que P=NP, no existe una aproximación en tiempo polinomial para el problema JSSP, que construya una secuencia con duración garantizada estrictamente menor de 5/ veces la longitud óptima. Mediante este trabajo ellos mostraron que los problemas de secuenciación en diferentes configuraciones de planta son difíciles de resolver incluso aproximadamente.. TECNICA UTILIZADA Los algoritmos genéticos (AG), son algoritmos de optimización aproximados que utilizan una terminología basada en los procesos de evolución genéticos de las especies. Los AG emulan los mecanismos de selección natural y la genética para encontrar soluciones óptimas a problemas combinatorios. Los AG surgieron a partir de los estudios llevados a cabo por John Holland en la Universidad de Michigan. Goldberg (1989) proporciona una interesante recopilación del trabajo práctico llevado a cabo en esta área. [10] El enfoque de algoritmos genéticos permite encontrar una solución óptima o sub-óptima, desarrollando los siguientes componentes del AG. El primer componente es la codificación del esquema de solución; que constituye el cromosoma correspondiente a una solución candidata, este es determinado por un número finito de genes (caracteres). El segundo componente son los operadores genéticos, estos tienen la capacidad de generar nuevos cromosomas a partir de los cromosomas existentes. El cruce y la mutación son los operadores típicos en la literatura. El operador de cruce, forma nuevos cromosomas por intercambio de genes en dos cromosomas existentes. El operador de mutación, produce un nuevo cromosoma por intercambio aleatorio de genes en un cromosoma ya existente. La creación de nuevos cromosomas mediante estos operadores genéticos direcciona la búsqueda de la solución óptima. El tercer componente es la población inicial, ayuda a direccionar la búsqueda a soluciones deseables. El último componente es la evaluación de la función objetivo mediante la función fitness; durante la evolución del algoritmo, todos los cromosomas, para determinar cuales son adecuados como solución del problema. El algoritmo en general, está constituido por los siguientes pasos: 1. Inicializar una población de cromosomas.. Evaluar la aptitud de cada cromosoma.. Crear nuevos cromosomas, aplicando los operadores genéticos.. Eliminar algunos miembros de la población para dar cabida a nuevos. 5. Evaluar la aptitud de los nuevos cromosomas e insertar en la población de acuerdo a los resultados de la evaluación. 6. Si la condición de finalización es satisfecha, parar y entregar la solución del problema; de lo contrario ir al paso. 5. ENFQUE DE SLUCIÓN PRPUEST. El desarrollo del algoritmo de solución propuesto está basado en el direccionamiento dado por Kacem, I.[11], para dar solución a este problema, que es abordado mediante un enfoque de solución jerárquica, dando respuesta a las dos principales dificultades del FJSSP, primero la asignación de cada una de las operaciones a una de las máquinas y segundo determinar el tiempo de inicio de cada una de las operaciones, para lo cual se implementan dos heurísticas, una de localización y otra secuenciación. A continuación se presentan las heurísticas y el modelo de algoritmo genético utilizados Principio de asignación [11] Este algoritmo permite asignar cada operación a una posible máquina y su procedimiento es el siguiente: 1. Crear una matriz que llamamos D, en las filas se ubican las operaciones de cada uno de los trabajos, con sus respectivas operaciones en el orden del número de trabajo y en las columnas las máquinas, en las celdas por tanto, se ubican los tiempos de procesamiento de cada una de las operaciones por máquina. Donde D = { /1 j N;1 i ; 1 k M} d ' ', J1 J J i, j k 1,1,1,1 1,, 1,,, m1 m m Matriz D. Inicializar otra matriz, que llamamos matriz de asignación S, siendo esta un matriz binaria, n j S i =, j, k S con el mismo tamaño de D.. Se intercambian las posiciones en las matrices de dos trabajos aleatoriamente, con sus respectivas operaciones.

4 . Se inicia el proceso de asignación ubicando el trabajo que quedó en las primeras filas de las matrices. 5. Para cada fila por trabajo (i,j), de la matriz D, aplicar la siguiente regla de asignación: Si d' = ( 1),, min S = Entonces i j k k i, j, k - Asignar i,j a M ko ( 1) S = i, j, ko - Sumar el tiempo de procesamiento d i,j,ko a los elementos de la columna ko de la tabla D. 6. Finalizar el procedimiento cuando cada una de las operaciones han sido asignadas a una máquina en la matriz S. Después de tener asignadas todas las operaciones a las máquinas, se evalúa la calidad de la asignación realizada, que a su vez servirá para el esquema de codificación; porque se pasa de una matriz a un vector, donde la pareja (i,j) es cambiado por el índice l, tal que: j' j l= i si j= de lo contrario l= = 1,, 1, i j n +, ' = 1 j ' l representa también, el número de iteraciones correspondientes a las iteraciones del procedimiento de asignación. Por lo que, la operación i,j será denotada por l para 1 l NT y la variable d i,j,k será denotado por d l,k. 5.. Principio de secuenciación [11] La resolución de este problema es basada en un algoritmo modular, que calcula los tiempo de inicio, pero tomando en cuenta la disponibilidad de las máquinas y las restricciones de precedencia Esquema de codificación. Este esquema es una generalización del enfoque propuesto por Lee y otros en 1998 [1], por lo que cada solución candidata es codificada como, una lista de operaciones, en un vector. La lista consta de NT operaciones. Cada cromosoma representa una secuencia de tareas en forma de NT celdas; cada celda representa una tarea Tz ( 1 z NT ) y en cada una de estas tareas esta codificado (i,j,k). La forma de obtener este vector fue explicado en un apartado anterior. 5.. Algoritmo genético. En la Figura, se describen los componentes básicos del algoritmo genético. Inicio Datos: # Trabajos, # máquinas, operaciones y tiempos de procesamiento Parámetros del modelo: # Generaciones Población inicial % Cruce % Mutación Población inicial: Cromosomas factibles de solución Calcular función de aptitud Ya se cumplió el # de generaciones No rdenar de forma ascendente la población, de acuerdo a la función de aptitud Seleccionar el % de individuos que pasan directamente a la siguiente generación, el cual corresponde al % de los mejores individuos Generar nuevos individuos: perador de cruce PX (Precedence preserving order based crossover) [1] Calcular el % de individuos reproducidos que van a ser mutados Generar aleatorio Aleatorio < % Mutación Si Generar nuevos individuos: perador de mutación PPS (Precedence preserving shift mutation) [1] Formar nueva generación con los individuos seleccionados Si No Fin Fíg.. Diagrama de flujo algoritmo genético 6. ANALISIS DE LS RESULTADS Pruebas del algoritmo En esta sección se describen las pruebas computacionales que se usaron para evaluar la eficiencia y efectividad del algoritmo propuesto en este artículo, se realizaron pruebas con algunos problemas de referencia como el de Kacem [1]. El programa fue implementado en lenguaje Visual Basic 6.0 y las pruebas fueron realizadas en un portátil Toshiba con procesador Intel(R) Pentium(R) M de.5 MHz, y 51Mb de Memoria RAM

5 Para medir el desempeño del algoritmo y poderlo comparar, se calculó un indicador utilizado en la programación de producción. enfoque óptimo Error relativo = 100% óptimo Problemas Cmax Genace Kacem Error relativo Error relativo * Cmax Cmax */Genace */Kacem 1 x % -1% 10x % -1% 10x % 9% 15x10 1 8% -% De acuerdo al anterior indicador, se afirma que, el error relativo es muy pequeño en el enfoque desarrollado, comparado con la solución óptima dada por enfoques realizados anteriormente, encontrándose una mejora con respecto al algoritmo realizado por Kacem. 7. DISEÑ DE EXPERIMENTS Dado que los algoritmos genéticos, presentan un componente aleatorio importante, es posible utilizar el diseño experimental para afinar los parámetros que hacen parte de este tipo de algoritmos, con el fin de obtener un mejor desempeño al utilizarlos en el tipo de problema descrito Modelo experimental Una vez construido el algoritmo genético para la programación de producción, es necesario realizar una evaluación de los diferentes parámetros que lo componen, con el fin de determinar aquellos que presentan el mejor comportamiento en relación al criterio de calidad utilizado, como es el makespan o el tiempo de finalización de todos los trabajos en todas las maquinas. Para desarrollar el proceso de experimentación, es necesario utilizar una metodología que permita una adecuada planeación y ejecución del experimento. Para esto recurrimos a la metodología propuesta por Montgomery [1], la cual consta de siete pasos: 1. Identificación del problema. Selección factores y niveles. Selección de la variable respuesta. Selección del diseño experimental 5. Ejecución del experimento 6. Análisis estadístico de los datos 7. Conclusiones y recomendaciones De acuerdo con esta metodología nuestro problema consiste en identificar los parámetros del algoritmo genético de programación de producción que nos permita obtener los mejores programas. Para esto seleccionamos como factores del diseño los siguientes: % de mutación, % de cruce, tamaño de la población y el número de generaciones. La justificación de dicha selección se soporta, en que los diferentes autores que han tratado el tema, coinciden en que las variables mencionadas son las más relevantes a la hora de evaluar un algoritmo genético. En la siguiente tabla se muestra los factores y niveles seleccionados: Factores Niveles Bajo(-) Alto(+) % de mutación 10 0 % de cruce 10 0 Tamaño de población 80 0 Generaciones Varios de los autores que han realizado estudios sobre la secuenciación de tareas tales como: Kacem [], Vilcot y Billaut [7], tienen como variable respuesta del estudio, el Makespan, de tal forma que para nuestro caso de estudio es una variable representativa. Con base en los factores y niveles seleccionados, el diseño factorial más adecuado para esta situación, es un diseño factorial k (Diseño de escrutinio), ya que permite evaluar todos los factores y sus interacciones, con el fin determinar la significancia estadística de los factores con la variable respuesta, en un numero razonable de experimentos. Para la ejecución de este experimento, se elaboró un plan de experimentación compuesto por 8 pruebas, las cuales corresponden a un diseño factorial con tres replicas. Estas pruebas fueron corridas una a una en el algoritmo genético desarrollado. La obtención de las respuestas en cada una de las corridas tomo aproximadamente tres minutos. Una vez obtenidos los resultados, se procedió a utilizar el programa estadístico Minitab, Versión 1(versión de prueba), con el fin de realizar el análisis estadístico correspondiente. Un resumen de los resultados obtenidos se presenta a continuación: Term Effect Coef SE Coef T P Constant 17,708 0, ,5 0,000 % Mutación -0,667-0, 0,9556-0,5 0,70 % Cruce,000 1,000 0,9556 1,05 0,0 Tamaño población,000 1,500 0,9556 1,57 0,16 Generaciones -1,58-0,79 0,9556-0,8 0,1 % Mutación*% Cruce 1,50 0,65 0,9556 0,65 0,518 % Mutación*Tamaño población -,08-1,0 0,9556-1,09 0,8 % Mutación*Generaciones 0,167 0,08 0,9556 0,09 0,91 % Cruce*Tamaño población -1,58-0,79 0,9556-0,8 0,1 % Cruce*Generaciones -0,500-0,50 0,9556-0,6 0,795 Tamaño población*generaciones -1,167-0,58 0,9556-0,61 0,56 % Mutación*% Cruce*Tamaño población,000 1,000 0,9556 1,05 0,0 % Mutación*% Cruce*Generaciones 0,917 0,58 0,9556 0,8 0,65 % Mutación*Tamaño población* -0,750-0,75 0,9556-0,9 0,697 Generaciones % Cruce*Tamaño población* 1,08 0,5 0,9556 0,57 0,575 Generaciones % Mutación*% Cruce*Tamaño población* -0,8-0,17 0,9556-0, 0,666 Generaciones S = 6,6067 PRESS = 156 R-Sq =,16% R-Sq(pred) = 0,00% R-Sq(adj) = 0,00%

6 Del resumen estadístico, podemos observar que ninguno de los factores e interacciones son significativos, dado que el valor p, es mayor que 0.05 para todos. Lo que contraria algunos de los resultados obtenidos por otros autores previamente. Esto nos lleva a concluir que los niveles de los factores deben ser modificados, con el fin de garantizar una mayor separación entre ellos y así permitir la estabilización o convergencia del algoritmo. Dado que con los niveles actuales, la variabilidad presentada es alta, lo cual no permite identificar la significancia de los factores e interacciones incluidos en el modelo. El planteamiento del nuevo diseño experimental, se realizara en una nueva fase del proyecto de investigación, cuando los recursos sean asignados. Por lo tanto, en este trabajo, se muestran los hallazgos realizados hasta el momento. Con lo cual sólo se pretende presentar el grado de avance y la metodología utilizada hasta el momento, más no presentar conclusiones definitivas sobre el estudio. Esperamos que lo expuesto en el presente trabajo sea de interés para un evento tan importante como es Cisci. 8. CNCLUSINES Y RECMENDACINES Se ha construido un programa de computador, basado en algoritmos genéticos para la programación de plantas de fabricación tipo Flexible Job Shop. Con parámetros como: % de mutación, % de cruce, tamaño de la población y el número de generaciones Se ha evaluado de forma preliminar el programa desarrollado, con un diseño experimental k, en el cual se recomienda realizar una nueva fase de experimentación, definiendo nuevamente los niveles de los factores que permitan disminuir la variabilidad del proceso, con el fin de identificar la significancia estadística de los factores evaluados. 9. AGRADECIMIENTS Los autores quieren presentar los más sinceros agradecimientos a la Dirección de Investigación de la Universidad Nacional de Colombia, Sede Medellin (DIME) por la financiación del proyecto de investigación No , del cual este es uno de sus resultados. Adicionalmente, queremos agradecer el apoyo presentado por el estudiante de ingeniería industrial, Sebastián Cadavid en la realización de este trabajo. 10. REFERENCIAS [1] Chen H., Ihlow J. y Lehmann C. A genetic algorithm for Flexible Job Shop Scheduling. En: Proceedings of the IEEE Transactions on Neural Networks, International Conference on Robotics & automation. Detroit, Michigan, [] Jeong, C. S., Lee, Y. H., y Moon, C. Advanced planning and scheduling with outsourcing in manufacturing supply chain. En: Computers and Industrial Engineering, Vol. (), p. 51-7, 00. [] Borne P., Hammadi S, y Kacem I. Approach by localization and multiobjetive evolutionary optimization for flexible job-shop scheduling problems. En: IEEE Transactions on Systems, Man, and Cybernetics, Part C. Vol. (1), p. 1-1, 00. [] Kacem, I. Genetic algorithm for the flexible job shop scheduling problem. Proceedings of IEEE international conference on systems, man and cybernetics. Vol., p. 6-69, 00. [5] Ho N.B. y Tay J.C. GENACE: An effective cultural Algorithm for solving the flexible job shop schedules, En: Lecture notes in IEEE, p , 00. [6] Borne, Pierre., Hammadi, Slim y Mesghouni, Khaled. Evolutionary algorithms for Job Shop Scheduling. International Journal Application Mathematics computers Science. Vol.1 (1), p , 00. [7] Vilcot Geoffrey y Billaut Jean Charles. A tabu search and genetic algorithm for solving a bicriteria Job Shop Scheduling problem, En: Discrete optimization, European Journal of perational Research, Vol. 190, p , 008. [8] Jansen K., Mastrolilli M. y Solis-ba R. Approximation algorithms for Flexible Job Shop Problems. En: International Journal of Foundations of Computer Science. Vol 16, p , 005. [9] Hall, L., Hoogeveen, J., Hurkens, C., Lenstra, J., Sevastianov, S., Shmoys, D. y Williamson, D.Short shop schedules. En: peration Research, Vol. 5, p. 88-9, [10] Michalewicz, Z. Genetic algorithms + Data structures = Evolution programs. Springer Verlag Berlin Heidelberg New York, 199. [11] Kacem, Imed. Scheduling Flexible Job Shop: A worst case analysis and an evolutionary algorithm. En: International Journal of Computational Intelligence and Applications. Vol., No., p. 7-5., 00 [1] Lee, Kyung-Mi.; Yamakawa, T. y Lee, Keon- Myung. A genetic algorithm for general machine scheduling problems. En: Second international conference on Knowledge-based intelligent electronic systems. Adelaide, Australia, [1] Borne, P., Hammadi, S. y Kacem I. Pareto optimality approach for flexible job shop scheduling problems: Hybridization of evolutionary algorithms and fuzzy logic. En: Mathematics and Computers in simulation. Vol 60, p. 5-76, 00. [1] Montgomery D.,C. Design and Analysis of Experiments. Wiley.005.

Un algoritmo genético para el problema de Job Shop Flexible

Un algoritmo genético para el problema de Job Shop Flexible Ingeniare. Revista chilena de ingeniería, vol. 19 Nº 1, 2011, pp. 53-61 Un algoritmo genético para el problema de Job Shop Flexible A genetic algorithm for the Flexible Job Shop problem Rosa Medina Durán

Más detalles

Secuenciación de operaciones para configuraciones de planta tipo flexible Job Shop: Estado del arte

Secuenciación de operaciones para configuraciones de planta tipo flexible Job Shop: Estado del arte Secuenciación de operaciones para configuraciones de planta tipo flexible Job Shop: Estado del arte Scheduling for shop settings types to flexible Job Shop: State of the art Alexander Alberto Correa Espinal,

Más detalles

MODELO JERÁRQUICO PARA EL JOB SHOP FLEXIBLE

MODELO JERÁRQUICO PARA EL JOB SHOP FLEXIBLE !#"$%$$ %!& '($! *)!!#% $)$ +-,/.103254 687/9:6(;=1.1?A@50

Más detalles

Jhoan Sebastián Cadavid Jaramillo Ingeniero Industrial, Universidad Nacional de Colombia, jscadav0@unal.edu.co RESUMEN

Jhoan 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 detalles

Scheduling Problem. Cuándo y dónde debo hacer cada trabajo?

Scheduling 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 detalles

Experimentos con Algoritmos Genéticos para resolver un problema real de Programación Maestros-Horarios-Cursos

Experimentos con Algoritmos Genéticos para resolver un problema real de Programación Maestros-Horarios-Cursos Experimentos con Algoritmos Genéticos para resolver un problema real de Programación Maestros-Horarios-Cursos Pedro FLORES, Ernesto BRAU, Jazmín A. MONTEVERDE, Norman F. SALAZAR, José FIGUEROA, Eliseo

Más detalles

Un 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 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 detalles

ALGORITMOS GENÉTICOS PARA LA RESOLUCIÓN DE PROBLEMAS PRÁCTICOS DE SCHEDULING

ALGORITMOS GENÉTICOS PARA LA RESOLUCIÓN DE PROBLEMAS PRÁCTICOS DE SCHEDULING ALGORITMOS GENÉTICOS PARA LA RESOLUCIÓN DE PROBLEMAS PRÁCTICOS DE SCHEDULING Alberto Cortés, Víctor Jacobo, Lázaro Morales, Armando Ortiz Unidad de Investigación y Asistencia Técnica en Materiales, Universidad

Más detalles

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Jorge Salas Chacón A03804 Rubén Jiménez Goñi A93212 Juan Camilo Carrillo Casas A91369 Marco Vinicio Artavia Quesada

Más detalles

Comportamiento de los parámetros principales de un Algoritmo Genético para el Flow Shop Scheduling

Comportamiento de los parámetros principales de un Algoritmo Genético para el Flow Shop Scheduling Comportamiento de los parámetros principales de un Algoritmo Genético para el Flow Shop Scheduling Yunior César Fonseca Reyna Universidad de Granma E-mail: fonseca@udg.co.cu Temática: Inteligencia Artificial

Más detalles

Una heurística para la asignación de máquinas a trabajos fijos

Una heurística para la asignación de máquinas a trabajos fijos VIII Congreso de Ingeniería de Organización Leganés, 9 y 10 de septiembre de 2004 Una heurística para la asignación de máquinas a trabajos fijos José Manuel García Sánchez, Marcos Calle Suárez, Gabriel

Más detalles

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Pablo Ezzatti CeCal, Facultad de Ingeniería Universidad de la República, Uruguay pezzatti@fing.edu.uy Sergio Nesmachnow

Más detalles

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible Sara Lumbreras

Más detalles

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Pablo Ezzatti CeCal, Facultad de Ingeniería Universidad de la República, Uruguay pezzatti@fing.edu.uy Sergio Nesmachnow

Más detalles

Un modelo híbrido de inteligencia computacional para resolver el problema de Job Shop Scheduling

Un modelo híbrido de inteligencia computacional para resolver el problema de Job Shop Scheduling Un modelo híbrido de inteligencia computacional para resolver el problema de Job Shop Scheduling Jacob Meneses Angel, Marcela Rivera Martínez, Luis René Marcial Castillo, Sandoval Solís Lourdes Benemérita

Más detalles

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09 Introducción a los Algoritmos Genéticos Tomás Arredondo Vidal 17/4/09 Esta charla trata de lo siguiente: Introducción a algunos aspectos de los algoritmos genéticos. Introducción a algunas aplicaciones

Más detalles

Combinación de Algoritmos Evolutivos y Técnicas Heurísticas para Problemas de Scheduling

Combinación de Algoritmos Evolutivos y Técnicas Heurísticas para Problemas de Scheduling Combinación de Algoritmos Evolutivos y Técnicas Heurísticas para Problemas de Scheduling Ramiro Varela, Javier Blanco, Camino Rodríguez, Jorge Puente y César Alonso Centro de Inteligencia Artificial. Universidad

Más detalles

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33 Introducción Búsqueda Local A veces el camino para llegar a la solución no nos importa, buscamos en el espacio de soluciones Queremos la mejor de entre las soluciones posibles alcanzable en un tiempo razonable

Más detalles

Algoritmos Genéticos.

Algoritmos 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 detalles

Algoritmos Genéticos

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 detalles

Algoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos

Algoritmos 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 detalles

Algoritmos Genéticos. Introduccion a la Robótica Inteligente

Algoritmos 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 detalles

&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN

&$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 detalles

Algoritmos Genéticos Y

Algoritmos 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 detalles

Secuenciación de tareas mediante metaheurísticos

Secuenciación de tareas mediante metaheurísticos VIII Congreso de Ingeniería de Organización Leganés, 9 y 10 de septiembre de 2004 Secuenciación de tareas mediante metaheurísticos Santiago López de Haro 1, Pedro Sánchez Martín 2, Javier Conde Collado

Más detalles

PROCEDIMIENTO HEURÍSTICO PARA MINIMIZAR EL C max EN CELDAS ROBOTIZADAS CON BUFFERS FINITOS Y PIEZAS DISTINTAS

PROCEDIMIENTO 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 detalles

Selección Sexual Discriminatoria en un Algoritmo Evolutivo con una Matriz de Preferencias para la mejora de calidad de los Horarios de Trabajo

Selección Sexual Discriminatoria en un Algoritmo Evolutivo con una Matriz de Preferencias para la mejora de calidad de los Horarios de Trabajo Selección Sexual Discriminatoria en un Algoritmo Evolutivo con una Matriz de Preferencias para la mejora de calidad de los Horarios de Trabajo Víctor Arroyo Ciencia de la Computación Universidad Católica

Más detalles

Uso de algoritmos genéticos para resolver el modelo determinista y estocástico para el diseño de una red de recogida de residuos

Uso de algoritmos genéticos para resolver el modelo determinista y estocástico para el diseño de una red de recogida de residuos International Conference on Industrial Engineering & Industrial Management - CIO 2007 1443 Uso de algoritmos genéticos para resolver el modelo determinista y estocástico para el diseño de una red de recogida

Más detalles

Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING

Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING 6.1. HEURÍSTICAS CONVENCIONALES El problema de job shop scheduling (JSSP) es un problema muy importante [69]; está entre los problemas de optimización

Más detalles

A L G O R I T M O S E VO L U T I VO S A P L I C A D O S A L A G E N E R AC I Ó N D E H O R A R I O S PA R A C O L E G I O

A L G O R I T M O S E VO L U T I VO S A P L I C A D O S A L A G E N E R AC I Ó N D E H O R A R I O S PA R A C O L E G I O E S C U E L A P O L I T É C N I C A N A C I O N A L F A C U L T A D D E C I E N C I A S D E P A R T A M E N T O D E M A T E M Á T I C A S A L G O R I T M O S E VO L U T I VO S A P L I C A D O S A L A G

Más detalles

MODELOS DE PLANIFICACIÓN

MODELOS DE PLANIFICACIÓN MODELOS DE PLANIFICACIÓN Santiago de Compostela, Octubre 2006 1 s jk C max P Jm prmt L max NP Rm tree C j Algoritmos wj U j Uj Calendarios Fm prec w j U j Práctica CONTENIDO. Contents 1 Descripción del

Más detalles

SECUENCIACIÓN DE SISTEMAS DE TIPO JOB SHOP MEDIANTE APRENDIZAJE AUTOMÁTICO

SECUENCIACIÓN DE SISTEMAS DE TIPO JOB SHOP MEDIANTE APRENDIZAJE AUTOMÁTICO SECUENCIACIÓN DE SISTEMAS DE TIPO JOB SHOP MEDIANTE APRENDIZAJE AUTOMÁTICO Paolo Priore Moreno Raúl Pino Diez Alberto Gómez Gómez UNIVERSIDAD DE OVIEDO Una forma habitual de secuenciar de modo dinámico

Más detalles

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos

Desarrollo 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 detalles

Julian López Franco Universidad de La Salle Carrera 2 No. 10 70 Bogotá, Colombia jullopez@unisalle.edu.co

Julian López Franco Universidad de La Salle Carrera 2 No. 10 70 Bogotá, Colombia jullopez@unisalle.edu.co ESTRATEGIAS PARA EL DISEÑO E HIBRIDACIÓN DE UNA METAHEURÍSTICA BASADA EN BÚSQUEDA DISPERSA QUE RESUELVA EL PROBLEMA MDVRP MULTIOBJETIVO: COSTO Y BALANCEO DE CARGA Julian López Franco Universidad de La

Más detalles

Representación, Codificación en un AG Población Inicial. Aptitud. Estrategia de Selección. Cruce, Mutación, Reemplazo. Condición de Parada.

Representación, Codificación en un AG Población Inicial. Aptitud. Estrategia de Selección. Cruce, Mutación, Reemplazo. Condición de Parada. Computación n Evolutiva: Algoritmos Genéticos 1.- Metaheurísticos. Computación Evolutiva: Algoritmos Genéticos 2.- Conceptos principales de un Algoritmo Genético 3.- Estructura de un Algoritmo Genético

Más detalles

UTgeNes - Framework para Implementación y Estudio de Algoritmos

UTgeNes - Framework para Implementación y Estudio de Algoritmos UTgeNes - Framework para Implementación y Estudio de Algoritmos Genéticos Abstract UTgeNes es un framework para la implementación y estudio de algoritmos genéticos propuesto para la realización de trabajos

Más detalles

Tareas 20% Primer Examen Parcial 20% Segundo Examen Parcial 20% Proyecto Final 25% Examen Final 15%

Tareas 20% Primer Examen Parcial 20% Segundo Examen Parcial 20% Proyecto Final 25% Examen Final 15% Introducción a la Computación Evolutiva Dr. Carlos Artemio Coello Coello CINVESTAV-IPN Departamento de Computación Av. Instituto Politécnico Nacional No. 2508 Col. San Pedro Zacatenco México, D.F. 07360

Más detalles

Temario III Algoritmos Combinatorios y Metaheurísticas

Temario III Algoritmos Combinatorios y Metaheurísticas Temario III Algoritmos Combinatorios y Metaheurísticas Verificación y Validación de Software UNCo 1 Contenidos Combinación de Datos de Test Algoritmos Combinatorios Metaheurísticas Búsqueda Tabú Algoritmos

Más detalles

Estado del arte del problema de flujo general flexible con costes en la función objetivo *

Estado del arte del problema de flujo general flexible con costes en la función objetivo * Estado del arte del problema de fluo general flexible con costes en la función obetivo * Albert Corominas, Néstor Andrés González, Rafael Pastor Institut d'organització i Control de Sistemes Industrials

Más detalles

CAPITULO 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 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 detalles

Algoritmos Genéticos aplicados a la resolución de problemas de optimización

Algoritmos Genéticos aplicados a la resolución de problemas de optimización 1 Algoritmos Genéticos aplicados a la resolución de problemas de optimización Luis Marco Giménez lmarcogimenez@gmail.com http://www.luismarco.nom.es RESUMEN Los Algoritmos Genéticos, como paradigma principal

Más detalles

Diseño de redes viales urbanas usando algoritmos genéticos. M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C.

Diseño de redes viales urbanas usando algoritmos genéticos. M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C. Diseño de redes viales urbanas usando algoritmos genéticos M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C. e-mail: mapinnin@inf.udec.cl * Departamento de Ingeniería Informática y Ciencias

Más detalles

GPU IMPLEMENTATIONS OF SCHEDULING HEURISTICS FOR HETEROGENEOUS COMPUTING ENVIRONMENTS

GPU IMPLEMENTATIONS OF SCHEDULING HEURISTICS FOR HETEROGENEOUS COMPUTING ENVIRONMENTS GPU IMPLEMENTATIONS OF SCHEDULING HEURISTICS FOR HETEROGENEOUS COMPUTING ENVIRONMENTS MAURO CANABÉ SERGIO NESMACHNOW Centro de Cálculo, Facultad de Ingeniería Universidad de la República, Uruguay GPU IMPLEMENTATIONS

Más detalles

FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS

FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS PROYECTO DE GRADO Javier mauricio gamboa salgado Código: 544004 John alexander

Más detalles

Estrategia evolutiva para el problema de la supersecuencia común más corta

Estrategia evolutiva para el problema de la supersecuencia común más corta Estrategia evolutiva para el problema de la supersecuencia común más corta Marcela Rivera Martínez Facultad de Ciencias de la Computación, Benemérita Universidad Autónoma de Puebla mrivmar@hotmail.com

Más detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

Análisis del NSGA-II para el TSALBP-1/3 cuando existe variación de demanda en una producción mixta

Análisis del NSGA-II para el TSALBP-1/3 cuando existe variación de demanda en una producción mixta Análisis del NSGA-II para el TSALBP-1/3 cuando existe variación de demanda en una producción mixta Manuel Chica, Óscar Cordón, Sergio Damas y Joaquín Bautista Resumen En este trabajo introducimos la aplicación

Más detalles

METAHEURISTICAS Ideas, Mitos, Soluciones

METAHEURISTICAS Ideas, Mitos, Soluciones METAHEURISTICAS Ideas, Mitos, Soluciones OPTIMIZACION COMBINATORIA Qué es un problema de optimización combinatoria? Cómo se modela matemáticamente un problema de optimización combinatoria? Minimizar (o

Más detalles

Tesis Doctoral: Método Neuro-Genético para resolver problemas de la programación de la producción.

Tesis Doctoral: Método Neuro-Genético para resolver problemas de la programación de la producción. EDUCACION New Mexico State University, Las Cruces NM. Doctor en Ingeniería con especialidad en Ingeniería Industrial. 1999-2002 Asesor: Dr. Linda Ann Riley Tesis Doctoral: Método Neuro-Genético para resolver

Más detalles

7. Conclusiones. 7.1 Resultados

7. 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 detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA Escuela Académico Profesional de Ingeniería de Sistemas 1. ESPECIFICACIONES

Más detalles

Nuevas Tendencias y Retos en Métodos Heurísticos para Problemas de Scheduling

Nuevas Tendencias y Retos en Métodos Heurísticos para Problemas de Scheduling Nuevas Tendencias y Retos en Métodos Heurísticos para Problemas de Scheduling Ramiro Varela Grupo de Tecnologías de la Computación. Departamento de Informática. Centro de Inteligencia Artificial Universidad

Más detalles

ALGORITMO GENÉTICO APLICADO AL PROBLEMA DE ASIGNACIÓN DE CANAL EN COMUNICACIONES MÓVILES CELULARES

ALGORITMO GENÉTICO APLICADO AL PROBLEMA DE ASIGNACIÓN DE CANAL EN COMUNICACIONES MÓVILES CELULARES Memorias de la XVII Semana Regional de Investigación y Docencia en Matemáticas, Departamento de Matemáticas, Universidad de Sonora, México. Mosaicos Matemáticos No. 2, agosto 27, pp. 29-36. Nivel Superior

Más detalles

WMS Y SIMULACIÓN DISCRETA EN LA OPERACIÓN DE UN CENTRO DE DISTRIBUCIÓN

WMS Y SIMULACIÓN DISCRETA EN LA OPERACIÓN DE UN CENTRO DE DISTRIBUCIÓN WMS Y SIMULACIÓN DISCRETA EN LA OPERACIÓN DE UN CENTRO DE DISTRIBUCIÓN Alexander A. Correa Espinal Profesor Asociado Escuela de Ingeniería de la Organización, Universidad Nacional de Colombia Medellín,

Más detalles

PROGRAMACIÓN DE LA PRODUCCIÓN EN AMBIENTES JOB SHOP- BAJO PEDIDO, BASADO EN EL ENFOQUE DE PROYECTOS CON RESTRICCIONES DE RECURSOS

PROGRAMACIÓN DE LA PRODUCCIÓN EN AMBIENTES JOB SHOP- BAJO PEDIDO, BASADO EN EL ENFOQUE DE PROYECTOS CON RESTRICCIONES DE RECURSOS PROGRAMACIÓN DE LA PRODUCCIÓN EN AMBIENTES JOB SHOP- BAJO PEDIDO, BASADO EN EL ENFOQUE DE PROYECTOS CON RESTRICCIONES DE RECURSOS CESAR AUGUSTO ALOMÍA RESTREPO CÓD: 0826324 SEBASTIÁN LOZANO ARANGO CÓD:

Más detalles

Introducción INTRODUCCIÓN

Introducción INTRODUCCIÓN Introducción INTRODUCCIÓN Las empresas de distintos sectores económicos han concebido la logística como un proceso estratégico para mantener su actividad y garantizar la eficiencia de las operaciones de

Más detalles

Propuesta de un algoritmo genético para la programación diaria de los pedidos de una empresa del sector de la construcción

Propuesta de un algoritmo genético para la programación diaria de los pedidos de una empresa del sector de la construcción 5 th International Conference on Industrial Engineering and Industrial Management XV Congreso de Ingeniería de Organización Cartagena, 7 a 9 de Septiembre de 2011 Propuesta de un algoritmo genético para

Más detalles

Análisis de un problema Job Shop por medio de un Sistema Experto y un Agente Inteligente

Análisis de un problema Job Shop por medio de un Sistema Experto y un Agente Inteligente 3rd International Conference on Industrial Engineering and Industrial Management XIII Congreso de Ingeniería de Organización Barcelona-Terrassa, September 2nd-4th 2009 Análisis de un problema Job Shop

Más detalles

Una permutación eficiente para minimizar la suma de los tiempos de acabado de "n" trabajos en "m" máquinas Freddy Abarca R. fabarca@ic-itcr.ac.

Una permutación eficiente para minimizar la suma de los tiempos de acabado de n trabajos en m máquinas Freddy Abarca R. fabarca@ic-itcr.ac. Una permutación eficiente para minimizar la suma de los tiempos de acabado de "n" trabajos en "m" máquinas Freddy Abarca R. fabarca@ic-itcr.ac.cr El problema de la asignación de cargas de trabajo, a pesar

Más detalles

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE Aplicación a la INDUSTRIA de la construcción 1 El presente estudio propone el uso de un algoritmo comúnmente utilizado en la rama de investigación

Más detalles

Algoritmos. Autor: José Ángel Acosta Rodríguez

Algoritmos. Autor: José Ángel Acosta Rodríguez Autor: 2006 ÍNDICE Página Índice 1 Problema 1. Movimiento de figuras geométricas.2 Problema 2. Conversión decimal a binario....3 Problema 3. Secuencias binarias..4 Problema 4. Conversión a binario a octal...

Más detalles

Obtención de Sistemas Basados en Reglas Difusas Precisos y Compactos mediante Algoritmos Geneticos Multiobjetivo

Obtención de Sistemas Basados en Reglas Difusas Precisos y Compactos mediante Algoritmos Geneticos Multiobjetivo Obtención de Sistemas Basados en Difusas Precisos y Compactos mediante Algoritmos Geneticos Multiobjetivo R. Alcalá, J. Alcalá-Fdez, M. J. Gacto y F. Herrera Departamento de Ciencias de la Computación

Más detalles

Propuesta de una arquitectura para la generación de mutantes de orden superior en WS-BPEL

Propuesta de una arquitectura para la generación de mutantes de orden superior en WS-BPEL Propuesta de una arquitectura para la generación de mutantes de orden superior en WS-BPEL Emma Blanco Muñoz, Antonio García Domínguez, Juan José Domínguez Jiménez, Inmaculada Medina Bulo Escuela Superior

Más detalles

Programación de la producción a corto plazo y de tareas de mantenimiento preventivo en ambientes Job Shop Flexibles

Programación de la producción a corto plazo y de tareas de mantenimiento preventivo en ambientes Job Shop Flexibles Programación de la producción a corto plazo y de tareas de mantenimiento preventivo en ambientes Job Shop Flexibles Mauricio D. Sirolla a,c, Juan M. Novas b, Gabriela P. Henning c a Facultad de Ingeniería

Más detalles

Métodos 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 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 detalles

Influencia de los parámetros principales de un Algoritmo Genético para el Flow Shop Scheduling

Influencia de los parámetros principales de un Algoritmo Genético para el Flow Shop Scheduling Tipo de artículo: Artículo original Temática: Inteligencia artificial Recibido: 4/11/2013 Aceptado: 17/12/2013 Publicado: 21/01/2014 Influencia de los parámetros principales de un Algoritmo Genético para

Más detalles

Sistema de apoyo a procesos productivos en Pymes: Un caso de aplicación 1

Sistema de apoyo a procesos productivos en Pymes: Un caso de aplicación 1 Sistema de apoyo a procesos productivos en Pymes: Un caso de aplicación 1 Ricardo Contreras A., M. Angélica Pinninghoff J., Evelyn Osses L. Departamento de Ingeniería Informática y Ciencias de la Computación

Más detalles

ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS

ETSIINGENIO 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 detalles

ASIGNATURA: Fundamentos de los Sistemas Automáticos de Fabricación

ASIGNATURA: Fundamentos de los Sistemas Automáticos de Fabricación ASIGNATURA: Fundamentos de los Sistemas Automáticos de Fabricación Código: 1613018 Titulación: Ingeniero Técnico Industrial Especialidad en Electrónica Industrial Curso: 3º Profesor(es) responsable(s):

Más detalles

Flow-Shop Dinámico. Por: Juan Carlos Rivera Samuel De Greiff

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 detalles

Revista Ingenierías Universidad de Medellín ISSN: 1692-3324 revistaingenierias@udem.edu.co Universidad de Medellín Colombia

Revista Ingenierías Universidad de Medellín ISSN: 1692-3324 revistaingenierias@udem.edu.co Universidad de Medellín Colombia Revista Ingenierías ISSN: 1692-3324 revistaingenierias@udem.edu.co Colombia Osorio, Juan Carlos; Lasso, Diego Fernando; Ruiz, Gabriel Alonso JOB SHOP SCHEDULING BIOBJETIVO MEDIANTE ENFRIAMIENTO SIMULADO

Más detalles

Programación de tareas, un reto diario en la empresa

Programación de tareas, un reto diario en la empresa Programación de tareas, un reto diario en la empresa Pedro Sánchez Martín Ingeniero del ICAI (1993) y Doctor en Ingeniería Industrial por la UPCO (1998). Profesor del Departamento de Organización Industrial

Más detalles

ALGORITMO HÍBRIDO PARA UN ENFOQUE ALTERNATIVO AL JOB-SHOP SCHEDULING PROBLEM

ALGORITMO HÍBRIDO PARA UN ENFOQUE ALTERNATIVO AL JOB-SHOP SCHEDULING PROBLEM !" #%$'&( &&" ( #)* &"#!,+-#% #(&+.&! /1032547698 :;9@?9AB2DCFE94?9G9H3IJ:LK?909M9

Más detalles

Algoritmo de Colonias de Abejas Artificiales para la composición de equipos médicos *

Algoritmo de Colonias de Abejas Artificiales para la composición de equipos médicos * Algoritmo de Colonias de Abejas Artificiales para la composición de equipos médicos * José A. Delgado-Osuna 1, Manuel Lozano 2, and Carlos García-Martínez 3 1 H.U. Reina Sofía jantonio.delgado.sspa@juntadeandalucia.es,

Más detalles

4. Programación Paralela

4. 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 detalles

Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI

Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Ricardo Köller Jemio Departamento de Ciencias Exactas e Ingeniería, Universidad

Más detalles

Optimización por Colonia de Hormigas para la Asignación Dinámica de Recursos en una Plataforma de Experimentación de Temperatura Multizona

Optimización por Colonia de Hormigas para la Asignación Dinámica de Recursos en una Plataforma de Experimentación de Temperatura Multizona 82 IEEE LATIN AMERICA TRANSACTIONS, VOL. 5, NO. 2, MAY 2007 Optimización por Colonia de Hormigas para la Asignación Dinámica de Recursos en una Plataforma de Experimentación de Temperatura Multizona Mario

Más detalles

Librería de Algoritmos Genéticos para Arquitectura (LAGA)

Librería de Algoritmos Genéticos para Arquitectura (LAGA) Librería de Algoritmos Genéticos para Arquitectura (LAGA) Genetic Algorithms Architectural Library Carlos Ignacio de la Barrera Poblete designemergente.com, Chile - España cidelab@gmail.com Abstract LAGA

Más detalles

DISEÑO DE UN CURSO INTERACTIVO Y ADAPTATIVO DE PROCESADORES DE LENGUAJES

DISEÑO DE UN CURSO INTERACTIVO Y ADAPTATIVO DE PROCESADORES DE LENGUAJES Alfonseca, M., Carro, R.M., Pulido, E. and Rodríguez, P. (2000): Diseño de un curso interactivo y adaptativo de procesadores de lenguajes. Proceedings of JENUI 2000: VI Jornadas sobre la Enseñanza Universitaria

Más detalles

construcción de programas Prof. Eliana Guzmán U.

construcción de programas Prof. Eliana Guzmán U. Unidad II. Metodología para la construcción de programas Prof. Eliana Guzmán U. Semestre: A-2015 Introducción Resolver un problema con una computadora conduce a la escritura de un programa y a su ejecución.

Más detalles

RESOLUCIÓN DE PROBLEMAS DE PACKING EN UNA EMPRESA DE

RESOLUCIÓN DE PROBLEMAS DE PACKING EN UNA EMPRESA DE RESOLUCIÓN DE PROBLEMAS DE PACKING EN UNA EMPRESA DE CALCAMONIAS MEDIANTE ALGORITMOS GENÉTICOS. Alberto Gómez Gómez, José Parreño Fernández y Isabel Fernández Quesada. RESUMEN. El objetivo del presente

Más detalles

DETECCIÓN DE DAÑO EN EDIFICIOS UTILIZANDO REDES NEURONALES

DETECCIÓN DE DAÑO EN EDIFICIOS UTILIZANDO REDES NEURONALES DETECCIÓN DE DAÑO EN EDIFICIOS UTILIZANDO REDES NEURONALES Pérez Flores, Tonatiuh Jaime 1, Rodríguez Rocha, Ramsés 2 y Gómez Ramírez, Eduardo 3 Instituto Politécnico Nacional Escuela Superior de Ingeniería

Más detalles

Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas

Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas Manuel Baena García, Rafael Morales Bueno y Carlos Cotta Porras Workshop MOISES Septiembre 2004 1/15 Contenido Inducción

Más detalles

Problemas indecidibles

Problemas indecidibles Capítulo 7 Problemas indecidibles 71 Codificación de máquinas de Turing Toda MT se puede codificar como una secuencia finita de ceros y unos En esta sección presentaremos una codificación válida para todas

Más detalles

EL ANÁLISIS FACTORIAL, TEORÍA DE LAS RESTRICCIONES Y LA MEJORA CONTINUA, TECNICAS COMPLEMENTARIAS

EL ANÁLISIS FACTORIAL, TEORÍA DE LAS RESTRICCIONES Y LA MEJORA CONTINUA, TECNICAS COMPLEMENTARIAS EL ANÁLISIS FACTORIAL, TEORÍA DE LAS RESTRICCIONES Y LA MEJORA CONTINUA, TECNICAS COMPLEMENTARIAS Ing. Silvina Hernández García Universidad Nacional Autónoma de México, Facultad de Ingeniería, División

Más detalles

Aplicación de un Algoritmo Evolutivo en la Solución de Problemas Job Shop-Open Shop

Aplicación de un Algoritmo Evolutivo en la Solución de Problemas Job Shop-Open Shop Aplicación Información de Tecnológica un Algoritmo Evolutivo en la Solución de Problemas Job Vol. 22(1), 83-92 (2011) doi: 10.4067/S0718-07642011000100011 Aplicación de un Algoritmo Evolutivo en la Solución

Más detalles

Análisis por simulación de un sistema estocástico

Análisis por simulación de un sistema estocástico Análisis por simulación de un sistema estocástico José Carlos Cimorra Velilla David Ordóñez Arévalo ÍNDICE 1. Planteamiento del problema... 2 2. Modelo... 4 2.1 Diagrama de flujo... 4 2.2 Modelo de colas...

Más detalles

Comparativa de Algoritmo Genético, Memético y SI para el diseño de horarios de una Institución Educativa

Comparativa de Algoritmo Genético, Memético y SI para el diseño de horarios de una Institución Educativa Comparativa de Algoritmo Genético, Memético y SI para el diseño de horarios de una Institución Educativa Lucero de Montserrat Ortiz Aguilar a, Juan Martín Carpio Valadez a, Héctor José Puga Soberanes a,

Más detalles

ASALBP: Alternative Subgraphs Assembly Line Balancing Problem *

ASALBP: Alternative Subgraphs Assembly Line Balancing Problem * IX Congreso de Ingeniería de Organización Gijón, 8 y 9 de septiembre de 2005 ASALBP: Alternative Subgraphs Assembly Line Balancing Problem * Liliana Capacho Betancourt 1, Rafael Pastor Moreno 2 1 Dpto

Más detalles

LOCALIZACIÓN ÓPTIMA DE DISPOSITIVOS FACTS EN SISTEMAS DE TRANSMISIÓN USANDO ENJAMBRE DE PARTÍCULAS

LOCALIZACIÓN ÓPTIMA DE DISPOSITIVOS FACTS EN SISTEMAS DE TRANSMISIÓN USANDO ENJAMBRE DE PARTÍCULAS I CONGRESO VENEZOLANO DE REDES Y ENERGÍA ELÉCTRICA Comité Nacional Venezolano Noviembre 27 167 LOCALIZACIÓN ÓPTIMA DE DISPOSITIVOS FACTS EN SISTEMAS DE TRANSMISIÓN USANDO ENJAMBRE DE PARTÍCULAS Jose H.

Más detalles

Algoritmo evolutivo para el problema de la ubicación de productos en las estanterías de una gran superficie

Algoritmo evolutivo para el problema de la ubicación de productos en las estanterías de una gran superficie X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 Algoritmo evolutivo para el problema de la ubicación de productos en las estanterías de una gran superficie José M. Albarracín

Más detalles

UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI

UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: SISTEMAS DE PRODUCCIÓN I FECHA DE ELABORACIÓN: ENERO 2005 ÁREA DEL PLAN DE ESTUDIOS: AS ( ) AC

Más detalles

Representación con Restricciones de Medidas Cualitativas: Aplicación a un Problema de Scheduling

Representación con Restricciones de Medidas Cualitativas: Aplicación a un Problema de Scheduling Representación con Restricciones de Medidas Cualitativas: Aplicación a un Problema de Scheduling Salvador E. Ayala-Raggi German Cuaya-Simbro Modesto G. Medina-Melendrez Angélica Muñoz-Meléndez Instituto

Más detalles

Complejidad - Problemas NP-Completos. Algoritmos y Estructuras de Datos III

Complejidad - Problemas NP-Completos. Algoritmos y Estructuras de Datos III Complejidad - Problemas NP-Completos Algoritmos y Estructuras de Datos III Teoría de Complejidad Un algoritmo eficiente es un algoritmo de complejidad polinomial. Un problema está bien resuelto si se conocen

Más detalles

Rubén Ruiz, Concepción Maroto, Javier Alcaraz.

Rubén Ruiz, Concepción Maroto, Javier Alcaraz. 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.

Más detalles

TÉCNICAS EVOLUTIVAS PARA EL PROBLEMA DEL VIAJANTE

TÉCNICAS EVOLUTIVAS PARA EL PROBLEMA DEL VIAJANTE Mecánica Computacional Vol. XXII M. B. Rosales, V. H. Cortínez y D. V. Bambill (Editores) Bahía Blanca, Argentina, Noviembre 2003. TÉCNICAS EVOLUTIVAS PARA EL PROBLEMA DEL VIAJANTE Jessica A. Carballido,

Más detalles

capitulo3 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 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 detalles

Estado del Arte del Job Shop Scheduling Problem

Estado del Arte del Job Shop Scheduling Problem Estado del Arte del Job Shop Scheduling Problem Víctor Peña y Lillo Zumelzu Departamento de Informática, Universidad Técnica Federico Santa María Valparaíso, Chile vpena@inf.utfsm.cl 17 de mayo de 2006

Más detalles

ALGORITMOS GENÉTICOS ASÍNCRONOS COMBINADOS PARA UNA RED HETEREOGÉNEA DE COMPUTADORAS

ALGORITMOS GENÉTICOS ASÍNCRONOS COMBINADOS PARA UNA RED HETEREOGÉNEA DE COMPUTADORAS ALGORITMOS GENÉTICOS ASÍNCRONOS COMBINADOS PARA UNA RED HETEREOGÉNEA DE COMPUTADORAS Benjamín Barán y Enrique Chaparro Centro Nacional de Computación Universidad Nacional de Asunción Campus Universitario

Más detalles

Una heurística basada en memoria para el problema del diseño de recorridos en transporte público urbano

Una heurística basada en memoria para el problema del diseño de recorridos en transporte público urbano Una heurística basada en memoria para el problema del diseño de recorridos en transporte público urbano Antonio Mauttone María E. Urquhart Departamento de Investigación Operativa, Instituto de Computación,

Más detalles