Solución mediante algoritmos genéticos a la planificación y toma de decisiones en procesos complejos

Solución mediante Algoritmos Genéticos a la planificación y toma de decisiones óptimas en procesos complejos
Jon Alzola Bernardo1, Javier A. García Sedano1, Jesús María Larrañaga2
Fundación LEIA Centro de Desarrollo Tecnológico Parque Tecnológico de Álava C/ Leonardo Da Vinci, 11 01510-Miñano (Álava) España {jona@leia.es, javierg@leia.es} http://www.leia.es 2 Universidad del País Vasco UPV-EHUEscuela Universitaria de Ingeniería de Vitoria-Gasteiz {jesusmaria.larranaga@ehu.es} http://www.ehu.es
1

Resumen. En este trabajo se presenta un planteamiento teórico, extrapolable a un modelo de proceso complejo, que permite una planificación óptima de las decisiones a tomar para alcanzar el régimen de funcionamiento esperado en el proceso en estudio. En primer lugar, un algoritmo deoptimización detectará el régimen óptimo de funcionamiento del proceso. Una vez este dato es conocido, un programa basado en las teorías de los Algoritmos Genéticos será el encargado de optimizar la trayectoria que debe seguirse hasta alcanzar el punto deseado. Esta trayectoria permitirá introducir los cambios necesarios en los procesos, de manera gradual, hasta alcanzar el objetivo marcado. Palabrasclave: Algoritmos Genéticos, Inteligencia Artificial, procesos industriales, planificación, optimización, evolutionary computing, soft optimization, soft computing.

1 Introducción
La optimización de procesos industriales ha sido desde hace muchos años un tema que se ha tratado como fundamental en un gran número de empresas de todos los sectores. Han surgido numerosos métodos que ayudan a la tomade decisiones y éstos han permitido a las empresas sustentar sus decisiones en cálculos teóricos y no únicamente en el conocimiento de expertos en el proceso en estudio. El Método Simplex, por ejemplo fue descubierto por el matemático norteamericano George Bernard Dantzig en 1947 y se utiliza, sobre todo, para resolver problemas de programación lineal en los que intervienen tres o más variables[1]. A lo largo de los años, numerosas herramientas informáticas han simulado este método matemático para conseguir una mayor velocidad de resolución, ya que su cálculo manual puede resultar muy pesado. Otro algoritmo de optimización muy utilizado es el Método de Newton y al igual que en el método Simplex, un gran número de herramientas

informáticas han desarrollado este algoritmo aprovechando lavelocidad computacional de éstas para la búsqueda de soluciones. Por último, en los años 70, y basándose en la Teoría de la Evolución de Darwin [2], John Henry Holland desarrolla una novedosa técnica de búsqueda conocida como Algoritmos Genéticos [3], la cual, va seleccionando las mejores soluciones posibles hasta llegar a la solución óptima a través de distintos métodos basados en la naturaleza,como son la selección, el cruzamiento o la mutación. De esta manera se produce una evolución en las soluciones hacia la solución óptima. Los principios básicos de los Algoritmos Genéticos se encuentran bien descritos en varios textos [4] [5] [6] [7] [8]. Ante un proceso en estudio podemos elegir una técnica de las tres técnicas anteriormente comentadas para llegar a la solución óptima [9]. Unavez hallada esta solución ya se conoce el régimen óptimo de funcionamiento del proceso y por tanto la meta que se quiere alcanzar. Sin embargo, en un gran número de ocasiones no podemos, por diversos motivos ya sean técnicos o económicos, alcanzar esta nueva solución de manera inmediata, es decir, no se puede optar por un cambio radical en el funcionamiento del proceso que nos lleve a este nuevorégimen óptimo que se ha hallado a través de un algoritmo de optimización. Es en este momento donde surge la necesidad de conocer cuáles son los pasos y decisiones más adecuadas a tomar, para conseguir llegar desde el punto actual en el cual se encuentra el proceso hasta el punto objetivo que se ha hallado y que se ha establecido como la meta a alcanzar. Este artículo, a través de un planteamiento...