Response surface methodology for estimating missing values in a pareto genetic algorithm used in parameter design

Metodología de superficie de respuesta para estimar valores faltantes en un algoritmo genético de pareto usado en diseño de parámetros

En este artículo se presenta un Algoritmo Genético de Pareto (AGP) mejorado que encuentra soluciones a problemas de diseño robusto en sistemas multi-respuesta con 4 respuestas y hasta 10 factores de control y 5 de ruido. Ya que algunas respuestas podrían no haber sido obtenidas en el experimento de diseño robusto y se necesitan en el proceso de búsqueda, el AGP usa metodología de superficie de respuesta (MSR) para estimarlas. El AGP no solo entregó soluciones que ajustan adecuadamente la media de las respuestas a sus valores meta y con poca variabilidad, sino que también encontró más soluciones Pareto eficientes que una versión previa del AGP. Esta mejora facilita encontrar soluciones que alcancen el balance entre reducción de variabilidad, ajuste de media y consideraciones económicas. Además, la MSR permite estimar las medias y varianzas de las respuestas de sistemas altamente no lineales, haciendo apropiado el uso del AGP en dichos sistemas.

Introducción

El diseño de parámetros (DP) es un método de dos etapas para ejecutar intervenciones de diseño robusto (DR), que trata de establecer los factores de entrada controlables de un sistema de producción o servicio, de modo que las salidas del sistema se mantengan lo más estables posible. A continuación, ajusta otros factores de control para que la media de las salidas se acerque lo más posible a sus valores objetivo, incluso en presencia de factores de ruido (Taguchi, 1991). Para encontrar soluciones que logren ambos objetivos de la EP y poder evaluar el mérito relativo de establecer diferentes factores de control para reducir la variabilidad y obtener el ajuste de la media, se ha propuesto el uso de un Algoritmo Genético de Pareto (AGP) (Canessa, Bielenberg & Allende, 2014).