Configuracin de planta por medio de algoritmos genticos

Diana Garca
Delimiro Visbal
Jos Fidel Torres Delgado

Universidad de Los Andes, Departamento de Ingeniera Industrial,

Bogot, COLOMBIA
Email: d-garcia@uniandes.edu.co
Email: d-visbal@uniandes.edu.co
Email: ftorres@uniandes.edu.co

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.

PALABRAS CLAVE: Configuracin de planta, Algoritmos Genticos.

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.

3. FORMULACIN DEL MODELO DE CONFIGURACIN DE PLANTA.

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:

1) Minimizar la carga de transporte.

2) Maximizar el grado de compactacin de las reas de las estaciones de trabajo.
3) Minimizar la diferencia entre las reas demandadas y las disponibles para cada estacin de trabajo o
departamento.

A continuacin mostramos los datos y variables de cada uno de los anteriores criterios de optimizacin.

1) Minimizar la carga de transporte.

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:

i,j ndices de estaciones de trabajo o departamentos

i = 1,2,3, ..... n j = 1,2,3, ........ n
k dimensin1 donde k = 1,2, en este caso son dos dimensiones X y Y, plano rectilneo.
p determinante de la mtrica usada
(p = 1 rectilneo p = 2 euclidiano)
dij distancia rectilnea entre el departamento i y el j
xik coordenada del centroide del departamento i en la dimensin k
xjk coordenada del centroide del departamento j en la dimensin k
N nmero de dimensiones

Para el caso de configuracin de planta N = 2 y p = 1, de tal forma que la expresin queda convertida en:

dij = xi1 xj1 + xi2 xj2

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.

El factor de carga es:

i=1 j=1 f ij dij
n n

t= V
=
i=1 j=1cij f ij dij i=1 j=1cij f ij dij
n n n n

donde:

V Carga ideal (no hay costos de transporte)

i,j ndices para los departamentos
dij distancia rectilnea entre el departamento i y j
cij costo de transportar una unidad de carga por unidad de longitud entre el departamento i y el j.
fij nmero de unidades de carga que sern transportadas entre el departamento i y el j
n nmero de estaciones de trabajo departamentos

2) Maximizar el grado de compactacin de las reas de los departamentos.

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:

k ndice de estaciones de trabajo i= 1,2,3 ....I

p ndice de celdas p = 1,2,3 ...P
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
rk momento del rea de la estacin de trabajo
upk distancia rectilnea del centroide de la estacin de trabajo k al centroide de la celda p que esta dentro de
la estacin de trabajo k.
rk momento de rea de la estacin de trabajo k
Sk conjunto de celdas de la estacin de trabajo k
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.

3. Minimizar la diferencia entre las reas demandadas

y las disponibles para cada estacin de trabajo.

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.

Para minimizar esta desviacin se presenta el siguiente factor:

n n e
| Ak aijk |
h= k =1 i =1 j =1
b e n
aijk
i =1 j =1k =1

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.

4. DESARROLLO DEL ALGORITMO GENETICO PARA DISTRIBUCIN DE PLANTA

4.1 ESTRUCTURA GENETICA PARA EL MODELO DE DISTRIBUCIN DE PLANTA

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:

ABCE DL F GHKJ I 18 12 20 32 36 1510 35 2020 26 21 5 5 4 5

Secuencia reas de los Dptos Anchos
G1 G2 G3
Figura 2. Estructura del Cromosoma

La estructura anterior est dividida en tres partes:

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.

4.2 METODOLOGIA UTILIZADA EN EL ALGORITMO GENTICO PARA DISTRIBUCION DE

PLANTA

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

rea Disponible: 294 m2 Ancho: 21 m

Padres
Cromosoma 1 :
Cromosoma 2:
Figura 6. Padres para el ejemplo de cruce. 1 1 2 1 2 2 2 2
ABCEDLF GHKJ I 28 12 0 32 36 15 20 35 0 0 61 1 5 5 4 7
Punto de cruce segmentos 1 y 2: 8 I LDEJ BHCKGF A3 5 42 33 25 13 3 22 22 40 1 21 7 4 2 8
Punto de cruce segmento 3: 2
Despus del cruce, Hijos

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 resultantes de este paso son:

1 2 3 1
A BCE DL F GKHI J 8 12 0 2 36 5 1035 22 23 26 27 Figura 11. Primer y segundo segmento de Hijos
Reparados para ejemplo de Reparacin de Cruce
2 4 3 1
I L DE J BHCAKF G3 15 2 3 25 3 2322 21 23 11 41
2. Se evala que la suma de todas las reas sea menor
o igual al rea disponible. En caso de que no cumpla, a partir del corte en adelante se le resta uno a cada
departamento hasta que cumpla con la restriccin de ser igual al rea disponible.

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.

Los dos hijos reparados del cruce quedan as

Figura 13. Cromosoma completo de hijos
A B CE DLF GKH I J 18 12 20 32 36 15 10 3522 2326 27 6 5 2 8
Reparados para ejemplo de Reparacin de Cruce.
I L DE J BHCAK F G22 15 41 43 24 13 22 2120 2011 40 6 4 4 7
Mutacin: Con una probabilidad de mutacin establecida, los individuos mutan al azar para generar un nuevo
individuo en el segmento de las reas. Se escogen dos posiciones al azar para el segundo segmento y la menor
rea menos una unidad de las posibles en el cromosoma en referencia. A una posicin se le suma este valor de
rea y a la otra se le resta, logrando que el rea total no vare.

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.

1 2 3 3 1 1 3 2 2 Figura 14. Hijos para Ejemplo de Mutacin

A BCE DL F GKHI J 8 12 0 2 6 5 0 5 22 3 26 7 6 5 2 8
2 4 4 2 1 2 2 1 4 Reparacin de la Mutacin: Para garantizar la
I L DE J BHCAKF G3 15 2 3 5 3 3 2 21 3 11 1 6 4 4 7 factibilidad de cada individuo se crearon las
siguientes tcnicas de reparacin de mutacin para el
segundo segmento:
1. Si no es posible sumar a la posicin escogida, el valor del rea menor menos uno, la diferencia entre el
rea mxima de ese departamento y el valor del rea menos uno, se la suma de uno en uno a cada
departamento a partir del de menor rea al de mayor rea hasta que se termine la diferencia. Este proceso se
realiza de la misma forma para la posicin que se resta, evaluando en ambos procesos que cumpla con la
restriccin de los limites de rea inferior y superior de para cada departamento.

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:

Figura 15. Hijos resultantes para el ejemplo de

A B C E DL F GKHI J 18 12 20 32 36 1510 3522 23 26 27 6 5 2 8
Mutacin.
I L DE J B HC AKF G23 15 42 33 25 1323 2221 23 11 41 6 4 4 7
2. En las posiciones aleatorias de mutacin no aplica la reparacin anterior, es decir los valores de las reas no
cambian una vez mutados.
3. No se evala la restriccin de que sea menor o igual que el are disponible porque el individuo ya es factible.
5. EXPERIMENTOS

5.1 METODOLOGIA DE LOS EXPERIMENTOS

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:

Factor de Carga Actual:

f ij d ij
n n

t = n i =1 n j =1
i =1 j =1 cij f ij d ij

Funcin Objetivo del modelo:

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.

Se utilizaron las siguientes medidas de desempeo:

Valor de la carga: Es el valor de la funcin objetivo cuando ha convergido a un valor en una generacin
determinada.

Nmero de Generacin en que converge: Es la generacin en la que el valor de la carga converge.

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:

% de Mejores padres: 20, 50, 80

%Generado por mejores padres: 30, 50, 70
Probabilidad de Mutacin: 0,005 0,01 0,07

5.2 ALGORITMO GENTICO PARA UNA DISTRIBUCION DE PLANTA DE 6 DEPARTAMENTOS.

El siguiente enunciado de Golany y Rosemblatt[8]para 6 departamentos de Nugent, Vollman y Ruml(1968),

muestra un problema simple.
Todos los departamentos tienen el mismo tamao y los costos de transporte son proporcionales a la distancia.

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.

Nugent Heurstica Promedio Algoritmo Solucin

(1968) Golany CRAFT Gentico Optima
(1989)
Carga 78 79 74 73
Tabla 1. Benchmarking experimento de 6 departamentos

5.3 ALGORITMO GENETICO PARA UNA DISTRIBUCION DE PLANTA DE 12 DEPARTAMENTOS.

El enunciado de Banerjee P. y Montereuil B. (1992) de 12 departamentos muestra un problema mediano:

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].

Tabla 2. Benchmarking para experimento 12 Banerjee Heurstico Algoritmo Gentico Algoritmo

departamentos (1992) de Islier (1998) en Gentico Actual
Banerjee generacin 3201 en generacin
5.4 ALGORITMO GENETICO PARA UNA (1992) en 7 min 23seg 80 en 8 min 40 seg.
DISTRIBUCION DE PLANTA DE 32
DEPARTAMENTOS Carga 43700 37780 30252

El enunciado de Banerjee P. y Montereuil B. (1992) de 32 departamentos muestra un problema complejo.

La mejor distribucin corresponde a un valor de carga de 161170 obtenido con un elitismo del 50% y generando
el 30 % de la poblacin con estos mejores padres. El valor de la carga se obtuvo en la generacin nmero 98 para
una probabilidad de mutacin de 0,01 y tuvo 44,22% de mejora respecto al mejor individuo de la poblacin
inicial.

La tabla siguiente presenta una comparacin del mejor valor de la carga en la literatura [8] para el problema
presentado.

Banerjee Heurstica Algoritmo Algoritmo Tabla 3. Benchmarking para experimento 32

(1992) de Gentico Gentico departamentos
Banerjee Islier (1998) en Actual
(1992) generacin en generacin 5.5 EVALUACION DE RESULTADOS
2866 en 1140 83 en 2808
Carga -- 114810 161170 De acuerdo a los experimentos anteriores
podemos llegar a las siguientes conclusiones:
 La seleccin de la probabilidad de mutacin no debe ser ni muy grande, ni muy pequea. Si sta es muy
grande, la variedad de los individuos aumenta considerablemente y puede alejar soluciones mejores; por otro
lado, si sta es muy pequea puede dejar de generar mejores soluciones. De acuerdo a los experimentos
realizados una probabilidad adecuada puede ser de 0,01 para obtener buenos resultados.
El elitismo o % de mejores padres para crear la siguiente generacin obtienen mejores soluciones para
valores menores de 50%. Al ser menor el numero de padres mejores los individuos resultantes van a tener
mejores valores de solucin.
En el % de la poblacin generada con mejores padres, no se observa una constante clara, pues las
mejores soluciones para los tres tipos de problemas variaron en los tres porcentaje seleccionados 30%, 50% y
70%

6 APLICACIN DE ALGORITMOS GENETICOS A UNA PEQUEA PLANTA DE VIVIENDA

INDUSTRIALIZADA

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

Las matrices de estos datos se muestra en el apndice 1.

6.2 DISEO DE PLANTA ACTUAL

La configuracin de planta actual corresponde a la localizacin y tamao de los departamentos existentes. El

diagrama representativo fue obtenido adaptando los datos a la estructura de cromosoma gentico utilizado en este
trabajo. De esta manera los departamentos asociados a una letra representativa y sus respectivas reas se
muestran en el apndice 2.
El diagrama de la configuracin de planta actual con sus respectivos flujos es mostrado en el apndice 3.
El cromosoma y la configuracin resultante de la planta actual se pueden apreciar en el apndice 4.

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:

Probabilidad de Mutacin 0,01

Valor Funcin Multicriterios 42202
Valor de Carga Asociada a la F. O. M. 58096
Generacin en que converge 76
Tiempo de Ejecucin 1203
% Mejora Solucin Inicial 3341,77
Tabla 5. Resultados aplicacin real funcin objetivo multicriterios.
Esta solucin corresponde a un elitismo del 20% y generando el 30% de la poblacin con los mejores padres. Se
utilizan 100 generaciones.

El cromosoma y la configuracin de planta correspondiente a esta solucin se pueden apreciar en el apndice 5

Es muy importante hacer mencin al % de mejora con respecto a la poblacin inicial, pues al evaluar la funcin
objetivo modificada es decir con solo el criterio de minimizar la carga nunca se produjo un % de mejora tan alto
como los producidos al implementar la funcin objetivo multicriterios. Lo cual nos permite aseverar que el
modelo multicriterios es ms eficiente, pues hace ms evoluciones en el transcurso de las generaciones, creando
mejores soluciones factibles.

En el apndice 6 se muestran las graficas de evolucin de cada una de las variables.

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.

Dentro de las principales conclusiones podemos mencionar las siguientes.

 Mediante la experimentacin con problemas de la literatura podemos afirmar que el algoritmo es
eficiente, ya que se obtuvieron mejores resultados en 2 de los 3 problemas estudiados.
Respecto a los parmetros del AG , se determin que una probabilidad de mutacin de 0,01 y un
elitismo menor al 50% son los ms apropiados. Adems para poder hallar mejores configuraciones de planta
se debe variar el % de poblacin generada por los mejores padres, realizando por lo tanto varias pruebas.
A mayor complejidad del problema, es decir a mayor nmero de departamentos es necesario aumentar el
nmero de generaciones, de esta manera aumenta la probabilidad de observar claramente la convergencia y
as hallar mejores soluciones.
En la aplicacin del AG a un problema real en una empresa de manufactura de vivienda industrializada
se hall una mejor configuracin de planta que la actual.
En la aplicacin al caso real en cuestin se demostr que con la funcin Multicriterios se obtienen
mejores resultados que con la funcin que minimiza solamente la carga de transporte.
La recoleccin de los datos de entrada al modelo es una tarea bastante difcil, siendo necesario modificar
algunos parmetros y aproximar algunas cantidades.
La aplicacin de este algoritmo en empresas colombianas es til y puede ser aplicado a casos de
diferentes tamaos, con el fin de reducir considerablemente los costos de transporte y aumentar de esta
manera la productividad de nuestras industrias.

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.

[13] VALHONRAT J. M. y COROMINAS A. Localizacin, distribucin en planta y manutencin

[14] WELGAMA P.S. y GIBSON P. R. A construction algorithm for the machine layout problem with fixed
pick-up and drop-off points, International Journal of Production Research, Vol. 31, No.11, 1993, 2575-2590..