USO DE INTELIGENCIA ARTIFICIAL PARA

LA OPTIMIZACIN DE UN MODELO DE
SIMULACIN APLICADO A UN PROCESO
DE REMANUFACTURA DE PINO RADIATA.
THE USE OF ARTIFICIAL INTELIGENCE FOR THE
OPTIMIZATION OF A SIMULATION MODEL
APPLIED TO A RADIATA PINE MANUFACTURING
PROCESS
Milton Moraga Rebolleo
!
" Feli#e $ae%ler Ab&'are.
(

1
Ingeniero Civil Industrial. Departamento de Ingeniera
Industrial; Facultad de Ingeniera, Universidad del Bo-
Bo,Concepcin, Chile

!h.D. Departamento de Ingeniera Industrial; Facultad de

Ingeniera, Universidad del Bo-Bo,Concepcin, Chile.
"utor para correspondencia# $%aesler&u%io.cl
RESUMEN
'ste artculo tiene por o%(etivo presentar los resultados
o%tenidos al aplicar una metodologa de optimi)acin en
simulacin, a un proceso de remanu$actura de pino radiata
*Pinus radiata+, de una conocida planta maderera regional. !ara
este e$ecto se utili) un modelo de simulacin construido en el
pa,uete de simulacin "-'.", integrado con una heurstica de
algoritmos gen/ticos. 0os resultados o%tenidos al aplicar la
metodologa demuestran ,ue utili)ando una con$iguracin
di$erente de recursos en la empresa, es posi%le reducir el
tiempo promedio de permanencia de los productos dentro del
sistema, en apro1imadamente un 123. 0a con$iguracin
necesaria para lograr este resultado se o%tuvo evaluando
solamente un 1.43 de todas las com%inaciones posi%les.
Palabra% )la*e# 5imulacin, 6ptimi)acin, "lgoritmos
7en/ticos, -emanu$actura 8aderas. !ino radiata
A$STRACT
9he o%(ective o$ this article is to present the results o%tained
a$ter using a simulation optimi)ation methodolog: applied to a
remanu$acturing radiata pine *Pinus radiata+ process o$ one o$
the production lines o$ a ;ell <no;n regional lum%er industr:.
For this reason a simulation model constructed in a simulation
so$t;are called "-'.", ;as integrated to a genetic algorithms
heuristic. 9he results o%tained sho; that using a di$$erent
con$iguration o$ the plant resources it is possi%le to reduce the
total average time that the products remains in the s:stem in
appro1imatel: 123. 9he con$iguration that is needed to reach
this result ;as o%tained evaluating (ust 1.43 o$ the total
num%er o$ possi%le com%inations.
+e,-or%# 5imulation, 6ptimi)ation, 7enetic "lgorithms, =ood
-emanu$acturing, -adiata pine
INTRODUCCIN
0a simulacin de procesos es una herramienta computacional
,ue permite anali)ar el comportamiento de un sistema con el $in
de evaluar di$erentes condiciones de operacin ,ue podran
signi$icar una me(ora en una medida de e$ectividad del proceso
%a(o estudio. 'sta herramienta no permite encontrar la
con$iguracin ptima de los recursos involucrados en el proceso
,ue ma1imicen o minimicen una varia%le de respuesta de este
sistema. 5olo permite comparar di$erentes alternativas
evaluadas a trav/s de la simulacin : seleccionar la ,ue
presente me(ores resultados. 's claro ,ue este en$o,ue
presenta la desventa(a ,ue la me(or solucin posi%le no
necesariamente $ue encontrada. Como respuesta a esta
pro%lem>tica surge como alternativa el concepto optimi)acin
en simulacin. 'ste concepto integra un modelo de simulacin
tradicional con alguna herramienta de optimi)acin ,ue permita
servir de motor de %?s,ueda para encontrar me(ores soluciones.
'n la presente investigacin se ha decidido pro%ar el uso
particular de la herramienta de inteligencia arti$icial denominada
algoritmos gen/ticos como heurstica de %?s,ueda : el 5o$t;are
de simulacin "-'." para modelar un proceso de
remanu$actura para la produccin de molduras de una de las
lneas de produccin de una conocida planta maderera regional.
'l o%(etivo es utili)ar la metodologa propuesta para encontrar la
me(or con$iguracin de recursos ,ue permitan minimi)ar el
tiempo promedio de $a%ricacin de molduras en %ase de
maderas.
Dentro de las aplicaciones de optimi)acin en simulacin, en el
>rea de manu$actura podemos destacar las e1periencias
presentadas por *!ierreval, 1@@A; 5ammons : Chrocan, 1@@4;
")adivar et.al,1@@4; -osen%latt et.al, 1@@B+. 9odos estos
artculos presentan casos de optimi)acin en simulacin
aplicados a distintos sistemas de manu$actura utili)ando
diversas herramientas de optimi)acin. Dentro de estos artculos
podemos destacar el primer caso en el cual se aplica Estrategias
Evolutivas como heurstica para la minimi)acin del costo
asociado a un modelo de simulacin de un proceso de
$a%ricacin de envases para :oghurt. 0os resultados mostraron
,ue la heurstica convergi a una solucin vecindario del ptimo.
'sta solucin ptima $ue encontrada previamente va
enumeracin e1haustiva con el $in de pro%ar la e$iciencia de la
metodologa presentada. Un completo resumen de estas : otras
t/cnicas usadas en optimi)acin en simulacin puede ser
encontrado en *Carson : 8aria, 1@@A+.
!. MATERIALES . M/TODOS
!ara la reali)acin del presente tra%a(o, como primera etapa $ue
necesario construir un modelo de simulacin para la lnea de
$a%ricacin de molduras %a(o estudio. !ara este $in se utili) el
so$t;are de simulacin discreta "-'." versin C.D. 'ste modelo
representa el entorno e1perimental el cual permite o%tener
medidas de e$ectividad del proceso para cada una de las
di$erentes com%inaciones de recursos ,ue se ,uieren evaluar.
!osteriormente $ue necesario implementar computacionalmente
la heurstica de optimi)acin, algoritmos gen/ticos, la cual sirve
de motor de %?s,ueda de soluciones. Finalmente se constru:
una inter$a) ,ue permite integrar : automati)ar la comunicacin
entre el modelo de simulacin : la herramienta de optimi)acin.
Cada una de estas etapas comen)ando por la descripcin del
sistema simulado, se presentar>n a continuacin.
!.! De%)ri#)i0n el Si%te1a
'n esta empresa e1isten muchos procesos de produccin, sin
em%argo, su principal negocio son los productos terminados en
madera natural de pino radiata *Pinus radiata D. Don+, : sus
mercados o%(etivos son principalmente de e1portacin a
mercados "si>tico, 'uropa : 'stados Unidos.
0os procesos m>s relevantes dentro de esta empresa son#
1. - -ecepcin de 8aterias !rimas
. - "serradero 8ecani)ado
B. - 0neas de 5ecadores
C. - 0neas de -emanu$actura
.uestro estudio se a%ocar> a la 0I.'" .EB de -emanu$actura,
,ue comprende las siguientes estaciones.
I. 0legada de la madera aserrada h?meda para la planta de
secado, /sta es depositada en una cancha de acopio :
entregada por lotes mediante el uso de un tractor mvil *1
unidades por lote a la ve)+. Distinguimos espesores di$erentes
4-2 mm *tipo 1+ : 2-FF mm *tipo + con una distri%ucin
promedio de AD3 : BD3, el intervalo entre lotes es de @D
minutos dentro de las C horas del da *B turnos de 2hrs cada
uno+ los ,ue signi$ica 14 lotesGda. "pro1imadamente.
II. 0a planta de secado entrega su producto de madera aserrada
seca al 23 a una tasa de BDD 8
B
G da, para a%astecer la planta
de remanu$actura.
III. 'n el proceso de remanu$actura se distinguen dos su%-
procesos, uno para la con$eccin de molduras : otro para la
con$eccin de paneles; esto signi$ica tener varios centros de
tra%a(os : cada uno de ellos tiene di$erentes grados de
ela%oracin : terminacin.
1. Cepilladora ,ue acondiciona la madera para ser ela%orada.
. 9ro)adoras autom>ticas, /stas eliminan todo de$ecto, ,ue no
permiten los productos $inales, seg?n normas de calidad
esta%lecidas para cada producto.
B. 8>,uina $inger(oint o ensam%lador. 8ediante uniones
dentadas, permite dar el largo necesario a las pie)as de madera
con la a:uda de adhesivos de poliacetato vinlico !H" *cola
com?n para madera+.
C. !ara la $a%ricacin de molduras las pie)as :a preparadas
ingresan a una moldurera la ,ue ela%ora estas pie)as en per$iles
: $iguras especiales ,ue est>n solicitadas en el producto $inal.
9am%i/n las pie)as ,ue han sido destinadas para paneles
encolados ingresan a otra m>,uina moldurera, para con$eccionar
los cantos : a la llamada lnea de cola, ,ue como su nom%re lo
indica es donde estos cantos ser>n encolados para $ormar
di$erentes tipos de paneles.
F. 'n el caso de paneles encolados este proceso de ela%oracin
es mucho m>s e1tenso; esto signi$ica ,ue una ve) preparados
los cantos de los listones ingresan a un centro de tra%a(o
llamado m>,uina panelera, cu:o o%(etivo es $ormar los paneles
a partir de los listones, agregando adhesivo, presin :
temperatura adecuada para ,ue $ragIe la cola, estas tres
varia%les son las m>s relevantes en la unin de listones para
con$eccionar el panel solicitado.
4. !osteriormente, los paneles ensam%lados ser>n li(ados para
dar una terminacin super$icial ideal para la $a%ricacin de
mue%les,
A. !ara $inali)ar se reali)a el em%alado $inal : se entrega a la
%odega de productos terminados, previo control de calidad.
De todo lo anterior podemos identi$icar las siguientes
actividades ,ue ser>n consideradas en el modelo de simulacin,
para la $a%ricacin de molduras.
". -ecepcin de 8aderas "serradas J?medas
B. Cepillado de 9a%las
C. 9ro)ado de 9a%las
D. 'nsam%lado de '1tremos, Finger
'. 8oldurera
F. 'm%ala(e
7. Bodega !roductos 9erminados
Uno de los pro%lemas principales ,ue presenta el sistema tiene
relacin con la sincroni)acin de la lnea productiva.
!ermanentemente se perci%e acumulacin de inventario en
proceso en di$erentes estaciones. 0a identi$icacin de los cuellos
de %otella o$rece una alternativa para el me(oramiento del $lu(o
de productos, sin em%argo e1iste una interrelacin entre un
n?mero importante de varia%les ,ue genera incertidum%re
respecto a la me(or accin a tomar para remediar el pro%lema
productivo. !or esta ra)n se decidi la construccin de un
modelo de simulacin para la representacin del sistema %a(o
estudio.
!.( Con%tr&))i0n el Moelo e Si1&la)i0n
!ara la construccin del modelo se sigui una serie de pasos
%>sicos ,ue contemplan las siguientes actividades#
1. Hisitas a la planta.
!ara poder ad,uirir una %ase de conocimiento acepta%le del
proceso en estudio es necesario o%servar directamente el
comportamiento del sistema : estudiar con el ma:or nivel de
detalle posi%le los procesos comprometidos en el o%(eto de
nuestro estudio, el cual es la $a%ricacin de molduras.
. 'studio del proceso en detalle.
'l estudio del proceso, ,ue como se seKal anteriormente, es
reali)ado directamente en terreno, consisti $undamentalmente
de la captura de datos de tiempo relevantes del proceso como
tiempos de proceso de cada estacin, tiempos de traslado
*mediante gr?as hor,uilla, cinta transportadora :Go
manualmente+, tiempos de carga : descarga de la m>,uinas en
(uego : tiempos de detencin o $alla *mantenciones preventivas
: otras+.
B. Diagramacin de las etapas de produccin.
!ara tener una ma:or claridad so%re el proceso se reali) un
diagrama en el ,ue se re$le(an las principales etapas : el modo
en ,ue se trasladan las entidades desde una estacin a la otra,
esta etapa es importante para tener una visin de la disposicin
:Go condicin en la ,ue se encuentra produciendo actualmente,
recordemos ,ue uno de los o%(etivos de este estudio es
encontrar una com%inacin ptima de actores ,ue permita
minimi)ar el tiempo en el sistema de las entidades. 'l diagrama
del proceso se muestra en la Figura 1.
Fig&ra !# Diagrama de las etapas de produccin
C. 'studio de tiempo del proceso.
'ste etapa se reali) a trav/s de la e1traccin de datos
histricos almacenados en las %ases de datos de la empresa
*7enerados por el sistema 5"!+ dichos datos a%arcan un
perodo de tiempo ,ue comprende los meses de "gosto a
.oviem%re del aKo DDD, conteniendo datos diarios de
produccin por cada turno, incluidos los tiempo de detencin por
mantencin : $allas, adem>s del tra%a(o reali)ado durante los
das $estivos, etc.
F. "(uste de Curvas estadsticas.
0os datos recolectados en la etapa anterior $ueron utili)ados
para a(ustar las curvas estadsticas correspondiente a cada
operacin. !ara el desarrollo de esta etapa se usaron los
so$t;are estadsticos 5tat7raphics e Input "nali)er de "rena. 5e
decidi utili)ar am%os so$t;are a modo de comparar sus
resultados en el a(uste de curvas.
4. Construccin del 8odelo en "-'.".
A. Halidacin del 8odelo.
Finalmente el modelo $ue validado. !ara esto se reali) una serie
de e1perimentos de simulacin. 0os resultados arro(ados por el
modelo se compararon con datos reales del sistema. Dado ,ue
no se detect di$erencia signi$icativa entre el comportamiento
del modelo : el sistema real, se consider el modelo validado.
(.2 Algorit1o Gen3ti)o.
0os algoritmos gen/ticos *"7+ son m/todos adaptativos ,ue
pueden ser utili)ados para implementar %?s,uedas : pro%lemas
de optimi)acin. 'llos est>n %asados en los procesos gen/ticos
propios de los organismos %iolgicos, codi$icando una posi%le
solucin a un pro%lema en un LCromosomaM compuesto por una
cadena de %its o caracteres.
'stos cromosomas representan individuos ,ue son llevados a lo
largo de varias generaciones, en $orma similar a las po%laciones
naturales, evolucionando de acuerdo a los principios de
seleccin natural propuestos por LCharles Dar;inM en su li%ro L'l
6rigen de las 'speciesM. 'mulando estos procesos, los
algoritmos gen/ticos son capaces de L'volucionarM soluciones a
pro%lemas del mundo real.
0os "lgoritmos gen/ticos utili)an una analoga directa del
$enmeno de evolucin en la naturale)a. 9ra%a(an con una
po%lacin de individuos, cada uno representando una posi%le
solucin a un pro%lema dado. " cada individuo se le asigna una
puntuacin de adaptacin, dependiendo de ,ue tan %uena $ue la
respuesta al pro%lema. " los m>s adaptados se les da
oportunidad de reproducirse mediante cru)amiento con otros
individuos de la po%lacin, produciendo descendientes con
caractersticas de am%os padres. 0os miem%ros menos
adaptados poseen pocas pro%a%ilidades de ,ue sean
seleccionados para la reproduccin, : desaparecen o mueren.
Una nueva po%lacin de posi%les soluciones es generada
mediante la seleccin de los me(ores individuos de la generacin
actual, empare(>ndolos entre ellos para producir un nuevo
con(unto de individuos. 'sta nueva generacin posee una
proporcin m>s alta de caractersticas posedas por los me(ores
miem%ros de la generacin anterior. De esta $orma, a lo largo de
varias generaciones, las caractersticas %uenas son di$undidas a
lo largo de la po%lacin me)cl>ndose con otras. Favoreciendo el
empare(amiento de los individuos me(or adaptados, es posi%le
recorrer las >reas m>s prometedoras del espacio de %?s,ueda.
5i el algoritmo gen/tico ha sido diseKado correctamente, la
po%lacin converger> a una solucin ptima o casi ptima del
pro%lema. 8a:or in$ormacin so%re teora general de los
algoritmos gen/ticos puede ser encontrada en *7old%erg, 1@2@+.
"lgunos e(emplos de la aplicacin de esta t/cnica a pro%lemas
de ingeniera se pueden encontrar en *7en : Chen, 1@@A; Jaupt
: Jaupt, 1@@2+.
(.4 Con%tr&))i0n e la inter'a5 e )ontrol
Con el $in de integrar : automati)ar el proceso de comunicacin
entre el algoritmo gen/tico : el modelo de simulacin construido
en "-'.", $ue necesario implementar computacionalmente una
inter$a) de control. 'sta inter$a) tiene por o%(etivo rescatar los
resultados arro(ados por el modelo de simulacin : e1portarlos a
la heurstica de algoritmos gen/ticos. De igual manera al
$inali)ar cada iteracin del "7 estos resultados son e1portados
al modelo de simulacin para la evaluacin de un nuevo
escenario. 'ste proceso se repite hasta alcan)ar un criterio de
t/rmino.
!ara desarrollar el algoritmo gen/tico, se utili) una li%rera
p?%lica para CNN llamada 7"li%, esta li%rera $ue desarrollada
en 1@@4 por 8atthe; =all : su e,uipo en el 8I9 L8assachusetts
Institute o$ 9echnolog:M *=all, 1@@4+. 'sta li%rera est>
disponi%le en internet : contiene los cdigos necesarios para
implementar el algoritmo gen/tico. 5e utili) parte de este
cdigo : se adapt a los re,uerimientos espec$icos del
pro%lema en particular. !ara integrar la $uncin de
automati)acin del algoritmo gen/tico es necesario utili)ar
Hisual CNN, no e1istiendo otra alternativa conocida en la
actualidad. Finalmente, para integrar todo : desarrollar la
inter$ace, se utili) Hisual Basic por su $acilidad de mane(o,
rapide) : por supuesto de%ido a ,ue es una herramienta
desarrollada $uertemente en el mane(o de "utomati)acin 60'.
'n la Figura se puede o%servar la inter$a) en accin para el
modelo desarrollado de remanu$actura. De la imagen es posi%le
visuali)ar dos >reas %astante de$inidas, el >rea i),uierda : el
>rea derecha. 'l >rea derecha de la inter$ace muestra todas las
varia%les de control, el valor promedio de las r/plicas : el
tiempo promedio en el sistema de todas las entidades. 'n la
parte superior se muestra, n?mero de cepilladoras, tro)adoras,
$ingers, moldureras : gr?as. 'l >rea i),uierda de la inter$ace
entrega datos de inter/s con respecto al algoritmo gen/tico.
Fig&ra (# !antalla Inter$a) 7r>$ica
RESULTADOS . DISCUSIN
Una ve) construido el modelo de simulacin al igual ,ue la
inter$a) gr>$ica : la heurstica de algoritmos gen/ticos se
procedi a resolver el pro%lema de optimi)acin propuesto como
o%(etivo del estudio. !ara reali)ar la optimi)acin se de$ini un
total de F varia%les de control, las cuales corresponden a la
capacidad de los recursos ,ue son considerados como crticos
por los e1pertos involucrados en el proceso. Como $uncin
o%(etivo se seleccion el tiempo promedio ,ue una entidad
permanece dentro del proceso productivo. !ara este pro%lema
en particular una entidad corresponde a una unidad del producto
a $a%ricar. 0a 9a%la 1 muestra las F varia%les de control
seleccionadas al igual ,ue los lmites mnimo : m>1imo $acti%les
para cada varia%le. Usando esta estructura se constru: el
cromosoma a ser utili)ado en el proceso evolutivo del algoritmo
gen/tico. 5e utili) una con$iguracin real entera de F genes
para la representacin del cromosoma. De esta manera el
cromosoma tiene la siguiente estructura, *var 1, var , var B,
var C, var F+. Considerando el rango de cada varia%le se puede
apreciar ,ue e1iste un total de 2@4D com%inaciones di$erentes.
'n otras pala%ras si se ,uisiera reali)ar una enumeracin
e1haustiva con el $in de evaluar todas las posi%les alternativas :
as seleccionar la solucin ptima, sera necesario correr igual
n?mero de escenarios del modelo de simulacin. Considerando
,ue cada una de las simulaciones demora apro1imadamente F
minutos en $inali)ar, concretar los 2@4D escenarios tardara AAC
horas lo ,ue corresponde a apro1imadamente B1 das de
simulacin continua. 6%tener una solucin en estas condiciones
se torna invia%le, dado el tiempo necesario, adem>s de la
pro%a%ilidad ,ue el sistema computacional $alle de%ido a la alta
carga a la cual sera sometido.
Tabla !# Haria%les de Control
ELEMENTO M6NIMO M78IMO
C'!I00"D6-"5 1 1D
9-6O"D6-"5 1 C
FI.7'-5 1 C
860DU-'-"5 1 2
J6-PUI00"5 1 A
Considerando estas condiciones operacionales se aplic la
metodologa utili)ando los par>metros para el algoritmo
gen/tico presentados en la 9a%la . 'l proceso de optimi)acin
evolucion durante un total de 1F generaciones antes de
alcan)ar el criterio de detencin. 'l proceso evolutivo se
presenta en la Figura B. 'ste gr>$ico muestra como el valor
medio de la $uncin o%(etivo disminu:e a lo largo del proceso.
Con la $inalidad de anali)ar el me(oramiento ,ue o$rece la
solucin propuesta por el algoritmo gen/tico, se simul la
con$iguracin ,ue la empresa utili)a en estos momentos. 0os
resultados de esta con$iguracin : los correspondientes a la
alternativa propuesta se presentan en la 9a%la B.
Tabla (# !ar>metros del "lgoritmo 7en/tico
PARAMETRO DEL AG 9ALOR
Ta1a:o ini)ial e la #obla)i0n. !;
M<=i1o n>1ero e genera)ione% a e*ol&)ionar. (;
Probabilia e M&ta)i0n. ;.!
Probabilia e )r&5a1iento. ;.?@
U%o e eliti%1o. SI
Criterio e Deten)i0n
2
M<=i1o n>1ero e genera)ione% %in )a1bio
%&%tan)ial.
Tabla 2A Comparacin de "lternativas
ELEMENTO
SOLUCIN
ACTUAL
SOLUCIN
PROPUESTA
C'!I00"D6-"5 F A
9-6O"D6-"5 C C
FI.7'-5
860DU-'-"5 C 2
J6-PUI00"5 1 F
9I'8!6 !-6C'56 8'DI6 8,48 6,94
Fig&ra 2# !roceso 'volutivo
0uego de su detencin tras evolucionar 1F generaciones, la
solucin propuesta por el algoritmo gen/tico, representa una
me(ora de un 12.3 respecto de la situacin actual de la
empresa, esto implica o%viamente, una me(ora en la
productividad de la empresa, la cual puede estimarse en @F,4
metros c?%icos de molduras adicionales por mes, se de%e
recordar ,ue en las condiciones actuales de produccin, los
niveles productivos alcan)an a los C@ metros c?%icos
mensuales de molduras.
6tro aspecto importante de destacar es la di$erencia en
in$raestructura re,uerida para lograr este nivel de produccin.
5e destaca un claro incremento en el uso de moldureras : de
gr?as hor,uilla, estas ?ltimas representan el ma:or impacto :
tienden a minimi)ar la cantidad de inventarios intermedios en
los centros de tra%a(o.
's importante mencionar ,ue la implementacin de la solucin
propuesta re,uiere de una inversin considera%le de%ido al
incremento de las 7r?as Jor,uilla : al aumento en los recursos
Cepilladoras : 8oldureras. 0a via%ilidad de la implementacin de
esta alternativa de%e ser anali)ada mediante el desarrollo de un
estudio t/cnico-econmico.
6tra consideracin de inter/s est> relacionada con la e$iciencia
de la metodologa propuesta. 'ste concepto tiene relacin con el
tamaKo del espacio muestral ,ue $ue necesario e1plorar para
alcan)ar la solucin propuesta. 0a heurstica convergi a una
solucin despu/s de e1plorar 1FD escenarios. 'ste valor
corresponde a apro1imadamente 1.43 de las 2@4D alternativas
di$erentes de solucin.
CONCLUSIONES
'ste artculo muestra como utili)ar simulacin en con(unto con una
heurstica de algoritmos gen/ticos con el $in de optimi)ar un
proceso de remanu$actura de pino radiata. 0a solucin encontrada
por la metodologa permite disminuir el tiempo medio de
permanencia de los productos en el sistema en apro1imadamente
un 12.3 con respecto a las condiciones de operacin actuales de
la empresa. .o es posi%le asegurar ,ue esta solucin corresponde a
la alternativa ptima del pro%lema, pero si una %uena solucin ,ue
permite me(orar el rendimiento del sistema en $orma sustancial. 0a
metodologa demostr ser e$iciente :a ,ue solo $ue necesario
e1plorar una pe,ueKa $raccin del espacio muestral *1.43+ para
encontrar la solucin propuesta. 0a solucin propuesta sugiere la
incorporacin de recursos adicionales a los actualmente e1istentes
en la empresa, por esta ra)n resultara necesario un an>lisis
t/cnico-econmico para evaluar la via%ilidad de la implementacin
de esta solucin.
Como recomendaciones para investigacin $utura, se sugiere la
utili)acin de otras herramientas de inteligencia arti$icial como
heursticas de %?s,ueda, como son, 5imulated "nnealing, 9a%u
5earch, entre otras. 'ste an>lisis permitira evaluar la calidad de
la solucin encontrada con cada t/cnica : adem>s la e$iciencia
en la o%tencin de esta alternativa.
$I$LIOGRAF6A
A5ai*ar" F.B SC&" D.B AC1a" M. !??E. 5imulation
6ptimi)ation in 5trategic 0ocation o$ 5emi-$inished !roducts in a
!ull-9:pe !roduction 5:stem. Proceedings of the 1996 Winter
Simulation Conference. pp. 11B-112. Q 0in<s R
Car%on" ..B Maria" A. !??F. 5imulation 6ptimi)ation# 8ethods
and "pplications. Proceedings of the 1997 Winter Simulation
Conference. pp. 112-14. Q 0in<s R
Gen" M.B CCeng" R. !??F. Genetic Algorithms and Engineering
Design. =ile:. Q 0in<s R
Golberg" D. !?G?. Genetic Algorithms in Search !"timi#ation
and $achine %earning "ddison-=esle:, -eading,
8". Q 0in<s R
Ha&#t" R.L.B Ha&#t" S.E. !??G. Practical Genetic Algorithms.
=ile:. Q 0in<s R
Pierre*al" H. !??F. Using 'volutionar: "lgorithms and
5imulation $or the 6ptimi)ation o$ 8anu$acturing 5:stems. &&E
'ransactions. Hol. @, B, pp. 121-1@D. Q 0in<s R
Ro%enblatt" M.D.B Roll" ..B Z,%er" 9. !??2. " com%ined
6ptimi)ation and 5imulation "pproach $or Designing "utomated
5torageG-etrieval 5:stems. &&E 'ransactions. Hol. F, pp. F-
FD. Q 0in<s R
Sa11on%" S. M.B Co)Cran" D.+. !??E. 9he Use o$ 5imulation
in the 6ptimi)ation o$ a Cellular 8anu$acturing 5:stem.
Proceedings of the 1996 Winter Simulation Conference. pp.
11@-11BC. Q 0in<s R
Hall" M. !??E. 7ali% Documentation,
http#GGlancet.mit.eduGgali%-.CG