Академический Документы
Профессиональный Документы
Культура Документы
108
Actualidad y Nuevas Tendencias Año 7, Vol. IV, N° 12
ISSN: 1856-8327
RESUMEN ABSTRACT
se destruiría demasiado la estructura del excluyentes, en las que se pudieran ubicar los
problema, alejándolo de la realidad. A este tipo de principales métodos desarrollados. Estas son:
problemas difíciles de resolver se les denota como 1.Métodos de descomposición: el problema se
NP-hard en el contexto de la complejidad descompone en subproblemas más fáciles de
algorítmica. resolver.
Por su parte, Hillier y Lieberman (2010) explican 2.Métodos inductivos: busca generalizar
que con frecuencia, los métodos heurísticos se propiedades o técnicas identificadas de casos más
refieren a un algoritmo iterativo novedoso, pequeños y sencillos, al problema complejo o
diseñado para abordar un determinado problema general.
y no necesariamente a una gran cantidad de 3.Métodos de reducción: tienen como propósito
aplicaciones. Dentro de ese procedimiento, cada restringir o reducir el espacio de soluciones,
iteración supone la búsqueda de una nueva simplificando así el problema.
solución que eventualmente pudiera ser mejor que 4.Métodos constructivos: se basan en la
una solución encontrada previamente, construcción progresiva de una solución del
repitiéndose durante un tiempo razonable. problema, mediante la selección de la mejor opción
Una característica fundamental de los métodos en iteraciones sucesivas. Dentro de ellos se pueden
heurísticos es que mediante su utilización no se mencionar: heurísticos del vecino más próximo,
garantiza la solución óptima al problema en heurísticos de inserción, heurísticos basados en
cuestión, sino más bien una solución factible muy árboles generadores, y heurísticos basados en
buena, por lo que los métodos heurísticos se ahorros.
convierten en soluciones ad hoc que buscan más 5.Métodos de búsqueda local: se caracterizan por
satisfacer que optimizar; de hecho, Martí (2003) iniciar con una solución del problema, la cual debe
acuña que muchos de los métodos heurísticos se ser mejorada progresivamente a lo largo del
han desarrollado para darle solución a un procedimiento. Dentro de esta categoría se pueden
determinado tipo de problema, quedando mencionar: procedimientos de dos intercambio,
prácticamente inhabilitados para su aplicación a procedimientos de k intercambio y algoritmo de
otros problemas similares. Los métodos heurísticos Lin y Kernighan.
proporcionan entonces soluciones heurísticas. De 6.Métodos combinados: De todos los métodos
allí que, tal como lo plantea Luna (2008) las mencionados hasta el momento, los métodos
técnicas de optimización pueden ser de tipo constructivos y los métodos de búsqueda local
exactas y aproximadas, encontrándose en estas merecen especial atención, debido a que su
últimas los métodos de naturaleza heurística. combinación ha permitido el surgimiento de
Cuando se desarrollan algoritmos heurísticos, es nuevos métodos heurísticos, llamados métodos
importante evaluar que el mismo sea eficiente combinados y que constituyen el eslabón entre los
(esfuerzo computacional realista), bueno (solución métodos heurísticos y las metaheurísticas. Dentro
cercana al óptimo) y robusto (baja probabilidad de de estos métodos combinados se pueden
obtener una mala solución), para lo cual se pueden mencionar: procedimientos aleatorizados, métodos
emplear procedimientos tales como: comparación multi-arranque y GRASP (Greedy Randomized
con la solución óptima, comparación con una cota, Adaptive Search Procedures).
comparación con un método exacto truncado, No obstante, Rodríguez (2010) sugiere otra
comparación con otros heurísticos y análisis del división para los métodos heurísticos, a los que
peor caso (Martí, 2003). denomina también algoritmos aproximados,
Debido a la naturaleza tan diversa de los métodos procedimientos inexactos o simplemente
heurísticos, Martí (2003) señala que resulta difícil heurísticas; de esta forma, propone clasificarlos en
dar una clasificación completa de los mismos, y métodos constructivos y métodos de búsqueda.
más bien plantea un conjunto de categorías, no Los primeros, definidos como métodos que son
capaces de construir una solución a un problema mecanismos estadísticos (Osman y Kelly, citados
dado, en función a distintas estrategias tales como: en Martí, 2003) y suelen basarse en los métodos
voraz, de descomposición, de reducción y de heurísticos constructivos y de búsqueda local
manipulación del modelo. Mientras que los mencionados anteriormente. En este sentido,
métodos de búsqueda parten de una solución Rodríguez (2010) plantea que las metaheurísticas
factible dada y a partir de ella se intenta mejorarla. combinan ideas que provienen de cuatro campos
Como se aprecia, esta clasificación no es más que de investigación diferentes: de las técnicas de
una estructuración diferente de la presentada por diseño de algoritmos que resuelven una colección
Martí (2003), donde más bien se intenta de problemas, de los algoritmos específicos
discriminar entre método y estrategia. dependientes del problema a resolver, de fuentes
de inspiración del mundo real, y de métodos
Metaheurísticas estadísticos.
Una metaheurística “es un método de solución Generalmente, la creación de métodos heurísticos
general que proporciona tanto una estructura es un proceso que conjuga dos características
general como criterios estratégicos para desarrollar opuestas fundamentales: la intensificación
un método heurístico específico que se ajuste a un (explotación del espacio) referida al esfuerzo
tipo particular de problema” (Hillier y Lieberman, empleado en la búsqueda en la región actual, y la
2010, p. 598). La metaheurística nace con el diversificación (exploración del espacio) vinculada
propósito de evitar tener que comenzar de cero al esfuerzo empleado en la búsqueda en regiones
cada vez que se presente un problema cuyo distantes del espacio; por lo que debe buscarse el
modelo no puede ser tratado por los métodos equilibrio entre ambas, para lograr buenas
convencionales, para encontrar una solución soluciones en poco tiempo (Herrera, 2009).
óptima. De acuerdo con estos autores, la principal En la actualidad se conocen varias metaheurísticas
ventaja de una metaheurística bien diseñada, es que se han desarrollado exitosamente en la
que permite moverse relativamente rápido hacia resolución de determinados problemas, tales
soluciones muy buenas, proporcionando una como: los algoritmos voraces, la ascensión de
forma muy eficiente de resolver problemas colinas, el recocido simulado, colonias de
complicados. Entre tanto, la principal desventaja es hormigas, algoritmos de enjambre, la búsqueda
que no existe garantía de que la mejor solución que tabú, los algoritmos genéticos, los algoritmos
se obtenga, sea una solución óptima o incluso que meméticos, entre otros.
esté cerca de serlo. No obstante, aunque suele ser una tarea poco
Por su parte, para Herrera (2009) las sencilla, algunos autores han recopilado algunas
metaheurísticas son algoritmos aproximados de formas en las que se pudieran clasificar las
propósito general que consisten en procedimientos metaheurísticas; en este sentido autores como
iterativos que guían una heurística subordinada, Duarte (2007) o, Blum y Roli (2003) presentan las
combinando distintos conceptos para explorar y siguientes taxonomías clásicas:
explotar adecuadamente el espacio de búsqueda. 1.Atendiendo a la inspiración:
En otras palabras, tal como lo explica Martí (2003), a.Natural: se basan en un símil real (biológico,
los procedimientos metaheurísticos social, cultural)
conceptualmente se ubican por encima de los b.Sin inspiración: se obtienen directamente de sus
métodos heurísticos, dado que guían su diseño propiedades matemáticas
para la resolución de problemas difíciles de 2.Atendiendo al número de soluciones:
optimización combinatoria, en los cuales los a.Poblacionales: buscan el óptimo a través de un
métodos clásicos no son efectivos. Las conjunto de soluciones
metaheurísticas combinan diferentes conceptos de b.Trayectoriales: trabajan con una solución que
la inteligencia artificial, la evolución biológica y los mejoran iterativamente
3.Atendiendo a la función objetivo: los procesos evolutivos, y señala como otros tipos
a.Estáticas: no hacen ninguna modificación sobre intermedios, las metaheurísticas de
la función objetivo del problema descomposición y las de memoria a largo plazo. En
b.Dinámicas: modifican la función objetivo la Tabla 1 se resumen las diferentes formas de
durante la búsqueda clasificar las metaheurísticas de acuerdo a los
4.Atendiendo a la vecindad: autores citados.
a.Una vecindad: utilizan exclusivamente una Por otro lado, no debe dejarse de mencionar las
estructura de vecindad metaheurísticas inspiradas en distintos fenómenos
b.Varias vecindades: modifican la estructura de de la naturaleza tales como las redes neuronales,
vecindad las colonias de hormigas, las bandadas de aves o
5.Atendiendo al uso de memoria: bancos de peces, los cuales han dado origen a
a.Sin memoria: se basan exclusivamente en el metaheurísticas como las redes neuronales
estado anterior artificiales, los sistemas de hormigas, o la
b.Con memoria: utilizan una estructura de optimización de partículas inteligentes.
memoria para recordar la historia pasada
Por su parte, Herrera (2009) presenta una posible Tabla 1. Formas de clasificación de las
forma de clasificación de las metaheurísticas: metaheurísticas
Criterio Tipo de Metaheurística
1.Basadas en métodos constructivos: las cuales
parten de una solución inicial vacía y se van Fuente de inspiración Fenómenos naturales
agregando componentes hasta construir una Sin inspiración
Cantidad de soluciones Poblacional
solución. En este grupo se pueden mencionar:
Trayectorial
GRASP, optimización basada en colonias de Función objetivo Estática
hormigas. Dinámica
2.Basadas en trayectorias: utilizan como heurística Cantidad de Una vecindad
vecindades Varias vecindades
subordinada cualquier algoritmo de búsqueda
Uso de memoria Sin memoria
local, que sigue una trayectoria en el espacio de Con memoria
búsqueda, mediante iteraciones que tratan de Estrategia seguida Método constructivo
remplazar una solución inicial por otra de mejor Basada en trayectorias
calidad. Allí se encuentran: búsqueda local, Basada en poblaciones
Tipo de Para métodos de relajación
templado simulado, búsqueda tabú, búsqueda
procedimientos referidos Para procesos constructivos
local iterativa, entre otras. Para búsquedas por entorno
3.Basadas en poblaciones: el proceso contempla Para procesos evolutivos
múltiples puntos de búsqueda en el espacio, que De descomposición
De memoria a largo plazo
evolucionan en paralelo. Dentro de ellas están:
algoritmos genéticos, algoritmos meméticos,
Como se puede apreciar, no existe una clasificación
algoritmos basados en nubes de partículas,
rigurosa ni totalmente aceptada respecto a la gran
búsqueda dispersa, entre otros. diversidad de metaheurísticas desarrolladas, las cuales
Melián et al. (2003) más bien las clasifican en presentan diferencias en cuanto a su naturaleza,
función del tipo de procedimientos a los que se estrategia seguida, estructuración, o número de
refiere, asemejándose más a la categorización de soluciones consideradas a la vez; lo que hace que en
los métodos heurísticos presentada anteriormente. algunos casos las categorías planteadas no sean
De esta forma, mencionan que los tipos excluyentes, permitiendo que un mismo método pudiera
fundamentales son las metaheurísticas para los incluirse en más de una categoría. Además, como ya se
ha planteado la esencia de la metaheurística es guiar el
métodos de relajación, las metaheurísticas para los
desarrollo de métodos heurísticos que permitan darle
procesos constructivos, las metaheurísticas para las
solución a un problema determinado, y facilitar la toma
búsquedas por entornos y las metaheurísticas para de decisiones.
De esta forma, resalta en primer lugar el uso de los Seguidamente, con 14,7% y 11,8% de artículos,
algoritmos genéticos (GA) como la metaheurística continúan el recocido simulado (SA) y los procesos
preferida por los investigadores; la misma fue aleatorizados y adaptativos de búsqueda voraz
utilizada en el 27,1% (92) de los casos. El tipo de (GRASP), respectivamente (Baesler et al., 2008;
problema que ha sido abordado de forma más Barros y Moccellin, 2003; Bautista et al., 2008;
repetitiva por los algoritmos genéticos es el de Bermeo y Calderón, 2009; Escobar et al., 2011;
programación de la producción, específicamente Hernández et al., 2011; Peixoto y Barbieri, 2011).
en lo referente a la asignación y secuenciación de La práctica de combinar dos o más metaheurísticas
las operaciones del proceso, tanto en sistemas de como estrategia para alcanzar mejores soluciones
producción tipo taller como en líneas de en tiempos más cortos se ha venido convirtiendo
producción. En este sentido se pueden reseñar en una importante tendencia para resolver
trabajos como los de Correa et al. (2008), D’Armas diversos problemas de optimización. Al respecto,
(2010), Debels y Vanhoucke (2007), Magalhães en la revisión efectuada se hallaron 57 trabajos
(2009), Mateo y D’Armas (2008), Ramírez et al. (16,8%) que incluyen metodologías híbridas o
(2009), Ramírez et al. (2011), Taheri y Zomaya hibridación, es decir, se incorpora una
(2009), Toro et al. (2006), y Zinflou et al. (2010). metaheurística como apoyo a otra metaheurística
En segundo lugar, como las metaheurísticas más principal, por lo general para formar la población
recurrentes en los trabajos consultados, se inicial y así reducir el tiempo que implica arrancar
encuentra la búsqueda tabú (TS), figurando en el con una población al azar; tal es el caso de Báez et
22,4% (76) de las investigaciones. Al igual que en el al. (2008) quienes utilizaron ANN para la
caso de los GA, también se ha empleado tanto de generación de los valores iniciales que luego serán
forma individual como en combinación con otras mejorados mediante GA.
metaheurísticas, para tratar problemas de diferente Así mismo, otro ejemplo de hibridación es la
índole, aunque resaltan los casos de enrutamiento estrategia implementada por Toro y Granada
de vehículos, secuenciación o programación de la (2005) para resolver un problema de asignación
producción y localización de instalaciones generalizada, la cual consistió en abordar la etapa
(Caramia y Giordani, 2009; Gagné et al., 2005; de mutación del GA a través del SA. Por su parte,
Hernández et al., 2006; Li et al., 2009; Liu y Kozan, González y González (2007) probaron una
2012; Martins et al., 2003; Moreno et al., 2005; metaheurística híbrida para la solución de un
Wassan et al., 2008). problema de enrutamiento de vehículos, la cual
La optimización por colonia de hormigas (ACO) consiste en utilizar un algoritmo genético para
constituye la tercera metaheurística más utilizada conformar clústeres de los clientes, seguido de un
en los artículos encontrados, tal como lo refleja el algoritmo de búsqueda tabú para hallar la ruta
15,0% (51) de las referencias. En este caso, los dentro de cada clúster, encontrando mejoras hasta
problemas más recurrentes siguen siendo el de de un 23% respecto al empleo de sólo GA.
secuenciación o programación, enrutamiento de Soto et al. (2008) abordaron el problema de
vehículos y el agente viajero (Allaoua y Gasbaoui, enrutamiento de vehículos mediante una
2009; Ke et al., 2010; Li et al., 2009; Merkle y metaheurística híbrida conformada por GA para
Middendorf, 2003; Sadjadi et al., 2008; Surekha, clasificar y ACO para optimizar localmente cada
2010; VAsko et al., 2011). Esta metaheurística sub-ruta, obteniendo soluciones cercanas a las
pertenece a la categoría de los algoritmos óptimas conocidas.
bioinspirados que buscan replicar fenómenos o Otra tendencia importante de mencionar en el
comportamientos de la naturaleza para la solución tema de las metaheurísticas es la de paralelismo o
de problemas cotidianos, y la misma está inspirada paralelización, referida al uso compartido y
en el comportamiento que siguen las hormigas al simultáneo de recursos computacionales, de forma
momento de buscar sus alimentos. que se puedan ejecutar tareas pequeñas de un
problema más grande en varios computadores o replicabilidad que tienen las metaheurísticas,
procesadores, en especial en aquellos problemas pretendiendo así mayor vinculación entre la
intensivos en tiempos de cómputo y en calidad de la solución y la rapidez de la
requerimientos de memoria. Su ventaja viene dada implementación y la ejecución (Garrido, 2006).
además por la posibilidad de utilizar diferentes El mismo autor menciona que las hiperheurísticas
estrategias y valores de los parámetros de forma pueden incluir métodos sin aprendizaje, con
simultánea, para lograr una mayor diversidad y aprendizaje, basadas en razonamiento y con
exploración del espacio de búsqueda (Lüer et al., aprendizaje incremental. Algunas de las
2009; Alfonso et al., 2010). hiperheurísticas utilizando metaheurísticas son la
Para Alfonso et al (2010) el paralelismo junto a la búsqueda tabú incremental, algoritmos genéticos
hibridación constituyen dos de las ramas más evolucionados, sistema de hormigas, recocido
exitosas para la construcción de algoritmos simulado incremental, entre otras.
eficientes. La mezcla de ambas estrategias, es decir, El papel de las metaheurísticas en la ergonomía
utilizar modelos paralelos donde se usan A pesar de que en el campo de la ingeniería
diferentes procedimientos de búsqueda para industrial, las metaheurísticas se han venido
explorar el espacio de soluciones, da origen a una aplicando y relacionando principalmente a la
metaheurística heterogénea paralela. resolución de problemas del área de la
No obstante, aun cuando muchos investigadores administración de la producción y las operaciones,
continúan transitando en el camino del desarrollo específicamente en temas como la planificación y
de las metaheurísticas, bien por la creación de programación de tareas, localización, distribución
nuevos algoritmos o mediante el en planta, y la distribución y abastecimiento de
perfeccionamiento de los ya existentes, ha surgido mercancía; es posible darle otras aplicaciones con
un nuevo concepto que transciende al de las fines distintos, aunque en esencia se pueda tratar
metaheurísticas en cuanto a la búsqueda de de derivaciones de los mismos problemas clásicos.
solución de problemas complejos; se trata de las Tal es el caso del área de la ergonomía en la que las
denominadas hiperheurísticas, definidas como metaheurísticas pudieran realizar importantes
métodos que inteligentemente controlan la contribuciones que permitan darle solución a
selección de la heurística subordinada que debiera ciertas situaciones problemáticas. Al respecto, en la
ser aplicada en cada punto de decisión revisión documental efectuada se encontraron tres
dependiendo de sus características y de la región referencias (del mismo autor principal) en las que
del espacio de solución en estudio, mediante un se realizaron planteamientos ergonómicos y cuyo
mecanismo de aprendizaje. De esta forma, las abordaje se llevó a cabo mediante metaheurísticas
hiperheurísticas buscan superar la desventaja de (Ver Tabla 3).
En el primer trabajo referido, Asensio (2009) La ANN desarrollada en este caso se caracterizó
desarrolló una metodología basada en algoritmos por contar con un elevado número de conexiones
genéticos para generar agendas de rotación que pudieran relacionar las características de la
orientadas a reducir los tiempos de exposición de tarea con el riesgo de provocar LBDs; se emplearon
los trabajadores, a determinados factores de riesgo tres capas ocultas en las que sus neuronas además
relacionados a trastornos músculo-esqueléticos y de conectarse con las neuronas de la capa
por consiguiente prevenir la aparición de los siguiente, podían saltar sobre ella y conectarse con
mismos. Las agendas o planes de rotación neuronas de capas posteriores, estrategia que, de
pertenecen a los denominados problemas de acuerdo a los autores, permitió que la red se
horarios y secuenciación, ampliamente analizados entrenara más rápido. En general, fueron
mediante técnicas metaheurísticas, por entrenadas redes con 7, 8 y 9 neuronas en la
considerarse como un problema de optimización primera capa oculta, 5, 6 y 7 en la segunda, 3 en la
complejo. tercera y 1 en la capa de salida de la red. La red
Una característica importante en la metodología que arrojó los mejores valores en cuanto a la
propuesta por Asensio (2009) es la consideración proporción de puestos de trabajo correctamente
de múltiples factores que pueden afectar una clasificados fue la compuesta por capas ocultas de
correcta asignación de los trabajadores a los 8, 6 y 3 neuronas respectivamente, la cual contenía
puestos de trabajo, incluyendo restricciones de tipo 197 conexiones neuronales. Los resultados del
individual u organizacional, por lo que, no sólo se trabajo de Asensio et al (2010) arrojaron una
estaría buscando la prevención de lesiones precisión mayor que el de otros trabajos previos,
músculo-esqueléticas, sino además mejora de las alcanzando el 81,6% de clasificaciones correctas.
condiciones psicosociales, facilitar la formación de Por su parte, en el tercer trabajo presentado por
los trabajadores, facilitar la reincorporación de Asensio et al (2011) se plantea el uso de algoritmos
trabajadores lesionados y mejorar la genéticos (GA) para afrontar el problema de
productividad. Para la validación del modelo, por obtener agendas de rotación que permita a los
no encontrarse trabajos similares para su trabajadores disminuir la exposición a tareas con
contrastación, se procedió a una validación niveles altos de repetitividad de movimientos,
experimental mediante su aplicación sobre un caso como es el caso de las líneas de producción. La
específico. Los resultados encontrados sugieren importancia del uso de la metaheurística radica en
eficiencia de la metodología en el proceso de la complejidad que puede llegar a tener el
diseño ergonómico de agendas de rotación. problema debido a la cantidad de rotaciones
En el segundo trabajo publicado por Asensio et al requeridas y el número de puestos de trabajo a
(2010) se propone el desarrollo de una red considerar.
neuronal artificial (ANN) con fines de clasificación. El algoritmo desarrollado fue denominado
Se busca predecir el riesgo de que un trabajador ROTOCRA (Rotación ergonómica basada en
padezca trastornos musculo-esqueléticos en la OCRA) y busca aprovechar la eficacia de
parte baja de la espalda (LBDs por sus siglas en optimización de los GA con la capacidad de
inglés) en puestos de trabajo que implique la diagnosticar riesgos por movimientos repetitivos
realización de tareas con levantamiento de cargas. que ofrece el método de evaluación ergonómica
De esta forma el rol de la ANN es el de clasificar OCRA, y el mismo se probó en un caso formado
los puestos de trabajo en dos grupos: los que por 14 puestos de trabajo con niveles de riesgo
representan un riesgo alto de provocar LBDs y los desde alto hasta bajo, y en el cual se presentan
que representan un riesgo bajo. Así, los ergónomos algunos trabajadores con limitaciones de rotación.
podrán contar con mejor información al momento Luego de ejecutar el algoritmo diez veces, fue
de realizar diagnósticos de los riesgos y tomar las posible encontrar soluciones factibles para cada
medidas respectivas. ejecución, cumpliendo con cada restricción dada y
del agente viajero simétrico. Scientia et Technica, XVI (49), Martí, R. (2003). Procedimientos metaheurísticos en
p.122-127. optimización combinatoria. Valencia, España: Universidad de
Gagné, C., Gravel, M. y Price, W. (2005). Using metaheuristic Valencia.
compromise programming for the solution of multiple-objective Martins, V., Santos, L., Barbosa, M. y Ferrari, R. (2003).
scheduling problems. The Journal of the Operational Research Otimização de layouts industriais com base em busca tabu.
Society, 56 (6), p.687-698. Gestão & Produção, 10 (1), p.69-88.
Garrido, P. (2006). Hiperheurísticas: un nuevo enfoque para la Mateo, M. y D’Armas, M. (2008). Programación de la secuencia
resolución de problemas complejos. Recuperado el 01 de de las órdenes de producción mediante la aplicación de
noviembre de 2012 de http://www.inf.utfsm.cl/~mcriff/IA- algoritmos genéticos. Universidad, Ciencia y Tecnología, 12
avanzada/ Hyper_Pres.pdf. (49), p.217-226.
González, G. y González, F. (2007). Metaheurísticas aplicadas al Melián, B., Moreno, J. A. y Moreno, J. M. (2003).
ruteo de vehículos. Un caso de estudio. Parte 3: Genetic Metaheurísticas: una visión global. Revista iberoamericana de
Clustering and Tabu Routing. Revista Ingeniería e inteligencia artificial, 19, p.7-28.
Investigación, 27 (2), p.106-113. Merkle, D. y Middendorf, M. (2003). Ant Colony Optimization
Gould, F. y Eppen, G. (1987). Investigación de operaciones en la with Global Pheromone Evaluation for Scheduling a Single
ciencia administrativa. México: Prentice-Hall. Machine. Applied Intelligence, 18 (1), p.105-111.
Hernández, A., Guerrero, F., Caballero, R. y Molina, J. (2006). Moreno, L., Velásquez, J. y Díaz, F. (2005). Solución al problema
Algoritmo tabú para un problema de distribución de espacios. combinado de ubicación estratégica de almacenes y asignación
Revista de Métodos Cuantitativos para la Economía y la de inventarios usando técnicas heurísticas. Dyna, 72 (145), p.57-
Empresa, 1, p.25-37. 66.
Hernández, J., Hernández, S. y Flores, I. (2011). Algoritmo Peixoto, G. y Barbieri, C. (2011). Uso da técnica de busca em
recocido simulado para el problema de la programación del vizinhança de grande porte para a programação da escala de
tamaño del lote económico bajo el enfoque de ciclo básico. motoristas de ônibus urbano. Transportes, 18 (2).
Ingeniare, Revista Chilena de Ingeniería, 19 (3), p.473-485. Ramírez, S., Jiménez, X., López, M. y Contreras, K. (2009).
Herrera, F. (2009). Introducción a los algoritmos Aplicación de un algoritmo genético simple con reparación en
metaheurísticos. Recuperado el 29 de octubre de 2012 de un caso real de planeación de producción discreta: fase I.
http://sci2s.ugr.es/docencia/metaheuristicas/Int- Revista de la Ingeniería Industrial, 3 (1), p.1-13.
Metaheuristicas-CAEPIA-2009.pdf. Ramírez, S., Moncayo, L. y González, G. (2011). Un caso real de
Hillier, F. y Lieberman, G. (2010). Introducción a la asignación de recursos en un proceso con líneas paralelas y
investigación de operaciones. 9a ed. México: McGraw-Hill. productos múltiples. Revista de la Ingeniería Industrial, 5 (1),
International Ergonomics Association (IEA) (2010). Definition p.47-75.
of ergonomics. Recuperado el 01 de marzo de 2012 de Real Academia Española (2012). Diccionario de la lengua
http://www.iea.cc/01_what/What%20is%20Ergonomics. html. española. Recuperado el 28 de octubre de 2012 de
Ke, L., Feng, Z., Ren, Z. y Wei, X. (2010). An ant colony http://lema.rae.es/drae/?val=heuristico.
optimization approach for the multidimensional knapsack Rodríguez, C. (2010). Algoritmos heurísticos y metaheurísticos
problem. Journal of Heuristics, 16 (1), p.65-83. para el problema de localización de regeneradores. (Trabajo de
Li, X., Tian, P. y Leung, S. (2009). An ant colony optimization grado). Universidad Rey Juan Carlos. Madrid.
metaheuristic hybridized with tabu search for open vehicle Sadjadi, S., Bouquard, J. y Ziaee M. (2008). An Ant Colony
routing problems. The Journal of the Operational Research Algorithm for the Flowshop Scheduling Problem. Journal of
Society, 60 (7), p.1012-1025. Applied Sciences, 8 (21), p.3938-3944.
Liu, S. y Kozan, E. (2012). A hybrid shifting bottleneck Soto, D., Soto, W. y Pinzón, Y. (2008). Una metaheurística
procedure algorithm for the parallel-machine job-shop híbrida aplicada a un problema de planificación de rutas.
scheduling problem. The Journal of the Operational Research Revista Avances en Sistemas e Informática, 5 (3), p.135-144.
Society, 63 (2), p.168-182. Surekha, P. (2010). Solving Fuzzy based Job Shop Scheduling
Lüer, A., Venegas, B. y Bustos, J. (2009). Estrategias de Problems using GA and ACO. Journal of Emerging Trends in
paralelización de metaheurísticas aplicadas a problemas de Computing and Information Sciences, 1 (2), p.95-102.
localización de instalaciones. Ingeniería Industrial, 8 (2), p.75- Taheri, J. y Zomaya, A. (2009). RBT-GA: a novel metaheuristic
90. for solving the multiple sequence alignment problema. BMC
Luna, F. (2008). Metaheurísticas avanzadas para problemas Genomics, 10 (Suppl 1), S10.
reales en redes de telecomunicaciones. (Tesis doctoral). Toro, E. y Granada M. (2005). Método híbrido entre el algoritmo
Recuperado el 01 de noviembre de 2012 de genético de Chu-Beasley y simulated annealing para la solución
http://neo.lcc.uma.es/tesis/F.Luna.Phd.Dissertation.pdf. del problema de asignación generalizada. Scientia et Technica,
Magalhães, J. (2009). A metaheuristic for project scheduling XI (28), p.19-24.
with multi-modes and limited resources. Iberoamericana de Toro, E., Restrepo, Y. y Granada M. (2006). Algoritmo genético
Engenharia Industrial, 1 (1), p.88-105. modificado aplicado al problema de secuenciamiento de tareas
Maroto, C., Alcáraz, J. y Ruíz, R. (2002). Investigación operativa: en sistemas de produccion lineal – Flow Shop. Scientia et
modelos y técnicas de optimización. Valencia, España: Technica, XII (30), p.285-290.
Universidad Politécnica de Valencia.
Vasko, F., Bobeck, J. Governale, M., Rieksts, D. y Keffer, J. Wassan, N., Nagy, G. y Ahmadi, S. (2008). A heuristic method
(2011). A statistical analysis of parameter values for the rank- for the vehicle routing problem with mixed deliveries and
based ant colony optimization algorithm for the traveling pickups. Journal of Scheduling, 11 (2), p.149-161.
salesperson problem. The Journal of the Operational Research Zinflou, A., Gagné, C. y Gravel, M. (2010). Genetic Algorithm
Society, 62 (6), p.1169-1176. with Hybrid Integer Linear Programming Crossover Operators
for the Car-Sequencing Problem. INFOR 48 (1), p.23-37.
Autor
Mervyn Márquez Gómez. Ingeniero Industrial. Magíster en Ingeniería Industrial, Universidad Nacional
Experimental del Táchira. Participante del Doctorado en Ingeniería, Área Industrial, Universidad de
Carabobo. Profesor Agregado a Dedicación Exclusiva, Investigador PEII Nivel B, Departamento de
Ingeniería Industrial, Universidad Nacional Experimental del Táchira, San Cristóbal, Venezuela.
E-mail: mervyn@unet.edu.veRecibido: