PONTIFICIA UNIVERSIDAD CATLICA DE VALPARASO FACULTAD DE INGENIERA ESCUELA DE INGENIERA INFORMTICA

RESOLUCIN DE UN PROBLEMA DE OPTIMIZACIN BI-OBJETIVO A TRAVS DE UN ALGORITMO CULTURAL

DANIELA ANDREA DAZ BALLADARES BORIS EDGARDO FERNNDEZ OLIVARES

INFORME FINAL DEL PROYECTO PARA OPTAR AL TTULO DE INGENIERO CIVIL EN INFORMTICA

MARZO 2010

Pontificia Universidad Catlica de Valparaso Facultad de Ingeniera Escuela de Ingeniera Informtica

RESOLUCIN DE UN PROBLEMA DE OPTIMIZACIN BI-OBJETIVO A TRAVS DE UN ALGORITMO CULTURAL

DANIELA ANDREA DAZ BALLADARES BORIS EDGARDO FERNNDEZ OLIVARES

Profesor Gua: Guillermo Cabrera Guerrero

Profesor Co-referente: Jos Rubio Len

Carrera: Ingeniera Civil Informtica.

Marzo 2010

Agradecimientos

Agradecemos enormemente al profesor Guillermo Cabreras, nuestro profesor gua, quien siempre mostro un gran inters sobre nuestra tesis, aportando consejos que llevaron este trabajo de ttulo por buen camino. Agradecer tambin al profesor Juan Guillermo Villegas, que desde muy lejos siempre estuvo atento a nuestras consultas y comentarios. A cada una de las personas que dieron su valioso tiempo para despejar nuestras dudas y ayudarnos con sus comentarios.

Dedicatorias

Quiero dedicar este trabajo de ttulo a mis padres, que han sido, fueron y sern por siempre mi pilar incondicional en cualquier momento. Con su completa ayuda y atencin, permitieron que pudiese culminar esta larga formacin profesional. Gracias por su preocupacin y sacrificio de tantos aos para poder entregarme lo necesario para mi bienestar. A mi familia y amigos, por todos los consejos y alientos en los momentos ms difciles que me animaron para continuar. No menos importante, a mi compaero de trabajo de ttulo y amigo Boris, por su preocupacin, responsabilidad y apoyo en todo momento. Daniela Daz Balladares

Quiero dedicar especialmente esta tesis a las dos personas que fueron indispensables desde el inicio de este largo camino, mis padres Rosa y Benjamn, espero se sientan orgullosos de lo que han logrado hacer de mi. A todas las personas que aportaron de diferentes formas para mi formacin, en especial a las que forman parte de mi buena familia, aunque no los nombre, los llevo a cada uno de ellos muy guardados dentro de mis pensamientos. A mi compaera y amiga Daniela, con la cual he pasado largos pero agradables momentos construyendo esta tesis, sin duda una de las personas ms valorables que conozco. Boris Fernndez Olivares.

Indice Introduccin .......................................................................................................................... 7 Objetivos................................................................................................................................ 9

2.1 2.2 Objetivo General .................................................................................................................................. 9 Objetivos Especficos............................................................................................................................ 9

Estado del Arte ................................................................................................................... 10

3.1 Optimizacin Multiobjetivo ............................................................................................................... 10 3.1.1 Mtodos Escalares.................................................................................................................... 13 3.1.2 Mtodos Interactivos................................................................................................................ 16 3.1.3 Mtodos Difusos (Fuzzy)........................................................................................................... 16 3.1.4 Mtodos usando Metaheursticas............................................................................................ 17 3.2 Algoritmos Culturales......................................................................................................................... 19 3.2.1 Componentes de un algoritmo cultural.................................................................................... 20 3.2.2 Tipos de Conocimiento ............................................................................................................. 22 3.2.3 Revisin Bibliogrfica................................................................................................................ 23 3.3 Problemas de Localizacin de instalaciones ...................................................................................... 25

Algoritmo Cultural para BOUFLP................................................................................... 30

4.1 Formulacin del Problema bi-objetivo de localizacin de instalaciones sin restricciones de capacidad (BOUFLP)...................................................................................................................................................... 30 4.2 Representacin de la Solucin ........................................................................................................... 32 4.2.1 Codificacin de Individuos........................................................................................................ 32 4.2.2 Comparacin de individuos. ..................................................................................................... 33 4.2.3 Inicializacin de la Poblacin .................................................................................................... 34 4.2.4 Influencia del conocimiento. .................................................................................................... 35 4.2.5 Funcin aptitud......................................................................................................................... 35 4.2.6 Operador de Seleccin ............................................................................................................. 36 4.2.7 Operador de Recombinacin:................................................................................................... 38 4.2.8 Operador de Mutacin. ............................................................................................................ 39 4.2.9 Operador de Reemplazo........................................................................................................... 40 4.3 Algoritmo Cultural Propuesto. ........................................................................................................... 40

Experimentos Computacionales........................................................................................ 43
5.1 Mtricas Multiobjetivo....................................................................................................................... 43 5.1.1 Problema de Localizacin con Restriccin de Cobertura (UFLP+C) .......................................... 46 5.1.2 Problema de Mxima Cobertura con Restriccin de Costos (MCLP+B).................................... 46 5.2 5.3 5.4 Instancias utilizadas. .......................................................................................................................... 47 Afinacin de Parmetros.................................................................................................................... 48 Resultados.......................................................................................................................................... 51

Conclusiones y Trabajo Futuro......................................................................................... 55 Bibliografa.......................................................................................................................... 57 2

Anexos.................................................................................................................................. 59
Anexo I: Validacin del algoritmo para UFLP............................................................................................... 59 Anexo II: Resultados Comparativos (Algoritmo Cultural, NSGA-II, PAES).................................................... 63

Abreviaturas MOP: Multiobjective Problem BOUFLP: Biobjective Unconstrained Facility Location Problem NSGA-II: Non-dominated Sorting Genetic Algorithm II PAES: Pareto Archived Evolution Strategy MONLP-FN: Multiobjective Nonlinear Programming Problem with Fuzzy Numbers UFLP: Uncapacitated Facility Location Problem CFLP: Capacity Facility Location Problem SSCFLP: Single Source Capacitated Facility Location Problem MCLP: Maximal Covering Location Problem UFLP+C: Uncapacitated Facility Location Problem with a Coverage Constraint MCLP+B: Maximal Covering Location Problem with a Budget Constraint UFLLIB: Uncapacitated Falicity Location Library

Lista de Figuras Ilustracin 3.1 Representacin grfica de los conceptos...................................................... 18 Ilustracin 3.2 Interaccin entre espacio de poblacin y de creencias con funciones de aceptacin e influencia ................................................................................................. 21 Ilustracin 4.1 Esquema del BOUFLP ................................................................................. 30 Ilustracin 4.2 Individuo en representacin binaria. ............................................................ 32 Ilustracin 4.3 Relacin entre cliente e instalacin. ............................................................. 33 Ilustracin 4.4 Individuo en representacin entera............................................................... 33 Ilustracin 4.5 Grfico con soluciones dominadas y no comparables.................................. 34 Ilustracin 4.6 Esquema de las variables utilizadas en la funcin fitness. ........................... 36 Ilustracin 4.7 Curce uniforme............................................................................................. 39 Ilustracin 5.1 Ejemplo de mtrica del espacio dominado S................................................ 44 Ilustracin 5.2 Lmites para la obtencin de la mtrica S .................................................... 45 Ilustracin 5.3 Aproximacin del frente de Pareto para la instancia A50-150C5................ 52 Ilustracin 5.4 Aproximacin del frente de Pareto para la instancia A50-150C4................ 53 Ilustracin 5.5 Comparacin de fases para el algoritmo Cultural, instancia A30-75C2 ...... 53 Ilustracin 5.6 Comparacin de fases para el algoritmo Cultural, instancia B30-75C2 ...... 54 Lista de Tablas Tabla 4.1 Individuos con sus respectivos valores de su funcin objetivo............................ 34 Tabla 5.1 Problemas utilizados para la afinacin. ................................................................ 48 Tabla 5.2 Niveles que se utilizaron en la afinacin.............................................................. 49 Tabla 5.3 Configuracin de parmetros. .............................................................................. 49 Tabla 5.4 Promedio del S para los diferentes valores de los parmetros ............................ 49 Tabla 5.5 Promedios segn tamao de instancia.................................................................. 51 Tabla 9.1 Clasificacin instancias UFLP ............................................................................. 60 Tabla 9.2 Resultados optimizacin UFLP Monoobjetivo .................................................... 62 Tabla 10.1 Resultados Comparativos entre los tres algoritmos............................................ 64 Lista de Algoritmos Algoritmo 1 Algoritmo cultural....20 Algoritmo 2 Estructura general de un algoritmo cultural.....40 Algoritmo 3 Algoritmo gentico para SCP..41

Resumen. Los problemas de optimizacin son recurrentes en el mundo real, pero cuando se intenta dar solucin, la complejidad que alcanzan es muy alta para utilizar mtodos simples para solucionarlos y obtener buenos resultados, ms an cuando en la realidad se presenta un conjunto de factores que se necesitan optimizar a la vez. En este trabajo de ttulo, se resuelve un problema de optimizacin bi-objetivo (costocobertura) de localizacin de instalaciones sin restricciones de capacidad (BOUFLP) a travs de un algoritmo cultural. Se presentan los conceptos que giran en torno a la optimizacin, especialmente en optimizacin multi-objetivo y conceptos que pertenecen a la metaheurstica utilizada, proponiendo un algoritmo cultural para dar solucin a BOUFLP. Despus de la implementacin del algoritmo propuesto se obtuvieron resultados que fueron comparados con los obtenidos por otros algoritmos (NSGA-II, PAES). Para esta comparacin se utiliz una variacin de la mtrica S, la cual utiliza el espacio dominado por una solucin para dar un valor que represente la calidad de esta misma. Esta comparacin permiti concluir que el algoritmo cultural propuesto, es una buena opcin al momento de dar solucin a BOUFLP, debido a la buena calidad de las soluciones que arroja y la eficiencia en trminos del tiempo que utiliza para realizar las bsquedas. Palabras claves: Optimizacin Multi-objetivo, Algoritmos Culturales, Localizacin de Instalaciones, Frente de Pareto, BOUFLP Abstract The optimization problems are recurrent in the real world, but when trying to resolve, the complexity is very high, reaching to use simple methods to solve them and get good results, especially when the reality presents a set of factors that need to optimize both. This thesis, solves a bi-objective (cost-coverage) uncapacitated facility location problem (BOUFLP) through a cultural algorithm. The concepts that revolve about optimization, especially in multi-objective optimization and concepts that belong to the metaherstica used, suggesting a cultural algorithm for solving BOUFLP. After implementation of the proposed algorithm, was obtained results that were compared with those obtained by other algorithms (NSGA-II, PAES). For this comparison was used a variation of the S metric, that it uses the space dominated by a solution to give a value that represents the quality. This comparison was concluded that the proposed cultural algorithm is a good option for solve BOUFLP, due to the high quality of resulting solutions and efficiency in terms of time used to perform searches. Keywords: Multi-objective Optimization, Cultural Algorithms, facility location, Pareto Frontier, BOUFLP.

Captulo 1 Introduccin
Una de las tareas ms complejas y crticas en la actualidad es llevar a cabo los proyectos de la manera ms eficiente, o sea, realizar la tarea con el mnimo uso de recursos posible y que en ningn caso se produzca una degradacin en la calidad exigida del producto. Algo que parece tan simple en el mundo real no lo es. A medida que las empresas se embarcan en proyectos ms complejos, la solucin a la problemtica planteada tambin crece en su complejidad. Tal es la dificultad que si no se utiliza una herramienta computacional no es posible llegar a una solucin ptima o a una buena aproximacin a sta. En este trabajo de ttulo se resuelve el problema de localizacin de instalaciones con la metaheurstica llamada algoritmos culturales, que es la extensin de otra metaheurstica llamada algoritmos genticos. Debido a que los algoritmos culturales son una metaheuristica relativamente nueva (ao 1994), la investigacin realizada es poca, comparada por ejemplo, con la realizada sobre algoritmos genticos. Por lo anterior, resulta interesante resolver el problema mediante algoritmos culturales. Adems, debido al buen desempeo que muestran los algoritmos genticos a la hora de resolver los problemas de optimizacin y tomando en cuenta que los algoritmos culturales heredan varios conceptos de estos, se esperan buenos resultados utilizando algoritmos culturales para solucionar problemas de optimizacin bi-objetivo. En este trabajo de ttulo se abarca el problema de optimizacin, en especfico el problema de localizacin de instalaciones (facility location) bi-objetivo. En el captulo 2 de este trabajo de ttulo se presentan los objetivos de la investigacin, fijando el objetivo general y sus respectivos objetivos especficos. En el captulo 3 se realiza una investigacin de la literatura presente que intenta familiarizar al lector, primero con los conceptos que giran en torno a los problemas multiobjetivos y luego con los conceptos que giran en torno a los algoritmos culturales. En el captulo 4 se presenta la solucin y el modelado del problema, definiendo la manera en que se implementan los operadores y todo lo referente al algoritmo cultural propuesto. Adems se muestran las diferentes formas de representacin de las soluciones en los algoritmos culturales y se presentan las diferentes alternativas que se encuentran en la literatura para implementar los operadores de los algoritmos culturales.

En el captulo 5 se exponen los resultados obtenidos con la solucin implementada, realizando una comparacin con otras metaheursticas encontradas en la literatura que han sido utilizadas para resolver el mismo problema abarcado en este trabajo de ttulo.

Captulo 2 Objetivos
2.1 Objetivo General
Resolver un problema de localizacin de instalaciones (facility location) bi-objetivo a travs de un algoritmo cultural.

2.2 Objetivos Especficos.

Investigar sobre el estado del arte de los algoritmos culturales. Investigar sobre las caractersticas de los problemas de optimizacin bi-objetivo. Comprender las caractersticas del problema de localizacin de instalaciones biobjetivo que deber ser resuelto mediante un algoritmo cultural. Implementar el algoritmo cultural para la solucin del problema de localizacin de instalaciones. Investigar y seleccionar mtricas que permitan evaluar la calidad de las soluciones obtenidas. Realizar un estudio de sensibilidad de los parmetros del algoritmo cultural para llegar a una aceptable configuracin.

Captulo 3 Estado del Arte

3.1 Optimizacin Multiobjetivo
Hoy en da, en este mundo competitivo cuando se emprende una actividad se trata que la realizacin de sta consuma la menor cantidad de recursos, debido a la escases de los mismos recursos o para lograr una eficiencia que permita diferenciarse de los dems. Es as como en las diferentes ramas de la ingeniera (y en la cotidianidad) la mayora de los problemas pueden ser expresados como problemas de optimizacin, algo tan habitual como la eleccin de un restaurant necesita de un trabajo de optimizacin previo, en el cual se comparan las diferentes posibilidades que pueden ser tomadas y dependiendo del criterio con el que se compar es el restaurant que se elije. En el mundo empresarial este tipo de problemas toman una relevancia significativa, ya que un buen estudio de las posibles soluciones para una tarea implica ahorros econmicos, de tiempo, de personal, etc. Lamentablemente la complejidad de este tipo de problemas dentro de una empresa generalmente es muy alta, y para llegar a una solucin optima se debe realizar una trabajo extenso. Un problema de optimizacin es definido como la bsqueda de un mnimo o de un mximo (ptimo) de una funcin objetivo [Collette 2002]. Generalmente las variables pertenecientes a la funcin objetivo poseen restricciones lo que obliga a que los valores que pueden tomar las variables estn dentro de un rango en el espacio de bsqueda, que es lo que a menudo se presenta cuando se intenta optimizar, estos problemas son llamados problemas de optimizacin con restricciones. Matemticamente hablando un problema de optimizacin tiene la siguiente forma: Minimizar o maximizar Con f( ) (Funcin a ser optimizada o funcin objetivo)

( ) 0 (con m restricciones de desigualdad) ( )=0 (con p restricciones de igualdad)

Donde se tiene que , ( ) y ( ) . Los vectores ( ) y ( ) representan m restricciones de desigualdad y p restricciones de igualdad, respectivamente. Estas restricciones delimitan el subespacio donde la solucin ptima debe ser buscada. Los problemas de optimizacin son variados, por lo cual presentan ciertas caractersticas que permiten realizar la siguiente clasificacin [Collette 2002]: 10

1. Nmero de funciones objetivos a. Una Mono-objetivo b. Varias Multiobjetivo 2. Tipo de variable de decisin Contina a. Nmero real b. Nmero entero Discreta c. Permutaciones en un conjunto de nmeros de tamao finito 3. Tipo de funcin objetivo a. Funcin la cul es lineal respecto a la variable de decisin b. Funcin la cul es cuadrtica respecto a la variable de decisin c. Funcin la cul es no lineal respecto a la variable de decisin 4. Forma del problema a. Con restricciones Restringido b. Sin restricciones Sin restricciones.

Combinatorial. Lineal Cuadrtica No lineal

En el mundo real cuando se enfrenta un problema de optimizacin rara vez interesa el valor que tome un solo factor, generalmente el inters est dado en todos los factores que influyen en la tarea que se emprender, o sea, un problema de optimizacin multiobjetivo (MOP, por sus siglas en ingls Multiobjective Problem). Por ejemplo, cuando una empresa quiere realizar un proyecto de instalaciones de sucursales, no solo le debe importar que el costo de construccin de una sucursal sea el mnimo posible, si no que factores tales como la cobertura que obtendr sobre los clientes, la distancia con la casa matriz o la calidad de la infraestructura, son igual o ms importantes que el costo inicial de construccin, debido a que afectan en mayor medida las utilidades futuras de la empresa. Lamentablemente tener varias funciones objetivos optimizndose a la vez es un problema realmente complejo, puesto que estas funciones objetivos estn en conflicto unas con las otras. Siguiendo con el ejemplo se puede decir que mientras mayor sea la calidad de la infraestructura de la sucursal mayor ser el costo incurrido en la construccin y tomando en cuenta que el problema trata de maximizar la calidad y minimizar el costo, estas funciones estn en conflicto. En la literatura se encuentran numerosos estudios donde se tratan distintos problemas de optimizacin multiobjetivo que, utilizando modelos matemticos y herramientas computacionales, logran obtener un muy buen resultado optimizando una funcin objetivo, aunque el problema en su naturaleza presente varias funciones objetivos, estos mtodos son conocidos como mtodos escalares. Esta reduccin de funciones se logra mediante la utilizacin de modelos y se pueden realizar de variadas formas, una de ellas es priorizando uno de los objetivos y dejando los otros objetivos como restricciones, por ejemplo que efectivamente se optimice el costo de construir una sucursal pero que la construccin tenga por lo menos 900 mt2, otra forma de realizar esta optimizacin es asignndole a cada uno de los objetivos del problema una ponderacin, para luego realizar una suma de todos los objetivos ponderados y con esto obtener un solo objetivo a optimizar, ms adelante se detallarn los mtodos ms importantes. A pesar de que estas reducciones brindan una solucin aceptable, no reflejan fielmente el problema y por lo tanto las soluciones dadas no son las que satisfacen de la mejor manera al mismo.

11

El concepto de optimizar varias funciones simultneamente no se debe interpretar como la bsqueda de un ptimo para cada funcin, debido a que, como ya se dijo, las funciones suelen estar en conflicto entre s. Encontrar el ptimo, entonces, puede interpretarse como encontrar un buen compromiso entre todas las funciones objetivo del problema. Esta manera de entender el ptimo en un problema multiobjetivo es ambigua, puesto que distintas personas podran afirmar que puntos distintos representan un buen compromiso, sin que por ello sean ptimos. Vilfredo Pareto dio, hacia finales del siglo XIX, una definicin ms formal de un ptimo en problemas multiobjetivo, el cual es conocido ahora como el ptimo de Pareto. Esta definicin se basa en el concepto de dominancia que es el siguiente [Landa 2002]. Un punto x domina a otro y si y slo si: fi ( ) para i = 1, 2,, k, y que, para al menos un i: fi ( ) fi ( ) fi ( )

La siguiente definicin dice que un punto x * es un ptimo de Pareto, si no existe ningn otro punto x que lo domine. Es decir, x * es un ptimo de Pareto si no existe ningn otro punto x que cumpla: fi ( ) para i = 1, 2,, k, y que, para al menos un i: fi ( ) < fi ( *) Las condiciones para estas definiciones son vlidas suponiendo que se est tratando de minimizar a todas las funciones. La definicin indica que un problema dado no necesariamente tiene slo un punto que sea ptimo de Pareto. Por lo regular se tiene un conjunto de puntos que cumplen con esta definicin. Despus de que algn proceso de optimizacin haya encontrado varios puntos ptimos de Pareto, el tomador de decisiones es la persona encargada de elegir la solucin final que ha de utilizarse en la prctica. Adems del ptimo de Pareto, es muy comn encontrar en la literatura especializada el trmino frente de Pareto. El frente de Pareto es el contradominio del conjunto de puntos que forman el ptimo de Pareto. En problemas con espacios continuos, el frente de Pareto suele ser una lnea casi continua. Por esta regularidad, y por mostrar claramente los compromisos y los mejores resultados en cada objetivo, se han utilizado mucho las grficas del frente de Pareto para mostrar el resultado de los problemas multiobjetivo. fi ( *)

12

3.1.1 Mtodos Escalares.

Quizs la idea ms simple que se podra proponer para lidiar con varios objetivos sera combinarlos en uno solo usando una suma, una multiplicacin o cualquier otra combinacin de operaciones aritmticas que se proponga. Hay, sin embargo, problemas obvios con esta tcnica. El primero de ellos es que se debe proporcionar informacin escalar precisa sobre el rango de los objetivos, a fin de evitar que uno de ellos domine a los dems. Esto implica que debe haber un conocimiento sobre el comportamiento de cada una de las funciones objetivos, lo que en el mundo real suele ser en la mayora de las veces muy difcil. Sin duda, si esta combinacin de objetivos es lograda sobre un buen modelo, estos mtodos no slo son los ms simples de implementar, sino que tambin son los ms eficientes debido al tiempo que necesitan. Existen varios mtodos escalares para solucionar problemas multiobjetivo, de los cuales se destacan los siguientes: 3.1.1.1 Suma ponderada El mtodo de la suma ponderada es uno de los ms comunes para resolver problemas de optimizacin multiobjetivo. Como resolver un problema de optimizacin multiobjetivo es de una dificultad muy superior a la resolucin de un problema de optimizacin monoobjetivo, este mtodo realiza una transformacin del problema de optimizacin multiobjetivo a uno mono-objetivo, bajando la complejidad y dando la opcin de utilizar uno de los varios mtodos para la resolucin de problemas mono-objetivos. Bsicamente este mtodo asocia un peso (ponderacin) a cada funcin objetivo y luego utiliza la suma de las funciones ponderadas para obtener una nica funcin objetivo. El mtodo es bastante simple para su utilizacin, pero lamentablemente como se coment anteriormente la degradacin en la calidad de las soluciones es muy alto en comparacin con mtodos ms complejos. La transformacin que implica este mtodo se presenta a continuacin:

Con

( )0 ( )=0

Donde se tiene que x

, ( )

y ( )

Adems de las restricciones dadas por el problema mismo los pesos o ponderaciones deben cumplir con otras restricciones: 13

{1,,k}

Debido a que este mtodo es demasiado sensible a los valores que son utilizados para los pesos y adems se sabe muy poco sobre el valor adecuado que debe tomar el coeficiente, se deben realizar soluciones con diferentes valores para wi [Coello 1998]. No obstante la intuicin del diseador sobre los valores para wi sigue siendo importante y es su gran desventaja cuando no se tiene un buen conocimiento del problema. 3.1.1.2 Programacin de metas En este mtodo a cada funcin objetivo se le asigna una meta, o sea el valor deseable para cada funcin. Teniendo estas metas, el mtodo trata de minimizar la desviacin absoluta de la funcin objetivo con la meta deseada. Se tiene inicialmente un vector de metas para cada funcin, adems se tiene un conjunto de variables de holgura (variable de desviacin positiva, cuantifica el exceso de logro de una meta) y (variable de holgura negativa, cuantifica la falta de logro de una meta) para cada funcin objetivo fi(x), i {1,, k}, entonces el mtodo se puede definir como sigue [Collette 2002]: Minimizar Con ( o ,, o )

f1( ) = F1+

fk( ) = Fk+ ( )0 ( )=0

Adems las variables de holgura deben respetar las siguientes restricciones: y * 0 = 0 con i {1,, k}

Las dos variables de desviacin tomarn el valor cero cuando la meta alcance exactamente su nivel de aspiracin. Una variable de desviacin se dice que es no deseada cuando al centro decisor le conviene que la variable en cuestin alcance su valor ms pequeo, es decir, cero. Por ejemplo, si se desea alcanzar los objetivos usando los valores ms altos, se obtiene el siguiente problema: Minimizar ( ,, 14 )

Con

f1( ) = F1+

fk( ) = Fk+ ( )0 ( )=0 Como se puede observar el problema multiobjetivo se transform en la minimizacin de un solo vector donde se pueden utilizar varios mtodos. Uno de los ms utilizados es el descrito anteriormente donde se le asigna un peso a cada variable de holgura y luego se minimiza la suma de tales ponderaciones. Lamentablemente usando pesos se cae en los problemas anteriormente nombrados pero la diferencia es que ahora los resultados se acercarn a las metas dispuestas por el diseador. 3.1.1.3 Mtodo de las restricciones Este mtodo tiene por objetivo obtener el mnimo de una de las funciones objetivos (obviamente la ms importante para el modelo), dejando las dems funciones como restricciones. Cada una de estas restricciones est acotada por ciertos niveles permitidos i. Es decir, se realiza una optimizacin mono-objetivo con la funcin objetivo ms relevante sujeta a restricciones adicionales en las otras funciones objetivos. Los niveles de i se van alterando para obtener soluciones en otro espacio de bsqueda que puede resultar interesante. El mtodo puede formularse de la siguiente manera [Coello 1998]: (1) Encontrar el mnimo de la r-sima funcin objetivo; es decir, encontrar fr( *) = min fr( ) sujeta a restricciones adicionales de la forma fi ( ) donde
i i *

tal que

i = 1,2,,k ; i r

son los valores supuestos de las funciones objetivo que no se desean exceder.

(2) Repetir (1) para diferentes valores de i. La informacin derivada de un conjunto bien seleccionado de i puede ser til para tomar la decisin final. La bsqueda se detiene cuando el tomador de decisiones encuentra una solucin satisfactoria. A la vez puede ser necesario repetir el proceso anterior para diferentes ndices r cuando no se tenga claro cul es la funcin ms relevante en el modelo. Para obtener valores adecuados de i, se efectan normalmente optimizaciones individuales para cada una de las funciones objetivos en turno, usando tcnicas de programacin matemtica.

15

3.1.2 Mtodos Interactivos.

stos permiten que quien toma las decisiones pueda establecer preferencias durante un proceso de optimizacin interactivo. Luego de llevarse a cabo cada paso del proceso de optimizacin se presenta al responsable de decisiones los conflictos existentes y se le permite especificar sus preferencias o compromisos. De esta manera se desarrolla una bsqueda guiada. Estos mtodos provienen de los mtodos progresivos que permiten dar ciertas preferencias en tiempos de ejecucin. Estos mtodos son clasificados en: Mtodos de toma de decisin previa a la bsqueda (decidir, luego buscar): los objetivos del MOP se combinan en un nico objetivo que implcitamente incluye informacin de preferencia obtenida del responsable de la toma de decisiones. Estos son mtodos de toma de decisin a priori. Gran parte de las tcnicas tradicionales para resolucin de MOPs utilizan esta estrategia [Duarte 2001]. Mtodos de bsqueda previa a la toma de decisin (buscar, luego decidir): se realiza la optimizacin sin incluir informacin de preferencia. El responsable de la toma de decisiones escoge del conjunto de soluciones obtenidas (que idealmente son todas del conjunto Pareto ptimo). A stos se conoce como mtodos de toma de decisin a posteriori [Duarte 2001]. Como se dijo anteriormente uno de los problemas ms relevantes del mtodo de la suma ponderada es la dependencia que tiene la solucin con la eleccin de los pesos. El mtodo de Fandel que es un mtodo interactivo, tiene como objetivo ayudar al tomador de decisiones a elegir los pesos. Al igual que en la suma ponderada, las variaciones de wi permiten determinar puntos en el espacio de bsqueda. Sin embargo, en el mtodo de Fandel, se supone que estos coeficientes son desconocidos y a la vez, se supone que el tomador de decisiones tiene definida una solucin ideal. Otro mtodo parecido a ste es llamado mtodo STEP, donde tambin se utiliza informacin respecto a las preferencias del tomador de decisiones y con estas restringir el espacio de bsqueda paso a paso. Otro mtodo interactivo es el mtodo Jahn que es completamente diferente al mtodo de Fandel. Se comienza seleccionando un punto de partida y luego el problema es resuelto paso a paso a travs del espacio de bsqueda hacia las soluciones en el Frente de Pareto. Este mtodo est basado en un mtodo de minimizacin cclica.

3.1.3 Mtodos Difusos (Fuzzy)

En el mundo real no todo se puede expresar de una manera binaria, muchas veces se necesita una etapa de transicin para pasar de un estado a otro gradualmente. Durante mucho tiempo la nica herramienta que se tena para describir el actuar era mediante la lgica binaria, donde todo es descrito en funcin de VERDADERO y FALSO. El problema con esta descripcin simplista es que no permite tratar con la incertidumbre e imprecisin del conocimiento humano. La diferencia fundamental entre la lgica clsica y la lgica difusa es que existe una transicin progresiva entre el VERDADERO y FALSO.

16

El mtodo de Sakawa es un ejemplo de mtodos difusos, el cul usa lgica difusa en todos los niveles, ya sea en los parmetros del problema como tambin en los parmetros de las restricciones, incluso en el conjunto de soluciones se pueden encontrar usos de lgica difusa [Collette 2002]. As, utiliza un nivel de membreca para las soluciones. Esto significa que las soluciones tienen un nivel de correlacin con el objetivo inicial, el cual es establecido por el tomador de decisiones. Sakawa [Sakawa 2002] tambin establece que, en algunos problemas de optimizacin multiobjetivo, sera ms apropiado considerar que los valores de los parmetros de la funcin objetivo y de las restricciones, involucran cierta ambigedad, debido al desconocimiento del experto en cuanto al funcionamiento del sistema real durante el proceso de formulacin del problema. Para evitarla, este autor plantea un modelo del problema de programacin no lineal multiobjetivo con nmeros difusos (MONLP-FN).

3.1.4 Mtodos usando Metaheursticas

Las metaheursticas son mtodos de optimizacin generales dedicados al problema de optimizacin dura. Estos mtodos son, en general, presentados como conceptos y se basan generalmente en ideas que se pueden encontrar en la cotidianidad. Las principales metaheursticas son simulated annealing, tabu search y algoritmos genticos. Si se considera un conjunto de mtodos de optimizacin, se observar que estos mtodos poseen conceptos en comn, por ejemplo en todos los algoritmos culturales se encuentra la llamada cultura. En el captulo siguiente se explica en detalle lo referente a algoritmos culturales, ya que es esta metaheurstica que tomar relevancia en esta investigacin. Por ahora se introducirn algunos conceptos de los algoritmos genticos que son necesarios para el estudio de los algoritmos culturales. Los algoritmos genticos son inspirados por la gentica clsica, donde se considera una poblacin de puntos dispersos en el espacio de bsqueda [Collette 2002]. Los algoritmos genticos presentan caractersticas comunes con los algoritmos culturales, es por esto que se explicarn los conceptos ms importantes de los algoritmos genticos para luego entrar de lleno al campo de los algoritmos culturales. Individuo: corresponde al cdigo, como un gen, de una potencial solucin de un problema de optimizacin. Genotipo o cromosoma: esta es otra manera de llamar al individuo. Gen: un cromosoma est compuesto de genes. Utilizando codificacin binaria, un gen podra tomar los valores de 0 o 1. Fenotipo: cada genotipo representa una potencial solucin de un problema de optimizacin. El valor de esta potencial solucin es llamada un fenotipo. Todos estos conceptos son graficados en la Ilustracin 3.1.

17

Ilustracin 3.1 Representacin grfica de los conceptos

Cada individuo es codificado con un conjunto de genes que generalmente es una cadena binaria la cual es una imagen de la posicin del individuo en el espacio de bsqueda. Otro concepto importante cuando se trata con algoritmos genticos es la eficiencia o adaptacin que corresponde al rendimiento que muestra un individuo resolviendo el problema dado. Por ejemplo, si se considera el problema de maximizacin de una funcin, la adaptacin de un individuo incrementar mientras incremente la habilidad para maximizar esta funcin. Este valor toma gran importancia en el proceso de reproduccin, ya que el individuo que tenga un valor de adaptacin ms alto, ms probabilidad de reproducirse tendr. Con esto se emula lo que pasa en el mundo real con la llamada seleccin natural, donde los individuos ms capaces se reproducirn ms, esto permite que los mejores genes se repliquen cada vez ms permitiendo la evolucin de las especies. En los algoritmos genticos los individuos son modificados por operadores genticos, principalmente el cruzamiento, que consiste en la mezcla de la informacin de dos o ms individuos; la mutacin, que es un cambio aleatorio en los individuos; y la seleccin, consistente en la eleccin basada en las capacidades de los individuos. En secciones posteriores estos operadores sern descritos detalladamente. Los algoritmos genticos son ampliamente utilizados en el campo de la optimizacin debido a que la evolucin natural en la que estn basados estos algoritmos puede verse como un problema de optimizacin, la evolucin trata que generacin tras generacin los individuos optimicen (maximicen) su nivel de adaptacin. Existen varios mtodos dentro de las metaheursticas que se pueden utilizar para el tratamiento de problemas multiobjetivo, los cuales se pueden clasificar en dos familias: La primera familia est compuesta por mtodos no agregativos, en los cuales no hay una fusin de las funciones objetivos para transformar el problema original en un problema mono-objetivo. La segunda familia est compuesta por mtodos agregativos. Al contrario de la familia anterior, en estos mtodos el objetivo es transformar el problema original en 18

un problema mono-objetivo usando una funcin equivalente, tal como se vio en los mtodos escalares.

3.2 Algoritmos Culturales

La experiencia adquirida y creencias aceptadas por una comunidad en un sistema social son unas de las principales motivaciones para la creacin de los Algoritmos Culturales. Los algoritmos culturales fueron desarrollaros por Robert Reynolds, con el fin de modelar la evolucin de los sistemas culturales basados en los principios de la evolucin social humana tomados de la literatura de ciencias sociales, quien considero que se puede ver a la evolucin como un proceso de optimizacin [Reynolds 1994]. Los algoritmos culturales se diferencian de los algoritmos evolutivos por la sencilla razn de que los primeros poseen memoria, de tal forma que la poblacin mantiene una memoria de grupo o espacio de opinin con informacin de las soluciones potencialmente mejores y tambin de aquellas peores, con el objeto de dirigir la bsqueda. Ambas clases de informacin, hereditaria y entre generaciones, ser explicada ms adelante. En las sociedades humanas, la cultura puede ser un vehculo para el almacenamiento de informacin en una forma que es independiente de un individuo o de individuos que se han generado, y es potencialmente accesible a todos los miembros de la sociedad. La cultura como tal es til para orientar las actividades de resolucin de problemas y la interaccin social de los individuos en la poblacin. Esto permite la libre adaptacin de informacin, as como otros conocimientos que se manipulan y almacenan separadamente de los individuos en la poblacin social. Esto proporciona una forma sistemtica de la utilizacin de la libre adaptacin de conocimientos para dirigir la evolucin social de una poblacin. Por lo tanto, los sistemas culturales son vistos como un doble sistema de herencia, donde, en cada paso de tiempo, el conocimiento, tanto en el nivel de poblacin y el nivel de creencias adquirido, se transmite a la prxima generacin. Este conocimiento adquirido acta como balizas para guiar a los individuos hacia la percepcin de buenas soluciones a los problemas y lejos de soluciones menos deseables [Reynolds 1999]. El principio de funcionamiento de los algoritmos culturales es el siguiente: Los algoritmos culturales establecen que la toma de decisiones depende de la cultural heredada, as como de las creencias de la poblacin actual. Adems el conocimiento del dominio del problema se codifica de manera separada de la poblacin, pues existe una cierta independencia entre ambos conocimientos que permite trabajar y modelar de forma separada cada uno de ellos, para as potenciar en conjunto el algoritmo y mejorar con ello la bsqueda de las mejores soluciones. Este sistema de doble herencia que poseen los algoritmos culturales, a nivel de poblacin y de conocimiento, tiene por finalidad incrementar las tasas de aprendizaje y convergencia, y de esta manera, que el sistema responda mejor a un gran nmero de problemas [Landa 2002]. Esta caracterstica permite identificar 2 importantes niveles de conocimientos [Soza 2005]:

19

Un nivel micro-evolutivo, el cual consiste en el material gentico que es heredado a las siguientes generaciones, el cual es representado por el espacio de poblacin. Un nivel macro-evolutivo, que es el conocimiento adquirido por los individuos a travs de las generaciones, y que una vez codificado y almacenado, sirve para guiar el comportamiento de los individuos que pertenecen a una poblacin, y es representado por el espacio de creencias [Soza 2005].

3.2.1 Componentes de un algoritmo cultural

En el contexto de los algoritmos culturales, se produce una evolucin tanto en la sociedad, compuesta por individuos, como en la cultura, compuesta por creencias. En este sentido, se puede considerar que los algoritmos culturales estn estructurados de la siguiente manera: Espacio de poblacin: en este espacio se cuenta con un conjunto de individuos donde cada uno tiene un conjunto de caractersticas independientes de los otros con las que es posible determinar su aptitud (fitness). A travs del tiempo, tales individuos podran ser reemplazados por algunos de sus descendientes [Soza 2005]. Espacio de creencias: en este espacio se almacenarn los conocimientos que han adquirido los individuos en generaciones anteriores. La informacin contenida debe ser accesible a cualquier individuo, quien puede utilizarla para modificar su comportamiento.[Landa 2002] Protocolo de comunicacin: tiene como principal objetivo unir ambos espacios, y definir reglas del tipo de informacin que se debe intercambiar entre los espacios. Este protocolo define dos funciones: Funcin de aceptacin: esta funcin se encarga de extraer la informacin o experiencias que han obtenido los individuos de una generacin y llevarlas al espacio de creencias. Funcin de influencia: esta funcin se encarga de influir sobre los operadores de variacin de los individuos (como el cruzamiento y mutacin en el caso de los algoritmos genticos), as como en la seleccin. As la funcin ejerce un tipo de presin para que los individuos resultantes de las aplicaciones de los operadores de variacin se acerquen a los comportamientos deseables y se alejen de los indeseables, segn la informacin almacenada en el espacio de creencias. Las dos funciones anteriormente mencionadas, permiten establecer la comunicacin entre los espacios de poblacin y de creencias, y se puede apreciar en la Ilustracin 3.3.

20

Ilustracin 3.2 Interaccin entre espacio de poblacin y de creencias con funciones de aceptacin e influencia

Reynolds establece que un algoritmo cultural viene descrito por un conjunto de ocho componentes [Reynolds 1999]: Algoritmo Cultural = {P,S,Vc,f,B,Aceptar,Ajustar,Influir}

Donde P es la poblacin de individuos que compone la sociedad S es el operador de seleccin Vc es un operador de variacin F es la funcin objetivo B es el espacio de creencias Aceptar: es la funcin de aceptacin y determina el protocolo de comunicacin entre el espacio de creencias y la sociedad ( en el sentido sociedad creencias) Ajustar: es un operador del espacio de creencia que ajusta o actualiza la creencia del espacio del conocimiento Influir: es un conjunto de funciones de influencia que afectan al operador de variacin Vc. Determina el protocolo de comunicacin entre el espacio de creencias y la sociedad.

Dicho todo lo anterior, podemos ver el pseudocdigo de un algoritmo cultural en el Algoritmo 1.

Algoritmo 1 Algoritmo Cultural Generar poblacin inicial Iniciar el espacio de creencias Evaluar poblacin inicial

21

Repetir Actualizar el espacio de creencias (con los individuos aceptados) Aplicar operadores de variacin (bajo la influencia del espacio de creencias) Evaluar cada hijo Realizar la seleccin Mientras no se cumpla la condicin de finalizacin

La mayora de los pasos de un algoritmo cultural corresponden con los de los algoritmos tradicionales de computacin evolutiva, y se puede apreciar que las diferencias estn en los pasos que incluyen al espacio de creencias. Por ejemplo, en los primeros pasos se encuentra la iniciacin del espacio de creencias. En el ciclo principal, est la actualizacin del espacio de creencias. Es en ese momento donde el espacio de creencias incorpora las experiencias individuales de un grupo selecto de individuos. Tal grupo se obtiene entre toda la poblacin con la funcin de aceptacin. Por otro lado, los operadores de variacin de los individuos (como la recombinacin o la mutacin) son modificados por la funcin de influencia. La funcin de influencia ejerce cierta presin, para que los hijos resultantes de la variacin se acerquen a los comportamientos deseables, y se alejen de los indeseables, segn la informacin almacenada en el espacio de creencias [Crawford 2007]. Considerando la importancia del tema de la incorporacin de conocimiento, los algoritmos evolutivos son lo suficientemente flexibles para incorporar conocimiento desde distintas fuentes de informacin, cuyo objetivo ltimo es lograr una mejora importante respecto de la eficiencia en la exploracin del espacio de bsqueda. Dada su flexibilidad, distintos componentes del mismo han sido consideradas como objeto de estudio y muchas de ellas desde distintas perspectivas y enfoques [Pandolfi 2007].

3.2.2 Tipos de Conocimiento

En los ltimos aos, los investigadores han intentado modelar el proceso de evolucin cultural desde una perspectiva micro-evolutiva en trminos de la transmisin de conductas o rasgos entre los individuos de una poblacin, y una perspectiva macro-evolutiva en trminos de la formacin de las creencias generalizadas sobre la base de experiencias individuales. Estas creencias generalizadas pueden servir para limitar los comportamientos de los individuos dentro de la poblacin. El conocimiento es un conjunto prometedor de rasgos variables que proporcionan las normas de los comportamientos individuales y las directrices en el que los ajustes se pueden hacer [Chung y Reynolds, 1996] Las cinco fuentes de conocimiento utilizadas se caracterizan por su ubicuidad en el proceso de resolucin de problemas. Cada uno puede ser utilizado de alguna forma en la mayora de los problemas. Las fuentes de conocimiento se describen aqu en trminos de su capacidad para coordinar la difusin de los individuos sobre la naturaleza de un problema: 1. Conocimiento circunstancial: se almacena el mejor ejemplar del proceso evolutivo hasta ese momento, con el objetivo de considerarlo como lder para la siguiente 22

2.

3.

4.

5.

generacin. La influencia de este conocimiento se hace efectiva al hacer tender a las variables de decisin de los nuevos individuos a los valores del almacenado en el espacio de creencias. Conocimiento normativo: se almacena el rango de cada variable de decisin donde se han encontrado los mejores valores, con el objetivo de hacer tender a las nuevas soluciones a dichos intervalos. El actualizar este espacio de conocimiento puede ampliar o disminuir los intervalos. Se extienden cuando el individuo aceptado no se encuentra en el rango y disminuye cuando su valor esta en el rango y los valores extremos tienen mejor rango que los anteriores y son factibles. Conocimiento de dominio: Este tipo de conocimiento usa el conocimiento del dominio del problema para guiar la bsqueda. Depende directamente del tipo de problema y del espacio de bsqueda con que se cuente. Conocimiento topogrfico: Consiste en la creacin de un mapa del lugar donde se encuentran las soluciones del problema en el proceso evolutivo. Este mapa es dividido en regiones que pueden ser clasificadas en 4 tipos: factibles, infactibles, semi-factibles y desconocidas, de acuerdo al contenido de cada una de ellas. La influencia de este conocimiento se hace efectiva al hacer tender a los nuevos individuos a las regiones factibles. Esto se traduce en un conjunto de celdas donde se almacenan los mejores individuos encontrados. Cada una de las celdas se encuentra ordenada. Se actualiza este espacio de conocimiento cuando un individuo de la nueva generacin es mejor que el mejor de los valores que se encuentra en la celda respectiva. Conocimiento Histrico: guardar una lista de los mejores individuos en cada uno de los cambios de entorno, con el fin de no perder los buenos eventos encontrados en generaciones anteriores [Soza 2005].

3.2.3 Revisin Bibliogrfica

La iniciacin en el tema de los algoritmos culturales comienza con la primera investigacin de Reynolds, quin propone un tipo de algoritmo evolutivo, en los que el conocimiento del dominio no se integra a priori a la tcnica, sino que se extrae durante el mismo proceso de bsqueda. Adems, para el espacio de creencias propone el uso de espacio de versiones, los cuales, son una forma de aprendizaje, donde se requiere describir o definir un concepto a travs de ejemplos positivos y negativos [Soza 2005]. Una segunda investigacin fue la de Chung y Reynolds [Chung y Reynolds 1996], quienes propusieron una nueva forma de trabajar el espacio de creencias, utilizando una red de restricciones, con el fin de almacenar para cada una de las variables de decisin el intervalo donde se han encontrado los mejores valores. El ao 1999, Reynolds y Jin, gracias a su investigacin, incorporan un nuevo componente de conocimiento que se complementa con el conocimiento normativo propuesto por Chung y Reynolds. El espacio de dominio puede ser dividido en subregiones pequeas regulares, llamadas celdas. Y estas celdas, pueden ser clasificadas en 4 tipos [Soza 2005]: factibles, infactibles, semifactibles, porque abarcan reas factibles e infactibles, y como ltimo tipo, las desconocidas. Adems, en sus estudios, proponen la introduccin de una herramienta para manejar el conocimiento por restricciones, conocida como celda de creencias. Las celdas de creencias permitirn representar y almacenar ciertos patrones de conocimiento del 23

espacio de dominio. Se propone esta subdivisin porque se busca hacer tender a los individuos a las zonas factibles, sin perder de vista que las zonas semifactibles pueden ser de gran utilidad, ya que se conoce que muchos de los problemas de optimizacin considerados difciles poseen sus mejores soluciones en el borde de la frontera factible [Soza 2005]. Los primeros avances en optimizacin multiobjetivo utilizando algoritmos culturales fueron realizados por Landa y Coello en el ao 2002 [Landa 2002]. En su investigacin se intenta retomar afirmaciones de mejora en el desempeo de los algoritmos evolutivos, pero esta vez, en problemas que han sido poco o nunca tratados con algoritmos culturales. Tales problemas son la optimizacin con restricciones y la optimizacin multiobjetivo. Los autores intentan demostrar que al agregar un espacio de creencias a un algoritmo evolutivo puede resultar beneficioso y, representa una alternativa viable para resolver problemas multiobjetivo. En los problemas de optimizacin mono-objetivo con restricciones, como ya existan propuestas de algoritmos culturales, el principal objetivo fue el de crear un algoritmo competitivo, y arrojaron resultados comparables con las tcnicas evolutivas ms importantes de optimizacin con restricciones. En los problemas de optimizacin multiobjetivo, como no exista ninguna propuesta de algoritmos culturales que utilizaran jerarquizacin de Pareto, el nfasis fue mostrar la factibilidad de dicha propuesta, y obtienen muy buenos resultados, tanto as, que incluso se consigue mejorar, en al menos un caso, los resultados de otro algoritmos evolutivo (NSGAII). En parte de su investigacin se expone una nueva forma mucho ms ptima de representar , rboles las regiones factibles. Para esto utilizaron como herramienta los binario, que permitirn almacenar en cada uno de los nodos de los arboles las subdivisiones del espacio del dominio del problema. Utilizar los tiene una importante ventaja, ya que son ms estrictos al considerar la reduccin solo si el individuo tiene mejor fitness y tambin si es factible, distinto a la investigacin de Chung y Reynolds [Chung y Reynolds 1996], que reducen cuando un individuo es factible o tiene mejor fitness. Continuando con las investigaciones de Landa y Coello, en el ao 2004, definen un proceso evolutivo conocido como evolucin diferencial. Parte de su investigacin tambin fue la definicin de 4 conocimientos que estarn presentes en el espacio de creencias, conocidos como: Conocimiento Circunstancial, Conocimiento Normativo, Conocimiento Histrico y Conocimiento Topogrfico. En ese mismo ao, Reynolds y Bing Peng [Soza 2005] intentan resolver el problema de minimizacin de la Tensin/Compresin de Resortes, para ello hacen una combinacin de los 5 tipos de conocimiento existentes. Los cuatro mencionados anteriormente ms el conocimiento de Dominio. Los primeros trabajos que intentaron resolver problemas de optimizacin Combinatorial utilizando Algoritmos Culturales son los realizados por Landa y Coello en el 2004 [Landa 2004a] con la aplicacin de los algoritmos culturales para resolver el problema de Job Shop Scheduling. La hiptesis principal de su investigacin est basada en el sentido de que la

24

incorporacin del conocimiento en el algoritmo evolutivo aumentara su rendimiento como para que sea competitiva con otros enfoques cuyo coste computacional es mucho mayor. Otro autor que en su investigacin intenta resolver problemas de optimizacin Combinatorial es Carlos Soza [Soza 2005], que soluciona problemas complejos de Asignacin Horaria mediante algoritmos culturales. Utiliza la influencia de la cultura circunstancial con el objetivo de incluir el espacio de creencias circunstancial para lograr guiar la bsqueda con el traspaso de informacin, y tambin utiliza la cultura normativa para influenciar al individuo a mutar para que posicione en alguno de los tiempos en que se encuentran los mejores individuos. Y por ltimo, la investigacin de Broderick Crawford [Crawford 2007], que utiliza los algoritmos culturales para resolver el problema de cobertura de conjuntos. Utiliza la influencia de la cultura circunstancial y la cultura histrica. Su investigacin pas por varias etapas, en las cuales existieron buenos y malos resultados, pero finalmente se logr llegar a un algoritmo que utiliza el conocimiento cultural de los individuos para su beneficio, logrando con esto satisfactorios resultados para la resolucin de problemas de cobertura de conjuntos.

3.3 Problemas de Localizacin de instalaciones

Los problemas de localizacin han sido ampliamente estudiados en la literatura de Investigacin de Operaciones; tales como programas heursticos para localizacin de depsitos y optimizacin de redes, la bsqueda de soluciones enteras para programas lineales, localizacin de fbricas y otros trabajos que establecen modelos para la localizacin y nmero de fbricas. Actualmente, la toma de decisin sobre localizacin, es uno de los problemas estratgicos ms relevantes dentro de la gestin de la cadena de abastecimientos. Los problemas de localizacin surgen de la necesidad de localizar centros para la satisfaccin ptima de la demanda de un conjunto de clientes. La palabra cliente se usa para denotar objetos que requieren accesibilidad a un servicio o demandan un producto. Al tratar de analizar los problemas de localizacin, se debe de interactuar con clientes, por lo tanto es necesario conocer su distribucin, demanda y comportamiento. Los problemas de localizacin en la actualidad son conocidos como facility location problems, y se describen como un conjunto de clientes distribuidos espacialmente en un rea geogrfica, que demandan un cierto producto o servicio. La demanda de los clientes debe ser cubierta por uno o varios centros de distribucin. Los centros de distribucin, pueden operar en un marco de cooperacin o competencia, dependiendo del bien o servicio que sea requerido por el cliente. El proceso de decisin establece dnde se deben ubicar los centros de distribucin en el territorio deseado, tomando en cuenta los requerimientos de los clientes y las restricciones geogrficas. Un punto fundamental es el proceso de decisin, que permitir la completa definicin de localizar uno o ms centro(s). Este proceso establecer en dnde se deben ubicar los centros de distribucin en el territorio deseado, tomando en cuenta los requerimientos de los clientes y las restricciones geogrficas. 25

En un tpico problema de localizacin se identifican tres elementos. Uno de ellos es el centro de distribucin, que denota un conjunto de objetos, que tienen la particularidad de estar en un cierto espacio y posicin, que lo hacen distintos a otros objetos, sern localizados para proporcionar un servicio o producto. Algunos ejemplos de objetos son: almacenes, plantas productivas, escuelas, hospitales, centros comerciales, edificios pblicos, etc. Las propiedades principales que caracterizan a los centros de distribucin son su nmero y tipo. El segundo elemento identificado son las localizaciones, y se refieren al conjunto de posibles puntos para situar centros de distribuciones. Y por ltimo, los clientes que son los usuarios de las instalaciones que demandan ciertos servicios o productos, son los que sern asignados a los centros de distribucin. Pueden existir algunas consideraciones para los elementos anteriormente definidos, que dependern totalmente del tipo de problema de localizacin a tratar. Por ejemplo, en algunos problemas de localizacin, los centros de distribucin pueden adquirir importantes caractersticas, el nmero de centros de distribucin puede estar previamente definido, como as tambin el nmero de clientes. Adems, los centros pueden clasificarse respecto a su capacidad, limitados o ilimitados. Un concepto importante a destacar es el de espacio solucin en un problema de localizacin, y se considera al lugar fsico en donde se va a ubicar el centro de distribucin, y se puede representar de manera continua, discreta o de red. Espacio continuo: son espacios que se consideran en el espacio euclidiano. El caso ms tpico, considera un espacio euclidiano de dos dimensiones. Espacio discreto: cuando se especifica una lista de posibles lugares para ubicar centros de distribucin. En este caso proporciona flexibilidad ya que es posible incorporar caractersticas de tipo geogrfica y econmica al modelo. La representacin de redes vara en sus aplicaciones en las que se consideran servicios pblicos y privados, que comnmente se representan mediante un grafo. Los problemas de redes pueden ser continuos o discretos, dependiendo de s las estaciones de servicio pueden ser ubicadas en las aristas o en los vrtices del grafo que representa la infraestructura de red considerada. Por distribucin se asume que el cliente se distribuye uniformemente, que se localiza en un punto especfico o en los vrtices de una red. En el caso de la demanda, a cada cliente se le asigna un valor que expresa la cantidad de servicio que requiere. La demanda puede representar la cantidad de producto o servicio requerido por un usuario, por un rea o regin geogrfica. En ambos casos puede que no se conozca con certeza. El comportamiento del cliente se refiere a que es libre de escoger desde cul centro de distribucin desea ser servido. Por ejemplo, el cliente puede decidir que sea servido por el centro de distribucin ms cercano. Tambin, los clientes se pueden comportar de manera individual o grupal. La toma de decisin sobre localizacin, es uno de los problemas estratgicos ms relevantes dentro de la gestin de la cadena de abastecimientos. Los modelos de localizacin de 26

centros de distribucin pueden tener una gran variedad de posibles aplicaciones en muchas reas, tales como telecomunicaciones (intercambio de datos entre terminales), el transporte (trfico areo de pasajeros) y el correo postal (envo de cartas y paquetes), es por ello que es importante su estudio. Para los administradores que tienen que tomar decisiones sobre localizacin, necesitan disponer de un modelo matemtico que refleje fielmente el problema con todas las restricciones que ste pueda tener. La implementacin del modelo matemtico depender del tamao del total de soluciones posibles que tenga cada problema. En caso que el total de soluciones sea pequeo, puede bastar con realizar una bsqueda exhaustiva para encontrar la mejor solucin, en caso que el tamao total de soluciones sea demasiado grande, una bsqueda exhaustiva puede tardar demasiado tiempo en arrojar una solucin, o incluso tardar aos en encontrarla, para stos tipos de problemas, por lo general se resuelven usando algn tipo de algoritmo de optimizacin. UFLP Es un problema de localizacin de instalaciones que tiene como principal caracterstica que las instalaciones tienen una capacidad ilimitada de almacenamiento. El problema cuenta con una funcin objetivo , que intenta minimizar los costos de las instalaciones y los costos de asignacin entre una instalacin y el cliente . Las instalaciones cuentan con costos de instalacin fijos , y capacidades de almacenaje ilimitado. Los costos de asignacin, entre una instalacin y el cliente , son conocidos, y la capacidad de almacenaje es ilimitado, la demanda de los clientes siempre se cumple, y no se necesita agregar el vector de demanda, , al problema. El modelo matemtico del problema se detalla a continuacin:

Donde : Cantidad de clientes : Cantidad de instalaciones. 27

Variables de decisin. Si se selecciona la instalacin , 0 sino , si se asigna al cliente , la instalacin , 0 sino.

CFLP Este problema de localizacin realiza la seleccin de los sitios en los que las instalaciones tienen una capacidad limitada. Se estableci la asignacin de clientes a las instalaciones de forma que se satisfagan las demandas de los clientes reduciendo al mnimo los gastos de transporte y costos totales de funcionamiento

Sujeto a:

En el modelo, la funcin objetivo representa el costo total, incluido el coste total de transporte y el total de costes de explotacin, con el objetivo de minimizarlos. Esta funcin esta sujetas a las siguientes restricciones: Garantizar que la demanda de cada cliente est satisfecha. Limita la cantidad de los suministros a todos los clientes de cada una de las instalaciones i para que estn dentro de su capacidad. y definen los valores que pueden asumir las variables. Al asignar valores a las variables binarias, , el resultado es una estructura primitiva de problema de transporte. SSCFLP Este tipo problema de asignacin de localizacin cuenta con restriccin de capacidad. Es un tipo de problema CFLP, pero que adems tiene la restriccin que cada cliente debe ser suministrado slo por una instalacin. 28

La funcin objetivo de un SSCFLP es minimizar tanto los costos de la locacin de instalacin, como los costos de transporte entre una instalacin i y el cliente j en particular. En la definicin de una instalacin en un sitio, se cuentan con costos de instalacin fijos (fi), y capacidades de almacenaje conocidas (bi). Los costos de transporte entre una instalacin i, y el cliente j (cij) es conocido, los clientes tienen una demanda determinista (dj), y los clientes i pueden ser abastecidos solo por una instalacin j en particular.

Sujeto a:

29

3.1.1

Captulo 4 Algoritmo Cultural para BOUFLP

En problemas de optimizacin combinatorial multiobjetivo utilizando algoritmos culturales, son pocos los trabajos de investigacin que existen. Respecto de BOUFLP utilizando algoritmos culturales como tcnica para su resolucin, no se han encontrado rastros de investigacin.

4.1 Formulacin del Problema bi-objetivo de localizacin de instalaciones sin restricciones de capacidad (BOUFLP).
El BOUFLP es un hbrido de dos formulaciones matemticas: El problema de localizacin de instalaciones sin restricciones de capacidad (UFLP) y el problema de localizacin con mxima cobertura (MCLP). Cada una de estas formulaciones aporta una funcin objetivo al BOUFLP, una de ellas representa costos, que es dada por UFLP y la otra representa la cobertura, que es dada por MCLP. La fusin de estos dos modelos genera un problema biobjetivo donde se trata de minimizar costos y maximizar la cobertura en un problema de localizacin de instalaciones.

(a)
Ilustracin 4.1 Esquema del BOUFLP

(b)

La formulacin del BOUFLP ha sido propuesta en [Revelle 1996]. Y en esta investigacin se utiliza una formulacin semejante donde se tiene un conjunto I = {1,, m} de potenciales instalaciones y un conjunto J = {1,, n} de clientes que se deben cubrir 30

(Ilustracin 4.1 (a)). Adems se tiene fi que representa el costo fijo por la operacin de la instalacin i y dj que es la demanda del cliente j. El modelo adems cuenta con dos matrices cij que es el costo de asignar (Ilustracin 4.1 (b)) un cliente j a la instalacin i y hij que es la distancia entre la instalacin i y el cliente j. El modelo presenta un parmetro llamado Dmax que es la distancia mxima de cobertura, por lo tanto si un cliente est asignado a una instalacin a menor distancia que Dmax, se considera que el cliente est cubierto. Segn esta definicin el modelo presenta un conjunto Qj {i I : hij Dmax} que contiene todas las instalaciones que pudiesen cubrir al cliente j dentro de la distancia mxima de cobertura Dmax. Se tiene tambin yi que toma el valor 1 si la instalacin es seleccionada para operar y 0 en otro caso. Otra variable binaria es xij que toma el valor de 1 si la demanda del cliente j es atendida por la instalacin i y 0 en otro caso. Tomando en cuenta las anteriores definiciones el modelo matemtico para BOUFLP queda como sigue:

Sujeto a,

La frmula es una de las funciones objetivos, la cual representa el costo total de operacin; donde el primer trmino representa el costo de atender la demanda de los clientes con la instalacin seleccionada para esto, y el segundo trmino es la suma de los costos fijos de todas las instalaciones seleccionadas. La frmula es la otra funcin objetivo del problema, esta frmula mide la cobertura como la suma de la demanda de los clientes atendido por las instalaciones dentro de la distancia mxima de cobertura (clientes cubiertos). La restriccin (junto con la restriccin ) garantiza que cada cliente sea atendido por slo una instalacin. La restriccin obliga a que los clientes sean asignados a instalaciones seleccionadas. Las restricciones y definen las variables de decisin xij e yi como binarias. 31

4.2 Representacin de la Solucin

4.2.1 Codificacin de Individuos.
En el capitulo anterior se defini un individuo como una posible solucin al problema planteado. Es debido a esto que a continuacin se mostrar como estas soluciones sern codificadas al momento de implementar. En esta investigacin se consideraron dos maneras de codificar a los individuos, una de estas es la representacin binaria y la otra la representacin entera. Representacin Binaria En esta representacin se tiene un vector de largo m (siendo el nmero de posibles instalaciones), donde un 1 en la i-sima posicin representa que la instalacin i ha sido seleccionada para operar. Se debe considerar en esta representacin que con este nico vector no es posible representar la solucin completa debido a que no se mantiene la relacin entre un cliente y la instalacin que lo atiende. Es por esto que se utiliza un arreglo de bits (siendo el nmero de clientes del problema) en donde un 1 en la posicin i, j de la matriz, quiere decir que el cliente j es atendido por la instalacin i. El llenado de esta matriz se realiz mediante un procedimiento el cual procura minimizar el costo sin deteriorar la demanda, debido a que se realizaron pruebas con el llenado de esta matriz de forma aleatoria donde un cliente poda ser asignado a cualquier instalacin abierta, con lo cual no se obtuvieron buenos resultados. Sean el conjunto de instalaciones abiertas en el l-simo individuo de la poblacin, el subconjunto de instalaciones abiertas que pueden atender al cliente j dentro del radio mximo de cobertura [Villegas 2003]. Primero, cada uno de los clientes que pueden ser cubiertos, se asigna a la instalacin que lo puede cubrir al menor costo, as: Si , entonces , para Luego, cada uno de los clientes que no pueden ser cubiertos, se asigna a la instalacin que lo puede atender al menor costo. Si , entonces , para Todas las soluciones que se generan en el proceso evolutivo sern factibles debido a que toda la demanda de cada cliente ser cubierta por una sola instalacin la cual no tiene restricciones de capacidad. En el ejemplo de la ilustracin 4.1 (b) se tiene por lo tanto los individuos deben ser codificados como muestra la ilustracin 4.2 y junto con su matriz relacin que se muestra en la ilustracin 4.3. 0 1 1 0 0

Ilustracin 4.2 Individuo en representacin binaria.

32

0 1 0 0 0

0 1 0 0 0

0 1 0 0 0

0 1 0 0 0

0 0 1 0 0

0 0 1 0 0

0 1 0 0 0

0 0 1 0 0

0 0 1 0 0

0 0 1 0 0

Ilustracin 4.3 Relacin entre cliente e instalacin.

Este individuo representa una solucin factible para el ejemplo anterior, donde las instalaciones 2 y 3 son elegidas como parte de la solucin y su caracterstica de factible esta dado a que como conjunto cubren todas las columnas (clientes) del problema. Representacin No Binaria En cambio, en una representacin entera se define un vector de largo igual al nmero de clientes y en cada posicin se guarda el nmero de la instalacin que cubre dicho cliente. Para el ejemplo de la ilustracin 4.1 (b) se tendra como solucin la ilustracin 4.4. En esta representacin para que una solucin sea factible se debe asumir que cuando un cliente se asigna a una instalacin, dicha instalacin este operativa. 2 2 2 2 3 3 2 3 3 3

Ilustracin 4.4 Individuo en representacin entera

Para la implementacin se eligi la representacin binaria, y la justificacin se basa en que en el estudio realizado en [Villegas 2003], utiliza la representacin binaria ya que con la representacin entera obtiene bajos resultados computacionales.

4.2.2 Comparacin de individuos.

Ya se ha explicado cuales son las funciones de evaluacin en BOUFLP y de qu manera podran ser representados los individuos. Pero ahora resalta una complicacin que en los problemas mono-objetivo no se encuentra. Si se considera que ahora un individuo posee dos valores para su funcin objetivo (uno para el costo y otro valor para la cobertura), ahora no es trivial realizar la comparacin entre individuos. Para lidiar con este problema se utiliza el frente de Pareto que se explico en la seccin 3.1. Esto quiere decir que cuando se comparan dos individuos, se debe tomar en cuenta los dos valores que presentan sus funciones objetivo por separado, a continuacin se presenta un ejemplo para aclarar la comparacin de individuos. Suponiendo que se tienen 3 individuos con sus respectivos valores de sus funciones objetivo donde se trata de minimizar f1 y maximizar f2, tal como se presentan en la tabla 4.1.
Individuo 1 (x) (x) Individuo 2 (x) (x) Individuo 3 (x) (x)

33

30

25

23

Tabla 4.1 Individuos con sus respectivos valores de su funcin objetivo

Se pude observar claramente que el individuo 1 domina al individuo 2 ya que:

Adems de los conceptos de dominado y no dominado existe el caso en que estas relaciones no existen, por ejemplo, si se compara el individuo 2 y el individuo 3 se tiene:

En este caso se tiene que ninguno de los dos individuos domina al otro ya que el individuo 2 tiene mejor valor en la funcin 2 pero el individuo 3 tiene mejor valor en la funcin 1 y por lo tanto stos son soluciones no comparables, para tal caso se debe considerar un criterio adicional para la eleccin del individuo que en este caso est basado en el valor del fitness que posea el individuo, esto se explicar en la seccin de la funcin de aptitud (fitness). Para mostrar estos dos casos se presenta el siguiente grfico (ilustracin 4.5), el punto donde se interceptan las lneas es el de referencia:

Ilustracin 4.5 Grfico con soluciones dominadas y no comparables.

4.2.3 Inicializacin de la Poblacin

Cuando se trata de obtener una poblacin inicial necesaria para partir en el proceso evolutivo, sta suele generarse o calcularse de manera aleatoria. Para generar un individuo los depsitos que estarn operativos se seleccionarn aleatoriamente, esto quiere decir que el vector yi se llenar con 1s y 0s al azar. Luego a partir de esto se realiza el llenado de la matriz xij como se defini anteriormente.

34

4.2.4 Influencia del conocimiento.

La caracterstica ms distintiva de los algoritmos culturales, es la insercin del conocimiento (ver seccin 3.2.2), el cul mediante una funcin de influencia afecta las generaciones futuras. En la investigacin [Crawford 2007], la funcin influencia est basada en el conocimiento circunstancial e histrico. Bsicamente con esto se utiliza al individuo mejor adaptado encontrado hasta el momento (circunstancial) y una lista de individuos que poseen mejor nivel de adaptacin respecto al resto de la poblacin (histrico). Con esto se puede pensar que el nivel de diversidad sea bajo ya que lo ms probable es que los mejores individuos posean caractersticas parecidas, pero existen otras instancias para que la diversidad ingrese en la poblacin como por ejemplo en la seleccin. Como ms adelante se explicar, para realizar la recombinacin se utilizan dos padres, para no caer en el error de obtener mximos locales usando excesivamente la cultura, es que se dispone seleccionar un padre desde la poblacin para ingresar diversidad y el otro padre seleccionarlo desde el conocimiento para influenciar la nueva generacin. Basado en la investigacin [Crawford 2007], se hace uso de estos dos tipos de conocimientos. El conocimiento histrico guardar una lista con todos los individuos encontrados en la aproximacin al frente de Pareto y que se utilizarn como padres de las siguientes generaciones. El conocimiento circunstancial proveer la informacin de los dos mejores individuos encontrados hasta el momento, un individuo dar informacin sobre el mejor valor encontrado para f1 y el otro individuo para f2. Este conocimiento influenciar a la poblacin al momento de calcular el fitness, de tal manera que mientras un individuo tenga valores ms cercanos a los valores de los individuos en el conocimiento circunstancial, ms aptos ser.

4.2.5 Funcin aptitud

La funcin aptitud (fitness) en los algoritmos culturales refleja la calidad de la solucin, en un problema mono-objetivo la funcin aptitud es generalmente la misma funcin objetivo, pero lamentablemente en un problema bi-objetivo esta alternativa no es muy prctica al momento de implementar, debido a que ahora se presentan dos valores por cada solucin y como se dijo anteriormente la comparacin entre individuos no siempre se puede realizar, por lo tanto lo que generalmente se hace en la literatura es realizar una escalarizacin de las funciones objetivos, obteniendo un nmero representativo de su fitness, el cual se utiliza al momento de realizar las operaciones en los algoritmos culturales. Es importante que esta escalarizacin represente en la mejor medida la aptitud de un individuo, es por esto que cuando los valores de las diferentes funciones objetivos representen distintas unidades de medida o se muevan en rangos demasiado distintos se deben realizar ajustes a los valores, por ejemplo si una de las funciones objetivos se mueve en el intervalo [10001500] y la otra funcin objetivo se mueve en el intervalo [100150] al intentar minimizar estas funciones una disminucin ser menos relevante que una disminucin en , ya que trabajan con diferentes magnitudes, es claro que debe insertarse un coeficiente para corregir esta diferencia, multiplicando la primera funcin por 0.1 o la segunda por 10 para que los valores que se utilizan en la funcin de aptitud estn en el mismo intervalo. Uno de los grandes problemas de escalarizar las funciones es que no se tiene conocimiento alguno del dominio del problema. En la solucin implementada hasta ahora se utiliza el 35

intervalo en que las funciones objetivos se mueven para realizar la escalarizacin, como es de suponer en las primeras iteraciones este intervalo ser bastante acotado pero dar una buena aproximacin para escalarizar. Para esto se utiliza el conocimiento circunstancial donde se mantienen los lmites que se han encontrado soluciones al problema para cada funcin objetivo. Con esto, se realiza una ponderacin de la siguiente manera: Se obtiene la diferencia que existe entre el valor de f1 y el lmite inferior del intervalo donde se han encontrado valores para f1. Con esto se obtiene el porcentaje que representa esta diferencia dentro del intervalo y el mismo clculo se realiza para f2, por lo tanto el fitness queda de la siguiente manera:

Donde dif1 es la diferencia que existe entre el valor de la funcin f1 con lif1 que es el lmite inferior para el intervalo de la funcin f1 y lsf1 que es el lmite superior del intervalo de la funcin f1. Anlogo para la funcin f2. Se presenta la ilustracin 4.6, para comprender de mejor manera los valores utilizados en la funcin fitness. Es claro que mientras el individuo presente menor valor en la funcin fitness, implica que los valores para f1 y f2 estn ms cercanos a los lmites que interesan, por lo tanto, entre menor valor para la funcin fitness ms apto ser el individuo.

Ilustracin 4.6 Esquema de las variables utilizadas en la funcin fitness.

4.2.6 Operador de Seleccin

Este operador es uno de los ms importantes dentro de los algoritmos culturales, es el encargado de seleccionar los individuos dentro de la poblacin que posean un mejor nivel de adaptacin, es decir con mejor fitness. Esta seleccin es un punto importante para la transmisin de caractersticas deseables que puedan poseer los individuos ya encontrados. No obstante, no solo se debe elegir a los individuos que posean mejor fitness, ya que individuos que poseen bajo nivel de adaptacin pudiesen tener informacin relevante para la solucin y debiesen ser seleccionados en cierta medida para insertar diversidad y rescatar 36

esa informacin que pudiesen tener los individuos menos adaptados. Existe una gran cantidad de tcnicas para realizar esta seleccin, de las cuales algunas son mutuamente exclusivas pero otras se pueden usar en combinacin que es lo que se hace a menudo. Entre las tcnicas de seleccin se encuentra la seleccin elitista, donde se garantiza la seleccin de los miembros ms aptos de cada generacin; Seleccin proporcional a la aptitud, los individuos ms aptos tienen ms probabilidad de ser seleccionados, pero no da certeza; Seleccin por rango: a cada individuo de la poblacin se le asigna un rango numrico basado en su aptitud, y la seleccin se basa en este ranking, en lugar de las diferencias absolutas en aptitud. Pero los ms utilizados para llevar a cabo la seleccin, es la realizacin de torneos y la tcnica llamada seleccin por rueda de ruleta, los cuales se presentan a continuacin. Seleccin por torneo: Esta seleccin se basa en la comparacin directa entre individuos. Generalmente se realizan comparaciones entre dos individuos pero es posible realizar torneos entre ms individuos, aunque no es recomendable realizar torneos entre grupos grandes ya que los individuos menos adaptados tendrn muy poca posibilidad de ser seleccionados obteniendo niveles de diversidad poco adecuados, lo que implica una convergencia hacia mximos locales. Existen dos versiones de seleccin por torneo [Gestal], la versin determinstica en la cual se selecciona el individuo ms apto participando en el torneo y la versin probabilstica que en vez de escoger siempre el mejor se genera un nmero aleatorio del intervalo [0,,1], si es mayor que un parmetro p (fijado para todo el proceso evolutivo) se escoge el individuo ms apto y en caso contrario el menos apto. Generalmente p toma valores en el rango 0,5 < p < 1. Es claro que con esta ltima versin se mejora el nivel de diversidad. Seleccin por rueda de ruleta: A cada uno de los individuos de la poblacin se le asigna una parte proporcional a su ajuste de una ruleta, de tal forma que la suma de todos los porcentajes sea la unidad. Los mejores individuos recibirn una porcin de la ruleta mayor que la recibida por los peores. Generalmente la poblacin est ordenada en base al ajuste por lo que las porciones ms grandes se encuentran al inicio de la ruleta. Para seleccionar un individuo basta con generar un nmero aleatorio del intervalo [0,,1] y devolver el individuo situado en esa posicin de la ruleta. Esta posicin se suele obtener recorriendo los individuos de la poblacin y acumulando sus proporciones de ruleta hasta que la suma exceda el valor obtenido. Es un mtodo muy sencillo, pero ineficiente a medida que aumenta el tamao de la poblacin. Presenta adems el inconveniente de que el peor individuo puede ser seleccionado ms de una vez. Otra caracterstica que hace importante a este operador de seleccin es que a menudo, es ac donde comienza la influencia de la cultura, debido a que generalmente uno de los padres utilizados para la recombinacin es seleccionado del espacio de creencias. Para la implementacin se utilizar la seleccin de torneo con su versin determinstica para elegir al padre1 del individuo. Se justifica la siguiente eleccin, ya que en la literatura es una de las mayores tcnicas utilizadas, y adems en [Villegas 2003] se utiliza para la implementacin de un algoritmo gentico para BOUFLP. En la seleccin del segundo padre se utiliza el espacio de creencias del algoritmo cultural. Como antes se explic, se utilizar 37

conocimiento histrico, con lo cual se cuenta con una lista de los mejores individuos de la poblacin. Por tanto, cualquier individuo del conocimiento histrico puede ser seleccionado como padre, ya que no se debe comparar su fitness o funciones objetivo, porque eso se hizo previamente para definir si es o no parte del conocimiento histrico, por lo tanto la seleccin de un individuo del conocimiento histrico se realiza de forma aleatoria.

4.2.7 Operador de Recombinacin:

Este operador considera los valores de fitness para determinar qu elementos se copian en el hijo, logrando pasar informacin de mayor valor a las descendencias. Se presentan dos operadores de recombinacin que son analizados para la implementacin, que son propuestos en el Algoritmo de Beasley, y adems utilizados en la investigacin de SCP con algoritmos Culturales [Crawford 2007], que se detallan a continuacin: Operador de fusin: operador propuesto por Beasley, que considera lo siguiente Sean los individuos padres, se tiene que a) Si b) Si i) ii) y , con sus valores fitness y sea el individuo hijo ,

, entonces , entonces , con probabilidad , con probabilidad

El valor de los fitness de cada individuo estar determinado por el valor de sus genes. Ahora bien, cuando dos individuos padres combinen sus genes, la eleccin de cuales genes son pasados al individuo hijo debera estar basada en las aptitudes relativas de los dos individuos padres. Cuando se quiere contribuir a una mejor aptitud del individuo hijo, se debe mantener un gen particular de un individuo ms apto que si se considerara en vez al individuo padre menos apto. Estas elecciones solo deben ser realizadas para los genes que difieren de los valores de ambos individuos padres. Ahora bien, los valores de los genes que son idnticos en ambos individuos padres, son copiados al hijo [Crawford 2007]. La ventaja de este operador de fusin con respecto a los operadores de un punto (cruce bsico) y dos puntos (cruce multipunto), es su capacidad para generar nuevas soluciones cuando las dos soluciones padres tienen una estructura similar. Esto debido a que se focaliza en las diferencias entre las dos estructuras combinadas. Operador de Cruce:

El operador de cruce general, busca calcular el genoma del nuevo individuo en funcin del genoma del padre y de la madre, por lo tanto se le considera fuertemente responsable de las propiedades del algoritmo gentico, y determinar en gran medida la evolucin de la poblacin. Se presenta la tcnica de cruce uniforme que se detalla a continuacin [Gestal]: Cruce uniforme: se lleva a cabo generando una mscara de cruce. Esto no es ms que una cadena de la misma longitud que las que se pretende cruzar, 38

poblada aleatoriamente de ceros y unos. La generacin de la descendencia es guiada por esa mscara. Uno de los hijos adoptar el valor de los genes del progenitor A en las posiciones en las que la mscara contenga un uno, y los de B en aquellas posiciones en las que en la mscara haya un cero (figura 4.7). El segundo hijo adoptar en cada posicin los valores del progenitor contrario al del primer hijo [Gil 2009].

.
Ilustracin 4.7 Curce uniforme

Como se explic anteriormente, en la seleccin de los padres se utilizar la seleccin de torneo y la influencia del conocimiento (histrico). Y para continuar con el proceso de recombinacin, en la implementacin propuesta, se utiliza el cruce uniforme, y esta eleccin se apoya en la eleccin que realiza el autor en la investigacin [Villegas 2003].

4.2.8 Operador de Mutacin.

El operador de mutacin provoca que los genes de un individuo, vare su valor de forma estocstica. Aunque se pueden seleccionar los individuos directamente de la poblacin actual y mutarles antes de introducirlos en la nueva poblacin, en las mutaciones se suele utilizar de manera conjunta con el operador de cruce. Primeramente se seleccionan dos individuos de la poblacin para realizar el cruce. Si el cruce tiene xito entonces uno de los descendientes, o ambos, se muta con cierta probabilidad. Se imita de esta manera el comportamiento que se da en la naturaleza, pues cuando se genera la descendencia siempre se produce algn tipo de error, por lo general sin mayor trascendencia, en el paso de la carga gentica de padres a hijos. El objetivo de la mutacin es producir diversidad en la poblacin. Si al generar aleatoriamente la poblacin inicial o despus de varias generaciones, en la misma posicin de todos los cromosomas slo aparece un nico elemento del alfabeto utilizado, esto supondr que con los operadores de reproduccin y cruce, nunca cambiara dicho elemento, por lo que puede ocurrir que jams se alcance la solucin ptima al problema. La probabilidad de aparicin del operador de mutacin no debe ser grande para no perjudicar la correcta construccin de bloques. El operador de mutacin origina variaciones 39

elementales en la poblacin y garantiza que cualquier punto del espacio de bsqueda pueda ser alcanzado. De acuerdo a la probabilidad que se tenga, se elegir el tipo de mutacin a realizar, fuese de uno o ms bit. Este criterio de eleccin puede proveer una cuota de bsqueda aleatoria, que permitir evitar la prdida de informacin gentica valiosa reintroduciendo informacin perdida por convergencias prematuras de modo que expande el espacio de bsqueda. Se analizan dos tcnicas utilizadas para la mutacin, que se detallan a continuacin [Orozco 2007]: Mutacin de bit: En este tipo de mutacin existe una nica probabilidad de que se produzca una mutacin de algn bit. De producirse, el algoritmo toma aleatoriamente un bit, y lo invierte. Mutacin multibit: Cada bit tiene una probabilidad de mutarse o no, que es calculada en cada pasada del operador de mutacin multibit.

Debido a que existe una cierta probabilidad que se debe tener en cuenta para la eleccin de la tcnica de mutacin, es importante considerar que de acuerdo a una probabilidad existente, la mutacin puede parecer una bsqueda aleatoria, y adems ayudar a evitar la prdida de informacin gentica valiosa reintroduciendo informacin perdida por convergencias prematuras de modo que expande el espacio de bsqueda. En el algoritmo cultural propuesto en esta investigacin se utiliz la mutacin multibit.

4.2.9 Operador de Reemplazo

Otra de las acciones que se realizan en la ejecucin de un algoritmo cultural y que vale la pena analizar, es el reemplazo de la generacin antigua (padres) por la generacin nueva (hijos). Existen varias tcnicas de reemplazo pero la ms utilizada es la llamada reemplazo generacional, que bsicamente consiste en reemplazar completamente la generacin antigua por la nueva. Otro tipo es el reemplazo steady state (estado estacionario) donde un individuo de la generacin padre es elegido para ser reemplazado por un individuo hijo, generalmente esta eleccin se hace sobre el conjunto de los individuos peor adaptados. Tambin se puede realizar una mezcla de las dos tcnicas nombradas anteriormente, reemplazando completamente una porcin de la generacin padre. La implementacin del operador de reemplazo en la solucin tomo en cuenta el reemplazo generacional, creando una poblacin auxiliar para la creacin de los hijos y que luego pasa a ser la poblacin de padres en la siguiente iteracin.

4.3 Algoritmo Cultural Propuesto.

Ya presentados los operadores y las distintas alternativas que se han estudiado para implementarlos, se propone la estructura general del algoritmo cultural que resuelve BOUFLP, utilizando como referencia el algoritmo 3. Este algoritmo cultural presenta dos fases bien demarcadas. Fase Exploracin: Procura obtener diversidad en las soluciones encontradas utilizando los operadores que se encuentran en los algoritmos genticos. Se realiza una poblacin inicial y de ella se generan las prximas generaciones. Como la idea en esta fase es encontrar un 40

espacio con soluciones diversas y no converger, el operador de mutacin utilizado posee una probabilidad de mutacin relativamente alta, as el algoritmo obtendr al final de esta fase, individuos en el espacio de creencias (conocimiento histrico) abarcando un gran espacio de bsqueda. Fase de Explotacin: Esta fase utiliza el espacio de creencias obtenido en la fase anterior y mediante el operador de mutacin realiza pequeas modificaciones en los genes de los individuos para realizar una bsqueda en vecindades prximas a los individuos en el espacio de creencias. Luego estos individuos mutados si poseen una mejor adaptacin, actualizan el espacio de creencias y se comienza el ciclo nuevamente. Es claro que en esta fase el operador de mutacin no puede utilizar la misma probabilidad que en la fase anterior, es por esto que se utiliza otra probabilidad mucho ms pequea.
Algoritmo 2 Estructura General de un Algoritmo Cultural Begin t=0 Inicializar Poblacin P(t) Inicializar Creencias B(t) Evaluar condicin de los individuos de (P(t)) While (no condicin de trmino) do begin t=t+1 padres = Seleccionar padres desde P(t-1) e Influencia B(t) Hijos = Transformar (Padre, Influencia (B(t))) Hijos= Mutar (Hijos) Evaluar (Hijos) P(t) = Hijos Actualizar (B(t), Aceptar(P(t))) end end while While (no condicin de trmino) do begin i=i+1 Baux (i ) = Mutar (B(t)) Evaluar (Baux(i)) Actualizar (B(t), Aceptar(Baux(i))) end end while End

(1)

(2) (3) (4) (5) (6) (7)

(8) (9) (10)

Inicializar creencias B(t): Funcin que almacena en el espacio de creencias los individuos, de la poblacin inicial, que son considerados para generar el conocimiento. Influencia (B(t)): La influencia considera el conocimiento de tipo Histrico, y se utiliza en el operador de seleccin y recombinacin. Pero el conocimiento se aplica en el operador de recombinacin donde se utiliza el conocimiento almacenado en el espacio de creencias para recombinar el individuo padre seleccionado del espacio de creencias con el otro individuo padre seleccionado de la poblacin anterior 41

Actualizar (B(t), Aceptar(P(t))): Funcin que en cada ciclo evolutivo actualiza el espacio de creencias, basndose en la funcin de aceptacin(). La funcin de aceptacin() selecciona los individuos de los que se extraer informacin para ser almacenada en el espacio de creencias. Evaluar (Hijos): Funcin que evala la funcin aptitud de cada hijo creado. Mutar (Hijos): Funcin que modifica una cantidad de genes en los hijos recin creados. La cantidad de genes cambiados depende de una probabilidad de mutacin Pm dada.
Algoritmo 3 Algoritmo Gentico para SCP 1- Generacin de poblacin inicial con N soluciones aleatorias. Sea t:= 0 2- Seleccin de dos individuos P1, a travs de la seleccin por torneo desde la poblacin, y para P2, seleccin aleatoria desde el conocimiento histrico. 3- Combinacin de P1 y P2 para formar una nueva solucin usando el cruce uniforme bsico. 4- Mutar k columnas seleccionada aleatoriamente, donde k est determinado por la tasa de mutacin (mutacin multibit). 5- Se utiliza representacin binaria y C es infactible, hacer C factible mediante reparacin o penalizacin. 6- Remover columnas redundantes en C aplicando el operador heurstico definido. 7- Si C es idntica a cualquiera de las soluciones en la poblacin, ir al paso 2; en otro caso, actualizar t:=t+1 e ir al paso 7. 8- Reemplazar una solucin elegida aleatoriamente con un fitness sobre el promedio en la poblacin C (mtodo de reemplazo steady-state o generacional). 9- Repetir pasos 2-7 hasta que t=M (M no duplicado) soluciones hayan sido generadas. La mejor solucin encontrada con el fitness ms pequeo en la poblacin.

42

Captulo 5 Experimentos Computacionales

En este captulo, se presentan algunos resultados de experimentos computacionales realizados previamente. Para la experimentacin en estudio, se utiliz un computador con un procesador Intel Celeron 1.3 Ghz, 256 MB de memoria RAM, con sistema operativo Ubuntu Versin 9.04 de 32 bits. La implementacin realizada se codifico en lenguaje C compilado con GCC GNU Project C and C++ complier. La eleccin del lenguaje utilizado para la codificacin se justifica por las diversas implementaciones que existe en la literatura, pues los autores buscan un lenguaje potente y veloz, que les permita obtener un mejor rendimiento de la implementacin.

5.1 Mtricas Multiobjetivo

Antes de mostrar los resultados obtenidos con el algoritmo cultural se debe introducir sobre las mtricas que ayudan a definir cuando una solucin es mejor que otra, debido a que en una optimizacin multiobjetivo no existe un criterio nico que permita definir con facilidad la calidad de las soluciones. Para comparar los resultados obtenidos por distintos algoritmos de optimizacin multiobjetivo o para comparar los resultados de un mismo algoritmo para el afinamiento de sus parmetros, se han desarrollado varias mtricas de desempeo, las cuales buscan capturar las caractersticas que hacen a una aproximacin del conjunto Pareto-ptimo mejor que otra en algn criterio. Por lo general, stas asignan a un conjunto aproximacin particular un nmero que refleja un aspecto de calidad determinado [Lucken 2003]. En general, no existe un acuerdo comn sobre cules medidas de desempeo debera utilizarse, por lo que una prctica usual es utilizar una combinacin de mtricas a fin de comparar las aproximaciones obtenidas en diferentes aspectos. As, la comparacin en s misma se vuelve multiobjetivo. El diseo de mtricas para comparar los algoritmos de optimizacin multiobjetivo es un campo que se encuentra activo en investigacin. Se han desarrollado diferentes mtricas que evalan la calidad de la aproximacin del frente de Pareto obtenida. Para un detallado anlisis de las mtricas existentes se puede consultar [Lucken 2003]. Para la medicin de los resultados obtenidos para el problema de localizacin de instalaciones se utiliza una adaptacin de la mtrica S. Esta eleccin se justifica, ya que en

43

la investigacin gua del autor [Villegas 2003] se elige esta medida, ya que es considerada como eleccin en otras investigaciones bastante importantes, como la de [Zitzler 1998]. Esta mtrica evala la calidad de una aproximacin del frente de Pareto con el tamao del espacio dominado por dicha aproximacin. Por lo tanto se considerar una aproximacin al frente cuando sta posea el espacio dominado ms grande de todas las aproximaciones a ese mismo frente. La calidad de una aproximacin del frente de Pareto est dada por el tamao del espacio (rea, volumen o hipervolumen) comprendido entre dicha aproximacin y un punto de referencia. La unin del espacio dominado por todas las soluciones que componen la aproximacin del frente de Pareto es el valor de la mtrica S. Para los problemas de localizacin abordados el punto de referencia es el antiideal (i.e., una solucin que tiene el mximo costo de la solucin de mxima cobertura, y la mnima cobertura de la solucin de mnimo costo). En la ilustracin 5.1 ensea la mtrica S para un problema de localizacin multiobjetivo, cada solucin marcada con induce un espacio dominado (rectngulo sombreado).

Ilustracin 5.1 Ejemplo de mtrica del espacio dominado S.

El valor de la mtrica S depender de las unidades que se utilicen para medir cada uno de los criterios de decisin. Utilizando el enfoque de [Medaglia 2003], se obtiene la mtrica modificada S con valores entre cero y uno. S se define como la divisin del espacio dominado por la aproximacin del frente PF* y el espacio dominado por la solucin ideal v(x). La solucin ideal es un vector formado por las soluciones ptimas de cada funcin objetivo, obtenidas optimizando cada criterio sin considerar los dems. La solucin ideal es rara vez factible y solo es alcanzable si no existe conflicto entre las funciones objetivo. [Villegas 2003]. La mtrica S est definida por: S ( PF * ) S'= S (v ( x* ))

44

El valor de la solucin ideal sera S = 1, y cuando no exista ninguna solucin factible el valor de S ser cero, puesto que no hay ninguna solucin que defina un espacio dominado. Para formar el espacio dominado por el conjunto de aproximaciones al frente es importante definir los lmites inferior y superior del espacio de soluciones no dominadas. Los puntos que limitan el espacio de soluciones no dominadas son precisamente las soluciones de mnimo costo y de mxima cobertura (marcadas con en la ilustracin 5.2). Ambas soluciones extremas de la frontera de Pareto se obtuvieron en dos fases, que luego sern explicadas a profundidad.

Ilustracin 5.2 Lmites para la obtencin de la mtrica S

Es importante aclarar que toda solucin que no est dentro de los lmites siempre estar dominada por alguna de ellas. Por ejemplo, en la ilustracin 5.2, el punto A est dominado por la solucin de mnimo costo ya que el punto A tiene un costo superior y una cobertura inferior a las de dicha solucin (i.e., un peor servicio a un mayor costo). Igualmente, el punto B est dominado por la solucin de mxima cobertura, ya que tiene un costo mayor y una cobertura inferior a las de dicha solucin [Villegas 2003]. Entonces esto exige que se deban eliminar todas las soluciones que tengan una cobertura inferior a la de la configuracin de mnimo costo o un costo superior al de la configuracin de mxima cobertura. Y para filtrar dichas soluciones es necesario determinar las soluciones extremas de la frontera de Pareto del problema de localizacin multiobjetivo (configuraciones de costo mnimo y mxima cobertura). En esta investigacin, los lmites de la frontera de Pareto que se necesitan para utilizar la mtrica S, fueron encontrados utilizando optimizacin monoobjetivo con algoritmos culturales para encontrar ambas soluciones requeridas (mnimo costo y mxima cobertura). Especficamente, se formula un problema de localizacin sin restricciones de capacidad con una sola funcin objetivo (minimizar costo o maximizar cobertura), y se incluye la otra funcin objetivo como restriccin adicional. A continuacin se presenta la definicin del problema: 45

5.1.1 Problema de Localizacin con Restriccin de Cobertura (UFLP+C)

Sujeto a,

Para la solucin de mnimo costo, sta se consigue en dos fases. En primera instancia, se resuelve el UFLP descrito anteriormente por las ecuaciones (5.1)-(5.5), y se obtiene el valor ptimo ( ) que corresponde a la cota mnima del costo ( ) de cualquier configuracin de la red. Luego se busca maximizar la cobertura alcanzable con dicho costo. Cualquier solucin que tenga una cobertura inferior estar dominada por la solucin de mnimo costo, ya que necesariamente ser ms costosa y adems ofrecer una menor cobertura. Para la solucin de mnimo costo ( ) y mxima cobertura ( ), se obtiene al resolver el problema de optimizacin definidos por las restricciones siguientes:

Sujeto a:

De la anterior definicin del problema se obtendr el valor ptimo ( ) que representa la cota mnima de cobertura ( ) de cualquier solucin no dominada.

5.1.2 Problema de Mxima Cobertura con Restriccin de Costos (MCLP+B).

Ahora bien, para encontrar el lmite superior de la aproximacin a la frontera de Pareto, se necesita obtener la solucin de mxima cobertura. Se realiza un procedimiento similar al que se utiliz para encontrar la solucin de mnimo costo: primero se encuentra la mxima cobertura alcanzable con el conjunto de bodegas disponible ( ). 46

Para obtenerla no es necesario resolver ningn problema de optimizacin. Basta con examinar que clientes estaran cubiertos si se abrieran todas las bodegas, haciendo y calculando la expresin:

La expresin garantiza que los clientes son contados una sola vez, aunque puedan ser cubiertos por ms de una bodega. En la segunda fase se minimiza el costo necesario para lograr la cobertura

Sujeto a:

El valor ptimo del problema (5.12) (5.17) es la cota superior del costo de cualquier solucin no dominada. Una solucin ms costosa aunque tenga la mxima cobertura estar dominada por la solucin aqu obtenida, ya que esta es la forma de ofrecer el mejor servicio al menor costo. Para obtener los lmites necesarios para la elaboracin de la mtrica S, tuvo que utilizarse los algoritmos mono-objetivos (UFLP+C y MCLP+B) anteriormente nombrados, logrando los valores esperados en comparacin con los de la investigacin de [Villegas 2003]. Para la resolucin de estos problemas monoobjetivos se utiliz el mismo algoritmo cultural propuesto en esta investigacin. Debido a esto surgi la necesidad de comprobar que este algoritmo se desempea de buena forma solucionando problemas monoobjetivos. Esto dar cierta seguridad de que los lmites encontrados sern los ptimos para cada funcin. Se profundiza y muestran resultados sobre esta validacin en el anexo.

5.2 Instancias utilizadas.

Las instancias resueltas en los experimentos computacionales se han obtenido de la investigacin realizada en [Villegas 2003]. Estas instancias han sido desarrolladas aleatoriamente usando un generador de problemas que sigue la metodologa UflLib. Estas instancias estn realizadas tomando un problema en particular que trata de una red de recoleccin de caf en el pas de Colombia, donde existen depsitos (instalaciones), centros compradores (clientes) y granjeros a los que un centro compra caf. Por lo tanto el nmero 47

de granjeros que el centro comprador atiende es la demanda de este centro. Se generaron problemas de tres tamaos diferentes con m depsitos y n centros compradores (valores de m-n: 10-25, 30-75 y 50-150). Adems estas instancias estn catalogadas en dos tipos (A y B). Las instancias del tipo A presentan una distribucin uniforme de los centros con cuadras de 190 unidades de distancia de ancho, por otra parte en las instancias del tipo B los mismos centros compradores son elegidos para funcionar como depsitos, y por lo tanto la distancia entre ese depsito y centro comprador es 0. Otra catalogacin de las instancias es la referida a los costos fijos, por lo que son etiquetadas como C1, C2 y C3 si todos los depsitos presentan el mismo costo fijo, con 400, 700 y 1000 respectivamente. Las instancias etiquetadas como C4, C5 y C6, tienen una distribucin uniforme de los costos fijos entre U(100,400), U(400,700), U(700,1000), respectivamente. Por lo tanto, una instancia etiquetada como A50-150C2 tiene 50 depsitos uniformemente distribuido en cuadras de 190 unidades de distancia, 150 centros compradores y todos los depsitos presentan un costo fijo de 700.

5.3 Afinacin de Parmetros

El algoritmo cultural propuesto en esta investigacin presenta ciertos parmetros que deben ser afinados. Estos parmetros influyen en distinta medida en los resultados arrojados por el algoritmo, es por esto que es necesario un minucioso anlisis de los valores que sern usados. El algoritmo presenta cuatro parmetros que se necesitan afinar: tamao de la poblacin L, nmero de generaciones T que a su vez ser el criterio de trmino de la fase exploratoria, probabilidad de mutacin en la poblacin Pmp, probabilidad de mutacin en el espacio de creencias Pmc. Para realizar el afinamiento de estos parmetros se utilizo una metodologa similar a la utilizada en [Villegas 2003]. Se utilizaron cuatro problemas de prueba:
Problema A30-75C1 B30-75C2 A50-150C5 B50-150C5 m 30 30 50 50 n 75 75 150 150

Tabla 5.1 Problemas utilizados para la afinacin.

Se utilizaron diferentes niveles para cada uno de los parmetros los cuales se muestran en la tabla 5.2.
Parmetro L T Pmp Pmc Niveles 30, 60, 90,120,150 50, 100, 150,200,250,300 0.1,0.15,0.2,0.25,0.3 0.02,0.03, 0.04, 0.05

48

Tabla 5.2 Niveles que se utilizaron en la afinacin.

Se ejecut el algoritmo cultural una vez para cada combinacin de parmetros y se obtuvieron los valores de S para cada uno de los cuatro problemas de prueba que se utilizaron. En la tabla 5.4 se presenta el promedio que se obtuvo para cada valor que tomaron los parmetros, valor que se utiliz para tomar la decisin sobre la configuracin correcta. Por lo tanto, el valor utilizado para el tamao de la poblacin L, nmero de generaciones T, la probabilidad de mutacin en la poblacin Pmp, la probabilidad de mutacin en el espacio de creencias Pmc, fueron configurados como se muestra en la tabla 5.3.
T 100 L 150 Pmp 0.15 Pmc 0.04

Tabla 5.3 Configuracin de parmetros.

T 50 100 150 200 250 300

Promedio 0,6359 0,6463 0,6225 0,6690 0,6660 0,6661

L 30 60 90 120 150

Promedio 0,6056 0,6424 0,6519 0,6420 0,6468

Pmp 0.10 0,15 0,20 0,25 0,30

Promedio 0,6626 0,6703 0,6647 0,6681 0,6686

Pmc 0,02 0,03 0,04 0,05

Promedio 0,6568 0,6683 0,6741 0,6681

Tabla 5.4 Promedio del S para los diferentes valores de los parmetros

La cantidad de iteraciones en la segunda fase del algoritmo tambin es un parmetro importante, este parmetro no se afin junto con los dems debido a que se puede asegurar que mientras ms exploracin se haga, siempre el resultado ser mejor, slo se tomo un valor donde un aumento no mejore el valor de S o la mejora es casi despreciable, debido a que el tiempo que se toma el algoritmo en realizar ms iteraciones, no es justificable por el pequeo aumento en la calidad de la solucin. El valor para este parmetro es de 2000. Otro parmetro que afecta a la calidad de las soluciones es la semilla, este valor es necesario cuando se utilizan valores aleatorios. Un ejemplo, cuando se crea la poblacin inicial, sin este parmetro el algoritmo creara siempre la misma poblacin inicial, debido a que la funcin en el lenguaje C utilizada para obtener valores aleatorios tiene esta particularidad. Para el afinamiento de parmetros se utiliz la misma semilla para cada una de las posibles configuraciones para que ste no afectara al resultado. Para los resultados computacionales se utilizaron 10 semillas para cada una de las instancias. Otro parmetro que se desprende de la modelacin de BOUFLP es el Dmax (Distancia mxima de cobertura) y para efecto de las pruebas computacionales utilizadas el valor es Dmax=35. Es importante destacar que esta afinacin se realiz pensando en una configuracin general para todas las instancias y por lo tanto, lo ms probable es que para algunas de ellas otra configuracin de parmetros, obtenga mejores resultados a los reportados en este trabajo de ttulo.

49

50

5.4 Resultados.
Algoritmo Cultural Tamao Instancia 10*25 30*75 75*150 |PF*| Tiempo 187,33 859,91 1179,33 S' (1) 0,677 0,741 0,762 9,91 42,25 41,91 Tiempo 1685,75 1585,33 2486,50 S' (2) 0,677 0,732 0,761 9,75 35,91 34,58 NSGA-II |PF*| Diferencia
(1) ( 2) ( 2)

PAES |PF*| Tiempo 382,58 559,08 1254,33 S' (3) 0,677 0,696 0,661 9,75 28,66 20,83

Diferencia
(1) (3) (3)

0 0,0119 0,0015

0 0,0126 0,1528

Tabla 5.5 Promedios segn tamao de instancia.

En el anexo II, se presenta una tabla con los valores ms detallados para cada una de las instancias, el tiempo que demoraron las 10 ejecuciones independientes, el valor de la mtrica S y el nmero de individuos en la aproximacin del frente de Pareto, tanto para el algoritmo cultural implementado en esta investigacin y los resultados utilizando NSGA-II y PAES obtenidos en [Villegas 2003], adems muestra la diferencia para S que existe entre los valores obtenidos mediante el algoritmo cultural y los otros dos algoritmos. Estos mismos valores fueron resumidos en la tabla 5.5 mediante los promedios, agrupando las instancias segn el tamao que presentaban. El valor para S se obtuvo fusionando las aproximaciones de los frentes de las 10 ejecuciones independientes y se rescataron todos los individuos no dominados de este conjunto, es claro que para determinar que un individuo formar parte de la aproximacin al frente final, debe ser comparado con todos los individuos de cada uno de los 10 conjuntos obtenidos para cada instancia. Los resultados obtenidos mediante NSGA-II y PAES son muy interesantes al momento de realizar la comparacin, debido a que en [Villegas 2003] NSGA-II se destac por obtener resultados de buena calidad en comparacin con PAES, y PAES se destac a su vez por ser ms rpido que NSGA-II. Luego de la realizacin de los experimentos y analizar las diferencias entre los valores de S, se obtuvo que el algoritmo cultural en promedio mejora los resultados en un 0.4% en comparacin con el algoritmo NSGA-II, mientras que lo hace en un 7.9% cuando se compara con PAES. Aunque la diferencia entre la calidad de soluciones obtenidas por el algoritmo cultural y NSGA-II es mnima, s es considerable la diferencia en tiempo que existe, siendo el algoritmo cultural en promedio un 60.74% ms rpido que NSGA-II. Por otra parte cuando se comparan los tiempos entre el algoritmo cultural y PAES la diferencia es pequea siendo el algoritmo cultural en promedio un 1.97% ms rpido que PAES, a pesar de que los experimentos se realizaron en mquinas diferentes, la capacidad de procesamiento de estas es semejante, por lo cual la diferencia obtenida en los resultados no es atribuible a la mquinas. Por lo tanto, el algoritmo cultural propuesto en esta investigacin obtiene buenos resultados comparables con NSGA-II y un tiempo comparable con el obtenido mediante PAES. En la ilustracin 5.3 se presenta el grfico de la aproximacin al frente de Pareto para la instancia A50-150C5. Se observan los lmites que encierran el rea a dominar y la curva que forma la aproximacin al frente de Pareto. El espacio que domina la curva es del 80.4% formada por una poblacin de 53 individuos. El grfico muestra los valores estandarizados 51

tanto para los valores de los individuos y de los lmites, debido a que estos valores son los que se utilizan para el clculo del S. Como se puede apreciar es una excelente aproximacin del frente de Pareto con un espacio dominado grande y una curva bastante poblada. Por otro lado en la ilustracin 5.4 se presenta el grfico para la instancia A50-150C4. Este ya no presenta una curva tan pronunciada y con menor cantidad de individuos en ella, a pesar de ser del mismo tamao de la instancia anterior, cubriendo solo el 63.5% del rea a dominar, se piensa que esto ocurre debido a que la configuracin de algunas instancias, no permite formar combinaciones que pudiesen mejorar la curvatura de la aproximacin al frente. Por lo tanto, un valor bajo para S, no es precisamente responsabilidad del algoritmo.

Ilustracin 5.3 Aproximacin del frente de Pareto para la instancia A50-150C5.

52

Ilustracin 5.4 Aproximacin del frente de Pareto para la instancia A50-150C4.

Otro resultado interesante se muestra en la ilustracin 5.5 y ilustracin 5.6. Como se sealo anteriormente este algoritmo cultural presenta dos fases, una de exploracin y otra de explotacin. En el grfico se muestran dos aproximaciones al frente de Pareto. La serie Aprox. Sin Explotacin es la aproximacin al frente que se obtiene terminada la fase de exploracin. Se puede observar que es superada en gran medida por la serie Aprox. Con Explotacin. En estos grficos no se han estandarizados las funciones, para observar la magnitud real del cambio entre fases.

Ilustracin 5.5 Comparacin de fases para el algoritmo Cultural, instancia A30-75C2

53

Ilustracin 5.6 Comparacin de fases para el algoritmo Cultural, instancia B30-75C2

Adems de los resultados con la configuracin de los parmetros descrita anteriormente, se realizaron pruebas con valores distintos para el parmetro Dmax. Para valores grandes (150 unidades de distancia) se observ que el algoritmo converga rpidamente en el valor mximo para la funcin objetivo que mide la cobertura f2 y en las siguientes iteraciones el algoritmo slo realizaba una bsqueda del ptimo para la funcin de costos f1. Esto se explica porque con valores grandes para Dmax, alcanzar el 100% de cobertura es relativamente fcil ya que existen muchas combinaciones posibles donde un cliente queda con una instalacin a menor distancia que el valor de Dmax. Es por esto que en las aproximaciones al frente de Pareto para valores grandes para Dmax, generalmente estn compuestas slo por un individuo, casi como un problema mono-objetivo donde el mejor individuo es el que presenta mejor nivel de costos.

54

Conclusiones y Trabajo Futuro

En el presente trabajo de ttulo se investiga sobre las distintas tcnicas capaces de resolver un problema de optimizacin bi-objetivo, algoritmos culturales y su aplicacin al problema de localizacin de instalaciones. En el caso de la optimizacin multiobjetivo, de las investigaciones realizadas existen innumerables estudios que utilizan modelos matemticos y herramientas, que buscan el objetivo final, entregar buenos resultados de optimizacin respecto de la funcin objetivo modelada, algunos cambiando la naturaleza del problema bajando su complejidad, y otros tratando directamente con la naturaleza de problemas bi-objetivos lo que resulta mucho ms complejo de resolver. Gracias a una exhaustiva investigacin del estado del arte de todos los mtodos posibles que existen para resolver problema de optimizacin bi-objetivo, se confirma una correcta eleccin de la metaheurstica elegida. Los algoritmos culturales como metaheurstica resultan interesante, pues utilizan todas las caractersticas de los algoritmos genticos que los hace adaptables a este tipo de problemas e incorporan el llamado conocimiento, que influencia a las nuevas generaciones con experiencia obtenidas en generaciones anteriores. De las investigaciones que existen sobre algoritmos culturales aplicados a problemas de optimizacin, solo de manera general se puede decir que los resultados obtenidos por los investigadores permiten tener una visin de que esta tcnica es muy eficiente y segura. Aunque es un tema que da a da se sigue explorando, y cada investigacin extiende los conocimientos, las aplicaciones en problemas de optimizacin multiobjetivo son muy pocas. Respecto del uso de los algoritmos culturales, se concluye que gracias a la influencia de la cultura se puede orientar a converger a una mejor solucin en un mejor tiempo de optimizacin. Gracias a esta tcnica aplicada al problema, la toma de decisiones respecto de una mejor solucin, ya no solo depender del traspaso de genes de la generacin anterior a la nueva, sino que tambin los buenos genes se rescatarn en la cultura que se crear gracias a las generaciones que han pasado, tal como sucede, en el mundo real. Despus de haber aplicado la tcnica de algoritmos culturales a BOUFLP, se concluye que la tcnica se adapta de buena manera al tipo de problema. Aunque si se destaca algunos problemas como por ejemplo al momento de obtener el nivel de adaptacin de un individuo (fitness), ya que resulta algo complejo obtener un valor representativo de la calidad de una solucin, debido a que ahora la actitud de un individuo depende de dos valores que miden cosas distintas y por ende no es trivial fusionarlos en un solo valor, no as en problemas mono-objetivo. 55

De los resultados obtenidos se destaca la capacidad que tiene el algoritmo de acelerar su convergencia con la fase exploratoria y la utilizacin del espacio de creencias para esto. Sin esta fase, segn los experimentos realizados el algoritmo necesita realizar muchas ms generaciones, lo que lleva a un empeoramiento del tiempo y muchas veces a la calidad de las soluciones. Se piensa que es esta caracterstica la responsable del buen rendimiento en tiempo que presenta el algoritmo y que lo hace destacable entre los algoritmos abarcados en esta investigacin. Un trabajo interesante que puede continuar con esta investigacin sera resolver el problema BOUFLP mediante otras heursticas, realizando una comparacin entre el algoritmo cultural y otra metaheurstica, debido a que este problema en la literatura ha sido poco abarcado y slo ha podido ser comparado con benchmarks obtenidos de [Villegas 2003] Respecto a la metaheurstica utilizada en esta investigacin, se ha insertado en su espacio de creencia el conocimiento circunstancial e histrico, lo que deja abierta una investigacin donde se inserten otros conocimientos que podran ayudar an ms al algoritmo cultural en la bsqueda del frente de Pareto. Respecto a los operadores del algoritmo cultural (seleccin, cruzamiento, mutacin y reemplazo), se ha mostrado en esta investigacin varias formas de llevarlos a cabo, es deseable que en una prxima investigacin se realicen pruebas con implementaciones diferentes a las utilizadas en este algoritmo cultural propuesto.

56

Bibliografa
[Bilde 1977] O.Bilde and J. Krarup (1977). Sharp lower bounds and efficient algorithms for the simple plant location problem Annals of Discrete Mathematics. 79-97. ChanJin Chung, Robert G. Reynolds (1996). A self-adaptive approach to representation shifts in cultural algorithms. Broderick Crawford, Carolina Lagos, Carlos Castro, Fernando Paredes (2007). A Cultural Algorithm for Solving the Set Covering Problem. Carlos Coello. (1998) Optimizacin Evolutiva con Objetivos Mltiples: Estado del Arte y Tendencias Futuras. Yann Collette, Patrick Siarry (2002). Optimization. Principles and Case Studies. Multiobjective

[Chung y Reynolds 1996] [Crawford 2007]

[Coello 1998] [Collette 2002] [Duarte 2001] [Gestal] [Gil 2009]

Susana Duarte. (2001) Optimizacin Multiobjetivo de Redes Empleando Algoritmos Evolutivos Paralelos Marcos Gestal Pose Introduccin a los Algoritmos Genticos Francisco Gil Montoya (2009) Optimizacin de Tensin en Redes de Distribucin utilizando Tcnicas Evolutivas. Tesis Doctoral, Universidad de Granada, Espaa, 2009 Instancias UFLP (1977). http://www.mpiinf.mpg.de/departments/d1/projects/benchmarks/UflLib/data/ bench/BildeKrarup.tgz Ricardo Landa (2002) Algoritmos culturales aplicados a optimizacin con restricciones y optimizacin multiobjetivo. Tesis magister, Centro de Investigacin y Estudios Avanzados del Instituto Politecnio Nacional, Mxico D.F.2002.

[Instancias 1977]

[Landa 2002]

57

[Landa 2004]

Ricardo Landa, Carlos Coello (2004). A cultural algorithm with diferential evolution to solve constrained optimization problems Ricardo Landa, Carlos Coello (2004). A cultural algorithm for solving the job shop scheduling problem Christian Daniel von Lcken Martnez (2003) Algoritmos evolutivos para optimizacin multiobjetivo: Un estudio comparativo en un ambiente paralelo asncrono. Trabajo de Tesis desarrollado como parte de los requerimientos para el grado de Master En Ingeniera de Sistemas de la Universidad Nacional de Asuncin Andrs L. Medaglia -,Shu-Cherng Fang (2003). A geneticbased framework for solving (multicriteria) weighted matching problems. Samuel Orozco (2007) Tesis Algoritmos Genticos D. Pandolfi, M.E. de San Pedro, M. Lasso, A. Villagra, y G. Leguizamn (2007) Incorporacin de Conocimiento en Algoritmos Evolutivos para Problemas de Scheduling. Revelle, C. and G. Laporte. (1996). The Plant Location Problem: New Models and Research Prospects. Operations Research, 44, 864874. Robert G. Reynolds (1994). An Introduction to Cultural Algorithms. Robert G. Reynolds (1999). Cultural algorithms: Theory and applications. In David Corne, Marco Dorigo, y Fred Glover, editors, New Ideas in Optimization, pages 367377. McGrawHill, London,. Masatoshi Sakawa (2002) Genetic Algorithms and Fuzzy Multiobjective Optimization Carlos Soza (2005) Tesis Algoritmos Culturales para resolucin de problemas complejos de Asignacin Horaria. Juan G. Villegas (2003) Problemas de Localizacin Multiobjetivo Eckart Zitzler and Lothar Thiele (1998). Multiobjective Evolutionary Algorithms:A Comparative Case Study and the Strength Pareto Approach

[Landa 2004a] [Lucken 2003]

[Medaglia 2003]

[Orozco 2007] [Pandolfi 2007]

[Revelle 1996]

[Reynolds 1994] [Reynolds 1999]

[Sakawa 2002] [Soza 2005] [Villegas 2003] [Zitzler 1998]

58

Anexos
Anexo I: Validacin del algoritmo para UFLP.
En esta investigacin se propone un algoritmo cultural para el problema BOUFLP, por lo cual en la seccin de experimentos computacionales se han realizado comparaciones para verificar que este algoritmo cultural brinda buenos resultados para este problema en un tiempo relativamente bajo. Ciertamente, el algoritmo ha sido desarrollado pensando en un problema biobjetivo, pero en el transcurso de la investigacin se vio en la obligacin de realizar optimizaciones monoobjetivos para obtener una mtrica para las soluciones al problema biobjetivo. Es por esto que se realizaron experimentos para comprobar que este algoritmo cultural tambin se desenvuelve de buena manera solucionando problemas monoobjetivos. Para esto se tomo el problema de localizacin de instalaciones sin restricciones de capacidad (UFLP), donde el modelo est formado por la funcin objetivo (5.1) y que se encuentra sujeta a las restricciones ((5.3)-(5.6)). Se realizaron pruebas computacionales donde se resolvieron 122 instancias, donde en el 100% de ellas, el algoritmo cultural ha encontrado el ptimo publicado, lo cual permite inferir que el algoritmo cultural tendr un buen comportamiento frente a problemas monoobjetivos. Instancias utilizadas Las instancias resueltas en los experimentos computacionales para el problema UFLP, se han obtenido de la librera UFLP del Instituto de Informtica Max Plank [Instancias 1977]. Estas instancias fueron propuestas en 1977 en [Bilde 1977]. La estructura de los problemas se basa en la observacin de que los costos de apertura, menores o mayores, sea rentable por abrir ms o menos instalaciones. Para la mayora de los problemas de los costos de instalacin se fija un valor para todas las instalaciones, mientras que los costos de conexin son elegidos de forma aleatoria de un cierto intervalo. Existen 22 tipos de problemas, los cuales se describen en la tabla 9.1:
Tipo de Problema B C Dq* Eq* Tamao 30/80 50/100 30/80 50/100 Costo de Instalacin Discreto Uniforme (1000, 10000) Discreto Uniforme (1000, 2000) Igual, q*1000 Igual, q*1000 Costo de conexin Discreto Uniforme (0, 1000) Discreto Uniforme (0, 1000) Discreto Uniforme (0, 1000) Discreto Uniforme (0, 1000)

59

(*) q = 1,...,10
Tabla 0.1 Clasificacin instancias UFLP

Resultados
Instancia B1.1 B1.2 B1.3 B1.4 B1.5 B1.6 B1.7 B1.8 B1.9 B1.10 D2.1 D2.2 D2.3 D2.4 D2.5 D2.6 D2.7 D2.8 D2.9 D2.10 D5.1 D5.2 D5.3 D5.4 D5.5 D5.6 D5.7 D5.8 D5.9 D5.10 Tiempo(sg) 64 62 55 55 58 52 51 61 49 53 17 16 38 18 15 37 16 128 15 18 14 13 13 15 13 12 13 13 13 16 Valor costo 23468 22119 23549 20747 23976 21014 22103 20338 25038 21864 18312 19208 19590 18901 19443 19891 19253 19331 18151 18759 30338 30428 30082 29505 30518 27784 30674 29708 30147 29233 Instancia C1.1 C1.2 C1.3 C1.4 C1.5 C1.6 C1.7 C1.8 C1.9 C1.10 D3.1 D3.2 D3.3 D3.4 D3.5 D3.6 D3.7 D3.8 D3.9 D3.10 D6.1 D6.2 D6.3 D6.4 D6.5 D6.6 D6.7 D6.8 D6.9 D6.10 Tiempo(sg) 61 70 68 41 63 76 69 66 71 40 13 35 15 16 13 13 17 14 72 14 13 12 13 13 13 12 14 34 13 15 Valor costo 16781 15842 17668 16799 17504 17911 17406 17677 17728 17994 23729 23915 23416 22636 23571 22773 23019 23385 24304 22341 31823 33520 32119 32896 32999 33084 32222 33449 32876 34466 Instancia D1.1 D1.2 D1.3 D1.4 D1.5 D1.6 D1.7 D1.8 D1.9 D1.10 D4.1 D4.2 D4.3 D4.4 D4.5 D4.6 D4.7 D4.8 D4.9 D4.10 D7.1 D7.2 D7.3 D7.4 D7.5 D7.6 D7.7 D7.8 D7.9 D7.10 Tiempo(sg) 15 29 14 16 15 15 14 15 15 158 16 15 13 14 17 13 13 13 14 13 12 13 12 13 13 12 12 13 13 15 Valor costo 14190 14293 14252 13209 12166 13893 13844 13350 14055 14634 27412 26652 27091 28150 26014 26576 25724 27658 26151 25261 34183 35534 34937 36580 32942 36235 35007 33132 34966 34227

60

D8.1 D8.2 D8.3 D8.4 D8.5 D8.6 D8.7 D8.8 D8.9 D8.10 E1,1 E1.2 E1.3 E1,4 E1,5 E1.6 E1.7 E1.8 E1.9 E1,10 E4.1 E4.2 E4.3 E4.4 E4,5 E4.6 E4.7 E4.8 E4.9 E4.10 E7.1 E7.2 E7.3 E7.4 E7.5 E7.6

16 13 34 13 13 26 14 14 14 13 280 24 25 77 155 27 26 23 24 81 22 22 22 22 165 23 22 24 27 25 22 21 23 24 32 22

36710 37050 37384 36968 38294 37606 37361 36208 37446 37043 15042 14459 15159 14074 14457 14426 14242 14181 14537 14630 30417 28047 28650 29372 29850 29941 30329 29952 29542 28481 39901 39737 38669 39919 40706 39121

D9.1 D9.2 D9.3 D9.4 D9.5 D9.6 D9.7 D9.8 D9.9 D9.10 E2.1 E2.2 E2,3 E2.4 E2,5 E2,6 E2.7 E2.8 E2.10 E2,9 E5.1 E5.2 E5.3 E5.4 E5,5 E5.6 E5.7 E5.8 E5.9 E5.10 E8.1 E8.2 E8.3 E8,4 E8.5 E8.6

13 13 12 27 14 13 14 12 13 14 24 29 61 25 155 70 23 27 24 186 23 23 23 27 76 23 28 23 23 30 23 22 22 69 22 23

40917 38258 39293 39939 39360 39457 38540 40725 38191 39310 21410 20740 20696 21544 20796 21310 20975 21480 21667 21287 32377 32208 33874 32571 33625 33194 31629 33251 33796 34086 41421 42640 41027 41841 42487 41994

D10.1 D10.2 D10.3 D10.4 D10.5 D10.6 D10.7 D10.8 D10.9 D10.10 E3.1 E3,2 E3.3 E3,4 E3.5 E3.6 E3.7 E3.8 E3,9 E3.10 E6.1 E6.2 E6.3 E6.4 E6.5 E6,6 E6.7 E6.8 E6.9 E6.10 E9.1 E9.2 E9.3 E9.4 E9.5 E9.6

13 12 13 33 12 13 12 13 37 12 23 84 24 76 23 25 23 24 77 23 22 23 31 23 25 66 23 22 27 24 23 22 22 24 22 23

40980 40995 37698 40783 39898 40908 41372 41595 42781 40809 25486 25947 25739 26286 25984 25337 26055 25490 25558 25390 36033 36441 36554 36868 35591 36404 37872 35751 36235 37144 45048 45152 44688 43775 44333 42443

61

E7.7 E7.8 E7.9 E7.10 E10.1 E10.2 E10.3 E10.4 E10.5 E10.6 E10.7 E10.8 E10.9 E10.10

22 23 22 26 23 22 22 22 22 23 22 23 22 28

38845 38636 39092 40013 46832 47612 45658 45852 47652 45955 46391 46678 47415 47449

E8.7 E8.8 E8.9 E8.10

25 24 21 22

42574 41415 43772 41308

E9,7 E9.8 E9.9 E9.10

80 25 22 23

44245 45684 44634 44162

Tabla 0.2 Resultados optimizacin UFLP Monoobjetivo

62

Anexo II: Resultados Comparativos (Algoritmo Cultural, NSGA-II, PAES).

Algoritmo Cultural |PF*| Instancia A10-25C1 A10-25C2 A10-25C3 A10-25C4 A10-25C5 A10-25C6 A30-75C1 A30-75C2 A30-75C3 A30-75C4 A30-75C5 A30-75C6 A50-150C1 A50-150C2 A50-150C3 A50-150C4 A50-150C5 A50-150C6 B10-25C1 B10-25C2 B10-25C3 B10-25C4 B10-25C5 B10-25C6 B30-75C1 B30-75C2 B30-75C3 B30-75C4 B30-75C5 B30-75C6 B50-150C1 B50-150C2 B50-150C3 B50-150C4 B50-150C5 Tiempo 252 197 186 115 152 183 464 1247 1177 450 940 740 1473 1043 1165 735 1459 1434 135 130 238 260 115 285 683 944 1351 618 905 800 802 1221 1410 567 939 S' (1) 0,7057 0,6136 0,6993 0,5729 0,6351 0,5982 0,8071 0,8013 0,7552 0,7471 0,7790 0,7245 0,7878 0,7611 0,7883 0,6345 0,8039 0,7903 0,7795 0,5856 0,7410 0,7261 0,8117 0,6517 0,7650 0,7323 0,6335 0,5214 0,7473 0,8775 0,8345 0,7634 0,7915 0,7498 0,6393 13 11 9 5 8 9 18 47 50 21 46 37 52 37 53 17 53 43 7 5 14 14 6 18 38 59 72 32 45 42 23 53 58 10 37 Tiempo 1344 1511 1859 3186 1748 1650 1633 1345 1394 1874 1413 1474 2385 2522 2298 2575 2446 2259 1439 1430 1288 1747 1766 1261 1566 1525 1345 2562 1433 1460 2698 2289 2284 2603 2301 S' (2) 0,7057 0,6136 0,6993 0,5729 0,6351 0,5982 0,8071 0,8012 0,7538 0,7508 0,7783 0,6676 0,7913 0,7597 0,7665 0,6344 0,8072 0,7862 0,7795 0,5856 0,7410 0,7261 0,8117 0,6517 0,7609 0,7285 0,6330 0,5333 0,7631 0,8088 0,8447 0,7515 0,7988 0,7500 0,6387 13 11 9 5 8 9 18 43 43 20 40 36 43 39 34 17 40 38 7 5 13 14 6 17 30 49 51 23 31 47 23 41 52 10 35 NSGA-II |PF*| Diferencia
(1) ( 2) ( 2)

PAES |PF*| Tiempo 372 394 326 305 378 384 499 622 603 525 595 511 1386 1231 1269 1233 1251 1218 397 405 433 440 363 394 562 563 578 502 564 585 1280 1241 1279 1192 1212 S' (3) 0,7057 0,6136 0,6993 0,5729 0,6351 0,5982 0,7795 0,7915 0,7384 0,7342 0,7572 0,5300 0,7391 0,6729 0,6900 0,6106 0,7590 0,6461 0,7795 0,5856 0,7410 0,7261 0,8117 0,6517 0,7134 0,6899 0,5991 0,5211 0,7360 0,7602 0,6925 0,4970 0,6836 0,7253 0,5021 13 11 9 5 8 9 16 41 29 20 33 12 25 23 26 15 23 27 7 5 13 14 6 17 27 34 53 21 26 32 10 13 26 14 16

Diferencia
(1) (3) (3)

0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0019 -0,0049 0,0009 0,0852 -0,0044 0,0018 0,0284 0,0002 -0,0041 0,0052 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0054 0,0052 0,0008 -0,0223 -0,0207 0,0849 -0,0121 0,0158 -0,0091 -0,0003 0,0009

0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0354 0,0124 0,0228 0,0176 0,0288 0,3670 0,0659 0,1311 0,1425 0,0391 0,0592 0,2232 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0723 0,0615 0,0574 0,0006 0,0154 0,1543 0,2051 0,5360 0,1578 0,0338 0,2733

63

B50-150C6

1904

0,8016

67

3178

0,8029

43

-0,0016

1260

0,7152

32

0,1208

Tabla 0.3 Resultados Comparativos entre los tres algoritmos

64