Académique Documents
Professionnel Documents
Culture Documents
1010011001000101010100010100100010101001010110100101
0010100100010010010111100101010010010100100100100101
1010010001111001010100100101010010001001001001001010
0100100100100100010010010010010100010100100101001001
0101000100100100100100100101001001001001001010010010
0100100100010010010001001010010010010001001010010010
0010100100100100100101001010010100101001010100100101
UNA PUBLICACIN DEL ICM - ESPOL
1010110101001001001010010101010101010010011001010010
Volumen 8 Nmero 1 Abril 2010
0101010010010100101010010100100100101001001001010010
0100101001010101001001001010101100101010010010010010
1001011001010101100100101010110101010100100110010100
1100100101001010010001010100100100101001001010101010
Z
0110010100110010101010100010010100101010001010010100
1001010011010010100100101001010010100101010010100100
0101000100100100010100100100101010100100100101001011
0100110101101010010010010100101001001001010010011110
1001001001010010010010010010110110010100101010010100
1010010101010101010010101001001100101001010110101011
1100100101010010100101010111010010101001110010101010
0101001010010100101100101001010101001111001010010101
0010101001010010100101010011010101010110100101010100
Y
1010101001001010010111010100101011100101000101010000
1111010101001011001011110101001001101000010010101111
0100111010101010100011010101001011101010110101010110
0101010110100100100111100110110101011101010010010111
1110101001000100100100100100100100100001001001001000
X
1010100010100111001011101010101011101101101001011100
1001111100101001010011001010010010110101000101001101
0010100100101001010010100101010010100100100010100101
0010101011000111010100010100101001100100010101010001
0100100010101001010110100101001010010001001001011110
0101010010010100100100100101101001000111100101010010
Escuela Superior Politcnica del Litoral - ESPOL
0101010010001001001001001010010010010010010001001001
Instituto de Ciencias Matemticas - ICM
0010010100010100100101001001010100010010010010010010
0101001000101001010010100101010010100100100010100101
0010101011001000101001010010101011000111010100010100
1010011001000101010100010100100010101001010110100101
matemtica
matemtica
UNA PUBLICACIN DEL ICM ESPOL
Volumen 8
Nmero 1
Abril 2010
Rector ESPOL:
Vicerrector General ESPOL:
Director ICM:
Subdirector ICM:
Editor de publicaciones del ICM:
Redaccin y estilo:
Edicin:
CONTENIDO
EDITORIAL.....................................................................................................
34
EDITORIAL
Resumen. En esta investigacin se realiz el diseo y la implementacin de un Algoritmo Evolutivo para resolver el problema de
Calendarizacin de Materias Basado en Plan de Estudio (CB-CTT), el cual es un caso particular de la Calendarizacin Educacional para
Universidades. Se consideran nueve restricciones, cuatro que no deben infringirse bajo ningn motivo (duras), como la asignacin de dos
recursos en un mismo lugar al mismo tiempo, y cinco cuyo no cumplimiento se obliga a minimizarse (suaves). Se disea un Algoritmo
Gentico y se lo implementa en Matlab con aportes en el diseo de la representacin de una solucin y en los procedimientos de Cruce,
Mutacin y Seleccin, obteniendo buenos resultados con los problemas de prueba propuesto por SaTT (Scheduling and Timetabling Group)
de la Universidad de Udine, Italia.
Palabras Claves: Calendarizacin, Metaheursticas, Algoritmos Genticos, Matlab.
Abstract. In this research is designed and implemented an Evolutionary Algorithm to the Curriculum-Based Course Timetabling Problem
(CB-CTT), which is a particular case of the Scheduling Education for Universities. Nine restrictions were considered, four have not infringed
by any reason (hard), including the allocation of two resources in one place at the same time, and five that are required to be minimize (soft).
A Genetic Algorithm is designed and implemented it in Matlab with contributions into the design of the representation of a solution and in
procedures for crossing, mutation and selection, obtaining good results with test problems proposed by SaTT (Scheduling and Timetabling
Group), University of Udine, Italy.
Keywords: Timetabling, Metaheuristics, Genetic Algorithm, Matlab.
1. INTRODUCCIN
El Problema de Calendarizacin TTP (por sus siglas
en ingls Timetabling Problem) es un tipo particular
de la clase amplia de problemas simplemente de
Programacin (Scheduling) [5] y se puede definir de
forma muy simple: Definicin 1.1 (Calendarizacin,
Zhipeng Lu and Jin-Kao Hao [3]). Asignar un
nmero de eventos, cada uno con ciertas
caractersticas, a un nmero limitado de recursos
sujeto a restricciones.
Para poder interpretar lo que en la definicin 1.1
significan los trminos: eventos, recursos y
restricciones, se debe estudiar las caractersticas de
un problema particular. Para este trabajo, se
considera una clase de los TTPs denominada
Educacional, que consiste en la programacin de
clases de un conjunto de materias con un nmero
dado de aulas y periodos de tiempo disponibles que
satisfacen varias restricciones [1]. Las restricciones
pueden ser clasificadas en duras y suaves. Las
restricciones de tipo duras son utilizadas para
encontrar soluciones factibles al problema y no
__________________________
1
Cabezas G. Xavier, MSc. en Investigacin de Operaciones,
Escuela Politcnica Nacional. Master en Control de
Operaciones
y
Gestin
Logstica,
ESPOL.
(e_mail: xavier.cabezas@stat-eeio.com)
2
Sandoya Fernando, M.Sc., Profesor de la Escuela Superior
Politcnica del Litoral (ESPOL); Coordinador de la carrera
Ingeniera en Logstica y Transporte ICM ESPOL.
(e_mail: fsandoya@espol.edu.ec)
TABLA I
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
Calendarizacin
Exmenes
ETT
Basado en
Materias
Educacional
Inscripciones
CTT
EB-CTT
Materias Basado en Plan de
Estudios CB-CTT
CTT
2. RESTRICCIONES CONSIDERADAS
PARA EL CB-CTT
Cuando se realiza una revisin de la literatura del
CB-CTT se pueden encontrar una serie de
documentos que presentan formulaciones novedosas
pero que no siempre consideran las previamente
definidas por otros autores, lo cual es debido a que
no es posible escribir una que contenga todos los
casos posibles que pueden presentarse en la vida
real, cada institucin educativa posee caractersticas
diferentes que hacen que el problema se vuelva muy
particular.
Las restricciones que se han considerado para esta
investigacin, son las mismas que se proponen en
Di Gaspero [8].
Restricciones Duras (HARD constraints)
Sesiones de clases (lectures): Todas las
sesiones de clases de las materias deben
programarse y asignarse a diferentes periodos.
Si la sesin de clase no est programada, se
considera una violacin.
Aulas Ocupadas (room occupancy): Dos
lecturas no pueden ser programas en la misma
aula en el mismo periodo. Se cuenta como una
violacin adicional cualquier sesin de clase
extra en una misma aula y periodo.
Conflictos (conflicts): Sesiones de clases de las
materias del mismo curriculum o dictadas por
TABLA III
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
Nombre de la tabla
Toy se resolver con nuestro algoritmo. Se explica a
continuacin los componentes de este archivo txt.
Tabla: Datos generales
Nombre para el problema a ejecutar.
Nmero de aulas.
Nmero de das para calendizar.
Nmero de periodos por das.
Nmero de curriculums.
Min-Max clases diarias.
Nmero de restricciones de no disponibilidad.
Nmero de restricciones de aulas.
Datos generales
Materias (courses)
Aulas (rooms)
Curriculums (curricula)
No disponibilidad (unavailability
constrains)
Restricciones de aulas (room
constrains)
Matrices
CR
UC
RC
10
1.
2.
3.
Evaluacin =
Evaluacin ( Poblacin)
CRITERIO DE PARADA
FIGURA 1
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
3.2. El AG EN EL CB-CTT Y SU
IMPLEMENTACIN EN MATLAB
Representacin del Cromosoma
Para el CB-CTT cada cromosoma, representa un
calendario completo y en este caso cada gen es una
11
FIGURA 3
FIGURA 5
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
El proceso de seleccin
Para poder pasar de generacin en generacin se ha
diseado un procedimiento de seleccin de
soluciones que permite elegir de entre todos los
cromosomas de una poblacin a los mejores,
aquellos cuya funcin de evaluacin sea la mejor
posible. El mtodo que se ha implementado es la
Rueda de la Fortuna (Roulette Wheel ).
El procedimiento de cruce
En la funcin cruce, se desarrolla un procedimiento
sistemtico, que transfiere informacin gentica de
un padre y una madre para generar un hijo y una
hija.
El proceso comienza buscando en el calendario del
padre y la madre el periodo donde cada una de las
materias ya hayan sido programadas. Luego se
genera un nmero aleatorio uniforme de parmetros
1 y 0 con el fin de determinar si es el gen del padre
que se transferir al hijo o el de la madre, y se
ubicarn los datos del ascendiente en el mismo
periodo encontrado, cuidando que esta ubicacin
est libre en el descendiente, caso contrario se
selecciona una ubicacin libre de forma aleatoria.
Cuando la eleccin se ha realizado, la informacin
que se transfiere al otro descendiente es
exactamente lo opuesto, siempre que sea posible.
Todo esto se lo realiza para cada calendario de cada
curriculum, ver Figura 6.
FIGURA 4
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
12
FIGURA 6
FIGURA 7
Criterio de Parada
En teora el AG podra ejecutarse en tiempo
indefinido, teniendo en consideracin que los
elementos de la poblacin luego de un tiempo t
grande se parecern entre s y se espera adems que
la funcin de evaluacin tenga un valor cercano a
cero (o cero en el mejor de los casos). Debido a esto
un criterio de parada del AG se ha definido en este
trabajo como:
1. Para si al menos una proporcin p de individuos
miembros de la poblacin tienen el mismo valor de
fitness,
2. Si en alguna iteracin algn elemento de la
poblacin tiene un valor de funcin de evaluacin
igual cero.
En el primer caso la solucin ser aquel cromosoma
con mnimo fitness, si existe ms de una solucin
encontrada, se elige una de forma aleatoria, y en el
segundo caso aquel que tenga el valor de cero. En la
funcin criterioparada se implementa el caso uno y
en el caso dos se considera en el programa general
del AG, ver Programa 1.
AG completo
Luego de tener todos los elementos necesarios para
la implantacin del AG se enlazan todas las rutinas
descritas anteriormente en un solo cdigo. A este
programa general se denomina agcbctt, ver
Programa 1. El cual guarda relacin estricta con el
cdigo clsico de un AG, ver Figura 1.
13
4. RESULTADOS NUMRICOS
4.1. RECURSOS COMPUTACIONALES
EMPLEADOS
En Rodrguez [6] se define a Matlab 4 como un
instrumento computacional simple, verstil y de
gran poder para aplicaciones numricas, simblicas
y grficas, que contiene una gran cantidad de
funciones predefinidas para aplicaciones en ciencias
e ingeniera. Esta descripcin de Matlab muestra
muy bien las razones por la cual se ha elegido este
lenguaje de programacin para la implementacin
computacional de un AG diseado especficamente
para el CB-CTT.
La versin de Matlab que se ha utilizado es
Matlab 7.6.0.324 (R2008a), y los recursos de
hardware y software se detallan en la Tabla IV.
TABLA IV
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
__________________________
4
14
TABLA V
FIGURA 10
TABLA VI
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
FIGURA 9
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
FIGURA 11
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
15
FIGURA 12
FIGURA 14
FIGURA 13
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
FIGURA 15
Figura 16
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
TABLA VII
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
16
FIGURA 18
FIGURA 17
Un algoritmo evolutivo para resolver el problema de calendarizacin
para universidades
17
[8]. SCHAERF,
A.;
DE
CESCO,
F.;
MC- COLLUM, B. (2007). The second
international timetabling competition (itc2007): Curriculum-based course timetabling
(track 3). Technical Report.
18
1.
INTRODUCCIN
i , j . El problema satisface la
triangular
si
solo
si
20
5.
6.
Donde
1, (vi , v j ) ruta
l( vi ,v j ) ( ruta ) =
0, (vi , v j ) ruta
y N es el nmero de suertes.
21
_____________________________________________________________
5
Bsqueda Local, tambin conocida como Hill-climbing de
Vecindades, es una estrategia basada en optimizacin local.
Los algoritmos de bsqueda local constituyen una clase de
algoritmos aproximados basados en la exploracin de
vecinos. Estos presuponen que existe una funcin de costo y
una estructura de vecinos.
6
Operador de movimiento que transforma una solucin s en
s. Trabaja con estructura de vecindades.
7
O(g(n)) = f(n): existen constantes positivas c y no tal que
0 f(n) c g(n) para todo n no}
_____________________________________________________________
3
22
FIGURA 1
23
end
s* P mejor solucin encontrada con respecto a
la funcin de costo g;
return s*;
end
Los parmetros de entrada del procedimiento
GLS son:
- s0: solucin Inicial Factible
- : parmetro de GLS
- Ind : funcin caracterstica para el arco ai,i+1
- NS : nmero de Suertes
tdij
(1 + pij ) (1)
1, aij ruta
0, aij ruta
(sk) * pi,i+1;
Sk+1 = FLS2-Opt(sk, h, bit, NS);
K P k+l;
for i P 1 until NS do
begin
utilidad P Indi,i+1 (sk) * (tdi,i+1 / pi,i+1 + 1)
if (Utilidad > Maxutil) then
Maxutil P utilidad;
if (utilidad = Maxutil)
begin
pi,i+1 P pi,i+1 + 1;
biti,i+1 P 1;
end
end
1, Tiempo de llegada i bi ,
24
Min
NS
i =1
desviacini
7.1.6 El parmetro
El nico parmetro de GLS, que requiere
calibracin es el parmetro . En [VT99], se
encuentra una expresin para calcular para el
caso del agente viajero.
= (g(mnimo local) / NS) (2)
Donde g(mnimo local) es el costo del primer
mnimo local antes que las penalizaciones son
aplicadas y NS es el nmero de suertes. Se
introduce el parmetro , el cual depende del
problema. En la aplicacin del agente viajero,
valores de entre 0.125 y 0.5 dieron buenos
resultados. Para el problema de las alzadoras con
ventanas de tiempo, la expresin (2) no nos dio el
mejor valor de . Por esta razn, se decidi ajustar
para la situacin especfica del ingenio donde se
realizaron las pruebas con datos reales.
TABLA I
Propuesta de un modelo matemtico para la secuenciacin ptima de
la cosecha de la caa de azcar
41
3.43
27.93
53.69
31.69
51
7.08
29.4
0.33
57.86
31.36
25
FIGURA 1
Propuesta de un modelo matemtico para la secuenciacin ptima de
la cosecha de la caa de azcar
9. CONCLUSIONES Y
RECOMENDACIONES
26
[3]. CORMEN,
T.,
LEISERSON,
C.,
RIVEST R. (1990). Introduction to
Algorithms. Estados Unidos: Mit Press.
[4]. DUMAS, Et al. (1995). An Optimal
Algorithm for the Traveling Salesman
Problem with Time Windows. Operations
Research, Vol. 43, No. 2 (March-April).
[8]. MINGOZZI,
A.,
BIANDO
L.,
RICCIARDELLI S. (1997). Dynamic
Programming Strategies for the Traveling
Salesman Problem with Time Window and
Precedence
Constraints.
Operations
Research, Vol. 45, No. 3 (May-June)
27
1.
INTRODUCTION
2.
BASIC CONCEPTS
J. PEZ
() : \ \ \
FIGURE 2
A short introduction to dynamical systems
Illustration of DS2
( )
t y
0 = y0 + v0 t gt
2
v0
v0 gt
{ }tT }
T, X , t
the state
t ( s ( x0 )) ,
DS2
u X , s, t T: t +s (u) = t ( s (u)), i.e., t o s = t +s
Some remarks about this definition are in order:
Throughout this manuscript, X stands for a metric
space2.
s ( x0 ) ,
DS1 u X : (u ) = u , i.e., = Id x ,
o
{ t }t\ }
\, \ ,
29
()
()
()
y + v t 1 gt 2
y0
y
y
\2 : 0 0 = 0 0 2
= 0
v0
v0
v
v
gt
0
t =0
0
FIGURE 3
A short introduction to dynamical systems
Simple pendulum
( )
0 (t ) 0 cos(t )0 sin(t )
{ t }t\ } is a dynamical
\, \ ,
0
0
As for DS2, it holds that:
sin(t )+0 cos(t )
= 0
0 cos(t ) 0 sin(t ) t = 0 0
( ( ))
( )
(
(
(
y0
y
\ 2 , s , t \ : t s 0
v0
v0
2
1
= t y0 + v0 s 2 gs
v0 gs
= y0 + v0 s
1
2
gs 2 + (v0 gs )t
v0 gs gt
1
= y0 + v0 (t + s ) 2 g (t + s )
v0 g (t + s )
= t+s
( )
y0
v0
1
2
gt 2
0 \ 2 , s, t \ :
{ }t\ }
\, \ ,
= t s
0 = t 0 sin ( s ) + 0 cos ( s )
cos ( s ) sin ( s )
0
0
0
sin ( ( t + s ) ) + 0 cos ( ( t + s ) )
=
cos ( ( t + s )) sin ( ( t + s ))
0
0
is a
dynamical system.
Example 2. Consider a pendulum of mass m
attached to a string of length L, which is displaced
by an angle from the vertical rest position, see
Figure 3. If we assume the amplitude of oscillation
to be sufficiently small, then the dynamics of the
pendulum is approximately described by the ODE
g
+ = 0
L
whose general solution is given by
g
(t ) = 0 sin( t ) + 0 cos( t ), =
, t\.
= t+s
0
0
{\, \ , { } t\}
2
is a
dynamical system.
3.
CLASSIFICATION OF DYNAMICAL
SYSTEMS
30
J. PEZ
T = \ + U {0}
T = ( a ,b ) \, a < 0 < b
For continuous-time dynamical systems the family
T=]
Let us illustrate this type of systems by the
following example:
u ( x, 0 ) = f ( x )
( )
() : ` 0 X X ,
such
k ` : k = g g ... g , 0 = Id x .
(3.2)
that
We
This
will
system
u ( x, t ) = f xe
k times
{ }k`0 }
u C1 \ 2 , \ , f C1 ( \ )
operator
( )
has
the
) , x, t \ .
() : \ C ( \ ) C ( \ ) ,
`0 , X , k
u X , m, n ` 0 :
m+n
(u ) =
( ( u ) ) .
f C1 ( \ ) : 0 ( f )
(u ) = g ( (u ) ) = ( (u ))
( (
t
u X ,
(u ) =
1+ ( n + m )
( u ) = g (
the
last
step,
{ }k`0 } is
`0 , X , k
(3.1)
m+n
was
used.
= 1 m n ( u ) = m +1 n ( u )
In
that
( u ) = m ( n ( u ) ) holds. Then
( m +1) + n
( f )) ) ( x) = (t ( g )) ( x) = g ( xet )
) = (
( f ) ) ( x)
t ( s ( f ) ) = t + s ( f ) .
( t + s )
= f xe
(3.1)
) ( x) = f ( x) 0 ( f ) = f ,
( )
that
g ( x ) = f xe s , x \ . Then
such
1+1 ( u ) = 2 ( u ) = g ( g ( u ) ) = 1 1 ( u ) holds.
1+ n
solution
general
is a dynamical
prove that
is,
{\, C ( \ ) , { } }
1
t\
(u ) )
t +s
Hence,
is an infinite-dimensional,
Hence,
a discrete-time dynamical
31
{T, X , { }tT }
t
( )
t 1
= .
Hence,
invertible
( (
and thereby,
i.e.
( )
5.
)i = ui + k ,
defined as d (u , v )
: X X \,
= i = ui vi 2 i
CONCLUSIONS
ACKNOWLEDGEMENTS
i ].
_____________________________
3
X = u = ( ui )i] : ui [ N ] 3.
defined as k ( u )
))i
[ ]
X := [ N ] ,
(u))i
p+k
= ui +k + p = u( i +k )+ p = p k ( u )
state
k , p ], u X , i ] :
the
)i = ui+0 = ui 0 (u ) = u
Consider
k]
u X , i ] : 0 ( u )
Observe that t T: t o t = t + ( t ) = 0 = Id x ,
further
T = \ or ] .
and
{], X ,{ } } defines
32
J. PEZ
33
1.
INTRODUCCIN
kK v j ( vi )
b)
xijk = 1
vi Vc (2)
xijk = 1
k K
(3)
v j ( v0 )
2.
FORMULACIN MATEMTICA
DE UN CVRPSTW
c)
{( v , v ) ; v , v
i
V,i j
se
v j Vc
denomina
e)
k K ( vi , v j ) A
k K ( vi , v j ) A
xijk Q k K
f)
(5)
v j ( vi )
vi V
(6)
(7)
g) Tipo de variables:
xijk {0,1} y hv , rv 0
i
(8)
(vi ) = v j Vc \ ( v j , vi ) A
{
{
3.
}
}
representa el tiempo de
cij xijk +
ev hv lv + rv
MinZ =
xijk = 0 k K , vi Vc
v j ( vi )
xijk
(4)
rv = Max 0, hv lv
v j ( vi )
n +1
f k xijk + pvi
i =1
(1)
35
4.
Xi
Yj+1
Xi+1
Yj
DESCRIPCIN DE LA
METAHEURSTICA
DESARROLLADA
36
TABLA I
Diseo de un sistema de soporte de decisiones para resolver el
problema de ruteo en un servicio de courier
INPUT
Matriz de datos del problema: coordenadas de
cada cliente y del depsito, ventanas de tiempo,
demanda.
OUTPUT
Mejor solucin encontrada
BEGIN /* Algoritmo Gentico hbrido */
cargar_datos()
t0
P0generacin_poblacin_incial()
/* Fase de reproduccin y generacin de
una nueva poblacin*/
WHILE (t NUM_ITERACIONES) DO
evaluacin_poblacin (Pt)
Pt mutacin_padres(Pt)
Ptgenerar_hijos(Pt)
tt+1
END
Entregar la mejor solucin
END
FIGURA 3
Diseo de un sistema de soporte de decisiones para resolver el
problema de ruteo en un servicio de courier
10
R k = { v 0 , v1
k
v0
k
v ( r + 1)
k
{ v1
, ..., v r , v ( r + 1 ) }
=0
,
k
vr
,..., } es
donde
una
Costo( Rk ) = j =0 (c j ,( j +1) + s j )
r
37
(10)
pen _ atraso( Rk ) = a j =1 j
r +1
(11)
(12)
De esta manera, la aptitud de cada individuo
(fitness) se define como el costo de la solucin
respectiva. Para seleccionar al par de padres,
durante el proceso reproductivo, se intenta un
mtodo sencillo, el cual empieza ordenando a los
individuos de la poblacin de acuerdo a su
aptitud, es decir, de menor a mayor de costo, y se
selecciona de manera aleatoria entre los que se
ubican dentro del percentil 40.
TABLA II
Diseo de un sistema de soporte de decisiones para resolver
el problema de ruteo en un servicio de courier
5.4 CONSTRUCCIN DE LA
POBLACIN INICIAL
ptimo
Instancia
C101
C102
R104
R111
RC103
Num
Costo
rutas
10
827.30
10
827.30
10 982.010
12 1,048.70
11 1,258.00
Solucin AG
propuesto
Num
Costo
rutas
10 828.94
10 828.94
10 1,174.84
11 1,316.00
11 1,424.34
7.
DSS PROPUESTO PARA
PLANIFICACIN DE PICKING EN
UN COURIER
IMPLEMENTACIN Y
VALIDACIN DE LA
METAHEURSTICA
38
TABLA 3
Diseo de un sistema de soporte de decisiones para resolver
el problema de ruteo en un servicio de courier
RUTA
1
TPSOPERACINCOURIER
2
Informacin
georeferencial
yvial
BD:Clientes,
demanda
API
Google
Maps
Configuracindel
sistemayclculo
dedistancias
Internet
Planificacinde
rutas
4
AG
hbrido
(Metaheu
rstica)
0-5-33-66-39-20-45-2632-48-61-34-17-9-21-2710-56-4-12-29-0
0-7-38-37-23-57-24-3552-25-54-65-51-60-43-6236-63-55-15-49-0
0-14-44-18-47-22-13-1653-40-31-30-59-3-46-658-0
0-1-50-19-28-11-8-42-412-64-0
CLIENTE
S
20
20
16
10
APLICACIONWEB:
DSSparapickingdecourier
8.
ORDEN DE VISITAS
FIGURA 5
Diseo de un sistema de soporte de decisiones para resolver
el problema de ruteo en un servicio de courier
39
CONCLUSIONES Y
RECOMENDACIONES
40
[1].
[2].
[3].
[4].
[5].
[6].
[7].
[8].
[9].
[10]. BCK,
T.;
FOGEL,
D.B.;
MICHALEWICZ, Z. (1997). Handbook
of Evolutionary Computation, Oxford
University Press.
[11]. SLAUG SLEY BJARNADTTIR,
(2004). Solving the Vehicle Routing
Problem with Genetic Algorithms,
Informatics and Mathematical Modelling IMM, Technical University of Denmark,
DTU.
[15]. JOAQUN
ANTONIO
PACHECO
BONROSTRO. Problemas de rutas con
ventanas
de
tiempo.
Universidad
Complutense de Madrid. Dpto. Estadstica
e Investigacin operativa. Facultad de
Ciencias Matemticas.
41
1. INTRODUCCIN
La mejora de los procesos productivos en las
empresas manufactureras ha sido un factor clave
para el xito de los negocios. Estos procesos se
han vuelto muy complicados debido a que son
procesos sistmicos en los que el objetivo a
cumplir es fabricar una cierta cantidad
determinada de un mix de productos deseados al
menor costo posible con recursos limitados y en
un rango de fechas requeridas. En estos procesos
intervienen recursos limitados tales como
personal, mquinas, materia prima e insumos.
El objetivo es determinar el Plan de Produccin
y ejecutarlo en una secuencia tal que se
minimicen tiempos improductivos, tardanza en las
rdenes, u otros criterios deseados. Dentro del
rea del Scheduling, el problema del Job Shop
(JSSP por sus siglas en ingls) es el que ms
________________________
1
Sandoya Fernando, M.Sc., Profesor de la Escuela Superior
Politcnica del Litoral (ESPOL); Coordinador de la carrera
Ingeniera en Logstica y Transporte ICM ESPOL.
(e_mail: fsandoya@espol.edu.ec)
2
Sevilla Vinicio, Master en Control de Operaciones y Gestin
Logstica,ESPOL. (e_mail: vinicio.sevilla@yahoo.com)
3
Zurita Carlos, Master en Control de Operaciones y Gestin
Logstica,ESPOL. (e_mail: carloszurita77@hotmail.com)
3. ALGORITMOS GENTICOS
Los algoritmos genticos, propuestos por
Holland en 1975, son metaheursticas que usan
estrategias de bsqueda general para resolver
problemas de naturaleza combinatoria. Los
algoritmos genticos simulan el proceso de
evolucin de los organismos vivos y estn
basados en el principio de supervivencia del ms
apto para formar la siguiente generacin de
posibles soluciones. Estas soluciones se
construyen utilizando operadores probabilsticos,
como el cruce gentico, mutacin y supervivencia
del ms apto (seleccin). A medida que avanza el
proceso evolutivo los individuos ms aptos
sobreviven, lo que representa las mejores
soluciones, mientras que los individuos menos
aptos desaparecen. La evolucin de dichas
soluciones hacia valores ptimos del problema
depende en buena medida de una adecuada
codificacin de stas. En la figura 1 se muestra la
ejecucin tpica de un algoritmo gentico.
FIGURA 1
Uso de metaheursticas para la optimizacin de la secuencia de
produccin y la asignacin de mano de obra en una empresa
manufacturera
2.2. OBJETIVO
Ejecucin general de un AG
max{Cj}
N
Min Cmax =
j =1
43
44
45
Archivo
entrada_jss.txt
CARGAR
PARAMETROS
Archivo
problema_jss.txt
CARGAR
DATOS
TABLA I
Uso de metaheursticas para la optimizacin de la secuencia de
produccin y la asignacin de mano de obra en una empresa
manufacturera
INICALIZAR
POBLACION(0)
SELECCIONAR
PADRESMETODO
RULETA
SI
IMPRIMIR
RESULTADOS
FIN
Archivo
resultados_jss.txt
APLICAR
CRUCEPMX
JSS
1183
946
984
1333
55
APLICAR
MUTACION
REMPLAZAR
POBLACION
CONHIJOS
CREADOS
EVALUAR
POBLACION
4. RESULTADOS COMPUTACIONALES
Para la evaluacin del algoritmo desarrollado
durante el presente proyecto de titulacin, se ha
seleccionado 5 problemas estndar de estudio de
la comunidad cientfica sobre el JSSP disponibles
en Internet en la librera OR [2]. Los
experimentos han sido ejecutados en una
LAPTOP Core 2 DUO T5500, 1.66Ghz, con una
memoria RAM de 2.0 GB, bajo Windows XP
Service Pack 3.
46
TABLA II
Uso de metaheursticas para la optimizacin de la secuencia de produccin y la asignacin de mano de obra en una empresa manufacturera
No Reem. Pobl.
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
0,86
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
#
Genera.
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
5000
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0,6
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
599
587
599
599
588
584
573
590
574
606
601
589
579
614
615
592
582
596
601
592
608
591
603
596
590
603
572
47
[1] WEB
SITE:
http://lancet.mit.edu/ga/.
(2009).
Instituto
tecnolgico
de
massachussets.
[7] BRUCKER,
P.
(2006).
Complex
scheduling. springer science and Business.
pags. 180-210, Media Inc. New York.
48
FORMATO DE ARTCULOS
1.
ACERCA DE LA REVISTA Y SU
CONTENIDO
La
revista
tendr
como
nombre
matteem
mttiiccaa:
una publicacin
del ICM-ESPOL, la cual se publicar en
forma semestral. Su finalidad esencial ser
comunicar los resultados obtenidos por
investigadores,
profesores,
profesores
invitados y estudiantes, en trabajos de
investigacin, resmenes de tesis de grado,
trabajos de difusin, artculos de inters
cientfico y novedades matemticas.
2.
3.
GENERALIDADES
matemtica
UNA PUBLICACIN DEL ICM ESPOL
Abril 2010
Volumen 8
Nmero 1
CONTENIDO
EDITORIAL.....................................................................................................
34