Paolo Priore

Dr. ingeniero industrial y profesor asociado en la ETSII de Gijn. Sus lneas de investigacin incluyen la aplicacin del aprendizaje automtico en los problemas de produccin y la simulacin.

David de la Fuente

Dr. ingeniero industrial y profesor titular en la ETSII de Gijn. Sus lneas de investigacin abarcan la inteligencia artificial y la previsin.

Utilizacin de las Redes Neuronales en la toma de decisiones. Aplicacin en un problema de secuenciacin

Ral Pino

Dr. Ingeniero industrial y profesor asociado en la ETSII de Gijn. Sus lneas de investigacin incluyen las aplicaciones de las redes neuronales en los problemas de previsin y la simulacin.

Javier Puente

Dr. Ingeniero industrial y profesor asociado en la ETSII de Gijn. Sus lneas de investigacin abarcan las aplicaciones de la lgica borrosa en los problemas de produccin.

Las redes neuronales, que pertenecen al campo de la inteligencia artificial, permiten resolver un problema mediante el empleo de problemas resueltos en el pasado similares al planteado. En este artculo se describen las principales caractersticas de las redes neuronales, as como las aplicaciones ms comunes en las que se utiliza esta tcnica.Asimismo, a modo de ejemplo, se presenta, de forma detallada, una aplicacin en la que se emplean redes neuronales. En sta, se resuelve un problema de secuenciacin en un sistema de fabricacin flexible (FMS1). En este tipo de sistemas, la forma habitual de secuenciar dinmicamente los trabajos es mediante el empleo de reglas de secuenciacin. Sin embargo, el problema de este mtodo es que el comportamiento de las reglas depende del estado del sistema de fabricacin, y no existe una regla que supere a las dems en todos los posibles estados que puede presentar el mismo. Para resolver este inconveniente, se presenta una metodologa que utiliza redes neuronales que permite usar, en cada momento, la regla de secuenciacin ms adecuada. Palabras clave: Secuenciacin, Redes neuronales, FMS, Simulacin
1

FMS, del ingls Flexible Manufacturing System

28

anales de mecnica y electricidad. Noviembre-Diciembre 2002

Introduccin El aprendizaje automtico, que pertenece al campo de la inteligencia artificial, permite resolver problemas mediante el empleo del conocimiento obtenido de problemas resueltos en el pasado similares al actual (Michalski et al., 1983). Las principales tcnicas dentro del aprendizaje automtico son las redes neuronales, el aprendizaje inductivo y el razonamiento basado en casos (CBR 2). La diferencia fundamental entre estas tcnicas radica en la forma en que se almacena el conocimiento. As, en las redes neuronales, el conocimiento se traduce en una serie de pesos y umbrales que poseen las neuronas. En cambio, en el aprendizaje inductivo, el conocimiento se transforma en un rbol de decisin o un conjunto de reglas. Por ltimo, en el CBR, el conocimiento est formado por una base de casos compuesta por los problemas resueltos en el pasado. Por otro lado, uno de los mtodos ms utilizados para resolver el problema de secuenciacin en los FMSs es el empleo de reglas de secuenciacin. Hasta la fecha, muchos investigadores (ver por ejemplo, Montazeri y Van Wassenhove, 1990; Tang et al., 1993) han evaluado el comportamiento de las reglas de secuenciacin en los FMSs, pudindose concluir a partir de estos estudios que el comportamiento de estas reglas depende del criterio de eficiencia elegido, de la configuracin del sistema y de las condiciones de ste (carga global del sistema, equilibrio de las cargas en las distintas mquinas, la holgura de las fechas de entrega, etc.). Por lo tanto, sera interesante cambiar las reglas de secuenciacin en el momento apropiado. Para ello, se emplean un conjunto de simulaciones previas del sistema de fabricacin (ejemplos de entrenamiento o problemas resueltos en el pasado) para determinar, mediante un algoritmo de aprendizaje automtico, cul es la mejor de las reglas en cada posible estado del sistema. Este trabajo est organizado de la siguiente forma. En primer lugar, se describen las redes neuronales y una clasificacin de las aplicaciones en las que se usa esta tcnica; asimismo, se enumeran las principales ventajas e inconvenientes de las redes neuronales. Posteriormente, se presenta una metodologa para
2 3

Figura 1. Modelo tradicional de una neurona artificial

wi1

x1 wi2 x2 xi xn i -1 win wij

f()
yi = f (wij xj-i)

yi

secuenciar trabajos utilizando redes neuronales y se efecta el estudio experimental. Finalmente, se describe un resumen de los resultados del trabajo.

Redes neuronales El elemento fundamental de una red neuronal es la neurona, tambin denominada nodo o procesador elemental, que aparece representada en la Figura 1. En ella, la suma de las n entradas xj de la neurona i, ponderadas con los pesos sinpticos wij, genera la entrada ponderada total o potencial postsinptico de la neurona i. Los pesos sinpticos wij miden la intensidad de la interaccin entre las dos neuronas que estn conectadas por el enlace. Posteriormente, se aplica una funcin de activacin o transferencia (f) a la diferencia entre el potencial postsinptico y el umbral i, obtenindose la salida de la neurona (yi). Las neuronas se agrupan en capas, pudiendo haber, o no, interaccin entre las neuronas de una misma capa. A su vez, un conjunto de capas forma una red neuronal, la cual puede tener dos tipos fundamentales de arquitectura; la feedforward donde la informacin se transmite siempre hacia delante, y la arquitectura feedback, en la cual la informacin puede propagarse hacia atrs. Las redes neuronales backpropagation (BPN3), denominadas tambin perceptrn multicapa4 (Rumelhart et al., 1986), son las ms conocidas y empleadas (Freeman y Skapura, 1991; Lippman, 1987). En la Figura 2, se muestra el esquema general de una red de este tipo; como se puede observar, en este

CBR, del ingls Case-Based Reasoning BPN del ingls Backpropagation Net 4 Del ingls Multilayer Perceptron

Utilizacin de las Redes Neuronales en la toma de decisiones. Aplicacin en un problema de secuenciacin

29

Figura 2. Esquema general de una red neuronal backpropagation

uj wij wjk uk

Salida Entrada Oculta yj zk ok Objetivo

xi

caso, existe slo una capa oculta y no hay conexiones entre neuronas de una misma capa. El algoritmo de entrenamiento retro-propagacin5 es el empleado en este tipo de red neuronal. Existen diversas versiones de este algoritmo, siendo la versin estndar (Freeman y Skapura, 1991; Rumelhart et al., 1986) la que se comentar a continuacin. Para ello, se supone una red con una capa de entrada de n 1 neuronas, una oculta de n 2 neuronas y una de salida de n3 neuronas, tal como se muestra en la Figura 2. Las salidas de la capa de entrada, oculta y de salida, se denominan, respectivamente, xi, yj y zk. Asimismo, los pesos de los enlaces que conectan las dos primeras capas y los umbrales de las neuronas de la segunda capa se denotan, respectivamente, por wij y uj. De forma similar, wjk y uk son, respectivamente, los pesos de los enlaces entre las dos ltimas capas y los umbrales de las neuronas de la tercera capa. El algoritmo de entrenamiento es de tipo iterativo y emplea la tcnica del gradiente para minimizar una funcin que mide la diferencia entre la salida de la red (z k) y la deseada (o k ). Este algoritmo tiene dos fases; una hacia delante y otra hacia atrs. En la primera, se calcula la diferencia entre la salida de la red y la deseada (asumiendo p ejemplos de entrenamiento):
p 1 E(wij,uj,wjk,uk)= o - wjk . y j - uk 2 k =1 k=1 j=1 n3

n2

)]

siendo:
y j = wij . x - uj i
j=1
5

n1

Esta funcin denominada de coste (tambin se llama de objetivo, de error o de energa) mide la bondad de los pesos y los umbrales asignados y tiende a cero cuando la salida de la red se aproxima a la deseada. Una vez calculada esta funcin, se ejecuta la fase hacia atrs; en ella, utilizando el mtodo del gradiente, se modifican los pesos y los umbrales de forma que disminuya el error actual. Este proceso se repite de forma iterativa hasta reducir el error a una cantidad deseada. Las redes neuronales pueden utilizarse en un gran nmero y variedad de aplicaciones, tanto comerciales como militares. A continuacin, se enumeran algunas aplicaciones separndolas en grupos segn las distintas disciplinas: Empresa: evaluacin de la probabilidad de formaciones geolgicas y petrolferas, identificacin de candidatos para posiciones especficas, explotacin de bases de datos, optimizacin de plazas y horarios en lneas de vuelo, y reconocimiento de caracteres escritos. Medio ambiente: analizar tendencias y patrones, y previsin del tiempo. Finanzas: previsin de la evolucin de los precios, valoracin del riesgo de los crditos, identificacin de falsificaciones, e interpretacin de firmas. Fabricacin: robots automatizados y sistemas de control, control de la produccin en lneas de fabricacin, e inspeccin de la calidad. Medicina: analizadores del habla para la ayuda de la audicin de sordos profundos, diagnstico y tratamiento a partir de sntomas y/o datos analticos, monitorizacin en ciruga, prediccin de reacciones adversas a los medicamentos, lectores de rayos X, y entendimiento de la causa de los ataques epilpticos. Militares: clasificacin de las seales de radar, creacin de armas inteligentes, optimizacin del uso de recursos escasos, y reconocimiento y seguimiento en el tiro al blanco. Entre las ventajas que poseen las redes neuronales cabe destacar las siguientes: Tienen una gran eficacia de clasificacin y son ms robustas que la mayor parte de las tcnicas de tipo estadstico. No depende, a diferencia de otros enfoques estadsticos, de hiptesis sobre la distribucin de los valores o la independencia de los atributos.

Del ingls Backpropagation

30

anales de mecnica y electricidad. Noviembre-Diciembre 2002

Los principales inconvenientes que surgen en las redes neuronales son los siguientes: Los algoritmos de entrenamiento suelen ser bastante lentos, si se comparan con el proceso de construccin de rboles y reglas de los algoritmos de aprendizaje inductivo. El conocimiento que se obtiene (pesos y umbrales) es ininteligible para los seres humanos. En ocasiones, es difcil determinar la configuracin idnea de la red para la resolucin de un problema concreto.

Figura 3. Sistema de fabricacin flexible propuesto

Almacn de piezas semiacabadas

Sistema de manipulacin de materiales Estacin de carga y descarga

Secuenciacin dinmica mediante Redes Neuronales La metodologa que se propone en este trabajo, para secuenciar tareas utilizando redes neuronales, se puede dividir en cuatro etapas: Creacin de un conjunto de ejemplos de entrenamiento y de test mediante el generador de ejemplos. Para ello, es necesario definir los atributos adecuados que identifiquen el estado del sistema de fabricacin. Obviamente, como no es posible tener en cuenta a todos ellos, se deben elegir los ms significativos. Los atributos seleccionados se denominan atributos de control siendo los valores utilizados de stos, aquellos que se presentan con ms frecuencia en el sistema de fabricacin que se estudia. La clase o solucin de cada ejemplo de entrenamiento o de test se obtiene a partir de la regla de secuenciacin (o combinacin de ellas, si existe ms de un tipo de decisin que se debe tomar) que genere el mejor comportamiento en el sistema de fabricacin. Para poder realizar lo anterior, se debe construir un modelo de simulacin del sistema de fabricacin, y probar para cada conjunto de valores de los atributos de control (ejemplo de entrenamiento o de test) el compor tamiento del sistema frente a las diversas reglas de secuenciacin que se pretenden utilizar. Determinacin del conocimiento de secuenciacin (en forma de pesos y umbrales) mediante un algoritmo de entrenamiento. Determinacin de la regla de secuenciacin ms adecuada (o combinacin de ellas, si existe ms de un tipo de decisin), mediante el conocimiento de secuenciacin, dependiendo de los valores que presenten los atributos (estado del sistema de fabricacin) en cada momento. Comparacin del compor tamiento del sistema de fabricacin utilizando redes

Centro de mecanizado 1

Centro de mecanizado 2

Centro de mecanizado 3

Centro de mecanizado 4

neuronales y la mejor regla de secuenciacin, o combinacin de ellas. Si este segundo mtodo produce un comportamiento del sistema superior, se debe regresar al primer paso.

Estudio experimental El FMS considerado es similar al propuesto por Min et al. (1998) y Kim et al. (1998), y est formado por cuatro centros de mecanizado, un sistema de manipulacin de materiales y un almacn para piezas semiacabadas con una capacidad mxima de 32 piezas. Cada centro de mecanizado tiene su propio buffer de entrada y de salida. Asimismo, debido a la flexibilidad del sistema, existe la posibilidad de realizar cualquier operacin en dos mquinas alternativas. En la Figura 3, se muestra un esquema del FMS propuesto. En este sistema se consideran dos tipos de decisiones; en primer lugar, la seleccin de las piezas asignadas a un centro de mecanizado por parte de ste. Para ello, las reglas de secuenciacin utilizadas en esta configuracin son: SPT (Shortest Processing Time); EDD (Earliest Due Date); MDD (Modified Job Due Date) y SRPT (Shortest Remaining Processing Time). Se han seleccionado estas reglas debido a que presentan un buen comportamiento en diversos estudios realizados previamente (Kim et al.,1998; Min et al., 1998). El segundo tipo de decisin, corresponde a la seleccin de las mquinas por parte de las piezas, debido a que una operacin se puede realizar en diferentes mquinas. Para ello, las reglas de secuenciacin utilizadas en esta configuracin son (Kim et al.,1998; Min et al., 1998; Okeefe y Kasirajan, 1992): SPT (Shortest Processing Time); NINQ (Number
31

Utilizacin de las Redes Neuronales en la toma de decisiones. Aplicacin en un problema de secuenciacin

in Queue); WINQ (Work in Queue); LUS (Lowest Utilized Station).

Generacin de los ejemplos de entrenamiento y de test

Los ejemplos necesarios para la etapa de aprendizaje se obtienen, mediante simulacin, utilizando el programa Witness (Witness, 1996). Para ello, se realizan las siguientes suposiciones: Los trabajos, o piezas, llegan al sistema siguiendo una distribucin de Poisson. Los tiempos de procesamiento de cada operacin se ajustan a una distribucin exponencial con un valor medio de uno. El nmero de operaciones que se asigna a cada trabajo sigue una distribucin uniforme entera, siendo los valores extremos del intervalo uno y cuatro. La probabilidad de asignar una operacin a una mquina depende de los parmetros POi (porcentaje de operaciones asignadas a
Tabla 1. Errores de test utilizando redes neuronales para el criterio del retraso medio
Nmero de ejemplos de entrenamiento 50 100 150 200 250 300 350 400 450 500 Error de test Nmero de ejemplos de entrenamiento 550 600 650 700 750 800 850 900 950 1000 Error de test

25% 21% 23% 21% 17% 18% 16% 17% 15% 13%

13% 15% 14% 16% 16% 15% 15% 15% 12% 12%

Tabla 2. Errores de test utilizando redes neuronales para el criterio del tiempo medio en el sistema
Nmero de ejemplos de entrenamiento 50 100 150 200 250 300 350 400 450 500 Error de test Nmero de ejemplos de entrenamiento 550 600 650 700 750 800 850 900 950 1000 Error de test

21% 9% 9% 9% 10% 8% 10% 6% 7% 6%

5% 5% 6% 6% 5% 5% 4% 4% 4% 4%

la mquina i). Estos porcentajes fluctan entre el 10% y el 40%. Asimismo, se supone que las dos primeras mquinas son las que soportan ms carga de trabajo. El nmero de mquinas alternativas para realizar una operacin vara entre uno y dos. El ritmo de llegada de los trabajos se modifica de forma que la utilizacin global del sistema oscile entre el 55% y el 95%. El valor del factor F, que determina la holgura de la fecha de entrega de un trabajo, est comprendido entre uno y diez. Los criterios que se utilizan para medir el comportamiento del sistema de fabricacin son el retraso medio de los trabajos y el tiempo medio de un trabajo en el sistema, ya que son muy empleados en la literatura de secuenciacin. Para generar los ejemplos de entrenamiento y de test, es necesario, en primer lugar, definir los atributos de control que se utilizan para caracterizar el sistema de fabricacin. Los atributos empleados en el FMS propuesto son los siguientes (Kim et al.,1998; Min et al., 1998; Shaw et al., 1992): F, parmetro que determina la holgura de la fecha de entrega de un trabajo; NMAO, nmero de mquinas alternativas para realizar una operacin; UM, utilizacin media del sistema de fabricacin; Ui, utilizacin de la mquina i; WIP, nmero medio de piezas en el sistema; FUMCB, cociente entre la utilizacin de la mquina cuello de botella y la utilizacin media del sistema de fabricacin; FDUM, cociente entre la desviacin tpica de las utilizaciones de las mquinas del sistema y la utilizacin media. En total, se generan 1100 combinaciones diferentes de los atributos de control de forma aleatoria, utilizando 100 de ellas, como ejemplos de test. Para cada combinacin de atributos, se determinan los valores de retraso medio y de tiempo medio en el sistema resultantes de emplear cada una de las reglas de secuenciacin de forma aislada. En realidad, para generar un ejemplo de entrenamiento o de test, se necesitan realizar 16 simulaciones, pues existen cuatro reglas para cada una de las dos decisiones que se deben tomar.
Aplicacin de las redes neuronales

Las redes neuronales de tipo backpropagation son muy utilizadas para resolver problemas de clasificacin, como el tratado en este trabajo. Para obtener el conocimiento de secuenciacin (formado en este caso por un conjunto de pesos y umbrales) se usan los programas Neural Planner 4.52 y

32

anales de mecnica y electricidad. Noviembre-Diciembre 2002

Tabla 3. Retraso medio y tiempo medio en el sistema para los mtodos propuestos
Mtodo utilizado Retraso medio en el primer escenario 4.0337 1.1872 1.1807 2.4610 3.4552 1.4994 1.4941 2.8248 3.4670 1.1112 1.1186 2.3435 4.4233 1.3525 1.3560 2.7834 1.0000 Retraso medio en el segundo escenario 5.3327 1.1867 1.1663 2.5170 4.5841 1.6316 1.6396 3.2004 4.6242 1.1119 1.1231 2.4593 5.9673 1.3764 1.3681 2.9371 1.0000 Tiempo medio en el sistema para el primer escenario 2.1088 1.0389 1.0414 1.5111 2.2058 1.3276 1.3273 1.8648 2.2994 1.2277 1.2315 1.7734 2.2801 1.1320 1.1375 1.6708 1.0000 Tiempo medio en el sistema para el segundo escenario 2.1103 1.0396 1.0422 1.5122 2.2073 1.3285 1.3282 1.8661 2.3010 1.2286 1.2324 1.7747 2.2817 1.1327 1.1383 1.6720 1.0000

SPT+SPT SPT+NINQ SPT+WINQ SPT+LUS EDD+SPT EDD+NINQ EDD+WINQ EDD+LUS MDD+SPT MDD+NINQ MDD+WINQ MDD+LUS SRPT+SPT SRPT+NINQ SRPT+WINQ SRPT+LUS Redes neuronales

MATLAB (Neural Network Toolbox, 1998; Pr t-Enander et al., 1996). En la Tabla 1, se presenta un resumen de los resultados logrados empleando conjuntos de ejemplos de entrenamiento de distinto tamao para el criterio del retraso medio. En general, se puede notar que a medida que aumenta el nmero de ejemplos de entrenamiento, el error en los ejemplos de test (ejemplos que no han sido tratados anteriormente y que se utilizan para medir la eficacia de clasificacin de la red neuronal) se reduce de forma considerable. De los resultados presentados en la tabla, se puede observar que a partir de 450 ejemplos de entrenamiento, el error de test oscila entre un 16% y un 12%. Asimismo, se ha determinado la configuracin idnea de la red neuronal empleada. sta tiene 10 nodos de entrada (uno para cada atributo de control), 16 nodos en la capa oculta y 12 nodos en la capa de salida (uno para cada combinacin de las reglas de secuenciacin que se emplea realmente para este criterio). En la Tabla 2, se presentan los resultados obtenidos con el criterio del tiempo medio de un trabajo en el sistema. Se puede observar que los errores son bastante menores a los mostrados en la Tabla 1; esto, es debido a que el nmero de clases, realmente utilizadas, es de cinco frente a las doce empleadas para el criterio del retraso medio. Asimismo, se puede observar que a partir de 500 ejemplos

de entrenamiento, el error de test oscila entre un 6% y un 4%. Por ltimo, la configuracin idnea de la red neuronal usada tiene 10 nodos de entrada (uno para cada atributo de control), 16 nodos en la capa oculta y 5 nodos en la capa de salida (uno para cada combinacin de las reglas de secuenciacin que se emplea realmente para este criterio).
Secuenciacin del FMS

El siguiente paso en este trabajo es implementar en el modelo de simulacin del FMS la red neuronal para seleccionar, en tiempo real, la combinacin ms apropiada de las reglas de secuenciacin dependiendo del estado del FMS. Otro aspecto importante que se debe estudiar es la eleccin del perodo de supervisin, ya que la frecuencia que se utiliza para chequear los atributos de control, para decidir si se cambian, o no, las reglas de secuenciacin, determina el comportamiento del sistema de fabricacin. Para ello, se toman mltiplos del tiempo medio de procesamiento total de un trabajo (ver por ejemplo, Jeong y Kim, 1998). En este caso, se emplean 2.5, 5, 10 y 20 unidades de tiempo. Asimismo, se proponen dos escenarios diferentes en el sistema de fabricacin. En el primero, se generan cambios en el FMS, en determinados perodos de tiempo, en funcin de una variable aleatoria que vara uniformemente entre 50 y 500 unidades de tiempo. En el segundo escenario, esta variable flucta
33

Utilizacin de las Redes Neuronales en la toma de decisiones. Aplicacin en un problema de secuenciacin

entre 2.5 y 250 unidades de tiempo. Por lo tanto, en este caso, el FMS sufrir mayor nmero de cambios. Por ltimo, sealar que se realizan cinco rplicas independientes durante 100000 unidades de tiempo y que, de acuerdo con los resultados anteriores, se opta por utilizar 950 ejemplos de entrenamiento en ambos criterios de comportamiento. Un resumen de los resultados obtenidos se muestra en la Tabla 3. Los valores de retraso medio y de tiempo medio, que aparecen en sta, corresponden a la media de las cinco rplicas. Asimismo, para aumentar la legibilidad, los valores que se muestran son relativos al menor retraso medio y tiempo medio obtenido (a stos, se les asigna el valor de uno). El perodo de supervisin elegido fue de 2.5 unidades de tiempo. En la Tabla 3, se puede observar que la metodologa de secuenciacin basada en las redes neuronales obtiene los mejores resultados. Dentro de los mtodos que emplean una combinacin de las reglas de secuenciacin constante, destacan MDD+NINQ y MDD+WINQ. Sin embargo, los valores de retraso medio son superiores a los de la alternativa que utiliza redes neuronales, en unos porcentajes que varan entre un 11.12% y un 12.31%. Del mismo modo, para el criterio del tiempo medio en el sistema, la metodologa de secuenciacin basada en las redes neuronales logra los mejores resultados. Por otro lado, se puede observar que las combinaciones de reglas SPT+NINQ y SPT+WINQ son las que presentan menor tiempo medio en el sistema, dentro de los mtodos que emplean una combinacin de las reglas de modo constante. Sin embargo, los valores de tiempo medio en el sistema son mayores que los de la alternativa que utiliza redes neuronales, en unos porcentajes que fluctan entre un 3.89% y un 4.22%. Por ltimo, se compara la metodologa de secuenciacin basada en las redes neuronales con el resto de los mtodos, empleando el anlisis de la varianza. Se concluye que esta metodologa de secuenciacin es superior al resto con un nivel de significacin menor que 0.05.

emplea redes neuronales. Uno de los inconvenientes de utilizar esta metodologa es la necesidad de ejecutar un elevado nmero de simulaciones para generar los ejemplos de entrenamiento y de test; sin embargo, estas simulaciones se deben realizar slo una vez. Posteriormente, se compara el comportamiento del FMS que utiliza la metodologa basada en las redes neuronales con la alternativa de emplear una combinacin de reglas de modo constante, y se comprueba que la metodologa propuesta obtiene menores valores de retraso medio y de tiempo medio en el sistema en el FMS utilizado.
Bibliografia
FREEMAN, J.A. y SKAPURA, D.M. (1991): Neural Networks: Algorithms, Applications, and Programming Techniques. Reading, MA:Addison Wesley. JEONG, K.-C. y KIM,Y.-D. (1998): A real-time scheduling mechanism for a flexible manufacturing system: using simulation and dispatching rules, International Journal of Production Research, 36, 9, 2609-2626. KIM, C.-O.; MIN, H.-S. y YIH,Y. (1998): Integration of inductive learning and neural networks for multiobjective FMS scheduling, International Journal of Production Research, 36, 9, 2497-2509. LIPPMAN, R.P. (1987): An introduction to computing with Neural Networks, IEEE ASSP Magazine, 3, 4, 4-22. MICHALSKI, R.S.; CARBONELL, J.G. y MITCHELL,T.M. (1983): Machine Learning. An Artificial Intelligence Approach. Palo Alto, CA:Tioga Press. MIN, H.-S.;YIH,Y. y KIM, C.-O. (1998): A competitive neural network approach to multi-objective FMS scheduling, International Journal of Production Research, 36, 7, 1749-1765. MONTAZERI, M. y WASSENHOVE, L.N.V. (1990): Analysis of scheduling rules for an FMS, International Journal of Production Research, 28, 4, 785-802. NEURAL NETWORK TOOLBOX (1998): Users Guide. The Math Works, Inc. OKEEFE, R.M. y KASIRAJAN,T. (1992): Interaction between dispatching and next station selection rules in a dedicated flexible manufacturing system, International Journal of Production Research, 30, 8, 1753-1772. PRT-ENANDER, E.; SJOBERG, A.; MELIN, B. y ISAKSSON, P. (1996): The MATLAB Handbook. Harlow, England: Addison Wesley. RUMELHART, D.E.; HINTON, G.E. y WILLIAMS, R.J. (1986): Learning representations by back-propagating errors, Nature, 323, 533-536. SHAW, M.J.; PARK, S. y RAMAN, N. (1992): Intelligent scheduling with machine learning capabilities: the induction of scheduling knowledge, IIE Transactions, 24, 2, 156-168. TANG, L.-L.;YIH,Y. y LIU, C.-Y. (1993):A study on decision rules of a scheduling model in an FMS, Computer in Industry, 22,1-13. WITNESS (1996): User Manual. Release 8.0. AT&T ISTEL Limited.

Conclusiones En este trabajo se describen, en primer lugar, las redes neuronales y una clasificacin de las aplicaciones en las que se usa esta tcnica; asimismo, se enumeran sus principales ventajas e inconvenientes. A continuacin, como ejemplo de aplicacin, se ha propuesto una metodologa para secuenciar tareas que
34 anales de mecnica y electricidad. Noviembre-Diciembre 2002