Professional Documents
Culture Documents
()
()
())
donde (
)
que satisfaga las restricciones de desigualdad m
( )
y las restricciones de igualdad p
( )
En el caso que no exista un solo punto en el
que f(x) alcance su ptimo se utiliza el
concepto de optimalidad del Frente de Pareto
segn Miettinen
7
. Este concepto est basado
en la relacin de dominancia, la cual queda
definida como sigue:
* +
)
* +
)
La notacin
()
()
() (1)
Donde
()
()
(2)
Una vez que los pesos son determinados la
direccin de bsqueda es fija. Para que la
bsqueda de las soluciones ptimas de
Pareto sean tantas como sean posibles, la
direccin de bsqueda debe ser cambiada
varias veces hasta barrer todo el espacio de
soluciones. Por lo tanto los pesos tienen que
ser cambiados repetidas veces. Los pesos
consisten en nmeros aleatorios y son
generados segn la ecuacin 3.
(3)
Donde
()
()
Dado que f1 se desea minimizar y f2 se desea
maximizar, se llev a cabo una normalizacin para
que la funcin de aptitud pueda ser calculada con
valores adimensionales. En ambos casos, se estim
la media y la desviacin estndar (con algunas
corridas previas) con lo cual se hizo la siguiente
transformacin:
1
1 1
1
min
s
x x
f
= (4)
2
2 2
2
max
s
x x
f
= (5)
donde
1
x = media del nmero de ciclos
x1 = nmero de ciclos de una corrida i
2
x = media del ndice de cumplimiento
x2 = ndice de cumplimiento de una corrida i
El ndice de cumplimiento se calcula a partir de las
fechas de entrega de cada demanda i y de la
prioridad individual (o la importancia) que la
compaa asigne a la misma. Para ello, se
determina la prioridad de entrega (pei) ordenando
la demanda primero de mayor a menor prioridad
individual y luego de la fecha ms prxima a la
ms lejana de vencimiento obteniendo el
ordenamiento deseable (od). Debe hacerse notar
que puede haber demandas con igual prioridad de
entrega. Una vez que se obtiene una solucin dada,
se genera un ordenamiento (ox) y se comparan
ambos.
Un ejemplo del ordenamiento deseable (od) de 13
demandas sera el siguiente: 1112234455678 y un
ordenamiento derivado de una solucin (ox)
pudiera ser 4111543522867. sta ltima serie
implica que la primer demanda que se va a atender
tiene una prioridad de entrega de 4.
Al comparar ambas series se observa que solo dos
posiciones concuerdan: la segunda y la tercera.
Entonces, el ndice de cumplimiento sera 2/13.
As, el ndice de cumplimiento est determinado
por la ecuacin 6.
d
c
n
n
x =
2
(6)
donde nd = nmero de demandas consideradas y
nc = nmero de posiciones correctas.
Paso 4: Identifica y guarda las soluciones no
dominadas. El pseudo-cdigo
12
se muestra
enseguida en donde la similitud est dada
MEMORIAS DE LA VIII INTERNACIONAL DE INGENIERA MECNICA
18 AL 20 DE MAYO 2011. SAN LUIS POTOS, SLP. MXICO
Derechos Reservados 2011, ITSLP
por la distancia Euclidiana de las funciones
de aptitud.
for cada individuo o en la poblacin de hijos do
if (o domina a un individuo en la poblacin de
padres p) and (o no est dominado por
ninguna solucin del archivo) and (o no es
similar a ninguna solucin del archivo)
agregue o al archivo
else
descarte o
end if
end for
for cada solucin en el archivo do
if la solucin a1 domina a a2 then
remueva a2
end if
end for
Paso 5: Determinar el rango o posicin de
cada individuo. A cada individuo de la
poblacin se le asigna un rango de acuerdo a
su aptitud a fin de identificar la mejor
solucin.
Paso 6: Seleccin. Se seleccionan al azar dos
soluciones para formar cada pareja. Este
proceso se repite hasta formar las parejas
requeridas de acuerdo a la tasa de
reproduccin (t
R
) fijada.
Paso 7: Cruzamiento. Se sigue el siguiente
algoritmo
11
:
1. Se selecciona el k-simo gen donde
l k s s 1 y l es la longitud menor de ambos
padres.
2. Se genera un nmero entero aleatorio R tal
que 2 1 s s R .
3. Si R=1 se selecciona el gen k del padre P1, en
caso contrario se elige el gen k del padre P2.
4. El gen seleccionado en el paso 3 constituye el
k-simo gen del hijo.
5. Se hace k = k + 1 y si l k s se contina en el
paso 1. En caso contrario termina el
algoritmo.
Enseguida se inicia el proceso de reparacin
verificando si el hijo es factible o no. Para ello se
comprueba si existen productos duplicados y en su
caso los elimina. Luego si faltan productos los busca
en ambos padres y los incorpora al hijo. Se continan
seleccionando otras parejas hasta completar la tasa de
reproduccin establecida.
Paso 8: Mutacin. Se procede a la mutacin
dada una tasa t
m
cuyo valor se recomienda
15
alrededor de 0.2. Si t
m
= 0.2 implica que el
20% de la poblacin actual se mutar. Una
mutacin se obtiene de acuerdo con el
siguiente algoritmo
12
:
1. Se genera un nmero aleatorio ri tal que
1 0 < <
i
r
2. Se calcula la probabilidad de mutacin de
acuerdo con la ecuacin 4.
|
|
.
|
\
|
+ =
l p
P
m
1 1
2
1
(4)
3. Si ri < Pm se lleva a cabo la mutacin, de lo
contrario no se efecta y termina el algoritmo.
4. Si procede la mutacin, se genera otro nmero
entero aleatorio tal que p r
i
s s
'
1 para
seleccionar la solucin a mutar.
5. Se genera otro nmero entero aleatorio tal que
l r
i
s s
' '
1 para identificar qu nmero de gen
se va a mutar.
6. Dado que cada gen es el conjunto de productos
que tienen una misma configuracin de
tanques y que estn en un orden dado,
entonces la mutacin consiste en volver a
reordenarlos al azar
7. Si no se ha completado la tasa de mutacin, se
contina en el paso 1. De lo contrario termina
el algoritmo.
Paso 9: Reemplazo. Se establece una tasa de
reemplazo t
r
cuyo valor puede ser hasta el
100%
11
. Si t
r
= 0.50 implica que la segunda
mitad de la poblacin actual ordenada (la
peor) se reemplazar por la primer mitad de
la nueva generacin ordenada (la mejor).
La proporcin de la nueva poblacin a
utilizar para reemplazar a la anterior est
compuesta: (a) exclusivamente por nuevas
soluciones o (b) por nuevas soluciones,
soluciones de la poblacin actual que no se
reprodujeron y soluciones producto de una
mutacin.
Paso 10: Regla de detencin. Si el nmero
de generaciones es igual al nmero
MEMORIAS DE LA VIII INTERNACIONAL DE INGENIERA MECNICA
18 AL 20 DE MAYO 2011. SAN LUIS POTOS, SLP. MXICO
Derechos Reservados 2011, ITSLP
previamente especificado entonces termina
el mtodo, de lo contrario ir al paso 3.
El proceso descrito va creando nuevas
generaciones en cada iteracin y se detiene
cuando alcanza una meta establecida o
satisface una regla de detencin.
EXPERIMENTACIN Y RESULTADOS
Se realizaron 39 lotes independientes de 200
corridas cada uno con un total de 7800
corridas. Los parmetros utilizados se
muestran en la tabla 2. En cada lote se
identificaron las soluciones no dominadas y
se agregaron al archivo de Pareto. El equipo
utilizado corresponde a un procesador de
2.16 GHz y 2GB de RAM. En la figura 4 se
muestran las 286 soluciones aparentes de
Pareto que se generaron de 7800 corridas. Al
final se identificaron las soluciones reales de
Pareto en dicho archivo.
Tabla 2. Parmetros utilizados
Tasa de
reproduccin
(t
R
)
Tasa de
mutacin
(t
mut
)
Tasa de
reemplazo
(t
r
)
40 % 40% 50%
Tamao de
poblacin
(p)
Longitud
cromosoma
(l)
Lmite en
archivo de
Pareto
85 Variable 50
Corridas por
lote
Corridas
totales
Factor de
similitud
200 7,800 0.0001
En la figura 5 se muestran estas soluciones
finales de Pareto, las que se resaltan con un
smbolo en negrita. La lnea continua es una
estimacin del Frente de Pareto. Las
aptitudes de las soluciones de este Frente de
Pareto se muestran en la tabla 3. Se puede
observar que no estn dominadas entre s.
Se puede apreciar la solucin con el menor
nmero de ciclos (rengln 1), la solucin con
el mayor ndice de entrega (rengln 3) y una
solucin con valores intermedios tanto en el
nmero de ciclos como en el ndice de
entrega (rengln 2).
Figura 4. Soluciones aparentes de Pareto de 7800
corridas
Figura 5. Soluciones finales del Frente de Pareto.
Tabla 3. Aptitud de las soluciones de la estimacin
del Frente de Pareto
1 50 0.4648
2 53 0.5645
3 56 0.7111
48
58
68
78
88
98
0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80
C
i
c
l
o
s
Entrega
Frente de Pareto
MEMORIAS DE LA VIII INTERNACIONAL DE INGENIERA MECNICA
18 AL 20 DE MAYO 2011. SAN LUIS POTOS, SLP. MXICO
Derechos Reservados 2011, ITSLP
Las soluciones completas de la tabla 3 se
muestran en las tablas 4a y 4b, 5a y 5b y 6a
y 6b, respectivamente.
Tabla 4a. Solucin con el menor nmero de ciclos.
1 2 3 4 5 6 7 8 9 10
No.
Demanda
Programacin
Ciclos
Orden Tipo Talla Pares Platos Pares de a Total
1 13 483 7 1152 18 1050 1 3 3
2 16 483 10 2592 46 3120 1 2 2
3 12 485 11 15120 352 15750 3 52 50
4 14 483 8 5760 86 5880 3 9 7
5 18 484 10 1008 24 900 3 6 4
6 17 488 6 4000 60 4200 3 32 30
7 8 485 7 5904 89 5320 4 7 4
7 10 4
8 11 4
10 13 4
8 9 485 8 3816 57 4200 10 12 3
11 13 3
12 14 3
13 15 3
9 10 485 9 12456 201 12090 13 18 6
14 19 6
14 19 6
15 20 6
16 21 6
19 24 6
20 25 6
10 11 485 10 11952 209 12000 20 29 10
20 29 10
21 30 10
22 31 10
25 34 10
26 35 10
11 15 483 9 2232 36 2730 26 27 2
28 29 2
30 31 2
30 31 2
30 31 2
31 32 2
32 33 2
32 33 2
32 33 2
12 3 497 10 6100 107 6000 53 57 5
13 1 497 8 600 9 630 53 53 1
14 2 497 9 1000 17 1105 53 53 1
54 54 1
54 54 1
55 55 1
15 7 495 7 800 12 840 55 55 1
55 55 1
56 56 1
56 56 1
* Configuracin de las tanques # Prioridad
Tabla 4b. Solucin con el menor nmero de ciclos.
11 12 13 14 15 16 17 18 19
Programacin
#
Variacin
Moldes
x barra
Platos en
inventario
Platos
de a Total * Pares %
1 5 5 0 10 -102 -8.9 14 5
6 31 26 0 13 528 20.4 12 26
6 12 7 0 9 630 4.2 9 7
13 24 12 0 11 120 2.1 14 12
25 29 5 0 15 -108
-
10.7 9 5
30 31 2 0 14 200 5 14 2
1 5 5 0 4 -584 -9.9 14 19
25 29 5 0 4 14
1 5 5 0 4 14
13 16 4 0 4 14
17 24 8 0 5 384 10.1 14 20
25 29 5 0 5 14
1 5 5 0 5 14
17 18 2 0 5 14
19 24 6 0 7 -366 -2.9 13 34
13 16 4 0 7 13
25 29 5 0 7 13
1 5 5 0 7 13
17 18 2 0 7 13
19 24 6 0 7 13
13 15 3 0 7 13
16 16 1 0 8 48 0.4 12 20
25 29 5 0 8 12
1 5 5 0 8 12
17 18 2 0 8 12
19 24 6 0 8 12
13 13 1 0 8 12
14 15 2 0 12 498 22.3 13 21
14 15 2 0 12 13
16 16 1 0 12 13
25 29 5 0 12 13
14 15 2 0 12 13
1 5 5 0 12 13
17 18 2 0 12 13
16 16 1 0 12 13
25 25 1 0 12 13
1 20 20 1 3 -100 -1.6 12 20
21 29 9 1 1 30 5 14 20
30 31 2 1 2 105 10.5 13 34
21 29 9 1 2 13
30 31 2 1 2 13
21 24 4 1 2 13
25 29 5 1 15 40 5 14 19
30 31 2 1 15 14
21 24 4 1 15 14
25 25 1 1 15 14
MEMORIAS DE LA VIII INTERNACIONAL DE INGENIERA MECNICA
18 AL 20 DE MAYO 2011. SAN LUIS POTOS, SLP. MXICO
Derechos Reservados 2011, ITSLP
Tabla 5a. Solucin con el mayor ndice de entrega
1 2 3 4 5 6 7 8 9 10
No.
Demanda
Programacin
Ciclos
Orden Tipo Talla Pares Platos Pares de a Total
2 11 485 10 11952 209 12000 1 10 10
3 8 485 7 5904 89 5320 1 4 4
5 8 4
9 12 4
11 14 4
4 18 484 10 1008 24 900 11 14 4
5 17 488 6 4000 60 4200 11 40 30
6 15 483 9 2232 36 2730 11 12 2
13 14 2
13 14 2
15 16 2
7 1 497 8 600 9 630 15 15 1
15 15 1
15 15 1
8 2 497 9 1000 17 1105 15 15 1
15 15 1
16 16 1
16 16 1
16 16 1
9 14 483 8 5760 86 5880 16 22 7
16 22 7
17 23 7
10 13 483 7 1152 18 1050 17 19 3
17 19 3
17 19 3
11 16 483 10 2592 46 3120 17 18 2
17 18 2
19 20 2
19 20 2
20 21 2
20 21
20 21
21 22
21 22
22 23
22 23
22 23
23 24
12 9 485 8 3816 57 4200 23 25 12
23 25
23 25
23 25
24 26
24 26
24 26
24 26
13 7 495 7 800 12 840 24 24 13
25 25
25 25
26 26
26 26
26 26
14 3 497 10 6100 107 6000 26 30 14
26 30
26 30
26 30
27 31
27 31
27 31
27 31
27 31
27 31
15 10 485 9 12456 201 12090 27 32 15
31 36
31 36
31 36
31 36
32 37
32 37
32 37
32 37
32 37
32 37
33 38
37 42
37 42
37 42
37 42
38 43
* Configuracin de las tanques # Prioridad
Tabla 5b. Solucin con el mayor ndice de entrega
11 12 13 14 15 16 17 18 19
Programacin
#
Variacin Moldes Platos en Platos
de a Total * Pares % x barra Inventario
8 27 20 0 8 48 0.4 12 20
28 31 4 0 4 -584 -9.9 14 19
28 31 4 0 4 14
28 31 4 0 4 14
8 14 7 0 4 14
15 19 5 0 15 -108 -10.7 9 5
20 21 2 0 14 200 5 14 2
22 27 6 0 12 498 22.3 13 21
28 31 4 0 12 13
22 27 6 0 12 13
8 12 5 0 12 13
13 14 2 0 1 30 5 14 20
15 19 5 0 1 14
28 29 2 0 1 14
30 31 2 0 2 105 10.5 13 34
22 27 6 0 2 13
13 14 2 0 2 13
15 19 5 0 2 13
28 29 2 0 2 13
30 31 2 0 11 120 2.1 14 12
22 27 6 0 11 14
8 11 4 0 11 14
12 12 1 0 10 -102 -8.9 14 5
13 14 2 0 10 14
15 16 2 0 10 14
17 19 3 0 13 528 20.4 12 26
28 29 2 0 13 12
17 19 3 0 13 12
28 29 2 0 13 12
12 12 1 0 13 12
13 14 2 0 13 12
15 16 2 0 13 12
17 19 3 0 13 12
28 29 2 0 13 12
12 12 1 0 13 12
13 14 2 0 13 12
15 16 2 0 13 12
30 30 1 0 13 12
31 31 1 0 5 384 10.1 14 20
22 27 6 0 5 14
17 19 3 0 5 14
28 29 2 0 5 14
8 11 4 0 5 14
12 12 1 0 5 14
13 14 2 0 5 14
15 15 1 0 5 14
16 16 1 0 15 40 5 14 19
30 30 1 0 15 14
16 16 1 0 15 14
31 31 1 0 15 14
22 27 6 0 15 14
17 18 2 0 15 14
19 19 1 0 3 -100 -1.6 12 20
28 29 2 0 3 12
30 30 1 0 3 12
16 16 1 0 3 12
MEMORIAS DE LA VIII INTERNACIONAL DE INGENIERA MECNICA
18 AL 20 DE MAYO 2011. SAN LUIS POTOS, SLP. MXICO
Derechos Reservados 2011, ITSLP
8 11 4 0 3 12
12 12 1 0 3 12
13 14 2 0 3 12
15 15 1 0 3 12
31 31 1 0 3 12
22 27 6 0 3 12
17 18 2 0 7 -366 -2.9 13 34
19 19 1 0 7 13
28 29 2 0 7 13
30 30 1 0 7 13
16 16 1 0 7 13
8 11 4 0 7 13
12 12 1 0 7 13
13 14 2 0 7 13
15 15 1 0 7 13
31 31 1 0 7 13
22 27 6 0 7 13
17 18 2 0 7 13
19 19 1 0 7 13
28 29 2 0 7 13
30 30 1 0 7 13
16 16 1 0 7 13
8 9 2 0 7 13
Tabla 6a. Solucin con valores intermedios en ambos
objetivos.
1 2 3 4 5 6 7 8 9 10
No.
Demanda
Programacin
Ciclos
Orden Tipo Talla Pares Platos Pares de a Total
1 2 497 9 1000 17 1105 1 1 1
2 18 484 10 1008 24 900 1 4 4
3 17 488 6 4000 60 4200 1 30 30
4 12 485 11 15120 352 15750 1 50 50
5 8 485 7 5904 89 5320 2 5 4
5 8 4
6 13 483 7 1152 18 1050 5 7 3
6 8 3
7 16 483 10 2592 46 3120 6 7 2
8 9 2
8 9 2
8 10 485 9 12456 201 12090 8 13 6
9 14 6
9 14 6
10 15 6
10 15 6
14 19 6
15 20 6
9 14 483 8 5760 86 5880 15 21 7
16 22 7
16 22 7
10 1 497 8 600 9 630 16 16 1
17 17 1
18 18 1
19 19 1
20 20 1
11 11 485 10 11952 209 12000 20 29 10
20 29 10
21 30 10
21 30 10
22 31 10
23 32 10
23 32 10
12 3 497 10 6100 107 6000 23 27 5
28 32 5
30 34 5
30 34 5
31 35 5
31 35 5
31 35 5
32 36 5
33 37 5
13 9 485 8 3816 57 4200 33 35 3
33 35 3
33 35 3
35 37 3
35 37 3
36 38 3
36 38 3
36 38 3
14 15 483 9 2232 36 2730 36 37 2
36 37 2
36 37 2
37 38 2
38 39 2
38 39 2
38 39 2
38 39 2
38 39 2
15 7 495 7 800 12 840 38 38 1
39 39 1
39 39 1
39 39 1
39 39 1
* Configuracin de las tanques
# Prioridad
Tabla 6b. Solucin con valores intermedios en ambos
objetivos.
11 12 13 14 15 16 17 18 19
Programacin
#
Variacin Moldes Platos en Platos
de a Total * Pares % x barra Inventario
1 17 17 0 2 105 10.5 13 34
18 22 5 0 15 -108 -10.7 9 5
23 24 2 0 14 200 5 14 2
25 31 7 0 9 630 4.2 9 7
1 17 17 0 4 -584 -9.9 14 19
18 19 2 0 4 14
20 22 3 0 10 -102 -8.9 14 5
1 2 2 0 10 14
3 17 15 0 13 528 20.4 12 26
20 22 3 0 13 12
3 10 8 0 13 12
11 17 7 0 7 -366 -2.9 13 34
18 19 2 0 7 13
1 2 2 0 7 13
20 22 3 0 7 13
3 10 8 0 7 13
11 17 7 0 7 13
18 19 2 0 7 13
1 2 2 0 11 120 2.1 14 12
20 22 3 0 11 14
3 9 7 0 11 14
10 10 1 0 1 30 5 14 20
10 10 1 0 1 14
10 10 1 0 1 14
10 10 1 0 1 14
11 15 5 0 1 14
16 17 2 0 8 48 0.4 12 20
10 10 1 0 8 12
18 19 2 0 8 12
11 15 5 0 8 12
1 2 2 0 8 12
20 22 3 0 8 12
3 7 5 0 8 12
8 9 2 0 3 -100 -1.6 12 20
8 9 2 0 3 12
16 17 2 0 3 12
10 10 1 0 3 12
23 24 2 0 3 12
18 19 2 0 3 12
11 15 5 0 3 12
1 2 2 0 3 12
20 21 2 0 3 12
22 22 1 0 5 384 10.1 14 20
3 7 5 0 5 14
8 9 2 0 5 14
16 17 2 0 5 14
MEMORIAS DE LA VIII INTERNACIONAL DE INGENIERA MECNICA
18 AL 20 DE MAYO 2011. SAN LUIS POTOS, SLP. MXICO
Derechos Reservados 2011, ITSLP
10 10 1 0 5 14
23 24 2 0 5 14
18 19 2 0 5 14
11 15 5 0 5 14
22 22 1 0 12 498 22.3 13 21
3 7 5 0 12 13
8 9 2 0 12 13
1 2 2 0 12 13
20 21 2 0 12 13
16 17 2 0 12 13
10 10 1 0 12 13
22 22 1 0 12 13
3 7 5 0 12 13
8 9 2 0 15 40 5 14 19
23 24 2 0 15 14
18 19 2 0 15 14
11 15 5 0 15 14
1 1 1 0 15 14
El nmero de veces que se tiene que cambiar
de configuracin de tanques se muestra en la
columna 14 (tablas 4b, 5b y 6b) siendo la
cantidad el valor que se muestra al final de
la tabla ms uno, y la prioridad en la que se
requieren se muestra en la columna 15.
CONCLUSIONES
Como se puede apreciar, MOGA
proporciona soluciones de inters para el
caso real considerado. Una de las grandes
ventajas que nos ofrece la estimacin del
FOP es la identificacin de las tres mejores
soluciones y la eleccin de ellas depender
de las prioridades del usuario.
Como trabajo futuro pueden realizarse ms
corridas a fin de delinear con mayor
precisin la estimacin del FOP. Asimismo,
sera importante realizar una comparacin
del mtodo MOGA con otro mtodo
evolutivo como el NPGA NSGA tomando
en cuenta los mismos datos para evaluar la
conveniencia de cada mtodo.
REFERENCIAS
(1) Deb, K., and Jain, S. (2002) Running
Performance Metrics for Evolutionary
Multi-objective. Technical Report
2002004, Kanpur Genetic Algorithms
Laboratory (KanGal), Institute of
Technology Kanpur, India.
(2) Fieldsend, J.E., Everson, R.M., y
Singh, S. (2001) Using Unconstrained
Elite Archives for Multi-objective.
IEEE Transactions on Evolutionary
Computation, Vol. 7, No. 1, pp. 305-
323.
(3) Fonseca, C.M. y Fleming, P.J. (1995).
"An overview of evolutionary
algorithms in multiobjective
optimization", Evolutionary
Computation, Vol. 3, No. 1, pp. 1-16.
(4) Goldberg, D.E. (1989). Genetic
Algorithms in Search, Optimization
and Machine Learning. (Addison
Wesley, Reading, MA).
(5) Hossein, Arsham. (2009). A
Simplified Algebraic Method for
System of Linear Inequalities with LP
Applications, Omega: International
Journal of Management Science, Vol.
37, No. 4, pp 876-882.
(6) Laumanns, M., Thiele, L., Deb, K. and
Zitzler. E. (2002) Combining
Convergence and Diversity in
Evolutionary Multiobjective
Optimization. Evolutionary
Computation, Vol. 10, No. 3, pp. 263-
282.
(7) Miettinen, K.M. (1999). Nonlinear
Multiobjective Optimization, Ed. 1999
/ Kluwer.
(8) Murata, T., Ishibuchi, H., Tanaka, H.
(1996) MOGA and its Applications to
Flowshop Scheduling. Computers
and Industrial Engineering, Vol. 30,
No. 1, pp. 957-968.
(9) Oduguwa, V., Tiwari, A. and Roy, R.
(2004). Evolutionary computing in
manufacturing industry: an overview
of recent applications. Enterprise
Integration, School of Industrial and
Manufacturing Science, Cranfield
University, MK430AL.
MEMORIAS DE LA VIII INTERNACIONAL DE INGENIERA MECNICA
18 AL 20 DE MAYO 2011. SAN LUIS POTOS, SLP. MXICO
Derechos Reservados 2011, ITSLP
(10) Osyczka, A. (1984). Multicriterion
Optimization in Engineering with
FORTRAN Programs, Ed. 1984 / Ellis
Horwood.
(11) Ramrez, S.M., Jimnez, X., Lpez, M.
y Contreras, K.L. (2009). Aplicacin
de un Algoritmo Gentico Simple con
Reparacin en un Caso Real de
Planeacin de Produccin Discreta:
Fase I. Academia Journals Revista de
Ingeniera Industrial, Vol. 3, No. 1,
pp. 1-9.
(12) Ramrez, S.M., Crdova, J.D. y
Rodrguez, E. (2009). Estimacin del
Frente de Pareto en un Caso Real de
(13) Planeacin de Produccin
Discreta: Fase II. Academia Journals
Revista de Ingeniera Industrial, Vol.
3, No. 1, pp. 1-6.
(13) Salazar Mara Anglica, Ros Roger.
(2004). Minimizacin Heurstica del
Nmero de Tareas Tardas al
Secuenciar Lneas de Flujo. Revista
de la facultad de Ingeniera Mecnica
y Elctrica de la UANL de Mxico.
Vol. VII, No 23.
(14) Tamaki, H., Kita, H., y Kobayashi, S.
(1996). "Multi-Objective Optimization
by Genetic Algorithms: A Review", En
T. Fukuda & T. Furuhashi (Eds.),
Proceedings of the 1996 International
Conference on Evolutionary
Computation, IEEE Press, pp. 517-
522.
(15) Zhou, A., Shan, Q., Jin, Y. and Tsang,
E. (2005). A Model Based
Evolutionary Algorithm for Bi-
objective Optimization. In
Proceedings of the Congress on
Evolutionary Computation (CEC),
IEEE Press, pp. 2568-2575.