Estimacion del FOP utilizando MOGA

Estimación del Frente Óptimo de Pareto, aplicando el método MOGA en un sistema de producción tipo flow shop

Raúl Leonel Santillán Menchaca1, Sergio Manuel Ramírez Campos2
Instituto Tecnológico de Saltillo
Departamento de Estudios de Posgrados e Investigación
Saltillo, Coahuila, México
Email: raul_santillan@hotmail.com, sramirez@its.mx

Resumen
En este artículo se presenta una aplicacióndel método MOGA ó Multi-Objective Genetic Algotithm basado en el Frente Óptimo de Pareto que atiende un caso real de planeación de la producción en un sistema tipo flow shop donde se procesan guantes de látex considerando dos objetivos en conflicto: minimizar el número de ciclos y maximizar el cumplimiento de pedidos, esta situación implica que un objetivo puede mejorar a costa de empeorar alotro. Dichas características corresponden a un problema con objetivos múltiples (multi-objective problem ó MOP). Los resultados muestran que el modelo genético desarrollado logra buenas aproximaciones al Frente de Pareto donde se pueden identificar soluciones aceptables para ambos objetivos.
Palabras clave: problema multi-objetivo, algoritmo genético, Frente Óptimo de Pareto,
Abstract
In thispaper it show an application of MOGA or Multi_Objective Genetic Algorithm method based on the Optimal Front of Pareto that it takes care a real case of planning of the production in a flow shop system where gloves latex are processed considering two objectives in conflict: to minimize the number of cycles and maximize the fulfillment of the dates of delivery, this situation implies that anobjective can improve at the cost of getting worse to the other. These characteristics correspond to a multi-objective problem or MOP. The results shows that the developed genetic model obtains goods approaches to Front of Pareto where acceptable solutions for both objectives can be identified.
Key Words: Multi-objective Problem (MOP), genetic algorithm, Optimal Front of Pareto
Introducción
En losproblemas de optimización lo habitual es considerar unas restricciones y un solo objetivo como puede ser maximizar un beneficio ó minimizar un gasto, Arsham (2009). Sin embargo como todos sabemos, en las empresas los objetivos son múltiples y a veces excluyentes, es decir el cumplimiento de un objetivo se hace a cuestas de incumplir otros, Por ejemplo una compañía desea maximizar el tiempo de vidadel producto mientras que también intenta minimizar el costo de producción. Comúnmente, estos dos objetivos no se pueden alcanzar con una sola solución, por lo tanto es necesario realizar algunos ajustes a los parámetros del modelo, la compañía puede buscar que combinaciones de esos objetivos son posibles, dado un conjunto de restricciones. En los problemas de programación y secuenciación de laproducción en un grupo de maquinas recibe considerable atención en la literatura. La decisión de qué tareas deben asignarse a las maquinas y en qué orden se tiene qué atender a la producción, forman parte de un problema combinatorio casi siempre muy complicado y frecuentemente es NP complejo, de acuerdo a Oduguwa et al. (2004) la mayoría de los problemas del mundo real generalmente son a granescala, presentan no linealidades y alta incertidumbre, son multi-dimensionales y difíciles de modelar.
Esta nueva área de investigación llamada ahora optimización evolutiva con objetivos múltiples ha crecido considerablemente y esto se refleja con un notable incremento sobre todo en los últimos 20 años de artículos técnicos en revistas internacionales, sesiones especiales en conferenciasespecializadas y algunos grupos de interés, desde Tamaki et al. (1996) que hace una revisión muy breve y superficial de algunas de las técnica más importantes y Fonseca y Fleming (1995) que hacen una excelente reseña de los principales problemas que se enfrentan al tratar de lidiar con objetivos múltiples usando una técnica evolutiva.
Hasta algunos desarrollos importantes como los de Zhou et al. (2005)...