Métodos discretos basados en quimiotaxis de bacterias y algoritmos genéticos para solucionar el problema de la distribución de planta en celdas de manufactura.

  • Camilo Mejía Moncayo Universidad EAN
  • Diego Alexander Garzón Alvarado Universidad Nacional de Colombia,
  • José Manuel Arroyo Osorio Universidad Nacional de Colombia
Palabras clave: Distribución de planta de celdas de manufactura, optimización, algoritmos genéticos, BFOA, NSGA2, SPEA2, BCMOA, hibridación.

Resumen

Este trabajo presenta la solución mono-objetivo y multi-objetivo del problema de la distribución de planta en celdas de manufactura a través de dos nuevos algoritmos híbridos discretos basados en quimiotaxis de bacterias y en algoritmos genéticos. Los modelos propuestos resuelven simultáneamente los dos inconvenientes que constituyen el problema de la distribución de planta en celdas de manufactura: la formación de las celdas y la distribución de planta intra e inter celdas, considerando el agrupamiento de las celdas y el costo de transporte y manipulación de materiales. El desempeño de las propuestas se evaluó con problemas de prueba de distribución de planta de celdas de manufactura, agente viajero (TSP) y el caso multi-objetivo del problema de las mochilas. Los resultados mono-objetivo se compararon con AG, BFOA y Bacterial-GA, mientras que los resultados multi-objetivo se compararon con los reconocidos algoritmos NSGA2 y SPEA2 en los que se obtuvo un mejor desempeño en los dos casos.

Biografía del autor/a

Camilo Mejía Moncayo, Universidad EAN

Ing.  Mecánico, MSc. Profesor Asistente, Programa de Ingeniería de Producción, Universidad EAN,  Bogotá, Colombia.

Diego Alexander Garzón Alvarado, Universidad Nacional de Colombia,
Ing. Mecánico, Ph.D. Profesor Titular,Departamento de Ing. Mecánica y Mecatrónica, Universidad Nacional de  Colombia, Bogotá, Colombia.
José Manuel Arroyo Osorio, Universidad Nacional de Colombia

Ing. Mecánico, Ph.D. Profesor Asociado, Departamento de Ing. Mecánica y Mecatrónica, Universidad Nacional de  Colombia, Bogotá, Colombia.

 

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Camilo Mejía Moncayo, Universidad EAN

Ing.  Mecánico, MSc. Profesor Asistente, Programa de Ingeniería de Producción, Universidad EAN,  Bogotá, Colombia.

Diego Alexander Garzón Alvarado, Universidad Nacional de Colombia,
Ing. Mecánico, Ph.D. Profesor Titular,Departamento de Ing. Mecánica y Mecatrónica, Universidad Nacional de  Colombia, Bogotá, Colombia.
José Manuel Arroyo Osorio, Universidad Nacional de Colombia

Ing. Mecánico, Ph.D. Profesor Asociado, Departamento de Ing. Mecánica y Mecatrónica, Universidad Nacional de  Colombia, Bogotá, Colombia.

 

Referencias Bibliográficas

Singh, N. (1996). Systems approach to computer - integrated design and manufacturing. Nueva York: John Wiley.

Selim, H. M., Askin, R. G. & Vakharia, A. J. (1998). Cell formation in group technology: review, evaluation and directions for future research. Computers & Industrial Engineering, 34(1), pp 3-20. http://dx.doi.org/10.1016/S0360-8352(97)00147-2

Papaioannou, G. & Wilson, J. M. (2010). The evolution of cell formation problem methodologies based on recent studies (1997-2008): Review and directions for future research. European Journal of Operational Research, 206(39), pp. 509-521. http://dx.doi.org/10.1016/j.ejor.2009.10.020

Yin, Y. & Yasuda, K. (2006). Similarity coefficient methods applied to cell formation problem: a taxonomy and review. International Journal of Production Economics, 101(2), pp. 329-352. http://dx.doi.org/10.1016/j.ijpe.2005.01.014

Hamann, T., & Vernadat, F. (1992). The intra cell layout problem in automated manufacturing system. INRIA-00074957, version 1. N° Research Report -1603 (1992). Recuperado de http://hal.inria.fr/inria-00074957

Elwany, M. H., Khairy, A. B. & Abou-Ali, M. G. (1997). A Combined Multicriteria Approach for Cellular Manufacturing Layout. ClRP Annals – Manufacturing Technology, 46(1), pp. 369 – 371. http://dx.doi.org/10.1016/S0007-8506(07)60845-2

Solimanpur, M., Vrat, P., & Shankar, R. (2004). Ant colony optimization algorithm to the inter-cell layout problem in cellular manufacturing. European Journal of Operational Research. 157(3), pp. 592–606. http://dx.doi.org/10.1016/S0377-2217(03)00248-0

Ming, L.C., & Ponnambalam S.G. (octubre, 2008). A hybrid GA/PSO for the concurrent design of cellular manufacturing system. Systems, Man and Cybernetics, 2008. SMC 2008. IEEE International Conference, pp.1855-1860.

Ariafar, S., Ismail, N., Tang, S.H., Ariffin, M.K.A.M. & Firoozi, Z. (septiembre, 2011). Inter-cell and intra-cell layout design in a cellular manufacturing system. Business, Engineering and Industrial Applications (ISBEIA), 2011 IEEE Symposium, pp.28-33.

Ho, Y. C. & Liao, T.W. (2011). A concurrent solution for intra-cell flow path layouts and I/O point locations of cells in a cellular manufacturing system. Computers & Industrial Engineering, 60(4), pp. 614-634. http://dx.doi.org/10.1016/j.cie.2010.12.019

Wu, X., Chu, C. H., Wang, Y., & Yan, W. (2007). A genetic algorithm for cellular manufacturing design and layout. European Journal of Operational Research, 181(1), pp. 156–167. http://dx.doi.org/10.1016/j.ejor.2006.05.035

Solimanpur, M., Vrat, P., & Shankar, R., (2004b). A multi-objective genetic algorithm approach to the design of cellular manufacturing systems. International Journal of Production Research, 42(7), pp. 1419–1441. http://dx.doi.org/10.1080/00207540310001638073

Kumar, C.S. & Chandrasekharan, M.P. (1990). Grouping efficacy: a quantitative criterion for goodness of block diagonal forms of binary matrices in group technology. International Journal of Production Research, 28(2), pp.233-243. http://dx.doi.org/10.1080/00207549008942706

Chen, T., Tsai, P., Chu, S., & Pan, J. (septiembre, 2007). A novel optimization approach: bacterial-GA foraging. Proceedings of the Second International Conference on Innovative Computing, Information and Control. Washington DC, EE.UU, pp.391-394. http://dx.doi.org/10.1109/icicic.2007.67

Passino, K., (2002). Biomimicry of bacterial foraging for distributed optimization and control. IEEE Control Systems Magazine, 22(3), pp. 52–67. http://dx.doi.org/10.1109/MCS.2002.1004010

Guzmán, M. A., Delgado, A. & Carvalho, J. (2010). A novel multiobjective optimization algorithm based on bacterial chemotaxis. Engineering Applications of Artificial Intelligence, 23(3), pp. 292-301. http://dx.doi.org/10.1016/j.engappai.2009.09.010

Deb, K., Pratap, A., Agarwal, S. & Meyarivan, T. (2002). A fast and elitist multi objective genetic algorithm: NSGA II. IEEE Transactions on Evolutionary Computation, 6(2), pp.182–197. http://dx.doi.org/10.1109/4235.996017

Kumar, P., Bandyopadhyay, S., & Kumar, S. (2007). Multi-objective Particle Swarm Optimization with time variant inertia and acceleration coefficients. Information Sciences, 177(22), pp. 5033–5049. http://dx.doi.org/10.1016/j.ins.2007.06.018

Vitanov, V., Tjahjono, B. & Marghalany, I. (2008). Heuristic rules-based logic cell formation algorithm. International Journal of Production Research, 46(2), pp. 321–344. http://dx.doi.org/10.1080/00207540601138494

Seifoddini, H. & Djassemi, M. (1996). A New Grouping Measure for Evaluation of Machine-Component Matrices. International Journal of Production Research, 34(5), pp. 1179-1193. http://dx.doi.org/10.1080/00207549608904960

King, J.R. (1980). Machine-component group formation in group technology. Omega, 8(2), pp. 193-199. http://dx.doi.org/10.1016/0305-0483(80)90023-7

Burbidge, J. L. (1969). An Introduction of Group Technology. Proceedings of Seminar on Group Technology. Turín, Italia: Birniehill Institute.

Chandrasekharan, K. P. & Rajagopolan, R. (1989). Groupability: an analysis of the properties of binary data for group technology. International Journal of Production Research, 27(6), pp. 1035–1052. http://dx.doi.org/10.1080/00207548908942606

Gen, M., Lin, L. & Zhang, H. (2009). Evolutionary techniques for optimization problems in integrated manufacturing system: State of art survey. Computers & industrial engineering, 56(3), pp. 779-808. http://dx.doi.org/10.1016/j.cie.2008.09.034

The TSPLIB Symmetric Traveling Salesman Problem. (s.f.). Recuperado el 15 de junio de 2012, de http://elib.zib.de/pub/mp-testdata/tsp/tsplib/tsp/index.html

Zitzler, E. & Laumanns, M. (s.f). Test problems and test data for multiobjective optimizers. Recuperado el 21 de junio de 2012, de http://www.tik.ee.ethz.ch/sop/download/supplementary/testProblemSuite/

Zitzler, E., Laumanns, M., & Thiele, L. (mayo, 2001). SPEA2: Improving the strength pareto evolutionary algorithm for multiobjective optimization. Technical report TIK-103, Computer Engineering and Network Laboratory (TIK). Zurich, Suiza.

Deb, K. & Jain, S. (2002). Running performance metrics for evolutionary multi-objective optimization. KanGal Report No. 2002004, Kanpur Genetic Algorithms Laboratory, Indian Institute of Technology. Kanpur, India.

Cómo citar
Mejía Moncayo, C., Garzón Alvarado, D. A., & Arroyo Osorio, J. M. (2014). Métodos discretos basados en quimiotaxis de bacterias y algoritmos genéticos para solucionar el problema de la distribución de planta en celdas de manufactura. Ciencia E Ingeniería Neogranadina, 24(1), 6-28. https://doi.org/10.18359/rcin.5
Publicado
2014-06-01
Sección
Artículos

Más sobre este tema