Programación multiobjetivo de máquinas moldureras a través de algoritmos meméticos

Abstract

Este trabajo introduce un algoritmo de optimización multiobjetivo basado en la variante de la programación evolutiva denominada algoritmos meméticos (AM). Este algoritmo propuesto por los autores, combina la evolución genética con búsqueda local, al igual que los AM tradicionales, pero con la diferencia del uso de poblaciones independientes para cada objetivo. Además utiliza un mecanismo para buscar soluciones de mejor compromiso (tradeoff) en el cual se utiliza búsqueda local restringida mediante un parámetro de compromiso. Este algoritmo fue aplicado a un problema de programación de la producción en un proceso de fabricación de molduras donde es comparado con otras dos técnicas multiobjetivo disponibles en la literatura; Multiobjective Simulated Annealing (MOSA) y Multiobjective Genetic Algorithm (MOGA). El algoritmo propuesto, genera soluciones que en base a los experimentos resueltos, superan significativamente a otras técnicas utilizadas como referencia, y su validación se logra resolviendo un problema real en el cual se definen dos objetivos de interés industrial, como son: el tiempo total de fabricación (Cmax) y el atraso total. Para ambos objetivos se busca la minimización. Estos objetivos tienen impacto directo tanto en la productividad del proceso como en la capacidad de cumplimiento en las fechas de entrega de los productos a los clientes.

This work presents a multiobjective optimization algorithm based on a variant of the evolutionary programming field called memetic algorithms (MA). This algorithm was proposed by the authors, combines genetic evolution with local search, in the same way as traditional MA, but with the use of independent populations for each objective, as well as a mechanism to find  compromise  solutions (tradeoff), where local search is performed restricted by a compromise parameter. The algorithm was applied to a scheduling problem of a molding production process and compared  against two multiobjective techniques available in the literature , Multiobjective Genetic Algorithm (MOGA) and Multiobjective Simulated Annealing (MOSA). The results of the proposed approach, based on the experiments performed, outperformed the benchmark techniques based on two objectives of industrial interest, such as, the total completion time (Cmax) and the total tardiness. Both objectives are minimization. This objectives have a direct impact on the process productivity as well as the capability of delivering the goods on time.