%0 Journal Article
%T T谷CNICAS EVOLUTIVAS EN PROBLEMAS MULTI-OBJETIVOS EN EL PROCESO DE PLANIFICACI車N DE LA PRODUCCI車N / EVOLUTIONARY TECHNIQUES FOR MULTI-OBJECTIVE PROBLEMS IN PRODUCTION PLANNING
%A Mariano Frutos-Alazard
%A Fernando Tohm谷-Hauptmann
%J Ingenier赤a Industrial
%D 2012
%I Instituto Superior Polit谷cnico Jos谷 Antonio Echeverr赤a (Cujae)
%X La planificaci車n, en el 芍mbito productivo, se encarga de dise ar, coordinar, administrar y controlar todas las operaciones que se hallan presentes en la explotaci車n de los sistemas productivos. En este marco de trabajo, aparecen numerosos Problemas de Optimizaci車n Multi-objetivo (MOPs). 谷stos constan de varias funciones que suelen ser complejas y evaluarlas puede ser muy costoso. La optimizaci車n multi-objetivo es la disciplina que trata de encontrar las soluciones, denominadas Pareto 車ptimas, a este tipo de problemas. La compleja resoluci車n de los MOPs es debida a las dimensiones propias del problema, al car芍cter combinatorio de los algoritmos y a la naturaleza de los objetivos, los cuales est芍n vinculados a la eficiencia del sistema. En las 迆ltimas d谷cadas muchos MOPs vinculados a la producci車n han sido tratados con 谷xito con t谷cnicas de resoluci車n basadas en Algoritmos Gen谷ticos. En este trabajo se eval迆a a NSGAII (Non-dominated Sorting Genetic Algorithm II), SPEAII (Strength Pareto Evolutionary Algorithm II) y a sus antecesores, NSGA y SPEA, en el proceso de planificaci車n de la producci車n no estandarizada. Luego de la experiencia realizada, el algoritmo NSGAII mostr車 mayor eficiencia.Planning in production environments takes care of designing, coordinating, managing and controlling all the operations existing in the use of productive systems. There are, in the framework analyzed within this work, several relevant Multi-Objective Optimization Problems (MOPs). They consist of several functions which tend to be complex and expensive to evaluate. Multi-objective optimization is the discipline developed to provide solutions, called Pareto optimal, for the simultaneous optimization of those functions. The costs of solving MOPs is due to the dimension of the problems, the combinatorial nature of the algorithms and the kind of objectives represented, linked to the efficiency of the system.. In the last decades several production-related MOPs have been handled successfully by means of Genetic Algorithms. Here we will evaluate the performance of some particular genetic-based algorithms like NSGAII (Non-dominated Sorting Genetic Algorithm II), SPEAII (Strength Pareto Evolutionary Algorithm II) and their predecessors, NSGA and SPEA, in the process of planning non-standardized production activities. After the experiment was carried out, the NSGAII algorithm proved to be more efficient.
%K Algoritmo Mem谷tico Multi-objetivo
%K Configuraci車n Productiva tipo Job-Shop
%K Frontera de Pareto
%K Optimizaci車n Multi-objetivo
%K Multi-objective Memetic Algorithm
%K Job-shop production environment
%K Pareto frontier
%K Multi-objective optimization
%U http://rii.cujae.edu.cu/index.php/revistaind/article/view/381