Académique Documents
Professionnel Documents
Culture Documents
Diana Garca
Delimiro Visbal
Jos Fidel Torres Delgado
RESUMEN
En este artculo presentamos un modelo para buscar una mejor solucin al problema de configuracin de
plantas, lo cual involucra la seleccin del arreglo ms eficiente de los departamentos que constituyen un sistema
productivo satisfaciendo mltiples objetivos, utilizando la tcnica heurstica de optimizacin denominada
Algoritmos Genticos. Empleando el modelo propuesto a problemas disponibles en la literatura se obtienen
mejores soluciones. El modelo tambin es utilizado en un caso real, la distribucin de la planta de produccin de
una empresa colombiana que manufactura viviendas prefabricadas, hallndose una mejor configuracin de
planta que la existente en la actualidad, reducindose sustancialmente los costos de transporte.
1. INTRODUCCIN
El problema de distribuir ptimamente los diferentes departamentos involucrados en un proceso productivo, con
el propsito de lograr una mayor eficiencia en la utilizacin de los recursos para producir un producto o servicio,
satisfaciendo mltiples objetivos tales como la minimizacin de las cargas de transporte, la maximizacin del
grado de compactacin de las reas de las estaciones de trabajo y la minimizacin de la diferencia entre las reas
demandadas y las disponibles para cada estacin de trabajo o departamento es el objetivo de este trabajo. Este
trabajo presenta la formulacin y posterior optimizacin de una funcin multicriterios, mediante la creacin y
desarrollo de un Algoritmo Gentico para generar alternativas eficientes de configuracin de planta.
2 CONFIGURACIN DE PLANTA
La configuracin o disposicin del equipo (instalaciones, maquinas, etc.) y reas de trabajo es un problema
ineludible de todas las plantas industriales. El termino configuracin implica la ordenacin fsica de los elementos
industriales e incluye tanto los espacios necesarios para el movimiento del material, almacenamiento, trabajadores
indirectos y todas las otras actividades o servicios, como el equipo de trabajo y el personal de la planta[13].
Actualmente se vienen realizando muchos estudios para determinar algoritmos que buscan solucionar
eficientemente el problema de configuracin de planta, tales como los de Inteligencia Artificial, entre los cuales se
destaca la tcnica de Algoritmos Genticos.
Independientemente de la representacin utilizada, el objetivo es minimizar la distancia recorrida por el personal o
por el material, encontrando la mejor configuracin de las mquinas o estaciones de trabajo [1]. Segn Immer
(1993)[9], el 40% de los costos de produccin son atribuidos al manejo y transporte de materiales.
Como primera restriccin, los departamentos no deben traslaparse entre si. Adicionalmente, las reas de cada
departamento y el rea total disponible deben estar debidamente predefinidas de acuerdo a lmites establecidos. La
solucin resultante debe producir formas razonables para cada departamento y para todo el conjunto de la
configuracin.
La siguiente formulacin es el resultado de un estudio [9] de un mtodo avanzado para resolver problemas de
configuracin. El problema es percibido como una optimizacin con una estructura multicriterios. Los criterios de
optimizacin que conforman el modelo son los siguientes:
A continuacin mostramos los datos y variables de cada uno de los anteriores criterios de optimizacin.
La carga total de transporte es calculada usando la informacin de flujo y unidades de carga junto con distancias
rectilneas entre los centroides de las estaciones de trabajo. En una planta de manufactura, las partes son
transportadas de un lado a otro para su procesamiento, generndose costos de transporte. De aqu surgen los
conceptos de unidad de carga y de centroide, simplificando los clculos de los costos totales de transporte de
cualquier alternativa de layout. Una unidad de carga puede ser una carga fsica o un equivalente conceptual
determinado sobre supuestos y conversiones. El nmero de unidades de carga que se mueven desde una estacin
de trabajo a otra, en un periodo de tiempo es el flujo entre ellas. El clculo de las distancias entre departamentos
esta basado en los centroides, es decir el centro del rea. Shafer and Rogers (1993) proponen la siguiente formula
para calcular la distancia entre dos departamentos i y j:
d ij ( p) = (k =1X ik X jkp )1 / p
N
Donde:
Para el caso de configuracin de planta N = 2 y p = 1, de tal forma que la expresin queda convertida en:
El producto de las distancias con los flujos y los costos unitarios es igual al costo total de transporte en un periodo
determinado. Los costos unitarios son los costos de mover una unidad de carga desde un departamento a otro por
unidad de longitud. De esta manera para el problema de minimizar la carga de transporte los datos de entradas son
las siguientes matrices:
Matriz de Flujo
Matriz de Distancias
Matriz de Costos Unitarios
Cada una de estas matrices est conformada por datos entre departamentos, los cuales son representados por letras
como se muestra a continuacin.
A B C D E F G H I J K
A
B
C
D
E
F
G
H
I
J
K
Figura 1. Matriz de Datos de Entradas
Para minimizar la carga de transporte se ha creado un factor de carga que es la razn entre la carga ideal a
transportar desde un departamento i a un departamento j y la carga realmente transportada del departamento i al j.
Al maximizar este factor, que siempre estar entre 0 y 1, se minimiza la carga de transporte.
t= V
=
i=1 j=1cij f ij dij i=1 j=1cij f ij dij
n n n n
donde:
El segundo criterio de optimizacin se refiere a encontrar formas razonables de los departamentos dentro del
diseo de planta. El momento de rea es un buen concepto mecnico como indicador de las formas de los
departamentos, este se reduce a medida que el rea se compacta.
En este punto definimos un factor de forma dividiendo los momentos entre las reas. De esta forma la razn entre
el permetro y el rea debe ser mnima para obtener formas adecuadas, por lo tanto se debe minimizar el siguiente
factor de forma.
u pk 2
s = b e k =1 n
n
rk
= b pSek n
i=1 j=1k =1 aijk i=1 j=1k =1 aijk
donde:
Para nuestro tercer criterio, la planeacin sistemtica de la planta propuesta por Muther (1976) busca encontrar
un balance entre las reas requeridas y las reas disponibles. Esto significa que las reas de las estaciones de
trabajo no son fijas, por esta razn aparece el factor de desviacin. Con esto se busca minimizar la desviacin
total de las reas ms deseadas manteniendo las restricciones de fronteras superiores e inferiores.
Donde:
h Factor de desviacin.
Ak rea ms deseada para la estacin de trabajo.
k ndice de estaciones de trabajo i= 1,2,3 ....I
i ndice de filas en el plano de diseo de la planta
j ndice de columnas en el plano de diseo de la planta
b nmero de filas en el plano de diseo de planta
e nmero de columnas en el plano de diseo de planta
n nmero de estaciones de trabajo
aijk indicador que es igual a 1 si la celda en la fila i y la columna j en el plano de diseo esta en la estacin
de trabajo k.
Unificando estos tres criterios se tiene el siguiente modelo final con funcin objetivo y restricciones:
Max s*t h
s.t.
n
a
k =1
ijk 1 i y j. (1)
b e __
Ak aijk Ak k. (2)
___ i =1 j =1
b e n
a
i =1 j =1 k =1
ijk e b (3)
(1) La primera restriccin prohbe que una mquina sea compartida por ms de una estacin de trabajo.
(2) La segunda restriccin mantiene el nmero de mquinas de cada estacin de trabajo dentro de los lmites
__
predeterminados. Ak y Ak son los lmites inferiores y superiores para al nmero de mquinas dentro de una
estacin de trabajo.
(3) La tercera restriccin evala el nmero total de mquinas para todas las estaciones de trabajo, de tal
forma que no excedan el rea total disponible como parte del requerimiento.
Con el objeto de aplicar el algoritmo gentico a la formulacin del problema para distribucin de planta con la
funcin objetivo en el modelo anteriormente descrito, es necesario tener una estructura de codificacin adecuada
para los individuos de la poblacin y operadores propios de tal manera que sean capaces de producir y mantener
soluciones factibles.
De acuerdo a Islier [8], una posible estructura para definir el cromosoma es la siguiente:
G1 (Secuencia): Muestra la secuencia de los departamentos cada una representada por una letra.
G2 (reas de los Departamentos): Muestra el rea de cada departamento correspondiente a la secuencia de G1.
Las reas de los departamentos pueden variar entre sus lmites inferiores y superiores.
G3 (Anchos): Representa el ancho de cada una de las bandas de la grilla completa. Para poder obtener la
solucin de este segmento y representar la distribucin de planta resultante se utiliza el procedimiento X-Y
Oscilatorio que divide en primer lugar todo el espacio en bandas y luego aplica una oscilacin en una sola
dimensin para cada una al ubicar las reas de las estaciones de trabajo. A continuacin se muestra un diagrama
para la ubicacin:
Banda Banda
Ancho 1 Ancho 2
Figura 3. Procedimiento X-Y oscilatorio para situar los departamentos
Los anchos son generados aleatoriamente, y la suma debe ser igual al ancho del rea disponible de la planta
De acuerdo a la explicacin anterior de cada uno de los segmentos podemos obtener la siguiente distribucin de
planta segn el cromosoma anteriormente mostrado:
E E E E E E E E E E H H H H HH HK K
E E E E E E E E E E H H H H KK KK K
E E E E E E E D D D H H H H KK KK K
E E E E E D D D D D H H H H KK KK K
C C C C C D D D D D H H G G KK J J J
C C C C C DDDD D G G G G J J J J J
C C C C C DDDD D G G G G J J J J J
C C C C C DDDD D G G G G J J J J J
B B B B B DDDD D G G G G J J J J J
B B B B B L L DD D G G G G I I J J J
B B A A AL L L L L G G G G I I I I I
A A A A AL L L L L G G G G I I I I I
A A A A AL L L F F G G G G I I I I I
A A A A AF F F F F F F F G I I I I @
Figura 4. Distribucin de Planta departamentos A k.
Cada celda es de 1 por 1 y se adecua segn las dimensiones del rea disponible en metros, centmetros, pies, etc.
Para mantener la factibilidad de las soluciones es necesario cumplir con las restricciones del problema durante
todo el algoritmo gentico. Para lograr esto se emplearon tcnicas de reparacin para manejar las restricciones
haciendo una evaluacin de la estructura de cada segmento del cromosoma en cada generacin para toda la
poblacin y realizando los cambios necesarios con el fin de mantener la factibilidad de cada uno de los individuos.
A continuacin se presentan la descripcin de la metodologa empleada para el desarrollo del algoritmo gentico
para distribucin de planta acorde con el modelo formulado y la estructura gentica presentada utilizando
tcnicas de reparacin para mantener la factibilidad de las soluciones:
Poblacin Inicial: Se genera una poblacin inicial aleatoria de 100 individuos cada uno con los tres segmentos
citados anteriormente conservando su factibilidad
Evaluacin: Cada uno de los individuos de la poblacin se evala para obtener el valor de la funcin objetivo.
Para lograr esto se emplean los dos primeros segmentos y las matrices de entrada de flujo y de costos.
Seleccin: Para obtener cada nueva generacin se establece un porcentaje de los mejores valores de la funcin
objetivo (% de mejores padres) con lo cuales se genera otro porcentaje de la poblacin (% generado por mejores
padres). Este proceso se conoce como elitismo, es decir que se escogen los mejores padres para generar mejores
hijos, evitando que se destruyan buenas soluciones al emplear los operadores genticos. As mismo, la mejor
solucin de cada generacin es copiada a la siguiente generacin despus del ltimo individuo generado por el
porcentaje seleccionado de mejores padres para que sta no se pierda. El resto de la poblacin de la nueva
generacin es completada con cruces de todos los individuos de la generacin anterior.
Cruce: Con la tcnica de seleccin descrita se generan los hijos por medio de cruces entre dos pares de
individuos. Para los segmentos 1 y 2 se seleccionan 1 punto de cruce al azar, los dos nuevos hijos sern los
cromosomas intercambiados a partir del punto de cruce. Para el segmento 3 se selecciona otro punto de cruce al
azar y se intercambian.
Ejemplo:
A B C D E F G H I J K L
1
rea mnima 18 12 20 36 33 0 35 20 21 25 20 15
1
rea mxima 23 16 25 49 44 2 46 25 30 30 25 16
rea ms 1
deseada 21 14 23 43 39 1 41 23 26 28 23 16
Figura 5. Lmite de reas para el ejemplo de cruces
Cromosoma 1:
Cromosoma 2: 11 33 113 2 4 1 2
Figura 7. Hijos resultantes para el ejemplo Cruce ABCEDLF GKGF A82 21 20 23 62 51 20 52 22 02 12 12 5 5 2 8
I L DEJ BHC HKJ I 3 5 42 3 5 3 3 2 0 0 6 1 7 4 47
Al observar los hijos resultantes se puede notar que hay
departamentos repetidos y la suma de los anchos es diferente al ancho requerido de la planta. Para garantizar la
factibilidad es necesario repararlos tal como se muestra en el siguiente paso.
Reparacin del Cruce: Para garantizar la factibilidad de cada individuo se crearon las siguientes tcnicas de
reparacin de cruce para cada segmento:
Primer Segmento:
1. Se buscan los departamentos repetidos y el primer repetido se reemplaza por el primer ausente. Para esto
se utilizan dos vectores que se llenan con ceros y unos, comparando el cromosoma a evaluar y el cromosoma
original con todos los departamentos. El uno representa una repeticin que se reemplaza por el primer cero
del otro vector a partir del corte.
A B C D E F G H I J K L
1 1 1 1 1 1 1 0 0 0 1 1
1 0 0 0 0 0 1 1 0 1 1 1
A B C E D L F G K G F A
H I J
Figura 8. Vector de 0 y 1 para Reparacin de Cruce
Los primeros segmentos de los hijos resultantes reparados son los siguientes:
A B C E D L F G K H I J
I L D E J B H C A K F G
Figura 9. Primer segmento de Hijos Reparados para ejemplo de Cruce
Segundo Segmento:
1. Se evala que el rea de los departamentos que fueron reparados, est dentro de los lmites superiores e
inferiores; en caso de que no cumplan, se les asigna el rea mas deseada.
H I J 23 26 27
Figura 10. Asignacin de rea ms deseada para ejemplo de
Reparacin de Cruce.
Los individuos anteriores cumplen con la restriccin de suma de reas menor igual que el rea disponible (294)
por lo tanto no se aplica este paso ni el siguiente.
3. En caso de que una vez hecha esta reparacin el rea sea mayor que la disponible, se ordenan las reas a
partir del punto de corte y para atrs de mayor a menor, se le resta uno a cada departamento hasta que sea
igual al rea disponible.
Tercer Segmento:
1. Se evala que la suma de todos los anchos sea menor o igual al ancho de la planta, en caso de que no se
cumpla, se le suma uno a cada ancho o se le resta uno dependiendo si la diferencia es menor o mayor
respectivamente.
Ejemplo:
5 5 2 8 6 5 2 8
Figura 12. Tercer segmento para ejemplo de Reparacin de Cruce
En este caso se le suma uno al primer gen del cromosoma quedando con un valor de 6 para completar los 21 m2
de ancho de la planta.
Ejemplo:
El primer cromosoma no muta y el segundo si. Las posiciones al azar para el segundo segmento son 4 y 10. El
valor de departamento de menor rea es 11, menos uno es 10, es decir que a la posicin 4 se le suma 10 y a la 10
se le resta 10.
Ejemplo:
En el segundo segmento al realizar la mutacin, la posicin 10 no cumple con los requerimientos de rea por lo
que es necesario restar solo 3 y la diferencia que es de 7 unidades de rea restarla de una en una desde el
departamento de mayor rea al de menor. Se puede observar que el rea antes y despus de la mutacin y la
reparacin respectiva es la misma. Los cromosomas hijos resultantes, es decir nuevas soluciones factibles, de
todo el proceso son:
Con el objeto de comprobar el funcionamiento del programa nuevo desarrollado y medir su desempeo, se hace
necesario comparar los resultados con otros ya existentes en la literatura.
Dado que este tipo de modelo es multicriterios, pues en la funcin objetivo intervienen tres criterios, factor de
carga, de forma y de desviacin, no existen en la literatura otros modelos iguales para comparar los resultados y
evaluar su desempeo. Sin embargo, ya que es indispensable elaborar un benchmarking con lo existente en la
literatura, el modelo y todo el algoritmo desarrollado es aplicable si solo se tiene en cuenta una parte del factor de
carga como funcin objetivo. De esta manera la funcin objetivo que resulta a partir del factor de carga a evaluar
en los siguientes experimentos es:
f ij d ij
n n
t = n i =1 n j =1
i =1 j =1 cij f ij d ij
Max s *t h
Funcin Objetivo Modificada para hacer el Benchmarking:
n 1 n
Min cij . f ij .d ij
i =1 j = 2
Esta funcin modificada esta sujeta a las restricciones 1 y 3 del problema original, en este caso se esta
minimizando, pues esta parte es el equivalente a la carga de transporte y entre menor sea la carga de la
distribucin de planta obtenida, mejor ser el desempeo de la misma. La estructura gentica de representacin
y operadores funcionan de la misma manera.
Los siguientes experimentos son realizados para tres tipos de problemas: simples, medianos y complejos. Se
realizaron 50 generaciones para los simples y 100 para los medianos y complejos. Se quiere demostrar el
funcionamiento del programa evalundolo con medidas de desempeo y comparando los resultados con los
existentes en la literatura.
Valor de la carga: Es el valor de la funcin objetivo cuando ha convergido a un valor en una generacin
determinada.
Tiempo de ejecucin: Es el tiempo que tarda el programa en hacer el nmero de generaciones propuesto. Para
algunos problemas simples la varianza de generaciones menores a 50, es cero, por lo que el programa se detiene,
y el tiempo de ejecucin es medido hasta ese momento.
% de Mejora: Indica el % de mejora de la solucin final respecto a la inicial. Entre mayor sea el % de mejora,
significa que el programa hizo evolucionar el valor de la funcin objetivo mas veces, es decir pas a nuevos
valores mejores.
Para cada tipo de problema se realizaron 27 pruebas con los siguientes parmetros de variacin:
La mejor solucin tiene un valor de la carga de 74, se utilizan 50 generaciones siendo obtenida en la generacin
inicial, por lo cual no existe mejora con respecto a la solucin inicial, con un elitismo del 20%, generando el 70 %
de la poblacin con estos mejores padres y utilizando una probabilidad de mutacin de 0.01, en un tiempo de
117.
A continuacin se presenta una tabla de comparacin del mejor valor de la carga en la literatura [8] para el
problema presentado, con el objeto de demostrar la eficiencia del algoritmo gentico.
En este estudio para el problema en cuestin se realiz un cambio de escala en las reas originales, con el fin de
disminuir la complejidad computacional, para lo cual se utilizo un factor de reduccin de 0,01. De esta forma se
reduce el tiempo de procesamiento y la solucin no vara, as la matriz de entrada de flujo presentan esta
modificacin.
La mejor solucin obtenida corresponde a un valor de carga de 30252 obtenido en la generacin 80 con un
elitismo del 50% y generando el 70 % de la poblacin con los mejores padres. Se utilizan 100 generaciones y una
probabilidad de mutacin de 0.01
A continuacin se presenta una tabla de comparacin del mejor valor de la carga en la literatura[9].
La tabla siguiente presenta una comparacin del mejor valor de la carga en la literatura [8] para el problema
presentado.
La empresa escogida para realizar una aplicacin real del presente trabajo es Chimeneas de Colombia y ms
especficamente su divisin de vivienda industrializada Casas de Colombia que produce casas completas con un
diseo arquitectnico de vivienda campestre.
6.1 DATOS
Con la ayuda del departamento de produccin se logr obtener unos datos aproximados de los costos y flujos del
proceso, que permite evaluar la optimalidad de la actual configuracin.
reas: Para obtener el rango de reas se utilizo el mismo proceso empleado por Islier [9], basado en los
permetros de cada departamento. Los lmites inferiores y superiores se fijaron de acuerdo al espacio subutilizado
y sobreutilizado de la planta, de tal manera que la suma de las reas mxima es igual al rea disponible.
Flujos: Para obtener los flujos se tuvo en cuenta el diagrama de proceso y el tiempo empleado en hacer la
operacin respectiva de cada departamento y de transportar la carga a la siguiente estacin. Los valores estn
dados en Kilogramo por hora.
Costos: El clculo de los costos de transporte se baso en el nmero de trabajadores necesarios para transportar el
flujo respectivo, el salario de cada trabajador y el tiempo que tardan en recorrer un metro. El costo esta dado en $
por Kilogramo por metro
Una evaluacin de este cromosoma en las dos funciones objetivo trabajadas obtenemos los siguientes valores:
Valor de la Carga: 96172 Kg.
Valor de la funcin objetivo multicriterios: 1270,56 (1/$)
6.3 EXPERIMENTOS.
Se realizaron dos tipos de experimentos, el primero utilizando solo la funcin objetivo carga y el segundo
aplicando la funcin objetivo completa multicriterios.
Para ambos casos se utiliz una probabilidad de mutacin de 0.01, 20% y 50% para el porcentaje de mejores
padres y 30%, 50% y 70% para el porcentaje de la poblacin generada por mejores padres. Estos parmetros se
escogieron de acuerdo a los resultados obtenidos en los experimentos anteriores.
Cuando trabajamos con la funcin objetivo modificada (solo carga) obtuvimos el siguiente mejor resultado:
Probabilidad de Mutacin 0,01
Valor Carga 37462
Generacin en que converge 62
Tiempo de Ejecucin 1032
% Mejora Solucin Inicial 49,43
Tabla 4. Resultados aplicacin real funcin objetivo modificada.
Esta solucin fue obtenida con un elitismo del 50% y generando el 50% de la poblacin con los mejores padres.
Se utilizan 100 generaciones.
Al trabajar con la funcin objetivo multicriterios la mejor solucin encontrada en los experimentos es:
Como puede verse en las graficas, es clara la minimizacin de los factores s y h, pero no lo es para la
maximizacin del factor t.
Una tabla que muestra la evaluacin de los resultados obtenidos en relacin con la configuracin actual se
presenta en el apndice 7.
De acuerdo a esta tabla se nota que tanto el algoritmo gentico de funcin objetivo carga como la de
multicriterios presenta una configuracin de planta mucho mejor que la correspondiente a la configuracin de
planta actual.
La mejor configuracin de planta para vivienda industrializada generada por el algoritmo gentico con funcin
objetivo multicriterios se muestra en el apndice 8.
Al comparar esta ltima configuracin de planta con la configuracin de planta actual es fcil observar las
ventajas de la configuracin generada por el algoritmo gentico.
7 CONCLUSIONES.
En el presente trabajo nos podemos dar cuenta del poder y la robustez que presentan los algoritmos genticos
para solucionar problemas complejos como lo es el de configuracin de planta y su aplicacin a un problema real
en una empresa colombiana, utilizando una funcin objetivo Multicriterios, la cual busca minimizar la carga de
transporte, maximizar el grado de compactacin de las reas y minimizar la diferencia entre las reas demandadas
y las disponibles para cada departamento.
8 REFERENCIAS
[1] ARMOUR G. y BUFFA E. A heuristic algorithm and simulation approach to relative locations facilities
Management Science, Vol. 9, 1963, 294-309
[2] ASKIN & STANDRIGE Modelying and Analysis of Manufacturying Systems, 1994.
[3] BANERJEE P., MONTREUIL B., MOODIE C.L. y KASHYAP R.L. A modelling of interactive facilities
layout designer reasoning using qualitative patterns, International Journal of Production Research, Vol. 30,
No.3. ,1992, 433-453.
[4] BANERJEE P. y ZHOU Y. Facilities layout design optimization with single loop material flow path
configuration International Journal of Production Research, Vol. 33, No.1. ,1995, 183-203
[5] DUNCAN T. Experiments in the use of neighbourhood sarch techniques for vehicle routing Artificial
Intelligence Applications Institute, University of Edinburgh, Edinburgh EH1 1HN, AIAA-TR-176 June 1995.
[6] GOLDBERG D. E., Genetic Algorithms in search, optimization and machine learning Addison Weslye
Publishing Company, 1989.
[7] GOLANY B. y ROSENBLATT M. J. A heuristic algorithm for the quadratic assignment formulation to
plant layout problem, International Journal of Production Research, Vol. 27, No.2. ,1989, 293-308
[8] ISLIER A.A A genetic algorithm approach for multiple criteria facility layout design, International
Journal of Production Research, Vol. 36, No.6, 1998, 1549-1569.
[9] MUTHER Richard Distribucin de Planta Editorial Hispano Europea Cuarta Edicin 1981.
[10] PICONE C. J. y WILHELM W. E. A perturbation scheme to improve Hilliers solution to the facilities
layout problem Management Science, Vol. 30, No.10, Octubre 1984, 1238-1249.
[11] ROSEMBLATT M. J. The dynamics of plant layout Management Science, Vol. 32, No.1, Enero 1986,
76-86.
[12] TAM K. Y. y LI S. H. A hierarchical approach to the facility layout problem International Journal of
Production Research, Vol. 29, No.1. ,1991, 165-184.