ACADEMIAJOURNALS.

COM
Revista de la Ingeniera Industrial

ISSN 1940-2163

Volumen 3, No. 1, 2009

Optimizacin de un diseo de procesos representando a la

demanda como un parmetro incierto usando algoritmos
genticos como ayuda a la toma de decisiones
M.C. Constantino Gerardo Moras Snchez
t_moras@yahoo.com.mx

Instituto Tecnolgico de Orizaba

Departamento de Ingeniera Industrial
Orizaba, Veracruz, Mxico

Ing. Erika Snchez Crdenas

erika4@hotmail.com

Instituto Tecnolgico de Orizaba

Departamento de Ingeniera Industrial
Orizaba, Veracruz, Mxico

Dr. Alberto A. Aguilar Laserre

aguilar@itorizaba.edu.com

Instituto Tecnolgico de Orizaba

Departamento de Ingeniera Industrial
Orizaba, Veracruz, Mxico

Resumen
En este artculo se aborda el problema del diseo ptimo de procesos de un sistema de produccin en
lotes con demandas imprecisas sobre las cantidades a producir. La representacin en la imprecisin de
la demanda se efecta utilizando distribuciones de probabilidad normal. La metodologa de solucin al
problema de diseo hace intervenir un algoritmo gentico bi-criterio, con dos funciones objetivo a
optimizar: maximizar el valor presente neto de la inversin y minimizar una funcin que representa el
tiempo total de produccin con respecto a un horizonte de tiempo establecido. Se escogi a un
algoritmo gentico debido a que es adaptable a la solucin de problemas de tipo multicriterio.
Este estudio requiri el uso de dos software especializados, uno de simulacin llamado ProModel y uno
ms llamado Riskoptimizer, el cual combina simulacin y optimizacin logrando la optimizacin de
modelos que contienen factores de incertidumbre, obteniendo resultados que ayudan a elegir la mejor
alternativa de solucin.

Palabras clave: Diseo de procesos, Optimizacin bi-criterio, Imprecisin, Algoritmo gentico,

Simulacin.

Introduccin
Los sistemas de produccin en lotes representan un modo ideal de funcionamiento para
fabricar productos con las siguientes caractersticas: produccin en pequeas cantidades,
elaboracin de manera compleja, ciclo de vida limitada y un estricto control de condiciones de
operacin. Estos sistemas de produccin presentan la ventaja de poder elaborar, por
periodos, diferentes tipos de productos a partir de equipos estndar y de adaptarse a las
variaciones de naturaleza y calidad de las materias primas, as como a fluctuaciones
frecuentes de mercado, constituyendo un aspecto favorable desde el punto de vista de
flexibilidad.

As, durante la etapa del diseo de un proceso con un sistema de produccin en lotes, es casi
imposible obtener una informacin precisa sobre la futura demanda a producir (Shah y
Pantelides, 1992).
Recordemos que, clsicamente la capacidad del proceso debe satisfacer un equilibrio entre la
demanda a producir y el margen de produccin disponible en las instalaciones de la planta, de
manera que busque satisfacer dos criterios: maximizar el valor presente neto y minimizar una
funcin que representa el tiempo total de produccin con respecto a un horizonte de tiempo
(Cao y Yuan, 2002).
Dentro de este marco, se utiliz como mtodo de optimizacin un algoritmo gentico
multicriterio, anteriormente desarrollado por Modi y Karimi (1989), modificado y adaptado a
un modelo clsico de diseo. La integracin del carcter impreciso de la demanda a producir
necesit utilizar la media de sta as como su desviacin estndar, asumiendo que la
demanda se ajusta a una distribucin normal.

Aspectos de simulacin y optimizacin

Los modelos de simulacin se construyeron en ProModel, un simulador con animacin para
computadoras personales. Permite simular muchos tipos de sistemas de manufactura,
logstica, manejo de materiales, etc. Una vez realizado el modelo, ste puede ser optimizado
para encontrar los valores ptimos de los parmetros claves del diseo de simulacin
(Promodel, 1999).
Los algoritmos genticos (AG) son mtodos adaptativos que pueden usarse para resolver
problemas de bsqueda y optimizacin. Estn basados en el proceso gentico de los
organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza
de acuerdo con los principios de la seleccin natural y la supervivencia de los ms fuertes,
postulados por Darwin (1859). Por imitacin de este proceso, los algoritmos genticos son
capaces de ir creando soluciones para problemas del mundo real. La evolucin de dichas
soluciones hacia valores ptimos del problema depende en buena medida de una adecuada
codificacin de las mismas.

Formulacin del problema

Se estudi un sistema terico, el cual es un proceso formado por 20 mquinas distribuidas en
14 etapas; si alguna etapa tiene ms de una mquina, la capacidad ser la misma para cada
una de stas. En la tabla 1 se muestran las etapas y mquinas con sus respectivas
capacidades del proceso. La capacidad de cada mquina se defini como el nmero
simultneo de piezas que puede procesar en cualquier instante de tiempo. Tambin se
muestra la demanda imprecisa ajustada a una distribucin normal con media y desviacin
estndar, el tamao del lote en nmero de piezas, el nmero de lotes en cada etapa el cual es
el nmero de lotes que puede procesar simultneamente cada mquina multiplicado por el
nmero de mquinas que hay en cada una de las etapas, y el tiempo de procesamiento de
cada uno de los lotes a procesar en cada mquina.
Durante el proceso se fabrican tres tipos de productos: A, B y C. Los productos se agrupan en
lotes para ser procesados de la etapa 1 a la etapa 14; el tamao del lote permanece
constante durante todo el proceso. Cuando un lote sale de la ltima etapa, avanza a un
almacn de producto terminado. Los productos A, B, C tienen la misma secuencia de
produccin, variando solamente el tiempo de proceso de los lotes en las diferentes etapas.

Tabla 1. Datos del sistema de produccin.

Producto

Producto

Demanda
(nmero
de
piezas)

=473000
=125

Demanda
(nmero
de
piezas)

Etapa

Mquina

1,2

3,4

5,6

7,8,9

10

11,12

13

8043

9965

9675

5354

7379

9999

3400

Capacidad de
cada mquina
(nmero de
piezas)
Tamao del lote
(piezas/lote)

943

943

943

943

943

943

943

Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)

10

10

10

Total de lotes en
cada etapa
(lotes/etapa)

16

20

20

15

20

Tiempo de
procesamiento en
cada mquina
(hrs/lote/maq)

Etapa

10

11

12

13

14

Mquina

14

15

16

17

18

19

20

Capacidad de
cada mquina
(nmero de
piezas)

4212

3211

4735

8473

5940

3222

1271

Tamao del lote

(piezas/lote)

=473000
=125

943

943

943

943

943

943

943

Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)

Total de lotes en
cada etapa
(lotes/etapa)

Tiempo de
procesamiento en
cada mquina
(hrs/lote/maq)

Producto

Demanda
(nmero
de
piezas)

Mquina

1,2

3,4

5,6

7,8,9

10

11,12

13

8043

9965

9675

5354

7379

9999

3400

1195

1195

1195

1195

1195

1195

1195

12

16

16

12

16

Tiempo de
procesamiento
en cada mquina
(hrs/lote/maq)

Etapa

10

11

12

13

14

Capacidad de
cada mquina
(nmero de
piezas)
Tamao del lote
(piezas/lote)

Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)
=324000
=100
Total de lotes en
cada etapa
(lotes/etapa)

Demanda
(nmero
Producto
de
piezas)

Etapa

Mquina

14

15

16

17

18

19

20

Capacidad de
cada mquina
(nmero de
piezas)

4212

3211

4735

8473

5940

3222

1271

Tamao del lote

(piezas/lote)

1195

1195

1195

1195

1195

1195

1195

Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)
=324000
=100
Total de lotes en
cada etapa
(lotes/etapa)
Tiempo de
procesamiento
en cada mquina
(hrs/lote/maq)

Producto

Demanda
(nmero
de
piezas)

Mquina

1,2

3,4

5,6

7,8,9

10

11,12

13

Capacidad de
cada mquina
(nmero de
piezas)

8043

9965

9675

5354

7379

9999

3400

Tamao del lote

(piezas/lote)

939

939

939

939

939

939

939

10

10

10

16

20

20

15

20

Tiempo de
procesamiento
en cada mquina
(hrs/lote/maq)

Etapa

10

11

12

13

14

Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)
=258000
=90
Total de lotes en
cada etapa
(lotes/etapa)

Demanda
(nmero
Producto
de
piezas)

Etapa

Mquina

14

15

16

17

18

19

20

Capacidad de
cada mquina
(nmero de
piezas)

4212

3211

4735

8473

5940

3222

1271

Tamao del lote

(piezas/lote)

939

939

939

939

939

939

939

Nmero de lotes
que
simultneamente
se procesan en
cada mquina
(lotes/maq)
=258000
=90
Total de lotes en
cada etapa
(lotes/etapa)
Tiempo de
procesamiento
en cada mquina
(hrs/lote/maq)

Con los datos anteriores, se construy un modelo en el software de simulacin Promodel, en

el cual se definen inicialmente las locaciones y entidades. En el modelo, las locaciones son los
almacenes de llegadas, las mquinas y el almacn de producto terminado; y las entidades son
las piezas que entran al sistema que posteriormente son convertidas en lotes para iniciar su
secuencia de produccin.
En el modelo de simulacin, primero se procesan los lotes A, los cuales pasan por las 14
etapas existentes en el sistema; la cantidad de lotes que se procesan en cada mquina
depende de la capacidad que stas tengan y de la disponibilidad de cada una de ellas (tabla
1). Cuando la totalidad de las piezas demandadas del producto A han terminado su proceso
de fabricacin en la etapa 14, entonces llegan los lotes B al rea de llegada para iniciar su
secuencia de produccin a travs de las 14 etapas. De manera similar, los lotes C inician su
proceso cuando los lotes B han terminado su secuencia de produccin habiendo suplido toda
la demanda del producto B. Cuando los lotes (A,B,C) terminan su proceso en la ltima etapa
se dirigen hacia el almacn de producto terminado y posteriormente salen del sistema. Es
importante hacer mencin que los tres tipos de lotes no se mezclan entre s durante su
fabricacin.
En la figura 1 se muestra de manera grfica el modelo de simulacin construido en ProModel.
La flecha indica la secuencia del flujo de produccin utilizada para los tres productos.

Figura1. Modelo de simulacin en Promodel del sistema actual

Los resultados de las medidas de desempeo obtenidos para el modelo del sistema de
produccin se muestran en la tabla 2. El tiempo total para procesar todos los lotes es el
tiempo total de la simulacin.
Tabla 2. Resultados de la simulacin en Promodel del sistema actual de produccin

A
B
C

Demanda (nmero de
piezas)

Total de lotes producidos

al final de la simulacin

Total de piezas
producidas al final de la
simulacin

Tiempo promedio que un

lote pasa en el sistema
(hrs)

Tiempo total para

procesar todos los lotes
A,B,C (hrs)

= 473000 s=125
= 324000 s=100
= 258000 s=90

501
271
274

472443
323845
257286

94.0
104.3
109.7

6358

Formulacin general del problema de diseo ptimo de procesos

Tradicionalmente, los problemas de diseo de procesos con sistemas de produccin en lotes
tienen como objetivo minimizar el costo de inversin para la construccin del proceso de la
nueva planta (estructura del equipo) considerando el nmero y tamao del equipo. La
informacin requerida para el anlisis es la cantidad deseada de cada producto (demanda),
los parmetros relativos a los equipos (capacidad y tiempos de operacin) y el horizonte de
tiempo establecido para procesar todos los productos (Huang y Wang, 2002).
En aplicaciones reales, los analistas no deben solamente considerar la minimizacin del costo
de inversin, sino igualmente orientar sus decisiones en funcin a otros criterios con la
finalidad de maximizar los beneficios de la empresa. Con este enfoque, el estudio toma en
consideracin dos criterios clsicos: maximizar el valor presente neto de la inversin y
minimizar una funcin que representa el tiempo total de produccin con respecto a un
horizonte de tiempo establecido. De esta forma se propone retomar la formulacin del
problema de diseo ptimo de los trabajos de Modi y Karimi (1989) para sistemas de
produccin multiproductos.
El modelo matemtico obedece a las siguientes hiptesis:
1. El proceso funciona por lotes, es decir, suministrando en el proceso cantidades
predefinidas de productos representando una fraccin de la produccin total
deseada.
2. No se permite la mezcla de productos durante el proceso de produccin, es decir,
se produce la totalidad de la demanda del producto A antes de iniciar la produccin
de los siguientes productos. Posteriormente se produce la totalidad de la demanda
del producto B, y finalmente se produce el C.
3. No existe ninguna limitacin en la cantidad de mquinas a utilizar en el sistema de
produccin.
4. No existe limitante en cuanto al tamao de lote en cada uno de los productos (A,
B, C) ni en cuanto a la capacidad de produccin de cada mquina.
5. El tiempo de limpieza de los equipos est incluido en el tiempo de procesamiento.
La tabla 3 contiene las restricciones de tipo igualdad y desigualdad, as como los criterios del
modelo original (Modi y Karimi, 1989). Se utiliza la formulacin del modelo de Modi y Karimi
porque se usa como base el algoritmo gentico multicriterio desarrollado por estos autores y

que posteriormente fue adaptado al modelo de diseo de proceso que se desarrolla en el

presente artculo.
Tabla 3. Formulacin del modelo de Modi y Karimi

Modelo original (Modi y Karimi, 1989)

a) Criterio :
Costo de inversin
Min(Cost ) =

(m j a jV j j ) + (nk bk Rk k ) + (csVs s )
j =1

k =1

s =1

(1)

b) Restricciones :
Restriccin temporal : H

Qi

i =1

i =1

Pr od i

Hi =

(2)

Lmites de las dimensiones de los equipos continuos y semi-continuos

j{1,..,J } Vmin V j Vmax

(3)

k{1 ,.., K } Rmin Rk Rmax

(4)

Restriccin de la productividad
i{1,..,I } Pr od i = Min [Pr odloc is ]
s S

(5)

Productividad el producto i en el sub-proceso s

i{1,..,I };s{1,..,S } Pr odloc is = BisL
Tis

(6)

Tiempos de ciclo limitante en el producto i en el sub-proceso s

i{1,..,I };s{1,..,S } TisL = Max

t Ts , j J s

[Tij , it ]

(7)

Tiempo de ciclo del producto i de la etapa discontinua j

i{1,..,I }; j{1,..,J } Tij =

i, t + i (t +1 ) + pij
mj

(8)

Tiempos de tratamiento del producto i en la etapa discontinua j

i{1,..,I };j{1,..,J s } s{1,..,S} pij =

(9)

pij0 + g ij Bisd ij

Tiempos de tratamiento del producto i en el tren semi-continuo t

i{1,..,I };j{1,..,Ts } it = Max [ ik ]
kK

(10)

Tiempos de operacin del producto i en la etapa semi-continua k

i{1 ,.., I }; k {1,.., K s } , s{1,..,S} ik = Bis Dik
Rk n k

(11)

Tamao de lote del producto i en el sub-proceso s

Vj
Bis =Min
jJ s Sij

i{1,..,I };s{1,..,S }

(12)

Volumen del almacenamiento intermedio

Pr odi S *is (T + T
s{1,..,S 1} Vs = Max
iI
L
is

L
i ( s +1)

it i (t +1) )

(13)

La notacin cientfica para comprender las formulaciones de Modi y Karimi (1989) se presenta
a continuacin:
Notaciones utilizadas
f : Costos de arranque
VP: Ventas en el ao p
DP: Costos del ao p
AP: Amortizacin
a:Tasa de Impuestos
i: Tasa de actualizacin
n: Duracin de vida del proyecto
CEj: Costo para la etapa discontinua j($)
COi: Costo de operacin del producto i ($/kg)
CPi: Precio del producto i ($/kg)

aj : Coeficiente del costo para etapa discontinua j

bk : Coeficiente del costo para etapa semi-continua k
Bis :Tamao de lote del producto i en un sub-proceso
s (kg)
cs :Coeficiente del costo de almacenamientos
intermedios
Dik :Factor de tratamiento del producto i en la etapa semicontinua k
dij : Exponente para el clculo de tiempo de operacin del
producto i en la etapa discontinua j
gij : Coeficiente para el clculo de tiempos de operacin del
producto i en la etapa discontinua j
H : Horizonte de tiempo (h)
Hi : Horizonte de tiempo del producto i (h)
i : ndice para los productos
I : Nmero total de productos
j : ndice para las etapas discontinuas
J : Nmero total de etapas discontinuas
k : ndice para las etapas semi-continuas
K : Nmero total de etapas semi-continuas
mj :Nmero de unidades idnticas en paralelo en las etapas
discontinuas j
nk :Nmero de unidades idnticas en paralelo en las etapas
semi-continuas k
pij :Tiempos de operacin del producto i en las etapas
discontinuas j (h)

pij0 :Constante para el clculo del tiempo de operacin del

producto i en la etapa discontinua j
prodi :Productividad en el producto i en el proceso global
prodlocis :Productividad local del producto i en el subproceso s
Rk :Tasa de operacin para la unidad semi-continua k (L/h)
Rkmax :Tasa mxima de aceptacin para la unidad semicontinua k (L/h)
Rkmin :Tamao mnimo de aceptacin para la unidad semicontinua k (L/h)
S : Nmero total de sub-procesos
Sij :Factor de tamao para el producto i en la etapa
discontinua j
S*is :Factor de tamao para el producto i en los
almacenamientos intermedios k
t : ndice de sub-trenes semi-continuos
T : Nmero total de sub-trenes semi-continuos
Tij :Tiempos de ciclo del producto i en la etapa discontinua
j
TisL :Tiempos de ciclo limitante del producto i en los subprocesos s
Vj : Tamao de la etapa discontinua j (L)
Vjmax :Tamao mximo aceptable para la etapa discontinua
j (L)
Vjmin :Tamao mnimo aceptable para la etapa discontinua
j (L)
Vs : Tamao del almacenamiento intermedio (L)
MinCost :Funcin objetivo a minimizar, costo de inversin
del equipo para el proceso

j : Exponente del costo para la etapa discontinua

k : Exponente del costo para la etapa semi-continua k

ik : Tiempos de operacin del producto i en la etapa

semi-continua k

it : Tiempos de operacin del producto i en la etapa

sub-tren semi-continua

s :

Exponente del costo para los almacenamientos

Representacin de la demanda imprecisa

El enfoque usado consiste en modelar a la demanda como una distribucin normal. Para ello,
utilizamos como datos iniciales a la media que representa a la demanda promedio que se
tendr para la produccin de cada tipo de pieza y a la desviacin estndar la cual representa
el grado de dispersin de la demanda.
La demanda se representa con la funcin de distribucin de probabilidad RiskNormal en Excel,
la cual especifica a una distribucin normal con una media y desviacin estndar.

De acuerdo con la distribucin RiskNormal para la demanda, se toman en cuenta las

siguientes consideraciones:
1. La demanda del producto A sigue una distribucin de probabilidad normal con una
media =473,000 unidades y una desviacin estndar s=125 unidades.
2. La demanda del producto B sigue una distribucin de probabilidad normal con una
media =324,000 unidades y una desviacin estndar s=100 unidades.
3. La demanda del producto C sigue una distribucin de probabilidad normal con una
media =258,000 unidades y una desviacin estndar s=90 unidades.
Los parmetros de la distribucin normal de la demanda son los mismos que se utilizaron en
el modelo de simulacin construido en Promodel.
Las medidas de desempeo a evaluar en lo que respecta a los productos son:
1. Tiempo total para procesar todos los productos.
2. Tiempo promedio que un lote pasa en el sistema desde la entrada de la materia
prima hasta la salida del sistema.
3. Tamao de los lotes para los diferentes productos a procesar.

Problema sobre el diseo ptimo de procesos

Los sistemas de produccin en lotes representan un modo ideal de funcionamiento para
fabricar productos con las siguientes caractersticas: produccin en pequeas cantidades,
elaboracin de manera compleja, ciclo de vida limitada y un estricto control de condiciones de
operacin.
Estos sistemas de produccin presentan la ventaja de poder elaborar, por periodos, diferentes
componentes a partir de equipos estndar y de adaptarse a las variaciones de naturaleza y
calidad de las materias primas, as como a fluctuaciones frecuentes del mercado,
constituyendo un aspecto favorable desde el punto de vista de flexibilidad. As, durante la
etapa del diseo de un proceso con un sistema de produccin en lotes es casi imposible de
obtener una informacin precisa sobre la futura demanda a producir (Shah y Pantelides,
1992).
Cabe recordar que, clsicamente, la capacidad del proceso debe satisfacer un equilibrio entre
la demanda a producir y el margen de produccin disponible en las instalaciones de la planta,
de manera que se satisfagan dos criterios: maximizar el valor presente neto y minimizar una
funcin que represente el tiempo total de produccin con respecto a un horizonte de tiempo
(Cao y Yuan, 2002).
Dentro de este marco, se utiliz como mtodo de optimizacin un Algoritmo Gentico
multicriterio, anteriormente desarrollado, modificado y adaptado a un modelo clsico de
diseo.

Optimizacin bi-criterio por medio de un algoritmo gentico

La optimizacin multicriterio es indudablemente un rea de investigacin en pleno auge desde
el punto de vista de la optimizacin y sus aplicaciones. Nosotros escogimos trabajar con los
algoritmos genticos porque han demostrado ser eficientes en el tratamiento de problemas de
diseo ptimo de procesos y reconocidos tambin como un mtodo de optimizacin multiobjetivos para conducir eficazmente a la obtencin de una zona de compromiso entre las
diversas funciones objetivo (soluciones no dominadas). Las soluciones no dominadas son

10

definidas formalmente como: Una solucin factible a un problema multi-objetivos es no

dominada si no existe ninguna otra solucin factible que aporte una mejora de uno de sus
criterios sin causar una degradacin de al menos un criterio (Silva y Biscaia, 2003).
Los algoritmos genticos son mtodos adaptativos que pueden usarse para resolver
problemas de bsqueda y optimizacin. Estn basados en el proceso gentico de los
organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza
de acorde con los principios de la seleccin natural y la supervivencia de los ms fuertes,
postulados por Darwin (1859). Por imitacin de este proceso, los algoritmos genticos son
capaces de ir creando soluciones para problemas del mundo real. La evolucin de dichas
soluciones hacia valores ptimos del problema depende en buena medida de una adecuada
codificacin de las mismas.
Los algoritmos genticos usan una analoga directa con el comportamiento natural. Trabajan
con una poblacin de individuos, cada uno de los cuales representa una solucin factible a un
problema dado. A cada individuo se le asigna un valor o puntuacin relacionado con la bondad
de dicha solucin. En la naturaleza esto equivaldra al grado de efectividad de un organismo
para competir por unos determinados recursos. Cuanto mayor sea la adaptacin de un
individuo al problema, mayor ser la probabilidad de que el mismo sea seleccionado para
reproducirse, cruzando su material gentico con otro individuo seleccionado de igual forma.
Este cruce producir nuevos individuos (descendientes de los anteriores) los cuales
comparten algunas de las caractersticas de sus padres. Cuanto menor sea la adaptacin de
un individuo, menor ser la probabilidad de que dicho individuo sea seleccionado para la
reproduccin, y por tanto de que su material gentico se propague en sucesivas
generaciones. El poder de los algoritmos genticos proviene del hecho de que se trata de una
tcnica robusta, y pueden tratar con xito una gran variedad de problemas provenientes de
diferentes reas, incluyendo aquellos en los que otros mtodos encuentran dificultades.
Las diferentes caractersticas del algoritmo gentico utilizado son detalladas a continuacin:
1. Codificacin. El cdigo de las soluciones fue realizado dividiendo el cromosoma en dos
partes. La primera parte representa el volumen de los equipos (variables continuas en
la formulacin inicial). La segunda parte del cromosoma corresponde al nmero de
equipos por etapa. El valor de estas variables son codificadas directamente en el
cromosoma.
2. Creacin de la poblacin inicial: La poblacin inicial es generada de manera aleatoria
efectuando un tiro por cada variable de decisin. Esta estrategia garantiza una
poblacin muy diversa con la finalidad de explorar grandes zonas en el espacio de
bsqueda.
3. Funcin de evaluacin: Tradicionalmente un algoritmo gentico emplea una funcin de
evaluacin, que se debe maximizar. La funcin de evaluacin para este criterio es
directamente igual al valor presente neto (VPN). En el caso de minimizar (criterio de
tiempo), el problema fue transformado
para que los individuos ms fuertes
representen la diferencia ms dbil entre la suma de los horizontes de tiempo y H (los
retardos y los avances), para favorecer la propagacin y evolucin de este criterio.
4. Construccin de la generacin siguiente: La construccin de la generacin siguiente
comprende las etapas de seleccin, cruzamiento y mutacin. Los aspectos multiobjetivos son tomados en consideracin para construir la generacin. Los mejores
individuos son los sobrevivientes y son seleccionados por medio de la ruleta de
Goldberg (1989). El mismo nmero de individuos sobrevivientes es escogido para
cada criterio a partir de dos ruletas

11

Un nmero fijo (tasa de supervivencia = 60%) de individuos transmitir su genoma, de inicio

por cruzamiento formando parejas aleatorias que van a crear a dos hijos. El operador de
cruzamiento es a un punto de corte y es determinado de manera aleatoria. Se genera el
nmero faltante de individuos seleccionando de forma aleatoria individuos y realizando la
mutacin (tasa de mutacin =40%).

Resultados
Como se coment en la seccin de formulacin del problema, la investigacin se bas en un
problema terico simulado. Los datos del modelo terico simulado son introducidos al
algoritmo gentico el cual es desarrollado en Excel. Estos datos se muestran en la tabla 4.
Tabla 4. Datos iniciales del modelo introducidos al algoritmo gentico
Etapa

Nmero de mquinas

Capacidad de cada mquina (nmero de piezas) 8043 9965 9675 5354 7379 9999 3400

Etapa

Nmero de mquinas

10

11

12

13

14

Capacidad de cada mquina (nmero de piezas) 4212 3211 4735 8473 5940 3222 1271

Una vez que se introdujeron los datos anteriores se obtuvieron como datos iniciales del
mismo algoritmo gentico los mostrados en la tabla 5, los cuales se obtienen de manera
directa debido a que el algoritmo gentico est construido sobre una plataforma de Excel. Los
datos iniciales son resultado de aplicaciones de frmulas del algoritmo gentico de Modi y
Karimi.
Tabla 5. Datos iniciales obtenidos en el algoritmo gentico.
VPN

Almacenamiento
(Vs)
(piezas)

Tamao de lote
(piezas)

1209

943 1195 939

$17,415

Costo de
inversin ($)

Costo de
operacin
($)

Amortizacin
($)

Fondos de
arranque ($)

$962,107

$779,809

$192,421

$144,316

Productividad por producto Ciclo de tiempo (horas)

A

182.06

101.72

74.51

5.20

11.89

12.63

Al introducir los datos iniciales del sistema al algoritmo gentico y utilizando el software
Riskoptimizer se plantearn diversas alternativas modificando en cada una de ellas la tasa de

12

inters. A travs de Riskoptimizer se realiza un anlisis de riesgo utilizando simulacin de

Montecarlo para mostrar una gran cantidad de escenarios posibles en la hoja de Excel, asi
como que tan factible son dichos escenarios. Gracias a esto se puede evaluar que riesgos
tomar y cuales evitar.
Los escenarios a evaluar son planeados a un horizonte de tiempo de 5 y 10 aos, en donde
cada uno se evaluar con una tasa de inters de 10 y 15 por ciento. De esta forma se crean
cuatro escenarios, los cuales se muestran en la tabla 6.
Tabla 6. Escenarios a evaluar en Riskoptimizer
Tasa de inters
Horizonte de
Tiempo (aos)

5 aos
10 aos

10%

15%

5 aos y 10%
10 aos y 10%

5 aos y 15%
10 aos y 15 %

En un anlisis previo se determin el tiempo necesario que tiene que pasar para que los
resultados de este algoritmo gentico se estabilicen. El anlisis mostr que se debe dejar
correr en la computadora cada uno de los escenarios a evaluar durante 10 horas. En la figura
2 se muestra una pantalla del algoritmo gentico en Excel, corrido en Riskoptimizer.

Figura 2. Hoja de Excel de Riskoptimizer

Durante el periodo de evaluacin de cada uno de los escenarios, se determin a travs de los
datos de salida del algoritmo gentico que el mejor de los cuatro es el que se encuentra
representado a un horizonte de tiempo de 10 aos con una tasa de inters del 10 por ciento,

13

ya que fue el escenario que mostr un mayor VPN. La tabla 7 muestra los resultados de dicho
escenario.

Tabla 7. Datos obtenidos a 10 aos con una tasa de inters del 10%
VPN

Tamao de lote
(piezas)

Almacenamiento
(Vs)
(piezas)

1206

965

1206

$359,098

Amortizacin
($)

Fondos de
arranque
($)

$134,353

$100,765

Nmero de
mquinas
Capacidad de
cada mquina
(nmero de
piezas)

Nmero de
mquinas
Capacidad de
cada mquina
(nmero de
piezas)

Costo de
inversin
($)

Costo de
operacin
($)

965

$671765

$768589

Productividad por producto

Ciclo de tiempo

185.00

101.50

76.10

5.22

11.88

12.68

Etapa
4

7721

9648

9646

4833

7238

9659

2900

12

13

14

10

Etapa
11

3876

2898

4832

8690

5787

2896

1213

Conclusiones
Al realizar el anlisis de los resultados obtenidos despus de correr el algoritmo gentico, se
logr determinar lo siguiente:

El nmero de mquinas disponibles disminuy de 20 mquinas iniciales a 15

mquinas.
Las capacidades de cada una de las mquinas se modificaron.
El valor del VPN inicial de $17,415 aument considerablemente a $359,098.
El tiempo de procesamiento total para las piezas (A,B,C) es exactamente el mismo
antes y despus de la optimizacin.
Los fondos de arranque disminuyeron de $144,316 a $100,765
El costo de operacin inicial es de $779,809 y despus de la optimizacin disminuy
$11,219. Por lo tanto ahora el costo de operacin es de $768,589
El costo de la inversin inicial era de $962,106 el cual disminuy a $671,764, por lo
que se est obteniendo un ahorro de $290,341.

14

El tamao del lote para cada una de las piezas (A, B, C) en cada caso aument.

Referencias bibliogrficas
Cao, D.M. y X.G. Yuan, Optimal design of batch plants with uncertain demands considering
switch over of operating modes of parallel units, Industrial Engineering and Chemistry
Research, 2002.
Goldberg, D.E. Genetic Algorithms in Search Optimization and Machine Learning, AddisonWesley Publishing Company, Reading, Massachusetts, 1989.
Huang, H. y W.F. Wang, Fuzzy decision-making desing of chemical plant using mixed-integer
hybrid differential evolution, Computers and Chemical Engineering, vol. 26, 2002.
Modi, A.K. e I.A. Karimi, Design of multiproduct batch processes with finite intermediate
storage, Computer and Chemical Engineering, vol. 13, 1989.
Shah N. y C.C. Pantelides, Desing of multipurpose batch plants with uncertain production
requerements, Ind. Eng. Chem. Res, 1992.
Silva C.M. y E.C. Biscaia, Genetic algorithm development for multi-objetive optimization of
Batch Free-radical polymerization reactors, Computers and Chemical Engineering, 2003.

15