Problemas de programación en manufactura

la programacion de la produccion en manufacturas tipo taller {job shop) encuentra muchas aplicaciones en sistemas reales de produccion, como empresas metal mecanicas, de impresion, de textiles y otras mas. En general, en estos sistemas de manufactura, el objetivo principal es entregar los trabajos a tiempo. se propone un enfoque hibrido que utiliza la heuristica del cuello de botella movil (CBM) o shifting bottleneck y la busqueda tabu (BT) con el objetivo de minimizar la tardanza ponderada total. La heuristica CBM provee una solucion inicial factible que sucesivamente es mejorada por el metodo de BT. En este trabajo se realizaron varias mejoras sobre los algoritmos clasicos CBT y BT, como nuevos criterios para la escogencia de las maquinas criticas o cuello de botella y novedosas estrategias de diversificacion e intensificacion.

El desempeno de la heuristica propuesta (denominada CBBT) se evaluo con 17 problemas clasicos de la literatura sobre el tema. La heuristica implementada muestra resultados muy competitivos comparados con otros enfoques encontrados en la literatura tanto en la calidad de las soluciones como en el tiempo computacional. Programar la produccion constituye una de las tareas mas diiiciles que enfrentan las empresas que cuentan con sistemas tipo taller (Job shop). Este problema ha sido ampliamente estudiado en la literatura sobre el tema usando como funcion objetivo la terminacion de todos los trabajos {makespan). Sin embargo, dado que la mayoria de estos sistemas opera bajo pedido [make-to-ordei), cumplir con las fechas de entrega de las ordenes representa probablemente un objetivo mas importante (Bakery Hayya, 1982). Un programa de produccion que no puede cumplir con los tiempos de entrega puede dar como resultado bajos indices de servicio e insatisfaccion de los clientes. El problema que se estudia en este trabajo consiste en programar un conjunto de trabajos en un taller de maquinas con el objetivo de minimizar la tardanza ponderada total.

El problema de programacion tipo taller (JSSP, por su sigla en ingles) ha sido estudiado por diferentes autores y es un problema no polinomial dificil (NP-Hard) (Grahman etal, 1979). Muchos metodos han sido propuestos para resolverlo. Entre estos se cuentan metodos exactos como algoritmos de ramificacion y acotacion y metodos heuristicos de busqueda local. Entre los enfoques de ramificacion y acotacion estan los desarrollados por Carliery Pison (1989), que permitieron comprobar soluciones optimas para problemas de 10>^10 (10 trabajos y 10 maquinas). Para problemas mas grandes se han utilizado recientemente heuristicas basadas en descomposicion, en especial el algoritmo del cuello de botella movil, desarrollado por Adams, Balas y Zawack (1988) y en busquedas locales como son busqueda tabu (Glover y Laguna, 1997), enfriamiento simulado (Van Laarhoven et al, 1992; Wang y Wu, 2000) y algoritmos geneticos

(Ponnambalam, Aravinda y Sreenivasa, 2001). Para problemas cuya funcion objetivo es minimizar la tardanza ponderada total la literatura sobre el tema es escasa. Con frecuencia, para este problema se han utilizado reglas de despacho, aunque su desempefio no es muy confiable (Anderson y N3arenda, 1990; Vepsalainen y Morton, 1987). La heuristica cuello de botella movil fue adaptada para el objetivo de tardanza ponderada total por Pinedo y Singer (1999). Otra heuristica para el problema de Job shop con objetivo de la tardanza ponderada total es la heuristica desarrollada por Asano y Ohta (2002).

El cuello de botella movil (CBM) o shifiing bottleneck, desarrollado por Adams, Balas y Zawack (1989), es una de las heuristicas para programacion de talleres mas exitosas (Pinedo y Singer, 1999). Su idea principal es secuenciar una a una las maquinas del taller segun su grado de criticidad. Este ultimo es calculado de acuerdo con la secuenciacion de las maquinas que afecta la funcion objetivo. El algoritmo inicia con la determinacion del cuello de botella inicial y establece una secuencia de trabajos optima para esa maquina. Una vez se ha hecho esta operacion, se imponen nuevas restricciones que afectan la secuenciacion de las maquinas restantes. Se determina y se secuencia la nueva maquina cuello de botella entre aquellas no secuenciadas y el proceso se repite hasta que no haya maquinas sin secuenciar.

En forma general, una heuristica local es un procedimiento que parte de una solucion inicial (sj que pertenece a un conjunto finito de soluciones (S) y procede iterativamente a modificar esa solucion s^para encontrar nuevas soluciones (s"). Una solucion s' se obtiene a partir de otra solucion s mediante una modificacion parcial definida de s, a lo cual se denomina un movimiento. El algoritmo se detiene cuando se cumple con un criterio de terminacion que tipicamente es un numero predefinido de iteraciones.

Algoritmos genéticos

un Algoritmo Genético Simple es aquel él cual sintoniza un Sistema de Inferencia Difusa que actúa como clasificador. La técnica propuesta usa el algoritmo de agrupamiento Fuzzy C-means (FCM) para generar la población inicial del Algoritmo Genético Simple. Se consideran dos problemas de referencia en clasificación con el fin de validar el algoritmo propuesto y compararlo con un Algoritmo Genético Simple. Los resultados muestran que es posible lograr una reducción significativa en el número de generaciones para encontrar un clasificador objetivo usando la técnica propuesta.

Entre las aplicaciones de los algoritmos genéticos (AG), se encuentra la optimización de Sistemas de inferencia diñisa (SID) para solucionar problemas de clasifieación. Algunos de los trabajos previos en este tema son: Peña (2004) presenta un ejemplo de diagnóstico de cáncer usando un algoritmo genético simple (AGS), el cual sintoniza un SID para clasificar entre muestras benignas y malignas. Además propone un enfoque coevolutivo para modelar un SID y lo valida sobre el problema de diagnóstico de cáncer de mama de la Universidad de Wisconsin y el problema de clasificación de flores de la especie Iris. Liu et al. (2006) desarrollan una aproximación de un Algoritmo Rápido Genético Difuso proponiendo un nuevo método de agrupamiento para obtener la población inicial y una modificación del operador genético de cruce. El método propuesto se valida con tres problemas de clasificación, los dos primeros corresponden a las bases de datos Phoneme y Satimage del proyecto ELENA y el tercero corresponde a la base de datos Waveform del repositorio de aprendizaje de maquina de UCI. Stavrakoudis et al. (2009) proponen el uso de un clasificador genético diñaso para la clasificación de cobertura de tierra de imágenes multiespectrales. Bazrafshanet al. (2010) modifican el clasificador difuso de Ishibuchi, Ishibuchi et al. (1995), Ishibuchi et al. (2004), Irizarry (2005), para manejar problemas de alta dimensión y prueba éste con el problema de identificación del golpe de las teclas. Los AG para generar su población inicial usan, en la mayoría de los casos, inicialización aleatoria. El objetivo de usar este tipo de inicializaeión es tratar de cubrir en su totalidad el espacio de búsqueda y así reducir la posibilidad de converger en un mínimo local, Holland (1992). Una de las dificultades asociadas a este tipo de inicialización es que se requiere un número elevado de iteraciones, llamadas generaciones, para encontrar un individuo adecuado que solucione un problema específico debido a que la población inicial posee una gran variedad genética, Bramlette ( 1991 ). Una forma para lograr una reducción en el número de generaciones necesarias para encontrar un resultado adecuado es usar conocimiento previo deducido del problema para generar la población inicial, Louis & Johnson (1999). En trabajos anteriores se han propuesto diversas técnicas para inicializarun AG. Bramlette (1991) usa el mejor de n individuos elegidos de forma aleatoria para obtener la población inicial del AG. Gordon (1993) presenta un método para deducir por medio de un reporte de alto nivel las reglas para erear la población inicial de un AG. Rahnamayan et al. (2007) proponen un novedoso enfoque de inieialización que usa el aprendizaje basado en oposición para generar la primera población de los algoritmos evolutivos. Dong et al. (2004) presentan un algoritmo híbrido que usa la fase de inieializaeión del algoritmo de agrupamiento Fuzzy C-Means eon muestreo multiestado aleatorio (MRFCM) para crear una población inicial de centros de clases, luego usan esta poblaeión en el algoritmo de agrupamiento genético difuso mejorado (GFGA) para ser optimizada y de esta forma construir un clasificador en un menor número de iteraciones del proceso

evolutivo. Cabe aclarar que en esa propuesta no se usa un SID como clasificador, por tanto no se hace uso de un conjunto de reglas para la clasificación ni se optimizan parámetros de conjuntos difusos, en este caso el clasificador obtenido funciona mediante el resultado del agrupamiento difuso (centros y pertenencias). Este trabajo propone una metodología para configurar un modelo híbrido que combina Fuzzy C-Means, Bezdek (1981), y AG para construir un clasificador difuso. En primer lugar, el algoritmo usa la técnica de aprendizaje no supervisado para extraer las medias y las desviaciones estándar de los datos de entrenamiento para construir los conjuntos difiisos del SID. Luego, el algoritmo aprovecha el conoeimiento extraído para dedueir la poblaeión inicial reduciendo el espacio de búsqueda de la evolución del AG.

El algoritmo genético inicializado con Fuzzy C-Means (AGIFCM) se valida con el problema de diagnóstico de cáncer de mama e Iris de Fisher, Frank & Asuncion (2010). Varios SID con diferente número de reglas se obtienen por medio del algoritmo propuesto y un AGS, comparándose la cantidad de generaciones empleadas para obtener un desempeño específico en cada caso. Los resultados muestran que el algoritmo propuesto encuentra los parámetros del sistema difuso usando menos generaciones que el AGS dado un nivel de error preestablecido. Esta propuesta permite sintonizar un SID clasificador en fiinción de todos sus parámetros, a diferencia de las otras propuestas de inicialización consultadas, además el algoritmo de agrupamiento tiene un costo computacional bajo que no influye negativamente en el tiempo de evolución.

Bibliografía

http://web.b.ebscohost.com/ehost/pdfviewer/pdfviewer?sid=7f10fefa-6e5c-4d0f-9415-a63c93f76838%40sessionmgr112&vid=7&hid=109

http://web.b.ebscohost.com/ehost/pdfviewer/pdfviewer?sid=7f10fefa-6e5c-4d0f-9415-a63c93f76838%40sessionmgr112&vid=10&hid=109

http://web.b.ebscohost.com/ehost/pdfviewer/pdfviewer?sid=7f10fefa-6e5c-4d0f-9415-a63c93f76838%40sessionmgr112&vid=24&hid=109