Diseño de una distribución en planta con algoritmos genéticos y búsqueda tabú

Design of a plant layout with genetic algorithms and taboo search

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.