Este articulo presenta una comparación de las heurísticas, Búsqueda Tabú (BT) y Algoritmo Genético (AGl) que han sido propuestas para la solución de problemas complejos de optimización combinatoria, en configuración de planta. Estas metodologías han obtenido distribuciones de departamentos de calidad superior, evaluadas y reportadas en la literatura. Los resultados muestran qué técnica tiene mayor nivel de calidad, en la solución rapidez computacional en problemas de distribución de espacios en plantas industriales.
INTRODUCCIÓN
El problema de distribución en planta es de vital importancia para el manejo de materiales de una compañía, ya que el 40% del costo asociado al producto terminado, está dado por la distribución física de los elementos industriales.
Ubicar los departamentos de manera óptima, se convierte en un problema complejo, dada la infinidad de soluciones Que se pueden obtener de acuerdo con la variedad de combinaciones posibles de distribuciones en planta: entonces los algoritmos de inteligencia artificial del cual se destaca el algoritmo genético, son técnicas de búsqueda aleatoria, que pueden encontrar una solución óptima global.
El objetivo de este trabajo es aplicar el software desarrollado por García (2001), para la distribución de plantas industriales a partir de algoritmos genéticos y se hará una comparación con un problema reportado en la literatura en donde la localización de la solución es obtenida con la heurística Búsqueda Tabú.
El presente estudio contiene la sección 2, donde se definen las heurísticas utilizadas en este estudio y posteriormente en la sección 3, se describe el modelo matemático utilizado. En la sección 4. la breve descripción de la metodología usada: sección 5 se describe la aplicación él un caso real reportado por la literatura bajo la heunstica de búsqueda BT: posteriormente en la sección 6, los resultados obtenidos por cada una de las aplicaciones. Finalmente, las conclusiones y recomendaciones se describen en la sección 7.
1. DEFINICIÓN DE LAS HEURÍSTICAS UTILIZADAS EN EL ESTUDIO
Las metodologías tratadas en este artículo se describen a continuación:
1.1 Algoritmo Genético
Los Algoritmos Genéticos funcionan con una familia de soluciones (conocida como la "población inicial") a partir de la cual obtenemos la "siguiente generación" de soluciones. Cuando el algoritmo se emplea de forma adecuada, de una generación a la siguiente se obtiene, de manera progresiva, mejores soluciones. Es decir, las soluciones buenas se propagan de una generación a la siguiente y conducen a mejores soluciones conforme producimos más generaciones. A continuación se muestra las diferentes etapas de un GA.
Población Inicial: En la iniciación de la optimización, el GA requiere un grupo de soluciones iniciales (individuos con información genética), generadas aleatonamente en concordancia, con una estructura de los cromosomas previamente definida.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Evaluación del desgaste y pérdida de agarre en depósitos de soldadura de alto cromo aplicados en mazas de molinos de caña de azúcar
Artículo:
Pronóstico de demanda por medio de redes neuronales artificiales
Artículo:
Colombia y la nueva economía global: Implicaciones del Tratado de Libre Comercio para la industria colombiana, los ingenieros y los docentes de ingeniería
Artículo:
La metodología MCDPAM: una heurística mejorada para resolver el problema de transporte clásico
Artículo:
Métodos de optimización estocástica basados en gradientes en diseños experimentales bayesianos
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.