Aplicacion Del Frente Óptimo de Pareto en Un Caso Real Aplicando La Técnica Moga

MEMORIAS DE LA VIII INTERNACIONAL DE INGENIERA MECNICA
18 AL 20 DE MAYO 2011. SAN LUIS POTOS, SLP. MXICO

Derechos Reservados 2011, ITSLP
ESTIMACIN DEL FRENTE PTIMO DE PARETO EN UN CASO REAL
APLICANDO LA TCNICA MOGA
1
Ral Leonel Santilln Menchaca,
2
Sergio Manuel Ramrez Campos.
Departamento de Estudios de Posgrado e Investigacin, Instituto Tecnolgico de Saltillo
Venustiano Carranza No. 2400, Col Tecnolgico C.P. 25280, Saltillo, Coahuila, Mxico.
Telfono y Fax. (844) 4 38 95 00, webm@its.com

raul_santillan@hotmail.com, sramirez@its.mx

RESUMEN.

En este artculo se presenta una aplicacin
del mtodo MOGA Multi-Objective
Genetic Algorithm basado en el Frente
ptimo de Pareto (FOP) que atiende un
caso real de planeacin de la produccin en
un sistema tipo flow shop donde se procesan
guantes de ltex considerando dos objetivos
en conflicto: minimizar el nmero de ciclos y
maximizar el cumplimiento de pedidos, esta
situacin implica que un objetivo puede
mejorar a costa de empeorar al otro. Dichas
caractersticas corresponden a un problema
con objetivos mltiples (Multi-Objective
Problem MOP). Los resultados muestran
que el modelo gentico desarrollado logra
buenas aproximaciones al Frente de Pareto
donde se pueden identificar soluciones
aceptables para ambos objetivos.

ABSTRACT.

This paper presents an application of
approximating the Pareto front of a multi-
criteria optimization problem by solving a
real case of production planning of latex
gloves in a flow shop system. Latex gloves
are processed considering two objectives in
conflict: to minimize the number of cycles
and maximize the fulfillment of the delivery
dates. This scenario implies that an objective
can improve at the cost of getting worse to
the other. These characteristics correspond
to a multi-objective problem (MOP). The
result shows that the developed genetic

model obtains good approximations to the
Pareto front where valuable solutions can be
identified for both objectives.

INTRODUCCIN

En los problemas de optimizacin lo habitual
es considerar unas restricciones y un solo
objetivo como puede ser maximizar un
beneficio minimizar un gasto
5
. Sin
embargo como se sabe, en las empresas los
objetivos son mltiples y a veces
excluyentes. Adems, la mayora de los
problemas del mundo real generalmente son
a gran escala, presentan no linealidades y
alta incertidumbre, son multi-dimensionales
y difciles de modelar.
En particular, los problemas de
programacin y secuenciacin de la
produccin de un grupo de mquinas reciben
una considerable atencin en la literatura.
La decisin de qu tareas deben asignarse a
las mquinas y en qu orden se deben de
producir, forma parte de un problema
combinatorio casi siempre muy complicado
y frecuentemente NP complejo
9
.
As, una nueva rea de investigacin llamada
Optimizacin Evolutiva con Objetivos
Mltiples ha crecido considerablemente y
esto se refleja con un notable incremento
sobre todo en los ltimos 20 aos de
artculos en revistas internacionales, sesiones
en conferencias especializadas y algunos
grupos de inters, desde Tamaki et al.
9
que

hace una revisin muy breve y superficial de
algunas de las tcnicas ms importantes
hasta Fonseca y Fleming
3
que hacen una
excelente resea de los principales
problemas que se enfrentan al tratar de lidiar
con objetivos mltiples usando una tcnica
evolutiva. Entre otros desarrollos
importantes est el de Zhou et al.
15
donde
exploran la regularidad que presentan las
distribuciones de las soluciones ptimas de
Pareto considerando solo dos objetivos
basndose en el anlisis de componentes
principales y el ajuste por mnimos
cuadrados para construir el modelo.

Laumanns et al.
6
proponen algunas
estrategias que ayudan a construir MOEAs
(Multi-Objetive Evolutive Algorithms) que
muestren propiedades deseables de
convergencia y diversidad en una sola
corrida. Relacionado con esto ltimo, Deb y
Jain
1
aportan dos mtricas normalizadas para
medir ambas propiedades (convergencia y
diversidad) facilitando una mayor visin de
los MOEAs y una comparacin entre s.
Fieldsend et al.
2
demuestran el impacto
indeseable de restringir el nmero de
soluciones en el archivo de Pareto y
proponen nuevas estructuras de datos
(soluciones dominadas y soluciones no
dominadas).
La optimizacin con objetivos mltiples es,
sin duda, un rea de investigacin muy
importante tanto para los cientficos como
para los ingenieros, no slo debido a que la
mayora de los problemas del mundo real
tienen objetivos mltiples, sino tambin
porque todava restan por resolver muchas
interrogantes en esta disciplina.
Este artculo atiende un caso real que se
puede ubicar dentro de un sistema de
manufactura tipo flow shop donde se hace
una aplicacin del mtodo MOGA para
estimar el FOP a travs de un algoritmo
gentico. Como ya se mencion, se
consideran dos objetivos que estn en
conflicto, en donde uno de ellos es
minimizar el nmero de ciclos y el otro es
maximizar el cumplimiento en las fechas de
entrega.

INFORMACIN DEL PROCESO

Los guantes se forman utilizando moldes de
porcelana (manos izquierda y derecha)
llevndolos a travs de un proceso o ciclo en
el que se le agregan capas sucesivas de
diversas mezclas qumicas introduciendo los
moldes en tanques de inmersin, adems de
someterlos a un secado. La lnea en cuestin
consiste de un transportador en el cual se
montan platos que contienen barras. Para
ello, en cada plato se insertan diez barras que
contienen los moldes. Cinco barras
contienen moldes izquierdos y las otras
cinco contienen moldes derechos. Una vez
que un plato es armado con las diez barras,
es colocado en la lnea para su proceso. La
lnea solo puede contener un nmero
limitado de platos. As, el nmero de moldes
que puede contener una barra es variable ya
que depende del tipo de guante y de su
tamao o talla.
Por otro lado, los platos no son iguales entre
s, ya que ello tambin depende del tipo de
guante y de la talla. Entonces se tiene un
inventario limitado de platos por producto.
El trmino producto en este artculo se
refiere a una cierta clase de guante y a una
talla en particular.
Bajo estas condiciones se debe disear un
programa eficiente para atender una
demanda dada en un cierto periodo, es decir,
determinar una secuencia de produccin
apropiada a fin de satisfacer los dos
objetivos ya mencionados.
En particular, la demanda y las fechas de
entrega consideradas son las mostradas en la
tabla 1 que comprende del 15 de abril al 30
de abril del 2010 (14 das).


Tabla 1. Demanda de produccin
Tipo Talla Pares #
Da de
entrega
497 8 600 1 15-abr
497 9 1000 2 15-abr
497 10 3721 3 15-abr
497 10 2379 3 16-abr
485 7 2942 4 16-abr
485 7 2962 4 17-abr
485 8 2359 5 17-abr
485 8 1457 5 19-abr
485 9 3864 6 19-abr
485 9 5321 6 20-abr
485 9 3271 6 21-abr
485 10 2050 7 21-abr
485 10 5321 7 22-abr
485 10 4581 7 23-abr
485 11 740 8 23-abr
485 11 5321 8 24-abr
485 11 5321 8 26-abr
485 11 3738 8 27-abr
483 7 1152 9 27-abr
483 8 431 10 27-abr
483 8 5329 10 28-abr
483 9 2232 11 29-abr
483 10 2592 12 29-abr
488 6 490 13 29-abr
488 6 3510 13 30-abr
484 10 1008 14 30-abr
495 7 800 15 30-abr

Total 74,492

OPTIMIZACIN DE OBJETIVOS
MLTIPLES Y FRENTE PTIMO DE
PARETO

La optimizacin de objetivos mltiples,
llamada tambin optimizacin vectorial y
optimizacin con criterios mltiples,
Osyczka
10
la define como el problema de
encontrar un vector de variables de decisin
que satisfaga las restricciones y optimice una
funcin vectorial, que representa la funcin
objetivo, donde estas funciones objetivo
forman una descripcin matemtica de los
criterios de desempeo que usualmente estn
en conflicto entre s. Por lo tanto optimizar
significa encontrar una solucin que
proporcione valores aceptables para todos
los objetivos. Matemticamente puede ser
formulado como sigue:

Optimizar la funcin vectorial

() (
()
()
())

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
se lee como la solucin

x
1
domina a la solucin x
2.

La solucin x
1
es indiferente a x
2
si ninguna
de ellas domina a la otra. Las mejores
soluciones de un problema multi-objetivo
estn representadas por el subconjunto de
soluciones no dominado de todas las
soluciones factibles; a esta imagen se le
conoce el Frente de Pareto.
La interpretacin geomtrica de las
soluciones ptimas de Pareto para un
problema de dos objetivos se muestra en la
figura 2.



Figura 2. Soluciones ptimas de Pareto en un
problema de dos objetivos.

MTODO MOGA

Ishibuchi et al.
8
aplicaron el mtodo MOGA
a una programacin flow shop utilizando
sumas ponderadas para combinar objetivos
mltiples dentro de un objetivo simple (ver
ecuacin 1).

()
()
()
() (1)

Donde
()
()
() son las funciones

objetivo y
son los pesos

correspondientes a los objetivos que
satisfacen la condicin de la ecuacin 2.

(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
son nmeros aleatorios

en el intervalo (0,1). El concepto de
optimalidad de Pareto se aplica para
determinar qu soluciones, de las
encontradas en un barrido, pudieran
pertenecer al frente ptimo de Pareto. El
algoritmo MOGA se muestra en la figura 3.

Figura 3. Pasos del mtodo MOGA.

MODELO MOGA DISEADO

El mtodo MOGA es iterativo y el detalle de
cada paso se explica a continuacin.
Paso 1: Codificacin del cromosoma. El
primer paso es la representacin adecuada
de lo que es una solucin al problema dado
mediante un cromosoma. Para ello debe
explicarse el significado de un gen. Debido a
que uno o ms productos utilizan una cierta
configuracin de tanques de inmersin,
entonces, un gen ser el conjunto de
productos que tienen una misma
configuracin de tanques. Por lo tanto, un
cromosoma estar compuesto por los genes
necesarios para cubrir toda la demanda de un
periodo. De aqu que la longitud de un
cromosoma sea variable.
Regin Factible
Soluciones ptimas de Pareto

Cabe aclarar que una configuracin de
tanques se refiere a un cierto nmero (t) de
tanques, con una cierta mezcla contenida en
cada uno de ellos. A partir de la demanda se
identifica un conjunto (c) de configuraciones
de tanques requeridos.
Paso 2: Generacin de la poblacin inicial
mediante un mecanismo que asegure que las
soluciones consideradas son tomadas
aleatoriamente del universo. Para ello se
sigue el siguiente algoritmo
12
:

1. Se forma, al azar, la i-sima configuracin de
tanques CTi a partir del conjunto c donde
n i s s 1 . Hacer k =1.
2. Se selecciona la k-sima demanda y se
verifica si su CTk es igual a la CTi donde
n k s s 1 .
3. Si se cumple el paso 2 se contina en el paso
5. En caso contrario hacer k = k + 1 e ir al
paso 4.
4. Si n k s continuar en el paso 2. En caso
contrario se descarta la CTi actual, se hace i
= i +1 y se contina en el paso 1.
5. Se selecciona la k-sima demanda como
factible de programar y se elimina del
conjunto original de demanda haciendo n = n
- 1.
6. Si ya se seleccionaron n demandas, se detiene
el algoritmo. De otra forma se contina en el
paso 2.

Una vez que se genera el nmero de soluciones
deseado, se dispone de una poblacin inicial
compuesta de p individuos o soluciones factibles.

Paso 3: Evaluar la funcin objetivo. La
funcin objetivo total est constituida por la
combinacin lineal de la funciones objetivo
(ver ecuacin 1) donde los pesos son
asignados aleatoriamente (ver ecuaciones 2 y
3). Como ya se mencion, los objetivos
considerados son:

()

()

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

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

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

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



Tabla 5a. Solucin con el mayor ndice de entrega
1 2 3 4 5 6 7 8 9 10
No.
Demanda
Programacin
Ciclos
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

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
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

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.

(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.

Aplicacion Del Frente Óptimo de Pareto en Un Caso Real Aplicando La Técnica Moga

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Aplicacion Del Frente Óptimo de Pareto en Un Caso Real Aplicando La Técnica Moga

Uploaded by

Copyright:

Available Formats

MEMORIAS DE LA VIII INTERNACIONAL DE INGENIERA MECNICA

18 AL 20 DE MAYO 2011. SAN LUIS POTOS, SLP. MXICO

se lee como la solucin

() son las funciones

son los pesos

son nmeros aleatorios

You might also like