Aplicación del método de selección del mejor subconjunto en problemas de optimización mediante simulación

Autores/as

  • Sergio Daniel Ochoa Buitrago Departamento de Ingeniería Industrial, Universidad de los Andes , Bogotá, Colombia
  • Ciro Alberto Amaya Guio Departamento de Ingeniería Industrial, Universidad de los Andes , Bogotá, Colombia

Palabras clave:

Evaluación de escenarios, sistemas complejos, diseño de experimentos, optimización vía simulación, BSS, multi-etapa, CRN.

Resumen

Dentro del proceso de optimización vía simulación (OvS) se utilizan procedimientos de búsqueda y exploración del espacio solución, así como etapas de costeo y depuración, con el fin de obtener una alternativa que optimice el desempeño del sistema en cuestión. La obtención de un conjunto de soluciones muy buenas enriquece el proceso de toma de decisión, ya que permite evaluar alternativas a la luz de la experiencia y situaciones puntuales del sistema. En este trabajo se desarrolló una aplicación que permite obtener un subconjunto de alternativas que apoyen el proceso de toma de decisión en la mejora de un sistema.La aplicación se desarrolló a partir de análisis de sensibilidad del método de selección frente a tamaños de muestra y parámetros iniciales, así como el efecto de inclusión de técnicas como Common Random Numbers (CRN). El método de selección empleado (Selección del mejor subconjunto - BSS) se comparó con otro de similares características (Selección del mejor - NSGS), obteniendo resultados favorables en desempeño y robustez. Como resultado de la metodología propuesta, en el subconjunto final se encontró la mejor solución explorada bajo un parámetro de riesgo definido, así como una serie de alternativas competentes para la maximización del desempeño del sistema.

There are many algorithms and methods used in order to optimize systems using simulation procedures. These methods involve local search algorithms and solution space exploration methods, and additional costing stages. The main objective of these procedures is to obtain the best configuration in order to maximize the system performance. However, solutions must be analyzed through expertise and criteria of decision makers, and obtaining a set of possible solutions instead of only one is more valuable. An entire methodology was developed based on sensitivity analysis of input parameters and sample sizes in order to obtain a subset of very good alternatives from a big set of possible scenarios. As an additional sensitivity analysis, an experiment of the effect of Common Random Numbers (CRN) in the selection method performance was conducted. The selection method used on this work (Best Subset Selectio - BSS) was compared to other with similarspecifications (Selection of the best – NSGS) obtaining higher performance results. As a result of the suggested methodology, there will be at the final set a few high competitive alternatives that could significantly improve system performance.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

BANKS, J., CARSON, J., NELSON, B., and NICOL, D.Discrete-event system simulation. Prentice Hall.5a ed. 2009. 622 p.

BIANCHI, L., DORIGO, M., and GAMBARDELLA, M. Metaheuristics in Stochastic Combinatorial Optimization: a Survey [en línea].IDSIA reporte técnico, 2006. http://www.idsia.ch/idsiareport/IDSIA-08-06.pdf [Consulta 9 de septiembre 2013].

CARSON, J., and MARIA, A. Simulation optimization: Methods and applications. In: Proceedings of the Winter Simulation Conference (1997: Atlanta, Georgia, USA). [1997].

DENG, G. Simulation-Based optimization. Tesis Doctoral. USA: University of Wisconsin, 2007.

DUDEWICZ, E. J., and Dalal, S. Allocation of Observations in Ranking and Selection with Unequal Variances.Sankhya. The Indian Journal of Statistics, 1975, Series B 37, no.1, p. 28–78.

GUPTA, S. S. On Some Multiple Decision (Selection and Ranking) Rules. Technometrics, 1965, vol. 7, no.2, p. 225–245.

GUTJAH, W. Recent trends in metaheuristics for stochastic combinatorial optimization. Central European Journal of Computer Science, 2011, vol.1, p. 58-66.

HONG, L., and NELSON, B. A brief introduction to optimization via simulation. In: Proceedings of the 2009 Winter Simulation Conference (2009: Austin, Texas, USA). [2009].

HOOS, H., and SÜTZLE, T. Stochastic local search. Foundations and applications. Morgan Kaufmann Publishers Inc. San Francisco, CA, USA. 2004.

KIM, H., and NELSON, B. Selecting the best system: Theory and methods.Proceedings of the 2003 Winter Simulation Conference.New Orleans, Louisiana, USA. 2003.

NELSON, B., SWANN, J.,GOLDSMAN, D., and Song, W. Simple procedures for selecting the bestsimulated system when the number of alternatives is large. Operations Research, 2001, vol. 49, no.6, p. 950–963. 2001.

YU W., LUANGKESORN L., and SHUMAN L. Best-subset selection procedure. In: Proceedings of the 2011 Winter SimulationConference. (2011: Phoenix, Arizona, USA) [ 2011].

Descargas

Publicado

2014-04-30

Número

Sección

Artículos