EL EMPLE0 DE SISTEMAS BORROSOS DE AYUDA A LA TOMA DE

DECISIONES EN ENTORNO MATLAB. APLICACIN A UN CASO DE

DISTRIBUCIN EN PLANTA.
Javier Puente Garca; Isabel Fernndez Quesada; Paolo Priore Moreno
Universidad de Oviedo

RESUMEN
En este artculo se expone el uso de sistemas de decisin borrosos para el estudio de distribucin en planta
(Layout). Aplicando el modelo Mamdani de toma de decisiones borrosas (implementado en MATLAB), hemos
sido capaces de modelar mediante un sistema basado en reglas borrosas, un mtodo altemativo para el estudio
de distribucin en planta. Nuestro sistema propone Ilegar a ratios borrosos de cercana que permitan establecer
un ranking entre cada pareja de los departamentos a ubicar. Para establecer la conveniencia del mtodo propuesto se efecta una comparativa mediante la evaluacin del layout obtenido (ratios borrosos) por este mtodo y el tradicional (ratios "crisp") generado por aplicaciones informticas como CORELAP o CRAFT.

BORROSIDAD EN LOS SISTEMAS DE DECISIN.

El planteamiento de un modelo matemtico de toma de decisin en trminos ling sticos (esto es,
con inclusin de borrosidad), permite incluir en dicho modelo la imprecisin inherente a muchos problemas de decisin. Esta caracterstica pennite acercar el modelo al razonamiento humano, ya que en muchos
casos una toma de decisin pasa por "etiquetar" el contenido de las variables que intervienen en el modelo.
As, una variable lingstica borrosa es aquella que toma como valores, palabras del leguaje comn o natural (frente a la variable numrica que slo puede tomar nmeros como valores); quedando
definida por el nombre de la variable (x) y el conjunto de etiquetas o valores ling sticos E(x) que pueda
tomar (n meros borrosos definidos en un detenninado universo de discurso).
Como puede observarse en la Figura 1.1 cada etiqueta o categora de la variable fuzzy "presin",
lleva asociada una funcin de pertenencia que indica el grado de pertenencia de cada valor del universo de
discurso de la variable a dicha etiqueta. En el ejemplo, un valor de presin de 58 vendra identificado por
la etiqueta "media" con un valor de verdad 0.7 y por la etiqueta "alta" con valor 0.3.
La base de cono
cimiento
que subyace en un
x = presin
E(x) = {muy alta, alta, media, baja, ...}
sistema de decisin borroso, debe explicar el funcionamiento del sistema mediante un conjunto de reglas
.70
ling sticas donde se invo.30 lucra a las variables de
entrada y de salida del
sistema decisorio (para lo
30 40 55 65 80 90 que es preciso definir en
forma borrosa las variables
del sistema, esto es, definicin de la forma y rango de
Figura 1.1
las etiquetas de cada variable).
Las reglas que configuran la base de conocimiento del problema son de la forma "Si algo ocurre...Entonces actuar de tal manera". En toda regla se distinguen dos partes, el antecedente y el consecuente. El antecedente de la regla est constituido por afirmaciones al respecto de las variables de entrada
del proceso de decisin, pudiendo estar encadenadas diferentes afirmaciones por operadores lgicos (si
bien una regla no tiene porqu hacer mencin a todas las varibles de entrada). El consecuente de la regla
est constituido por afirmaciones al respecto de las variables de salida del proceso de decisin, que tambin pueden estar encadenadas por operadores lgicos.

1315

Los sistemas de decisin borrosos para el control (Mamdani 1974), se apoyan en la teora anterior para modelar problemas de distintos mbitos. As, se han abordado problemas de decisin en mbitos
tan diferentes como el de la medicina (Linkens 1991), o el de la distribucin en planta (Wilhem 1987;
Raoot y Rakshit 1991 y 1993).
A continuacin, se introduce la mecnica operativa de los sistemas de decisin borrosos aplicada
al caso de distribucin en planta, en el entorno MATLAB 5.0 (Cuando se mencione MALAB 5.0, estaremos referenciando al Toolbox especfico de "Fuzzy", versin 1.0)

LA TOMA DE DECISIN BORROSA EN LA DISTRIBUCION EN PLANTA.

INTRODUCCIN

Los mtodos clsicos de distribucin en planta se basan en la implementacin de una matriz que
conecta las diferentes secciones de la planta estableciendo entre cada par de secciones una determinada
relacin de importancia que refleja la necesaria cercana entre dichas secciones. La importancia asignada
puede depender de varios factores simultneamente como el flujo de materiales, el flujo de personal, la
facilidad de supervisin, etc. y la calificacin de esa importancia puede ser desde "absolutamente necesaria" hasta "indeseable".
Los algoritmos tradicionales para establecer el layout se basan en la obtencin de esa matriz de
relaciones seg n la opinin de un experto, y a partir de ella en establecer un ranking comparativo m ltiple
que permita optimizar la colocacin de las diferentes secciones secuencialmente. En el caso de que alguna
de las relaciones no se cumpla, se aplicar una penalizacin y para cada alternativa de layout se obtendr
una evaluacin que perrnita compararlas.
Es fcil intuir que, debido a lo impreciso de la definicin del problema, sea posible utilizar la teora de conjuntos borrosos para modelar el sistema de decisin.
Un sistema de decisin o inferencia borroso consta de cinco partes bien diferenciadas: La fuzzificacin de las variables de entrada, la aplicacin de operadores fuzzy (AND/OR) en el antecedente, las
implicaciones del antecedente al consecuente en cada regla, la agregacin de consecuentes seg n las diferentes reglas y la defuzzificacin.

DEFINICIN DE LA BASE DE CONOCIMIENTO: FUZZIFICACION Y BASE DE

REGLAS.
En primer lugar, es necesario definir las variables de entrada que pueden condicionar el proceso
de decisin. Por tanto, habr que decidir los valores que pueden llegar a tomar dichas variables (universos
de discurso) as como las etiquetas y sus funciones de pertenencia asociadas. En esta primera etapa ser
necesario disponer de una precisa base de conocimiento, que puede venir dada por opiniones de expertos,
por comparativa con otros layouts similares realizados con anterioridad, o por entrevistas con el personal
involucrado.
Algunos de los factores (variables de entrada) ms comunmente usados por los diseadores para
establecer las calificaciones de importancia entre departamentos son:
El flujo de materiales (FM), ya sean componentes, materias primas o productos finales, entre secciones. Puede medirse en unidades movidas por unidad de tiempo. Algunas etiquetas lingsticas asociadas podran ser "alto", "bajo", etc. El flujo de informacin (FI), para medir la comunicacin interdepartamental (por ejemplo en "n mero de comunicaciones por unidad de tiempo"). Algunos valores lingsiticos
asociados a este factor podran ser "muy alto", "alto", "medio", "bajo", etc. El flujo de personal (FP), que
podra medirse como el n mero de empleados de uno o ambos departamentos que desarrollan sus tareas
en ambas secciones. El flujo de equipos (FE), las condiciones ambientales (CA), o la facilidad de supervisin (FS) son otros factores que pueden influir en la toma de decisiones.
El peso de los factores (PF) es un indicador de la importancia de cada factor considerado en la
toma de decisin (tomando valores entre 0 y 1). Una buena metodologa para determinar estos pesos es el
procedimiento jerrquico analftico (AHP), que los estima en funcin de las relaciones de importancia
establecidas entre cada par de factores de modo que la suma de los pesos de todos los factores involucrados sea igual a 1. Esta variable puede ser considerada lingsticamente tomando etiquetas como "muy
bajo", "bajo", "medio", "alto", "muy alto".
La variable de salida del sistema de decisin suele ser el ratio de cercana (R) que se impone entre cada par de secciones, seg n sea la combinacin dada de las variables de entrada. Esta variable de

1316

salida tambin puede considerarse en el lenguaje natural tomando valores {X, U, 0, I, E, A} en orden de
prioridad creciente; as, una salida "A" indicar la mxima prioridad de cercana entre dos departamentos.
Respecto a la base de reglas del sistema de decisin, el diseador del sistema debe poseer el conocimiento "experto" para asignar la salida pertinente a las posibles combinaciones de factores de entrada
que puedan considerarse.
Por ejemplo, una regla podra definirse como:
Si [(FM=="muy bajo") & (PF.="alto")] entonces [R="0"], indicando que si el flujo de material
es muy bajo y el peso de ese factor es alto el ratio de salida ha de ser O.
En genera, las reglas suelen
plasmarse
en el modelo de forma
bajo
medio
alto
muy alto
FM I PF
muy bajo
tabular como se indica a continuamuy bajo
U
1
U
o
o
cin:
No existe una pauta clara en
bajo
I
u
o
E
o
cuanto al nmero de reglas a emo
E
E
medio
i
o
plear, pues estas son construidas por
el experto. Nosotros optamos por
alto
A
o
1
E
E
contruir reglas que manejan dos
I
E
E
muy alto
A
A
variables de entrada en el antecedente y una variable de salida en el
consecuente. De este modo, si considersemos "i" factores de entrada con "ni" etiquetas cada uno, y suponiendo una sola variable de salida, el mximo n mero de reglas que podramos construir con esa estructura sera:

n reglas =In

OPERADORES CONECTIVOS. IMPLICACION. AGREGACIN DE SALIDAS Y DEFUZZIFICACIN.

Al evaluar cada regla segn unos determinados valores de las variables de entrada, elegiremos el
operador "MIN" para el conectivo "AND" y el "MAX" para el "OR".
El mtodo de implicacin empleado para obtener el n mero borroso de salida de cada regla ser
el "MIN", que trunca la etiqueta de salida seg n el grado de pertenencia global hallado para el antecedente de dicha regla.
El mtodo de agregacin de los consecuentes de todas las reglas para unos determinados valores
de entrada ser el "MAX" (en cada punto de la variable de salida se toma el mximo nivel de pertenencia
de todos los consecuentes).
Para obtener una ratio de cercana numrico, tenemos que desborrosificar el conjunto fuzzy de
salida del proceso de agregacin anterior. Emplearemos el mtodo del centroide, para calcular la abscisa
correspondiente al centro de gravedad de dicho n mero borroso. De este modo obtendremos los n meros
"crisp" que nos definen las relaciones de importancia (borrosa) entre cada par de departamentos, o matriz
de relaciones fuzzy.
Si bien el toolbox "Fuzzy" de MATLAB toma por defecto los operadores que acabamos de serialar, es posible optar por otros diferentes o incluso disear nuevos operadores en forma de funcin que
luego sern llamadas por el toolbox.
EVALUACIN DEL LAYOUT. COMPAFtATIVA.

En esta fase del problema se establece la evaluacin del layout tanto por el mtodo tradicional
(usando la matriz de ratios enteros) como por el mtodo fuzzy (que usa la matriz de ratios fuzzy, hallada
en el apartado anterior). Para ello, es preciso distribuir las secciones consideradas seg n los ratios dados
por ambas matrices, intentando satisfacer las restricciones de mayor prioridad (colocando en primer lugar
las secciones correspondientes a las relaciones "A", luego "E", etc). Para conseguir estas distribuciones se
ha seguido la metodologa impuesta por el programa CORELAP, tanto en el diseo tradicional como en el
fuzzy.
Una vez obtenidas estas distribuciones, es preciso evaluarlas con el fin de establecer una comparativa. Proponemos una evaluacin basada en un nuevo sistema borroso de decisin. Consideramos dos
variables de entrada; las distancias obtenidas en las distribuciones anteriores (que pueden fuzzificarse
como "muy lejos", "lejos", "moderada", "cerca", "muy cerca"), y los ratios de cercana (bien los definidos
de forma entera en el problema tradicional o los fuzzy calculados anteriormente). La nica variable de
salida ser la puntuacin del layout (que si bien suele tomar valores numricos en el rango [1, 10], podr
borrosificarse con etiquetas del tipo "muy malo", "malo", "medio", "bueno", "excelente").

1317

Como se obtiene una puntuacin para cada par de departamentos, la evaluacin final puede considerarse como la suma de las obtenidas entre todas las combinaciones de departamentos. La distribucin
con la que se alcance mayor puntuacin deber ser la propuesta, si bien, debe tener una calificacin entre
"buena" y "excelente".

EJEMPLO DE APLICACION.
DATOS DEL PROBLEMA.

A continuacin se resolver un problema de distribucin en planta para establecer el mejor posicionamiento de 6 departamentos: Oficina (400 m 2); Recepcin (200 m2); Pulido (800 m2); Torneado (600
m2); Ensamblaje (1.000 m2); Almacn (1.500 m2).
Consideraremos tres factores que afectan a la decisin del proyectista: El flujo de material (FM),
definido por el nmero de componentes que fluyen entre cada par de departamentos; el flujo de informacin (FI), definido por el nmero de comunicaciones (orales o va informe) entre departamentos; y la
facilidad de supervisin (FS) entre cada par de departamentos. Los rangos y etiquetas de cada una de estas
variables de entrada se plasman en la Figura 3.1.
La Tabla 3.1 muestra las magnitudes de los factores de entrada entre cada par de departamentos
as como la intensidad de la importancia de esos factores entre s.
Mediante un procedimiento analtico l se calcul el peso o importancia de cada uno de esos tres
factores en cada par interdepartamental. Para el par departamental 3-4 resultaron los pesos PF1= 0.6348,
PF2= 0.2872 y PF3= 0.078 relativos a (FM), (FI) y (FS). El peso de cada factor en cada combinacin
interdepartamental constituir tambin una entrada en el proceso de decisin, por lo que ser necesario
definir borrosamente esos factores "peso" con las oportunas etiquetas as como la salida "ratio" del sistema de decisin. Pueden observarse las etiquetas de estas variables en la Figura 3.2.
La Tabla 3.2 muestra el tradicional grfico de relaciones interdepartamentales para este ejemplo
(tambin prorporcionada por el experto).
Para completar la base de conocimiento necesaria en el proceso decisorio, se ha de definir la base
de reglas que combina los factores de entrada en el modo preciso para obtener la salida correspondiente.
En nuestro caso, la base consta de 75 reglas que siempren combinan las etiquetas de dos variables de
entrada (de un factor de entrada y su peso) con las de la variable de salida. Las tablas 3.3, 3.4 y 3.5 muestran todas esas reglas definidas por el experto.
PROCEDIMIENTO DE CLCULO DE LOS RATIOS DE CERCANA INTERDEPARTAMENTALES

Segn la matriz de relacin "crisp", el ratio de cercana para los departamentos 3-4 corresponde a
una "I" (que corresponde a un valor numrico entero 4). A continuacin se procede al clculo borroso del
ratio de cercana para los departamentos 3-4, seg n la mecnica del sistema de decisin fuzzy. Los valores
de entrada "crisp" correspondiente a este par de departamentos es (Ver Tabla 3.1): FM=4700
Fuzzificacin de los valores de entrada.
El factor 1 (FM) tiene una valor de 4700 que una vez fuzzificado corresponde a las etiquetas
"muy alto" con pimA = 0.2 y "alto" conlIA = 0.8. El peso de este factor (PF1) es 0.6348, que una vez fuzzificado corresponde a las etiquetas "muy alto" con pim A=0.17 y "alto" con plA= 0.83.
El factor 2 (FI) tiene un valor de 30,10 que se corresponde con la etiqueta "bajo" con 1.43=1. El
peso de este factor (PF2) es 0.2872 que corresponde a las etiquetas "medio" con 1.4 4=0.44 y "bajo" con
14=0.56.
El factor 3 (FS) tiene un valor de 10, lo que corresponde a la etiqueta "muy alta" con ptm A=1. El
peso de este factor es 0.078 que corresponde a las etiquetas "bajo" con pi i3=0.39 y "muy bajo" con
limB=0.61.

Nosotros hemos optado por el procedimiento analtico jerrquico (AHP). [11] Saaty, T.L. (1980), The Analitical
Hierarchy Process, McGraw-Hill, New York

1318

PARF_S

FM

Fl

FS

1-2

100

1-3

1-4

1-5

1-6

75

2-3

5200

50

2-4
2_5

2600

40

300

15

2-6

100

25

3-4

4700

30

10

3-5

1200

17

3-6

500

4-5

3600

35

DEPARTAMENTOS
1000

2000

COO

5000

GOOS

04

4-6

500

25

5-6

4800

40

10

Tabla 3.1

Att

Figura 3.1.

Figura 3.2

departam.
1
2
3
4
5
6

21456
UUUE
EOUU
IU0
IU

MF/PEI
MB
B

A
MA

Tabla 3.2

IF/PF2
MB
B
M
A
MA

MB B
M
A MA
XUU01
UU011
U
UO
I
E
00IE
A
I
lEA
A

EF/PF3
MB
B
M
A
MA

Tahla 1 4

MB B
M A
X
U
U 0
U
U
0 0
UOII
0
IEE
0
lEA
Tabla 3 3

M A
MB B
X
U
U
0
U
UO
I
00IE
0
I
EE
0
I
E
A
Tabla 3 5

1A
1
1
E
A
A

MA
0
E
E
A

Activacin de la base de reglas. Aplicacin de operadores e implicacin a consecuentes.

De toda la base de reglas slo se activarn aquellas que combinen las etiquetas identiftcativas de
las variables de entrada para los valores anteriores. En este caso y seg n las tablas 3.4, 3.5 y 3.6, se activan las siguientes reglas:

1319

REGLA

miN ( p.n. lipH)

PESO REGLA

Si (FM ="MUYALTO" & PF1 ="MUY ALTO") ENTONCES (RATIO = "A")

MIN (0.2;0.17) = 0.17

= 0.2

Si (FM ="ALTO" & PF1 ="MUY ALTO") ENTONCES (RATIO = "A")

MIN (0.8;0.17) = 0.17

Si (FM ="ALTO" & PF1 ="ALTO") ENTONCES (RATIO = "E")

MIN (0.8;0.83) = 0.8

().60

SI(FI = BAJO" & PF2 = "MED10") ENTONCES (RATIO = "O")

MIN (1;0.44) = ().44

0.15

Si (FI = "BAJO" & PF2 = BAJO) ENTONCES (RATIO = "U")

MIN (1;0.56) =

0.56

0.10

ST (FS = "MUY ALTA" & PF3= BAJO) ENTONCES (RATIO = "1")

MIN (1;0.39) =

0.39

0.30

Si (FS = "MUY ALTA & PF3= "MUY BAJO") ENTONCES (RATIO = "O")

MIN (1:0.61) =

0.61

0.15

Si (FM ="MUYALTO" & PF1 ="ALTO") ENTONCES (RATIO = "A")

MIN (0.2;0.83)

La segunda columna de la tabla anterior hace referencia al mtodo de aplicacin de operadores

en los antecedentes de cada regla (se opta por el "MIN" para el operador "&"), mostrando los valores
globales de pertenencia del antecedente que se aplicarn al consecuente (segn el mtodo "MIN", que
trunca los consecuentes de salida a esos valores).
La tercera columna de esa tabla nos indica la ponderacin o peso que tiene cada regla. Debido a
que la mayora de los programas informticos que resuelven problemas de distribucin en planta asignan
pesos crecientes (de orden logartmico o exponencial) a las relaciones , 0, I, E, A 1 hemos optado por
darle a cada regla un peso, en funcin de la etiqueta que se asigna en su consecuente seg n:
ETIQUETA DEL CONSECUENTE

PESO DE LA REGLA

0.1

0.1

0.15

0.3

0.6

Agregacin de consecuentes y defuzzificacin.

Todos los consecuentes truncados y ponderados de las reglas activadas, sufren el proceso de
agregacin (segn el mtodo "MAX" que elige en cada valor posible del ratio de salida el mximo valor
de pertenencia obtenido en todas las reglas activadas). El conjunto borroso agregado de salida ser la
respuesta (borrosa) del sistema de decisin respecto al ratio de cercana a aplicar entre esos departamentos. Para traducir esa salida borrosa a un ratio concreto (en este caso ya no tiene porqu ser entero), aplicamos el mtodo de defuzzificacin del centroide, que devuelve la abscisa del centro de gravedad de ese
conjunto.
Para el caso que nos ocupa (relacin interdepartamental 3-4), ese ratio tiene un valor de 4.46.
Repitiendo este proceso para todos los
pares
departamentales
se obtendra la matriz de
DEPARTAM.
I
2
3
4
5
6
ratios
resultado
de
la
Tabla
3.6.
1
5.12 3.15 3.15 3.31 5.40
Este proceso, que manualmente resulta4.82 3.59 2.50 2.50
2
ra excesivamente tedioso, puede realizarse di3
4.46 3.20 2.75
4
4.75 2.75
rectamente en el entorno MATLAB 5.0. sin ms
4.75
5
que definir el archivo ".fis" correspondiente a
6
nuestro sistema (ratiolayout.fis). Las sentencias
Tabla 3.6
de matlab, que nos definen la matriz de ratios
solucin se muestran a continuacin.
sis_decisin_ratios=readfis(ratiolayoue );
matriz_ratios=evalfis([0 100 0 0.0698 0.7519 0.1783; 0 7 0 0.0626 0.6725 0.2649; 0 8 0
0.0626 0.6725 0.2649; 0 5 0 0.0938 0.7396 0.1666; 0 75 0 0.0965 0.7986 0.1049; 5200 50 9
0.5954 0.2764 0.1283; 2600 40 2 0.6098 0.2247 0.1655; 300 15 1 0.3333 0.3333 0.3333; 100 25
0 0.3333 0.3333 0.3333; 4700 30 10 0.6348 0.2872 0.0780; 1200 17 3 0.4054 0.4806 0.1140;
500 8 3 0.3275 0.4126 0.2599; 3600 35 7 0.7758 0.1067 0.1175; 500 25 2 0.3333 0.3333
0.3333; 4800 40 10 0.4742 0.1494 0.37641, sis_decisin_ratios)

1 320

matriz_ratios = 5.1204 3.1468 3.1470 3.3064 5.3987 4.8240 3.5875 2.4990 2.4990
4.4565 3.2007 2.7457 4.7463 2.7475 4.7540
GENERACIN DEL LAYOUT MEDIANTE LA METODOLOGA DE CORELAP PARA AMBAS
MATRICES DE RATIOS (MTODO TRADICIONAL TABLA 3.2, Y MTODO FUZZY TABLA

3.6)

La generacin del layout deber prestar atencin a dos cuestiones; por un lado el orden en que se
emplazarn los departamentos, lo que conducir a la determinacin de la secuencia de emplazamiento.
Por otro, a su ubicacin relativa, es decir, su posicin en el espacio, su sitio fsico.
3.3.1. Generacin del Layout derivado del cuadro REL de ratios "crisp".
Partiendo del cuadro REL de ratios "crisp" (Tabla 3.2) y de los valores numricos "enteros"
asignados a esos ratios (Figura 3.2.), se deber calcular la suma absoluta de los valores de las relaciones
de cada uno de los departamentos con el resto. Este valor se denominar "ratio de proximidad total" (T R
en nomenclatura inglesa). Tal ratio aparece en la Tabla 3.7:
El primer departamento al que se le buscar
ubicacin
ser aquel que presente un TCR ms elevado.
DE pT
I
3
4
5
6
TCR
2
En
nuestro
caso, el primer departamento ser el n mero
1
17
A
UUUE
2.
En
un
proceso
iterativo el departamento k-simo a
A
2
EOUU
18
ubicar
ser
aquel
que
tenga una relacin de mayor rango
3
UE
1UO
16
t
con
los
ya
situados
(en
caso de empate, el desempate se
4
U01
1U
15
Ileva
a
cabo
atendiendo
a sus TCR respectivos y esco5
Ul
E
15
U
U
giendo el mayor. Este proceso continua hasta completar
6
EUOUE
17
la secuencia con los seis departamentos que sera la
Tabla 3.7
siguiente: 2-1-6-5-3-4
A continuacin se procede a su emplazamiento
dentro de un encasillado en el que no se ha tenido en cuenta la forma original de la planta real. El proceso
comienza ubicando el primer departamento de la secuencia anterior, es decir el departamento 2, en el
centro de la distribucin. El programa conserva las formas rectangulares de los departamentos. El siguiente departamento elegido, el departamento 1, deber situarse necesariamente de forma que presente
alguna frontera com n con el departamento anterior, lo que asegurar la satisfaccin del ratio A que une a
ambos departamentos. Para la colocacin del tercer departamento, el programa estudiar todas las posiciones posibles en que puede situar el nuevo departamento, buscando aquella que arroje un mejor TCR.
As por ejemplo, si el departamento 6 nicamente presentase frontera com n con el departamento 1, se
estara satisfaciendo la relacin E que mantiene con el departamento 1 pero se estara renunciando a la
relacin U que tambin mantiene con el departamento 2; por tanto, esa posicin no sera eficiente en tanto
en cuanto puede ser superada por otra en la que el departamento 6 presentara frontera com n con ambos
departamentos. Este proceso continua hasta que todos los departamentos tienen asignada una posicin en
la distribucin.
6

6
6
6

6
6
6
6
6

6
6
6
6
6

6 6 6
666
6 6 6
6 6 6
6 6 6
22
22

3 3 3 3
3 3 3 3
3 3 3 3
3

g5 5 5
- 5 5 5'

Relaciones
no cumpl idas
1-4
1-5
3-5
3-6
4-6

3.

Distancias
(n cuadrculas)
2
2
2
2
2

Ratio
2
2
2
3
2
Evaluacin:

Total
4
4
4
6
4
22

Tabla 3.8.

Figura 3.4

En el ejemplo se ha elaborado un encasillado cuyas cuadrculas equivalen a 50 m2 y la distribucin resultante se muestra en la Figura 3.4.La evaluacin (22) de esta distribucin se muestra en la Tabla
3.8.
Generacin del Layout derivado del cuadro REL de ratios "fuzzy".
Siguiendo similar procedimiento al descrito en el apartado anterior, se obtiene en primer lugar el
TCR de cada uno de los departamentos (Tabla 3.9).

1321

DEPT.
1
2
1
5.120
2
5.120
3
3.146 4.824
4
3.147 3.587
5
3.306 2.499
6
5.398 2.499

3
4
5
3.146 3.147 3.306
4.824 3.587 2.499
4.456 3.200
4.746
4.456
3.200 4.746
2.745 2.747 4.754

6
TCR
5.398 20.11
2.499 18.53
2.745 18.37
2.747 18.68
4.754 18.50
18.14

Tabla 3.9

A continuacin se procede a determinar la secuencia de emplazamiento, que resulta ser: 1-6-5-23-4

Por ltimo se efecta la ubicacin de los departamentos en un encasillado de idnticas caractersticas al descrito anteriormente (Figura 3.5) cuya evaluacin (41) se calcula seg n se describe en la Tabla 3.10.

3
3
3
3

6
6
6
6
6

3
3
3
3
2
2

6
6
6
6
6

6
6
6
6
6

6
6
6
6
6

6
6
6
6
6

3
3
3
3
2

3
3

3
3

Relaciones

no cumplidas
2-4
2-5
3-5
3-6
4-6

6
6
6
6
6

Distancias
(n euadrculas)
2
4
4
2
2

Ratio
3.59
2.5
3.2
2.5
2.5
Evaluacin

Total
7.18
10
12.8
5.5
5.5
41

Tabla 3.10

Figura 3.5

EVALUACION DEL LAYOUT

Para poder comparar ambos sistemas, hemos de evaluar los layouts obtenidos por ambos mtodos. Para ello proponemos crear un nuevo sistema de decisin fuzzy que nos otorgue una puntuacin
global para cada distribucin. El sistema de decisin tendr ahora dos variables de entrada; la primera
corresponder a los ratios obtenidos entre cada par departamental (que tendr la misma estructura que en
el sistema anterior) y la segunda ser la distancia existente entre cada dos departamentos (que ser etiquetada con los trminos "muy cerca", "cerca", "moderada", "lejos" y "muy lejos"). La variable de salida
ser la puntuacin obtenida, que en un rango entre 0 y 10 se etiquetar como "muy mala", "mala", "media", buena" y "excelente". Estas tres variables, as como las 25 reglas que componen la base conocimiento en este nuevo sistema de decisin, se muestran en las figura 3.6.a, 3.6.b y en la tabla 3.11. El procedimiento de clculo es el mismo que en el sistema de decisin anterior (si bien en este caso hemos considerado todas las reglas con igual peso "1"), obtenindose una puntuacin individual para cada par departamental en ambas soluciones (la tradicional y la fuzzy).
Un nuevo archivo ".fis" (evallayout.fis) de MATLAB 5.0 debe contener toda la informacin de
este nuevo sistema de decisin. Las sentencias Matlab que nos dan las puntuaciones globales (suma de la
de todos los pares), en ambas soluciones, se muestran a continuacin:
sis_decisin_evaluacin=readfis(evallayout')
eval_individual_tradicional=evalfis([6 0; 2 0; 2 2; 2 2; 5 0; 5 0; 3 0; 2 0; 2 0; 4 0; 2 2; 3 2; 4 0; 2
2; 5 01, sis_decisin_evaluacin)
eval_individual_tradicional = 10.4752 2.0008 5.0000 5.0000 8.0008 8.0008 5.0000
2.0008 2.0008 8.0008 5.0000 8.0008 8.0008 5.0000 8.0008
eval_global_tradicional=sum(eval_individual_tradicional)
eval_global_tradicional= 89.4825
eval_individual_fuzzy = evalfis([5.12 0;3.15 0;3.15 0; 3.31 0; 5.4 0; 4.82 0; 3.59 2; 2.5 4; 2.5 0;
4.46 0; 3.2 4; 2.75 2; 4.75 0; 2.75 2; 4.75 0], sis_decisin_evaluacin)
eval_individual_fuzzy =
8.3486
5.3657
5.3657 5.7122 9.0415
8.0008
9.4799
9.2733 3.8884 8.0005 9.9732 6.7424 8.0010 6.7424 8.0010
eval_globalfuzzy=sum(eval_individual_fuzzy)
eval_global_fuzzy = 111.9366

1322

La comparativa entre ambas evaluaciones globales nos hace optar por la segunda distribucin
(111.93 > 89.48). Adems usando la media como aproximacin a la calificacin global (en el rango 0, 10)
de ambos sistemas, obtenemos para la distribucin ganadora una puntuacin: 111.93/15 = 7.46 (que equivaldra a una calificacin borrosa prxima a "buena").
Una vez realizada la comparativa para diferentes n meros de departamentos se pudo observar
que el modelo fuzzy propuesto mejora al tradicional.

nr.

Figura 3.6.a

R/D
A
E
1
0

VC
E

G
G
F

C
BCF
G
F
E
G
E
G
G
E
F
G
B
P
Tabla 3.11

F
P

P
F

VF
B
B
P

Figura 3.6.b

CONCLUSIONES
En esta ponencia se ha propuesto un modelo Mamadani de decisin borroso para la distribucin
en planta como alternativa a los mtodos tradicionales. Esta nueva metodologa permite incluir cualesquiera factores que afecten al proceso decisorio, sin importar su n mero y naturaleza (cuantitativa o cualitativa). Adems se permite que el diseador establezca el lenguaje natural apropiado asociado a las variables relevantes en el proceso de decisin de modo cientfico. El algoritmo del layout es compatible con
el empleado seg n la metodologa de CORELAP y el mtodo de evaluacin es tambin independiente del
n mero y tamao de los departamentos a ubicar. Se pone de manifiesto la utilidad del Toolbox "Fuzzy" de
Matlab 5.0 para desarrollar el clculo de ratios de proximidad-importancia interdepartamental y el clculo
de las evaluaciones de las difrerentes opciones de layout propuestas. Los resultados confirman la idoneidad del mtodo propuesto en trrninos de mayor adecuacin a la situacin real de estos problemas de
distribucin en planta.

1323

BIBLIOGRAFA
FRANCIS, R.L. & WHITE, J.A. (1974), FACIL1TY LAYOUT AND LOCATION, ED. PRENTICE HALL, ENGLEWOOD CLIFFS.
IMMER, J.R. (1950), LAYOUT PLANNING TECHNIQUES, McGRAw - HiLL BOOK COMPANY, NEW YORK.
KAUFMANN, A. Y GIL ALUJA, J. (1986) "INTRoDucciN A LA TEORA DE SUBCONJUIVTOS BORROSOS A LA GESTIN DE L4S
EMPRESAS". ED. MILLADOIRO. SANTIAGO DE COMPOSTELA.
KAUFMANN, A. Y GIL ALUJA, J. (1987) "TCNICAS OPERATIVAS DE GESTIN PARA EL TRATAMIENTO DE LA INCERTIDUMBRE".
HISPANO-EUROPEA. BARCELONA
KAUFMANN, A. Y GIL ALUJA, J. (1990) "LAS MATEMTICAS DEL AZAR Y IA INCERTIDUMBRE". CEIJRA. MADRID.
MAMDANI, E.H.; GAINS, B.R. (1981). ''FUZZY REASONING AND ITS APPLICATIONS". NEW YORK: ACADEMIC PRESS.
MUTHER, R. (1961), SKSTEMATIC LAYOUT PLANNING, INDusTR1AL EDUCATION INSTITUTE, BOSTON.
NADLER, G. (1961), WORK DES1GN: A SYSTEMS CONCEPT, RICHARD D. IRWIN, INC. HOMEWOOD, IL.
RAOOT, A.D.; RAKSHIT, A. (1991). "A FUZZY APPROACH TO FACILITIES LAYOUT PLANNING". INTERNATIONAL JOURNAL OF
PRODUCTION RESEARCH. 29. 835 - 857.
REED, R. (1961), PLANT LAYOUT: FACTORS, PRINCIPLES AND TECHNIQUES, RICHARD D. IRwiN, INc., HOMEWOOD, IL.
SAATY, T.L. (1980), THE ANALITICAL H1ERARCHY PROCESS, McGRAw - HILL, NEW YORK
SIMON, H. A. (1975), "STYLE IN DESIGN", ED. SPATIAL SYNTHESIS IN COMPUTER AIDED BUILDING DESIGN, JOHN WILEY
SONS, INC. NEW YORK
ZADEH, L.A. (1965). FUZZY SETS. INFoRmATioN AND GONTROL. 8, 338 - 353
TOOLBOX "FUZZY" V 1.0. DE MATLAB 5.0

1324