Red de Revistas Científicas de América Latina, el Caribe, España y Portugal

Sistema de Información Científica

CARLOS ANDRÉS DOMÍNGUEZ GUAL, GEOVANNI DE LOS RÍOS SALDARRIAGA, JUAN DAVID
VELÁSQUEZ HENAO
Distribución de espacios en plantas industriales usando búsqueda tabú
Dyna, vol. 72, núm. 145, marzo, 2005, pp. 77-84,
Universidad Nacional de Colombia
Colombia

Disponible en: http://www.redalyc.org/articulo.oa?id=49614507

Dyna,
ISSN (Versión impresa): 0012-7353
dyna@unalmed.edu.co
Universidad Nacional de Colombia
Colombia

¿Cómo citar? Fascículo completo Más información del artículo Página de la revista

www.redalyc.org
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

Como una alternativa de solución a este problema. versión final recibida 10 de Noviembre de 2004 RESUMEN: En el problema de la distribución de espacios en plantas industriales se pretende ubicar de forma óptima los departamentos de acuerdo con sus necesidades. or at least equal. PALABRAS CLAVE: Algoritmos Heurísticos. o al menos igual. se presente una adaptación del método de Búsqueda Tabú. Universidad Nacional de Colombia GEOVANNI DE LOS RÍOS SALDARRIAGA Escuela de la Organización. than the traditional methods. Facultad de Minas. pp. dichas técnicas de solución exploran parcialmente y de forma limitada el espacio de posibles combinaciones. notwithstanding. Dyna. no obstante. The obtained results indicate the proposed methodology can find distributions of better quality. and for whose solution has been proposed several heuristic algorithms. KEYWORDS: Heuristic Algorithms. which made a heuristic exploration of major extend that the traditional methods. Facultad de Minas. these solution techniques explore partially and in a limit way the space of possible combinations. Nro. Universidad Nacional de Colombia JUAN DAVID VELÁSQUEZ HENAO Escuela de Sistemas. la cual realiza una exploración heurística de mayor amplitud que los métodos tradicionales. As a alternative solution. aceptado 29 de Julio de 2004. Universidad Nacional de Colombia Recibido para revisión 6 de Abril de 2004. 77-84. Tabu Search. indican que la metodología propuesta puede encontrar distribuciones de calidad superior. Medellín. DISTRIBUCIÓN DE ESPACIOS EN PLANTAS INDUSTRIALES USANDO BÚSQUEDA TABÚ SPACE DISTRIBUTION IN INDUSTRIAL PLANTS USING TABU SEARCH METHOD CARLOS ANDRÉS DOMÍNGUEZ GUAL Escuela de la Organización. Búsqueda Tabú. a los métodos tradicionales. ABSTRACT: In the problem of space distribution in industrial plants the aim is to locate optimally the departments according to its necessities. Marzo de 2005. y para cuya solución han sido propuestos varios algoritmos heurísticos. Año 72. Los resultados obtenidos para los casos de aplicación presentados. an adaptation of Tabu search method is presented. ISSN 0012-7353 . Este es un problema complejo de optimización combinatoria debido al gran número de distribuciones posibles. Facultad de Minas. 145. This is a combinatory optimization complex problem due to great number of possible distributions.

las principales conclusiones son materiales como es el algoritmo CRAFT presentadas en la sección 6.(Tompkins y Moore. por lo puede ser realizada mediante algoritmos tanto para obtener una mejor resolución heurísticos de búsqueda diseñados para la se debe utilizar el área mínima posible de solución de problemas combinatorios. CLASIFICACIÓN DE LAS METO- DOLOGÍAS CONVENCIONALES 3. Para ello. donde el área de cada todas las distribuciones factibles que puedan departamento se redondea al número realizarse. soluciones este objetivo. para exponer posteriormente en la inicial para realizarle cambios y así sección 5 un ejemplo real de aplicación. Laguna. la distribución óptima de !" Por el formato de representación de la espacios puede ser interpretado como un disposición: la mayoría de los algoritmos problema de optimización combinatoria. reducir los costos de transporte de Finalmente. realizando una como cuantitativa. 2. No obstante. y posteriormente en la sección 3. matrices de origen-destino para lograr obteniéndose como resultado. 1993). El problema de distribución de los espacios También existen otros que utilizan en plantas industriales (DEPI) ha sido información cuantitativa organizada en comúnmente resuelto mediante técnicas matrices de origen -.78 Domínguez et al cartas o matrices de relaciones de 1. bloques. La representación continua no es El objetivo de este trabajo es explorar la de uso extendido y no utiliza bloques aplicabilidad de la Búsqueda Tabú (Glover y para ubicar los departamentos. mientras heurísticas que hacen la distribución de que otros algoritmos tienen la capacidad acuerdo con algún criterio empírico de utilizar tanto información cualitativa previamente definido. utilizando las los criterios heurísticos utilizados. Estas regiones de algoritmos tienen como objetivo búsqueda en el espacio de posibles minimizar el producto de flujo de combinaciones son definidas de acuerdo con material y distancias. INTRODUCCIÓN cercanía entre los departamentos. su solución entero más cercano de bloques. Las rutinas de mejoramiento sección 4 se presenta la metodología requieren como entrada una disposición propuesta. las cuales no garantizan . en consecuencia. lo cual se utilizan las cartas de relaciones. para óptimas. en la solución del problema !" La cuarta forma de clasificar estas de distribución de espacios en plantas metodologías esta dada por la rutina que industriales (DEPI). es posible factibles que no son necesariamente las minimizar el puntaje de adyacencia. búsqueda restringida sobre las posibles !" Por su función objetivo: Algunos configuraciones realizables. se analizan algunas de sus limitantes.destino. -Computarized Relative Allocation of Facilities Technique-. datos de entrada se despliegue una en la sección 2 se clasifican algunas de las disposición de los departamentos como es metodologías convencionales comúnmente el algoritmo ALDEP -Automated Layout utilizadas. y proponer una utilizan: Las rutinas de construcción usan adaptación de dicha metodología para la técnicas graficas para que a partir de los solución del problema en cuestión. En la 1978). cuyo utilizan una representación discreta con la espacio de soluciones está conformado por ayuda de bloques. Design Program. DESVENTAJAS DE LAS METODO- Las metodologías convencionales utilizadas LOGÍAS CONVENCIONALES para la DEPI pueden clasificarse en diferentes Entre las principales desventajas encontradas formas: en estos métodos es que la exploración está !" De acuerdo con el tipo de datos limitada a subregiones del espacio de requeridos para su ejecución: Algunos soluciones conformado por todas las posibles algoritmos utilizan sólamente un flujo combinaciones en que pueden repartirse los cualitativo de datos denotado por las departamentos. Asimismo.

método entregue una solución diferente. Dichas técnicas convencionales están basadas en criterios heurísticos disímiles para la 4. la BT opera sobre búsqueda en el intercambio entre una cadena binaria que representa una posible departamentos que tienen un área igual o solución del problema. aceptados son almacenados en una memoria Diversos autores ya han explorado el uso de de corto plazo. a la forma en que está almacenadas en la memoria de largo plazo. Como una consecuencia. la Sin embargo. Algoritmos Genéticos en la solución del Cuando el algoritmo converge finalmente a problema DEPI (Islier. para el cual no es 1998) encontrándose que estas técnicas posible encontrar soluciones vecinas mejores. alguna de las soluciones encontrar soluciones óptimas. las técnicas convencionales. 1998. la DEPI es un problema movimientos en el espacio de soluciones que de optimización combinatoria. aproximación metodológica basada en la técnica de Búsqueda Tabú (BT) desarrollada 4. los movimientos las distribuciones óptimas de los espacios. la BT evita 4. debido previamente visitadas que se encuentran principalmente. por lo que los llevan de una solución a la otra son tabú. optimización consiste en explorar las Finalmente. óptimo encontrado. considerando que los Como ya se indicó. lo que genera para La BT es un método heurístico de búsqueda un mismo problema diferentes distribuciones global en el espacio de soluciones de un finales. la cual debe ser obtenida por otro forma determinística soluciones no método. una nueva véase a Glover y Laguna (1993). cuenta las condiciones particulares de este problema. sin embargo. moviéndose a una nueva la distribución de los departamentos. y que requiere directamente aplicada al problema de DEPI. posteriormente. Para ello. en la cual una memoria de largo Los algoritmos de mejoramiento usan una plazo registra las soluciones visitadas. concebido el algoritmo. Dyna 145. permiten hallar soluciones superiores a las la solución es almacenada como el mejor obtenidas usando técnicas convencionales. en la medida en que ella conlleva a que para un mismo problema. un punto de óptima local. y distribución inicial de arranque dada por el obliga a que el proceso de búsqueda visite de usuario. estas técnicas de optimización memoria de corto plazo es borrada. El proceso de comparten un borde. problema. la cual realiza una exploración heurística inteligente del La metodología de BT no puede ser espacio de soluciones. de algoritmos comúnmente usados para la tal forma que ellos no pueden ser aceptados solución de este tipo genérico de problemas durante un cierto tiempo o un cierto número pueden ser potencialmente usados para hallar de iteraciones. Para evadir los óptimos locales. y se son voraces en cuento a los recursos escoge como nuevo punto de arranque del computacionales y al tiempo requerido para algoritmo.1 BÚSQUEDA TABÚ distribución de espacios. se pueden evaluadas. las metodologías analizadas no vecindades de la mejor solución encontrada exploran todas las posibilidades para realizar hasta el momento.2 BÚSQUEDA TABÚ MODIFICADA por Glover y Laguna (1993). Para mayores detalles sobre el algoritmo Se propone entonces. basan su En su forma tradicional. cada tenga un mejor valor de la función objetivo. Dichos elementos probabilísticos. 2005 79 contener la distribución óptima que minimiza permitiendo obtener resultados superiores a el criterio de selección usado. lo que solución óptima. METODOLOGÍA PROPUESTA visitar algunas de las soluciones vecinas a la solución óptima actual. Tam y Chan. . algoritmos de mejoramiento. menores recursos computacionales que los por lo que debe ser modificada teniendo en Algoritmos Genéticos para su aplicación. es posible hacer el alcanzar soluciones diferentes dependiendo proceso estocástico adicionando algunos del punto inicial de arranque.

la solución es representada como un vector con tantas posiciones como departamentos más uno sea necesario ubicar en la planta industrial. un problema con 4 departamentos podría tener la siguiente solución: Bandas x = { 4.1 Representación de la solución En primer lugar es necesario definir la representación de la solución en una forma tal Bandas que pueda ejecutarse el algoritmo de BT. cada posición del vector oscilatoria vertical contiene un ordinal que representa el índice Figure 1.3 Solución inicial unidades mínimas de superficie.4 Generación de las soluciones departamento. se superficie que es usada en la ubicación de evalúa una función de costo que relaciona la cada departamento. e indica el orden en que oscillating ellos serán repartidos en el área. y se empiezan a asignar unidades calculándose para cada una de ellas su costo mínimas de área en el sentido indicado por la respectivo. la última posición contiene las letras A o B. Para realizar la ubicación de acuerdo con los Nuestra propuesta de modificación de la BT valores del vector solución se procede de la para este problema funciona de la siguiente siguiente forma: en la repartición oscilatoria forma: cuando se inicia el algoritmo.2. que representan la forma en que se realizará la distribución. A diferencia de la BT tradicional. luego se toma el primer departamentos en el vector de solución. La repartición oscilatoria vertical es A partir de este punto se entra en un proceso realizada de manera similar. presentado. La solución inicial corresponde a flecha en la Figura 1. el costo necesario ajustar el requerimiento de área de unitario de transporte y el flujo entre ellos. y oscilatoria en forma vertical que es Figure 2. en consecuencia. la versión implementada considera dos formas de repartir los Figura 2.2 Evaluación de la función de costo la planta en una cuadrícula donde cada cuadro representa la unidad mínima de Para establecer la bondad de una solución. Repartición de departamentos departamentos: oscilatoria en forma oscilatoria horizontal horizontal que es representada por la letra A. número de unidades requerido por dicho 4. Departments distribution horizontal oscillating representada por la letra B. 1. se vertical el área de la planta es dividida en genera una distribución aleatoria de los bandas verticales. Para realizar la repartición.2.2. es necesario dividir el área de 4. De esta forma. y se departamento. Repartición de departamentos vector binario. A } En la actualidad.2. En nuestra aproximación. 3. es distancia entre los departamentos. el 4 para el ejemplo evalúan las dos formas de repartición. posteriormente se procede a vecinas ubicar los departamentos restantes de igual forma. Departments distribution vertical del departamento. iterativo en el cual se van intercambiando departamentos en el vector de solución hasta . cada departamento a un número entero de 4. las cuales pueden apreciarse en las Figuras 1 y 2. hasta completar el la repartición con mejor costo. que usa un Figura 1.80 Domínguez et al 4. 2.

Para cada una de las La memoria de largo plazo se implementa soluciones vecinas al punto actual. 2005 81 que el algoritmo converge a un punto de posición será tabú y con la cual no es posible óptima. 5. 5. 1. y su valor no podrá cambiar x(1) = { 4. 5. 4. 5. la memoria de corto plazo será: =\{ 4. 2. ella será x = { 3. m(1) vector intercambia su posición con cada uno = { 0. ella es introducida en la matriz. se como una matriz de enteros donde cada fila evaluarán cada una de las formas de corresponde a una de las soluciones visitadas. 7. este valor n es igual intercambiando el departamento 4 en la al número de departamentos sobre dos. 5. 6. 1. 5.2. y si el bloqueo es por las próximas 3 la cual tiene un costo inferior a la solución x iteraciones. B } posiciones como departamentos hay en el problema. 5. 0 } vecindad de la solución optima actual. 7. 7. B } 4. 2. 7. 1. donde el entero en cada posición Nótese que no hubo intercambios con el indica el número de iteraciones que dicha departamento 3. 4. 7. primera posición con el departamento 5. 5. 0. A } x = { 2. 6. 6. 0. 1. de esta forma. 3. 6. B } x = { 3. 7. 4. 6. 4. 6.5 Memoria de Corto Plazo x* = { 3. 6. 2. 0. Para encontrar las soluciones en la m(2) = { 3. En la primera solución vecina se obtiene esta la implementación.2. 1. B } tal como ya se indicó. 7. 7. cada vez que se . A } durante las próximas n iteraciones. 5. con asterisco corresponde a la solución tal que al final del primer ciclo. B } encuentra bloqueada en la memoria de corto x = { 6. 0. 3. está que en el ejemplo presentado se encontró una dada por: solución mejor. 1. 7. 7. 6. 0. 6. 1. 1. 5. 5. B } x = { 3. 3. 2. por lo que se evalúan de los departamentos restantes. 2. 6. 1. 5. 6. Dyna 145. 4. 1. 6. 3. 1. 0 }. 0. 7. 2. repartición consideradas. 1. 4. 7. 4. 5. 3. 3. 5. 2. 7. 4. el departamento en la primera posición del Nótese que cuando se inicia el algoritmo. 5. A } x = { 1. 6. 7. 5. 5. 1. 4. 7. A } x* = { 3. 4. 6. 2. 6. 1. 2. se evalúan las siguientes vacía. 2. A } x = { 3. 2. 1. B } plazo. 4. es así como para el Cuando se inicia el algoritmo la matriz está ejemplo presentado. 2.6 Memoria de Largo Plazo posteriormente el 4 con el 6 y así sucesivamente. A } Ya que la primera posición del vector se x = { 5. A } x(2) = { 3. la solución marcada no visitada. 0. 2. 4. 7. se tomará como x = { 6. 4. 6. 7. 6. 2. B } x = { 3. 2. 5. se procede a realizar el intercambio de x = { 7. 4. 6. tal x = { 1. 4. Cada vez que se evalúa una solución formas de repartición. 4. 2. Supóngase que la solución inicial. Ahora. A } aceptada como la nueva mejor solución x = { 3. 3. 6. x = { 5. 1. realizar intercambios de departamentos. 4. 6. B } se usa un vector de enteros con tantas x = { 3. 2. 0. 2. 7. 6. A } Sí x* tiene un costo inferior a x(1). 4. la primera posición quedará bloqueada. 1. 2. 6. 7. x = { 3. 6. 7. 2. 4. 2. 1. B } que se evalúan las siguientes combinaciones: x = { 2. 3. 5. 4. 7. 2. 6. Es así como todos los intercambios de departamentos. 0. 5. A } encontrada x(2) = x*. 1. A } En el siguiente ciclo. 5. 3. 7. 3. 1. 7. 0. 1. 3. 5. Ya para un problema con 7 departamentos. 2. 4. 4. 4. A } solución inicial a: x = { 7. A } x = { 3. 3. 5. la memoria vecina con menor costo: de corto plazo contiene a x(1) y todas sus soluciones vecinas. 4. 6. B } departamentos entre la segunda y el resto. B } Para implementar la memoria de corto plazo x = { 3.

y el de la banda actual. Se asumió un costo memoria de largo plazo seleccionada de unitario de un peso por unidad de carga forma aleatoria. El área total para distribuir los departamentos iguales a cero y se toma como nuevo punto inicial. Los departamentos tienen las áreas obtenida usando la metodología propuesta. la memoria de corto plazo 3 – 5 10 se transforma a: 4 20 – 35 5 – 65 35 (3) 6 5 – 65 m = { 2. es descartada del time unit conjunto de soluciones vecinas. 5. presentadas en la Tabla 1. Product flow between departments by ya hubiera sido visitada. De esta forma. 0. Los dígitos entre 1 y 7 indican a que 1 12000 departamento a sido asignada cada unidad 2 8000 3 6000 mínima de área. 3. Departments area cada dígito indica una unidad mínima de área. En el caso de que Table 2. Table 1. no se 400 unidades cuadradas. El cero representa unidades de área que no Departamento Area( u2 ) han sido asignadas a ningún departamento. se disminuye en 1 todas aquellas 1 2 3 4 5 6 7 posiciones de la memoria de corto plazo 1 – 45 15 25 10 5 diferentes de cero. 0. Igualmente.82 Domínguez et al genera una solución vecina. 0 } 7 – A la memoria de largo plazo se ha adicionado la solución x(2) y todas sus vecinas. se supuso un elemento mínimo cuadrado con un área de visitar todas las posiciones del vector no bloqueadas que pueden cambiarse. Área de los Departamentos Figuras 3 a 5. en la Figura 4 12000 4. Los flujos entre tiene un costo inferior a las soluciones departamentos son presentados en la Tabla 2. APLICACIÓN A UN CASO REAL Este mismo problema fue solucionado El método propuesto fue aplicado a la usando los programas CRAFT y ALDEP. 0. en cada una de dichas Figuras. Flujo de productos entre departamentos ella no se encuentre en la memoria de largo por unidad de tiempo plazo para ser considerada. transportada una unidad de distancia. ubicada en la esquina superior 7 12000 izquierda de la planta. encontradas con estos dos programas. . se verifica que Tabla 2. De esta forma. Los resultados se resumen en la Tabla 3. se asumió el ancho de la banda vertical en dos obtiene una solución vecina mejor al punto unidades cuadradas. 0. distribución de siete departamentos en una encontrándose que la configuración planta. En este momento se hacen todas las posiciones de la memoria de corto plazo horizontal en dos unidades cuadradas. Ya que se encontró la solución vecina x* con un costo Desde Hacia menor a x(2). y las distribuciones encontradas se presentan en las Tabla 1. Este proceso continua hasta que después de Para ejecutar el algoritmo. y se asigna 3 a la posición 2 – 30 25 15 2. una solución almacenada en la tiene 10 filas y 18 columnas de elementos mínimos cuadrados. el departamento 1 ocupa una región de 10 5 8000 unidades horizontales por 3 unidades 6 12000 verticales.

Found solution using proposed program 00000000000000000000 01122224455666677770 01122224455666677770 01122224455666677770 6. CONCLUSIONES 01122224455666677770 01122224455666677770 La metodología propuesta permite explorar 01111444455663377770 de una forma más completa el espacio de 01111444455663377770 solución. . Igualmente la metodología propuesta. Dyna 145. puede obtener 111111111177777777 soluciones en menor tiempo. Costs for different found configurations 113322444455667777 111122444455667777 Método Costo 111122444455667777 111122245455666707 111122225555666600 ALDEP 3199. Debido a la forma en como está 01111444455663337070 expresada la función de costo a optimizar. es 01111444455663333000 posible hacerla tan compleja como sea 01111444455663333000 necesario. Solución encontrada usando el que la solución obtenida por nuestra programa CRAFT aproximación metodológica equivale al 63% Figure 4.5 Búsqueda Tabú Modificada 2024. Estos resultados muestran que la nueva metodología puede permitir encontrar valores inferiores respecto a las metodologías tradicionales. Solución encontrada usando el programa Propuesto Figure 5. Found solution using program ALDEP simple que otras técnicas que pueden producir resultados comparables tales como Algoritmos Genéticos. explorando un espacio solución 444444444555555666 mucho más amplio que el de ellos. Para el caso de aplicación. 333322222266666666 La metodología propuesta combina 333322222266666666 333324444555555666 elementos de los programas normalmente 444444444555555666 utilizados. pudiendo incorporarse elementos 00000000000000000000 de análisis multiobjetivo si fuese necesario. En su forma conceptual y de Figura 3. Costos obtenidos para las distintas 113332444465667777 configuraciones encontradas 113322444455667777 Table 3. la BT modificada programa ALDEP propuesta. Found solution using program CRAFT del costo encontrado con ALDEP y del 71% del encontrado con CRAFT. lo que 444444440000055666 posibilita encontrar mejores soluciones. Solución encontrada usando el implementación.95 111122225555666600 CRAFT 2833. 2005 83 113333444466667777 113333444466667777 Tabla 3. ya que 111111111177777777 realiza comparativamente un número 111111111177777777 inferior de cálculos. si se la compara con 333222222266777777 Algoritmos Genéticos.78 Figura 5. es conceptualmente mucho más Figure 3. se encontró Figura 4.

K. Computer Aided Layout: User’s Prod. Prod. FP & D Monograph Series No 1. K. Y. [2] Islier. (1998). 3253–3272. Oxford. Res. y Chan. (1993). criteria facility layout design’. (1998). Tabu ‘Solving facility layout problems with search in Modern Heuristic Techniques geometric constrains using parallel for Combinatorial Problems. ‘A genetic algorithm approach for multiple [4] Tompkins. y Laguna. J. 36(12). 36(12). Int. F. . [1] Glover. S. 1549–1569. and findings’. y Moore. A.1. A. Int. J. M.77 . Guide. genetic algorithms: experimentation Blackwell. (1978).84 Domínguez et al REFERENCIAS [3] Tam. J. AIIE-FP & D . J. Res.