You are on page 1of 43

CAPITULO 1.

ESTADO DEL DESARROLO DE LOS SISTEMAS DE GESTION

DE BASE DE DATOS PARA EL DISEÑO DE HORARIOS DE

TRENES EN SISTEMAS DE TRANSPORTE METRO.

1.1. Caracterización del sistema metro de la ciudad de Caracas, Venezuela.

A continuación se realiza una exposición cronológica de las diferentes etapas que

caracterizan la evolución del sistema metro de Caracas, a partir del año 1936

hasta la actualidad, y el papel que ha venido jugando el sistema metro en este

importante sector.

1.1.1. Breve reseña histórica.

1936, 1947
El sistema de transporte estaba compuesto por una red de tranvías eléctricos,
cuyas líneas se encontraban en la Plaza Bolívar y se extendían a Catia, El
Paraíso, El Valle, San Martín y la antigua estación del ferrocarril en Santa Rosa,
algunas áreas residenciales eran atendidas por empresas autobuseras privadas.
La capital acogía a poco más de medio millón de habitantes, en ese entonces las
autoridades consideraban la idea de construir un Metro.

1948
Caracas atravesaba una de sus peores crisis en materia de transporte, la
población creció, el sistema de tranvías fue remplazado por 43 líneas de
autobuses, con una flota de 533 unidades que transportaban 350 mil personas

7
diariamente, la congestión vial adquiría niveles críticos.

1961,1963
Una misión de las Naciones Unidas, a petición del gobierno, realizó un estudio del
problema del transporte en Caracas en el cual se recomendaba un sistema de
movilización rápida desde Catia hasta Petare. A fines de 1963, se resolvió
responsabilizar al Ministerio de Obras Publica de la realización de los estudios y
planes en referencia. Se evaluaron dos alternativas: contratación directa con
firmas de experiencia internacional en la materia o la ejecución, creando una
oficina especializada para tal fin, debidamente asesorada.
1964
Se comienza a instalar esta dependencia, la cual tomó el nombre de Oficina
Ministerial del Transporte, quedando adscrita directamente al despacho del
Ministro de Obras Publicas, habiéndose determinado tres objetivos fundamentales:
primero, el desarrollo de un plan integral de transporte para el área Metropolitana
de Caracas; segundo, el estudio de un sistema de tránsito rápido como parte
fundamental del primero y, finalmente, el desarrollo de un programa de vialidad
urbana.

1965, 1966 y 1967


Sé realizó el estudio integral del transporte, incorporando todas las técnicas
modernas especializadas que ofrecía la metodología en la materia. Estas
investigaciones demostraron que el problema no podía ser resuelto sin la
incorporación de un nuevo sistema de transporte masivo, el Metro de Caracas.

Es designado Director de la Oficina Ministerial de Transporte al ingeniero José


González Lander. En 1968 se comenzó a elaborar el proyecto del Metro de
Caracas, seleccionándose para ello al consorcio internacional formado por las
empresas Parsons, Brinckerhoff, Quade & Douglas de Nueva York y Alan M.
Voorhees de Washington. Ese mismo año se somete a consideración del

8
Congreso Nacional el proyecto de ley que autorizaría las operaciones de crédito
público para financiar la construcción de la Línea 1 (Catia – Petare).

1968, 1970, 1972


Sé promulgó el decreto de expropiaciones de los inmuebles afectados por la
construcción del tramo Catia – El Silencio. Conclusión total de todos los planos y
especificaciones necesarios para su construcción. Se avanzó en el anteproyecto
de la primera línea, desde La Hoyada hacia el este, y se inició la construcción del
tramo superficial desde Agua Salud hasta Caño Amarillo.

1973, 1975
Se licita entre 7 empresas previamente seleccionadas las obras civiles de la
estación Agua Salud. Se comienzan las licitaciones de las obras civiles.
El presidente de la Republica ante el Congreso Nacional anuncia la construcción
de línea Propatria - Petare del Metro, comenzando por el extremo oeste

1976, 1977
Arranca en firme la construcción del Metro con la apertura de la licitación pública
internacional de los equipos para la Línea Propatria Palo Verde.

El Congreso de la República aprueba la ley de Inversiones en Sectores Básicos de


la producción, en la cual se incluye la previsión de los fondos para la construcción
del Metro, durante un lapso de 5 años.

La Oficina de Proyectos y Obras del Metro pasa a depender del Ministerio de


Transporte y Comunicaciones (MTC). Se inicia la perforación de túneles, desde la
trinchera situada en Gato Negro, en ruta hacia el oeste por debajo de las
avenidas: Sucre, España y El Atlántico.
Ese mismo año se funda la Compañía Anónima Metro de Caracas, adscrita a
dicho ministerio cuya dirección es presidida por el Ing. José González Lander.

9
El Ejecutivo Nacional le dio prioridad a la Línea 2 (Caricuao – El Silencio),
iniciándose los estudios y proyectos de este ramal. Durante ese año se concluye
el proyecto del tramo La Hoyada – Chacaíto y se inicia el correspondiente al tramo
Chacaíto – Los Dos Caminos.

1978,1979
Sé procedió a la demolición del Cuartel Urdaneta, ubicado en Propatria, para dar
paso a la construcción de los Patios y Talleres de la Línea Catia- Petare. Se
concluyen las Estaciones Propatria, Pérez Bonalde, Plaza Sucre, Gato Negro y
Colegio de Ingenieros. Igualmente se inicia la renovación urbana en el boulevard
de Sabana Grande, también se licita para la construcción de la fuente luminosa de
la Plaza Venezuela.
Llegó desde Francia el primer cargamento de rieles para ser instalados en el
tramo Propatria- Chacaíto. Arribaron al país 300 toneladas de vías férreas y
escaleras. En Francia se fabrica el vagón prototipo para el Metro de Caracas.

1980,1981
Sé inaugura el boulevard de Sabana Grande. Se fabrican 33 vagones, en Francia,
de los cuales arriban al país los 3 primeros el 12 de octubre de ese mismo año
1982, 1983
Sé finalizan las dos últimas estaciones de las catorce del tramo Propatria-
Chacaíto, se termina la colocación de todas las vías férreas, se empieza la
construcción del boulevard de Caricuao y se completa el boulevard de Sabana
Grande, con la Plaza Brión en Chacaíto. Los trabajos de construcción, suministros,
instalaciones y pruebas de los equipos progresaron con toda normalidad.
La puesta en operación, de la primera etapa de la Línea 1 desde Propatria hasta
La Hoyada, con ocho estaciones.

1984, 1985
Se inicia el tendido de rieles en el Patio de Las Adjuntas, de la Línea 2 Caricuao-
El Silencio. Se crea la Gerencia Ejecutiva de Transporte Superficial con la función

10
principal de asegurar la prestación del transporte público en la superficie en forma
segura, eficiente y confortable mediante la planificación, organización, dirección y
control de la operación del sistema denominado Metrobús.
Se inicia la construcción del segundo tramo de la Línea 1 Chacaíto - Los Dos
Caminos y la expropiación y demolición de inmuebles del tramo La Paz –El
Silencio de la Línea.

1987

Comenzó a funcionar la primera etapa de la Línea 2, Las Adjuntas- Zoológico- La


Paz, con 16,3 kilómetros de red férrea y 9 estaciones.

Tabla 1. Características de las líneas que conforman el sistema.

LINEA FECHA(S) DE APERTURA LONGUITUD ESTACIONES COBERTURA /NOTAS

1 Propatria – La Hoyada 02/01/1983 Recorre la ciudad de este a oeste,


La Hoyada- Chacaito 27/03/1983 20,4 Km. 22 desde Palo verde a Pro patria
Chacaito-Los Dos Caminos 23/04/1988
Los Dos Caminos-P. Verde 19/11/ 1989
2 Zoologico-LasAdjuntas-LaPaz Se extiende del centro al Suroeste,
04/10/1987 17,8 Km. 13 entre las estaciones El Silencio-
La Paz – El Silencio 06/11/1988 Zoológico – Las Adjuntas
3 Pza. Venezuela- El Valle 18/12/1994 Recorre el sur de la ciudad desde
El Valle- La Rinconada 15/10/2006 10,3 Km. 6 Pza. Venezuela hasta la Rinconada.
Tres estaciones intermedias
Jardines, Coche y Mercado. Están
en etapa de construcción.
4 Capuchinos- Z. Rental 18/07/2006 5,7 Km. 5 Se considera una extensión de la
Línea 2 que recorre la ciudad de
centro a este desde Capuchinos
Hasta Zona Rental

11
1.1.2. Estructura del sistema metro de la ciudad de Caracas.
A continuación se presenta el plano esquemático del Sistema Subterráneo
Metropolitano de Transporte Masivo de Pasajeros (Metro).

Figura 1. Esquema del Sistema de Transporte Masivo de Pasajeros en la ciudad de Caracas

1.1.3. Necesidades actuales de transporte de pasajeros en la ciudad de

Caracas.

La ampliación de la capacidad viaria no siempre es la mejor solución para resolver

los problemas derivados del crecimiento de la demanda de transporte de

pasajeros; mayor capacidad incentiva mayores desplazamientos, lo que tiene un

impacto medioambiental y monetario que no compensa la mejora en la fluidez del

tráfico. Asimismo, el transporte privado es menos eficiente en el uso del espacio y

energía que el transporte colectivo; las emisiones de gases contaminantes son de

12
cuatro a ocho veces menores, el espacio necesario para un autobús es sólo el 5%

del necesario para transportar el mismo número de personas en automóviles y el

coste estimado en transporte privado es cuatro veces superior que en transporte

colectivo.

Por tanto, es de vital importancia definir estrategias para el sistema de transporte

basadas en las ventajas del transporte colectivo y en la internalización de los

efectos externos que generan los distintos modos, principalmente el vehículo

privado. Las líneas de acción deben estar dirigidas al fomento del uso del

transporte colectivo siendo necesaria una red para los ciudadanos y por tanto, una

integración de los distintos modos de transporte.

En Caracas la tasa de motorización es de 2 carros por habitante. Dada la escasez

de espacio, es cada vez más importante una planificación de los sistemas de

transporte dentro de las líneas directrices de la ordenación del territorio. En este

punto, el análisis de la demanda de transporte juega un papel vital para la

adecuación de la oferta de transporte a la misma.

Una Red de Transporte de Pasajeros, tiene el objetivo de integrar, conjuntamente

con los otros modos de transporte del Gobierno Local del Distrito Capital, una red

de transporte público que satisfaga la creciente demanda y necesidad de los casi

5 millones de habitantes de esta Gran Área Metropolitana. Con una cobertura de

13
servicio de más de 54,20 kilómetros de longitud, uniendo, principalmente, zonas

habitacionales con terminales del Sistema de Transporte Colectivo Metro.

1.2. Estado de los Sistemas de Gestión de Base de Datos.

El objetivo más valioso para Date [21] a alcanzar en una empresa es mantener un

control centralizado de sus datos operacionales por lo que para lograrlo la

empresa generalmente decide depositar sus datos operacionales en una base de

datos integrada. Es usual que dentro de la empresa exista una persona o grupo de

personas dedicada a administrar la base de datos.

Ventajas de tener centralizado el control de los datos.

1. Se reduce la cantidad de redundancias en los datos almacenados.

2. Se pueden evitar muchos problemas de inconsistencia en los datos

almacenados.

3. Los datos almacenados pueden ser compartidos.

4. Las normas pueden ser reforzadas.

5. Pueden aplicarse restricciones de seguridad.

6. La integridad de los datos puede ser mantenida.

7. Se pueden balancear requerimientos conflictivos.

8. Se garantiza una mayor independencia de los datos.

1.2.1. El modelo y el Sublenguaje de Datos.

14
El modelo de datos y el sublenguaje asociado al mismo son los medios básicos

utilizados para alcanzar la independencia de los datos: el modelo (DM) es la

imagen del usuario del contenido de la base, y el sublenguaje (DSL) es el lenguaje

y su área de trabajo. La cuestión es: ¿Qué forma deben tener el DM y su

acompañante DSL? Actualmente existen tres enfoques preferidos para este

problema:

1. El sistema relacional.

2. El sistema jerárquico.

3. El sistema reticular.

En este trabajo solo se tratará el sistema relacional, el cual se basa en la teoría

matemática de las relaciones. El término relación puede ser definido

matemáticamente Date [21], como si: Dados los conjuntos D1, D2,…, Dn (no

necesariamente desiguales), R es una relación sobre esos n conjuntos si esta

constituida por un conjunto de n-tuplas ordenados d1, d2,…, dn tales que: d1 

D1, d2  D2,…, dn  Dn. Los conjuntos D1, D2,…, Dn se llaman los dominios de

R. El valor n se llama el grado de R.

En el marco de este concepto, es importante observar lo siguiente:

1. No hay dos filas (tuplas) iguales.

2. El orden de las filas es insignificante.

3. El orden de las columnas es insignificante.

4. Cada valor dentro de una relación es un dato atómico.

15
Una relación que satisface la propiedad 4 se dice que es normalizada.

Se puede definir el modelo relacional como: la imagen de datos que ve el usuario:

una colección de relaciones normalizadas de distintos grados y variable en el

tiempo. La variable en el tiempo te permite la actualización (alta o baja) de los

tuplas.

1.2.2. Normalización y dependencia funcional.

Las formas normales dentro de la teoría de las bases de datos relacionales

constituyen un a guía para el diseño de las mismas atendiendo a las entidades y

relaciones que las componen. Las reglas de la normalización están diseñadas

para prevenir anomalías e inconsistencias en los datos.

Aunque el tema inicialmente fue tratado por Cood [15], luego el mismo evolucionó

con su aplicación en los sistemas comerciales de gestión de base de datos

(SGBD). Trabajos clásicos de esta temática son los de E.F. Codd [15], C.J. Date

[21], R. Faguin [24], y W. Kent [28].

Codd [15] ha definido tres niveles de normalización a los que llamó 1ra 2da y 3ra

forma normal. Toda relación normalizada esta en la primera formal normal (1NF);

algunas relaciones en 1NF están también en la segunda forma normal (2NF); y

algunas relaciones 2NF están también en la tercera forma normal (3NF).

16
La dependencia funcional se expresa: dado una relación R, se dice que el dominio

Y de R es funcionalmente dependiente del dominio X de R si y solo si cada valor X

en R tiene asociado con él, precisamente un valor Y de R (en todo tiempo). El

término dominio en la definición se refiere al uso de un dominio dentro de una

relación (puede ser usado varias veces).

Figura 2. Tipos de Normalización de Datos. (elaboración propia)

1.2.3. Primera Forma Normal.

17
Trata de la forma del tipo de registro. Bajo esta forma todas las ocurrencias de un

mismo tipo de registro tienen que contener el mismo número de campos. Se

excluyen los campos y grupos repetidos.

Finalmente para obtener una definición de la 1NF se elimina el requerimiento de la

2NF de que los dominios “no llaves” sean completa y funcionalmente

dependientes de la llave primaria pues se deja un solo requerimiento: que toda

relación normalizada es 1NF (lo cual es correcto por supuesto).

1.2.4. Segunda Forma Normal

Trata con la naturaleza del campo llave. La segunda forma normal es violada

cuando un campo no llave, es un hecho acerca de un subconjunto de la llave.

Esto es solo relevante cuando la llave es compuesta.

Pieza- Almacén 1.
IdPieza IdAlmacen Cantidad Direccion-Almacen
1 1 100 Los Cocos
2 1 300 Los Cocos
3 1 200 Los Cocos
1 2 100 Los Lirios
3 2 100 Los Lirios
5 2 100 Los Lirios
Tabla 2. Pieza-Almacén 1.

Aquí la llave es IdPieza + IdAlmacen pero la dirección del almacén es un hecho

relativo al IdAlmacen.

Los problemas básicos son:

18
 La dirección de IdAlmacen esta repetida en cada registro que se refiere a una

pieza almacenada en ese almacén.

 Si la dirección de un almacén cambia, cada registro referido a esa pieza

almacenada en ese almacén tiene que ser actualizada.

 Debido a la redundancia los datos se convierten en inconsistentes.

Si en algún momento no existen piezas almacenadas en un almacén podría no

existir registros en el cual mantener la dirección del almacén para satisfacer la

segunda forma normal el registro mostrado anteriormente tiene que ser

descompuso en dos registros como sigue:

Pieza- Almacén 2.
IdPiez IdAlmacen Cantidad
a
1 1 100
2 1 300
3 1 200
1 2 100
3 2 100
5 2 100
Tabla 3. Pieza-Almacén 2.

Almacen
IdAlmacen Direccion-Almacen
1 Los Cocos
2 Los Lirios
Tabla 4. Almacén

19
Cuando el diseño de los datos se cambian del modo anterior se reemplazan

registros no normalizados con registros normalizados, y se le da el nombre a este

proceso como “normalización”. El diseño normalizado garantiza la integridad de

los datos a través de la minimización de la redundancia y la inconsistencia,

aunque algunas veces implica un costo adicional relativo a la recuperación de los

datos.

Una relación normalizada R se dice que está en 2NF si y solo si los dominios “no-

llaves” de R, si los hay, son funcionalmente dependientes de la llave primaria de R.

1.2.5. Tercera Forma Normal

Observe la siguiente tabla y analice los problemas que aun subyacen.

Empleado- Dpto.
IdEmplead IdDpto Ubicacion
o
1 1 Matemática
2 1 Matemática
3 1 Matemática
1 2 Física
3 2 Física
5 2 Física
Tabla 5. Empleado-Dpto.

El campo IdEmpleado es la llave. Si cada departamento está localizado en un

lugar, entonces el campo ubicación es un factor del departamento. En adición de

ser un hecho acerca de empleados. Los problemas de este diseño son los mismos

que aquellos causados por las violaciones de la segunda forma normal.

20
La ubicación del departamento esta repetida en los registros de cada empleado

asignado al departamento. Si la localización de un departamento cambia, cada

artículo asociado tiene que ser actualizado.

Debido a la redundancia, los datos podrían convertirse en inconsistentes, por

ejemplo:

Diferentes registros mostrarían diferentes ubicaciones para cada artículo.

Si un departamento no tiene empleado, podría no existir artículos en los cuales

mantener la localización del departamento.

Para satisfacer la tercera forma normal el registro mostrado anteriormente tiene

que ser descompuesto en dos registros

Empleado – Dpto.
IdEmplead IdDpto
o
1 1
2 1
3 1
1 2
3 2
5 2
Tabla 6. Empleado-Dpto.

Dpto.
IdDpto Ubicación
1 Matemática
2 Física
Tabla 7. Departamento

21
Una relación normalizada R se dice que está en 3NF si y solo si los dominios “no

llaves” de R son (a) mutuamente independientes y (b) funcionalmente

dependientes de la llave primaria de R.

1.2.6. Cuarta Forma Normal y Quinta Forma Normal.

La cuarta [21] y quinta [15] forma normal se complementan con factores

multivaluados. Un factor multivaluado puede corresponder a una relación mucho a

muchos, como los empleados y sus habilidades, o una relación uno a muchos,

como con los hijos de un empleado. Por mucho a mucho se representa que un

empleado puede tener varias habilidades y/o una habilidad puede pertenecer a

varios empleados

1.3. Modelos de Bases de Datos

El criterio principal que se utiliza para clasificar los SGBD es el modelo lógico en

que se basan. Los modelos lógicos empleados con mayor frecuencia en los SGBD

comerciales actuales son el relacional, el de red y el jerárquico. Algunos SGBD

más modernos se basan en modelos orientados a objetos.

Además de la clasificación por la función de las bases de datos, éstas también se

pueden clasificar de acuerdo a su modelo de administración de datos.

22
Un modelo de datos es básicamente una "descripción" de algo conocido como

contenedor de datos (algo en donde se guarda la información), así como de los

métodos para almacenar y recuperar información de esos contenedores. Los

modelos de datos no son cosas físicas: son abstracciones que permiten la

implementación de un sistema eficiente de base de datos; por lo general se

refieren a algoritmos y conceptos matemáticos.

A continuación se presentan algunos modelos con frecuencia utilizados en las

bases de datos y sus características principales.

1.4. Sistemas de Bases de Datos usados actualmente a nivel ferroviario

MOM. MOM (Módulo de Optimizador de Mallas) Es un sistema de ayuda a la toma

de decisiones para la optimización del tráfico ferroviario. Uno de los objetivos

del gestor de infraestructuras es lograr a partir de los requerimientos de los

operadores, horarios optimizados que permitan maximizar el uso de la

capacidad de la red y conocer los puntos críticos de la misma. En este

proceso resulta indispensable disponer de sistemas automáticos de ayuda a

la toma de decisiones. un sistema software de ayuda a la toma de decisiones

que proporciona al horarista las herramientas necesarias para llevara cabo la

secuenciación de trenes de modo que se verifiquen las restricciones

existentes y se optimicen los criterios de calidad que se establezca.[35]

23
RAILSIM. Es una herramienta flexible de software para simular cualquier

aplicación ferroviaria. Se utiliza para modelar y analizar las operaciones mas

complejas de una red ferroviaria. [37]

SIRAT. La herramienta de regulación, llamada SIRAT reconoce el estado de cada

línea de metro a través de eventos de línea, fundamentalmente relacionados con

el movimiento de trenes. La herramienta regula la línea mediante órdenes que

modifican la velocidad de los trenes en cada ínter estación y el tiempo extra de

parada de cada tren en cada estación.

La velocidad de los trenes se puede controlar con precisión gracias al sistema de

conducción automática (ATO, Automatic Train Operation) a bordo del tren, que es

capaz de ejecutar distintos tipos de marcha según el mensaje codificado que

reciba del CTC. Cada vez que un tren sale de una estación, se le comunica de

forma remota qué marcha debe aplicar en su recorrido hasta la siguiente estación.

Estas marchas han sido optimizadas off-line para cada inter estación,

consiguiendo el mínimo consumo posible para cada tiempo de marcha deseado.

[44]

1.4.1. Antecedentes de los sistemas utilizados en Venezuela

Sistema SAP. Mario J. A., Barrios W., Gonzáles R., y Márquez C. “Aplicación de

un Algoritmo Genético en el despacho automático de trenes en el Metro de

24
Caracas” Proceedings del IV Congreso Iberoamericano de Inteligencia Artificial.

IBERIA 194, pp.308-406, 1994 [32]

1.4.2. La Optimización Multicriterio aplicada a transporte de pasajeros.

El análisis multicriterio constituye una forma de modelizar los procesos de

decisión, en los que entran en juego: una decisión a ser tomada, los eventos

desconocidos que pueden afectar el ó los resultados, los posibles cursos de

acción, y el ó los resultados mismos. Mediante los modelos multicriterio el decisor

podrá estimar las posibles implicaciones que puede tomar cada curso de acción,

de modo a obtener una mejor comprensión de las vinculaciones entre sus

acciones y sus objetivos.

1.4.3. Algoritmos Evolutivos Multiobjetivo

Pueden considerarse, en general, dos tipos principales de algoritmos evolutivos

multiobjetivo:

1. Los algoritmos que no incorporan el concepto de óptimo de Pareto en el

mecanismo de selección del algoritmo evolutivo (p. ej., los que usan funciones

agregativas lineales).

25
2. Los algoritmos que jerarquizan a la población de acuerdo a si un individuo es no

dominado o no (al usar el concepto de óptimo de Pareto). Ejemplos: MOGA,

NSGA, NPGA y otros.

Históricamente podemos considerar que ha habido dos generaciones de

algoritmos evolutivos multiobjetivos:

1. Primera Generación: Caracterizada por el uso de jerarquización de Pareto y

nichos. Algoritmos relativamente simples. También se produjeron enfoques más

rudimentarios (p.ej., funciones agregativas lineales).

2. Segunda Generación: Se introduce el concepto de elitismo en dos formas

principales: usando selección (+) y usando una población secundaria. Depto. de

Lenguajes y Ciencias de la Computación, Universidad de Málaga.

1.4.4. Tendencias Actuales

Tras gozar de mucho éxito por alrededor de 5 años, los algoritmos de primera

generación han comenzado a caer en desuso (NSGA, NPGA, MOGA y VEGA)

Desde finales de los 1990s los algoritmos evolutivos multiobjetivo que usa elitismo

son vistos como el estado del arte en el área (p.ej., SPEA, SPEA2, NSGA-II,

MOMGA, MOMGA-II, PAES, PESA, PESA II).

26
Los algoritmos de segunda generación enfatizan la esencia computacional. Se

busca vencer la complejidad de la jerarquización de Pareto (O (k M 2), donde k es

el numero de funciones objetivo y M es el tamaño de la población) y de las

técnicas tradicionales de nichos (O (M2)).

En la sombra, los algoritmos no basados en dominancia de Pareto siguen siendo

usados en algunos dominios (p.ej., optimización combinatoria) con relativo éxito.

Una tendencia actual es extender otras heurísticas a problemas multiobjetivo. Por

ejemplo: búsqueda dispersa, optimización mediante cúmulos de partículas, el

sistema inmune artificial.

También se han propuesto un sinnúmero de híbridos y nuevos algoritmos

bioinspirados.

Existen unos pocos estudios de convergencia de un algoritmo evolutivo

multiobjetivo a un conjunto de óptimos de Pareto. Rudolph, (1998, 2000); Hanne,

(2000, 2000ª); Van Veldhuizen, (1998).

También hay trabajos recientes en torno a las métricas y en torno a la dinámica

poblacional de los algoritmos evolutivos multiobjetivo.

27
Se requiere aun mucho trabajo. Por ejemplo: modelado teórico de operadores,

convergencia de algoritmos paralelos, estudio de la estructura de los paisajes de

aptitud de problemas multiobjetivo, etc.

1.4.5. Funciones de Prueba

Durante cerca de 15 años se subestimó la necesidad de contar con funciones de

prueba estándar.

Hoy en día existen varias propuestas que incluyen funciones con 2 y 3 objetivos,

algunas de las cuales son escalables. Entre sus características interesantes

destacan las siguientes: multifrontalidad, frentes de Pareto cóncavos y

segmentados, alta dimensionalidad, decepción.

Recientemente se han propuesto también funciones con restricciones y problemas

de optimización combinatoria multiobjetivo. [16]

1.4.6. Planificando y Programando. (Scheduling)

Programar y Planificar tareas o actividades es un proceso de toma de decisiones

de asignación de recursos limitados (en un taller de máquinas, una pista de

aterrizaje, un sistema ferroviario) a las actividades (funcionamiento de un taller,

despegues y aterrizajes, construcción de horarios de trenes) en el tiempo (Pinedo,

28
2005) [42]. En general, los recursos se identifican con las maquinas y las

actividades con las tareas o puestos de trabajo.

La programación en el contexto de control de trenes implica la búsqueda de una

secuencia de asignación de recursos de competencia que optimiza una función

objetivo, sujeta a ciertas limitaciones.

Programación de los puestos de trabajo ha generado una gran investigación

(Jonson, 1954), (Adams et al. 1988), (Dell´ Amico y Truban, (1993), Foo et al.

1995), (Yamada y Nakano 1996). En la programación de los puestos de trabajo de

partes pueden fluir en diferentes direcciones, como una máquina puede ser

visitada mas de una vez por la misma pieza o parte, y en este objetivo puede ser

minimizado el tiempo de terminación total o maximizar la utilización de las

máquinas, sujeto a las restricciones tales como el número de máquinas, capacidad

del sistema, disponibilidad de operarios.

Otra modalidad de procesamiento en correspondencia con la manera de acceder a

las máquinas se conoce como de flujo de trabajo, y se refiere a cuando todas las

partes fluyen en una dirección.

Los modelos de programación se especifican según (Pinedo, 2005) de acuerdo a

tres campos específicos de clasificación α‫׀‬β‫׀‬γ donde α especifica el ambiente de

la máquina, β especifica las características del trabajo y γ especifica los criterios

de optimización.

En lo referido a las máquinas, se consideran de acuerdo a:

29
a) Sistema de máquina única.

Si hay una sola máquina dedicada (m = 1), cada trabajo debe ser procesado por la

máquina solamente una vez. Aquí α = 1, y el tiempo de procesamiento del trabajo

es j.

Si hay varias máquinas paralelas {M1, M2,….Mn}, cada trabajo puede ser

procesado por cualquier máquina. Aquí α = P, y pij es el tiempo de procesamiento

de trabajo j sobre la máquina i.

b) Sistemas multi- máquinas

En este caso cada trabajo debe ser procesado en cada máquina del conjunto {M1,

M2…M3}. Donde α = F (para flujo de trabajo, un trabajo j es procesado primero en

la máquina 1, después en la máquina 2 y finalmente en la máquina n), ó α= O

(para iniciar el trabajo, cada trabajo puede ser procesado por las máquinas en un

orden arbitrario)

De acuerdo con el ambiente de trabajo, se puede expresar que si:

Hay n trabajos N = {1,…, n}. Para cada trabajo j pueden ser tomados en

consideración (Fig.3):

wj – peso (la importancia o prioridad del trabajo)

pj – tiempo del proceso (el tiempo en que el trabajo es procesado en el sistema)

30
rj - tiempo de llegada (el tiempo en el que el trabajo llega al sistema)

sj – tiempo de inicio ( el tiempo en el que el trabajo comienza en el sistema)

cj – finalización del tiempo (el tiempo en el que el trabajo termina)

dj – tiempo de entrega ( el tiempo en el que se promete al cliente)

pj
wj

Job ji

0 rj sj cj dj Time

Figura 3. Representación grafica de parámetros de tareas


Tomado de Ricardo Lorenzo Ávila Rondón et all. “Neural Network Modeling and
Simulation of the Scheduling.” Junio,2008

1.4.7. Criterios de Optimización

Un modelo matemático para una línea simple se presenta donde los trenes son

despachados desde la primera hasta la ultima estación .La programación de los

trenes en el principio o al final de la estación pueden ser deschados

inmediatamente. En este caso los trenes preparados para su despacho son

detenidos por un tiempo de parada no permitido e ir sobre el tiempo programado,

asumiéndose un costo.

31
Figura 4. Esquema Linea 1 Metro de Caracas.

L: El grupo de trenes que pueden ser despachados desde la estación pro patria a
la estación palo verde.

T: El grupo total de trenes (i, j Є palo verde o pro patria o T y T = pver U pro).

S: conjunto de estaciones (k Є S), secciones de vía y estaciones indexadas en


orden numérico de pro patria a palo verde.

Sección de vía k es una sección de vía que conecta dos estaciones k y


k +1.

D: Conjunto de paradas permitidas en la estación (dikk Є D).

AD: Conjunto de tiempos de llegada y partida de una estación (Xa(i,k),Xd(i,k) Є


AD).

M: Un numero positivo grande.

En el modelo la velocidad y el tiempo de viaje en cada sección de la vía se

asumen combinadas. También un tren puede viajar en ambas direcciones, no

siendo permitido sobreponerse a otro tren.

Notaciones.

32
R: El grupo de trenes que pueden ser despachados desde la estación palo verde a

la estación pro patria.

Parámetros: Tiempo de viaje: tiempo que el tren i necesita para pasar una sección

de la vía k·(tik).

Tiempo de demora: indica tiempo de demora permitido del tren i en la estación k ·

(dik).

Cabecera: tiempo min. de intervalo entre trenes i y j llegada/partida desde una

sección de la via k · (hi jk).

Peso importante del tren: (Wi).

Creación de variables de decisión:

Variables binarias:

33
ai j =
 1 si el tren j pro patria entra a la sección de la vía después
del tren i R,
0 si no

bi j =
 1 si el tren j pro patria entra a la sección de la vía
después del tren i pro patria
0 si no


1 si el tren j L entra a la sección de vía k
después del tren i R,
ci jk =
0 si no (ej. tren i R entra a la sección de la vía
k después del tren j pro patria).

Xa (i, k): tiempo de llegada del tren i a la estación k.

1.4.8. Aproximación a problemas de programación

El tamaño de los datos de entrada de un problema típico de programación está

limitado por el número de tareas n y el número de máquinas m. Un algoritmo se

dice que es polinómico si su tiempo de corrida está limitado por el tamaño de

entrada del polinomio. Algoritmos polinómicos son llamados a veces eficientes o

simplemente buenos. La clase de todos los problemas polinomicos solucionables

es llamada clase p.

Otra clase de problemas de optimización se conoce como problema NP- duro (NP

comienza por un polinomio no-determinístico). En este caso, la enumeración

completa de todas las soluciones para identificar el óptimo no es práctica. A

menudo las restricciones tecnológicas demandan que cada tarea debe procesarse

en las máquinas en un orden particular.

34
Hay muchas técnicas aplicadas a encontrar una solución a diferentes modelos de

planificación, todas ellas en correspondencia con el modelo de clasificación,

tamaño del problema, criterio de optimización y otros.

Dado un problema de planificación se necesita primero determinar la condición de

complejidad. Esto se realiza ya sea diseñando un algoritmo en tiempo polinomico

para una solución o para probar que el problema es NP-duro. Una vez que se

sabe que el problema es NP-duro, es necesario determinar el tipo de solución:

exacta o aproximada. Es poco probable que una solución exacta pueda ser

hallada por un algoritmo de tiempo polinómico. En cualquier caso, para problemas

de interés práctico solo instancias de tamaño pequeño pueden ser manejados por

métodos exactos.

Con el fin de de encontrar una buena solución dentro de un periodo aceptable de

tiempo, dos tipos de algoritmos se pueden desarrollar: algoritmos de aproximación

y algoritmos heurísticos.

Un algoritmo es llamado de aproximación si es posible establecer analíticamente

que tan cerca está a lo optimo de la solución generada (en el peor de los casos o

en promedio). Algoritmos de aproximación producen soluciones en tiempo

polinomico, pero perdiendo el valor de la optimización. Las soluciones encontradas

están garantizadas para estar dentro de un porcentaje fijo del óptimo actual.

La ejecución de un algoritmo heurístico suele ser analizado experimentalmente, a

través de una serie de corridas usando instancias generadas o bien instancias de

puntos de referencias conocidos. Estos algoritmos pueden ser muy simples, pero

siguen siendo eficaces. La mayoría de los heurísticos modernos se basan en

35
diversas ideas de búsqueda local, búsqueda cercana (Hurink, 1998), búsqueda

tabú, Recocido simulado, algoritmos genéticos (Dorigo y Stutzle, 2004), (Pinedo,

2005) y así sucesivamente. Algoritmos heurísticos producen soluciones viables

que no garantizan que estén cerca de lo óptimo.

Enfoque clásico

Se presenta y discute ahora la formulación del scheduling como un programa

matemático, así como algunas de las técnicas de solución y sus dificultades al

resolver el problema descrito.

1.4.8. Formulación Matemática del problema.

El problema descrito anteriormente se plantea teniendo en cuenta las variables de

decisión y las restricciones para el modelo de la siguiente manera:

36
1.4.9. Dificultades con el enfoque clásico.

La formulación del problema anterior es no lineal mixta con programación en

entero. Aun para pocas rutas de trenes el número de variables del problema y las

restricciones se vuelven muy grandes. En este caso que existen tres rutas que

pasan por una estación de transferencia y asumiendo que cada una de las rutas

solamente tiene 10 trenes, se tendrán 660 variables y el número de restricciones

de 1350. Es evidente que este es un problema muy grande para resolverlo

mediante la no lineal mixta con programación en entero. En general la cantidad de

variables y de restricciones requeridas en la formulación original son del orden de

O (r2n2), donde r es la cantidad de rutas y n la cantidad de trenes. Este problema

se intento resolver con una computadora HP Convex C220 con el uso de

programación no lineal mixta en entero de la librería NAG y luego de repetidas

pruebas el algoritmo falló al no converger a una solución. Similares resultados se

han reportado por investigadores del tema como Kikuchi y Parameswaran en

1993, por lo que teniendo como precedente estos resultados no se llevarán a con

esta técnica.

Teniendo en cuenta de lo inadecuado de las técnicas existentes se reporta el uso

de los AG para abordar este problema de optimización.

1.4.10. La razón por la que funcionan los Algoritmos Genéticos.

La selección de buenas cadenas en una población e intercambio de información

entre ellas es muy sencillo. Podríamos preguntarnos como estos mecanismos tan

37
aleatorios y simples pueden hacer una búsqueda tan exitosa. Podríamos incluso

pensar que aún no existe una prueba rigurosa de convergencia de los AG. Sin

entrar en detalles, podría ser suficiente aquí hacer notar que el esquema

representa un grupo de cadenas con similitudes en ciertas posiciones de la

misma. Por ejemplo, un esquema (10***) representa todas las cadenas de 8 que

poseen un 1 y un 0 en la primera y segunda posiciones respectivamente. Un *

puede ser tanto 1 como 0. En Holanda en el año 1975 se discutió que en una

generación de Algoritmos Genéticos con n cadenas (tamaño de la población), un

total de n3 esquemas son procesados en paralelo. Este procesamiento paralelo

implícito de una gran cantidad de esquemas, permite una competición simultánea

entre un gran número de particiones de esquema. Los operadores de los AG

explotan las similitudes en las cadenas buenas para obtener mejores sub-cadenas

progresivamente, los cuales constituyen los bloques esenciales de construcción

del problema subyacente. Es en este particular donde el teorema fundamental de

los algoritmos genéticos resulta hipotético, o sea, bloques de construcción más

pequeños se combinan para formar mayores y mejores bloques. Es entonces

discutido que la continuación de este proceso formará las soluciones óptimas o la

más cercana.

1.4.11. Representación del Algoritmo Genético.

Para aplicar los AG a un problema de optimización, las variables de decisión son

mapeadas y representadas por lo general con una cadena (cromosoma) de

38
caracteres (genes) binarios. El tamaño de la cadena depende de la precisión de la

solución deseada. Para problemas con más de una variable de decisión, cada

variable se representa por una sub-cadena. Luego, todas las sub-cadenas son

concatenadas para formar una cadena mayor. Para un problema con dos variables

x1 y x2 con cinco y siete bits para codificar a cada una de ellas, la solución será

representada como sigue:

(x1, x2) = 10110 | 0110010 (10)

Para recuperar los valores de x1 y x2 cada sub-cadena es primero decodificada y

luego mapeada dentro de un rango deseado.

Por ejemplo, sí el número mínimo y máximo de x1 es 0.0 y 10.0 respectivamente,

la cadena anterior tiene un valor para x1 = 0.0 + (10.0 – 0.0) * 22 / 31 = 7.09.

Similarmente se puede calcular el valor de x2.

La reformulación para AG del problema descrito anteriormente se plantea de la

manera siguiente:

1.4.12. Modelación Genética.

Los algoritmos genéticos consisten en una función matemática o una rutina que

simula el proceso evolutivo de las especies, que tiene como objetivo encontrar

soluciones a problemas específicos de maximización o minimización. Otra

definición es la entregada por Goldberg (1989), "algoritmo de búsqueda basado en

la mecánica de la selección natural y de la genética natural. Combina la

39
supervivencia del más apto entre estructuras de secuencia con un intercambio de

información estructurado, aunque aleatorizado, para construir así un algoritmo de

búsqueda que tenga algo de las genialidades de las búsquedas humanas". Así, un

algoritmo genético recibe como entrada una generación de posibles soluciones

para el problema en cuestión, y arroja como salida los especimenes más aptos por

generación (es decir, las mejores soluciones), para que estos se reproduzcan y

generen mejores descendientes, los que a su vez deberían tener características

superiores que las generaciones pasadas.

1.4.13. Modelo Genético

En este trabajo se utilizan algoritmos evolutivos, y se hace necesario de acuerdo a

dicho esquema de solución, de la codificación de los cromosomas

Tabla 8. Codificación del cromosoma.

Los algoritmos genéticos trabajan con códigos que representan las posibles

soluciones al problema. Por ello, es necesario establecer una codificación para

todo el rango de posibles soluciones antes de comenzar a trabajar con el

algoritmo. Al respecto, Davis (1994) señala que la codificación más utilizada es la

40
representación de las soluciones por medio de cadenas binarias (conjuntos de

ceros y unos).

1.4.13.1. Planificación y Optimización de Horarios de Trenes (Timetables).

A nivel mundial y desde hace mucho tiempo, mucho se ha hecho por la

optimización en el área de la ingeniería, donde la tendencia ha sido, por lo

general, a considerar funciones objetivos simples o de una sola variable a

optimizar es sabido que esta no es una suposición del todo realista, debido a que

la mayoría de los problemas cotidianos de la vida poseen varios objetivos y que

posiblemente sean contradictorios. Esta situación lleva a los ingenieros a tomar

decisiones basados en su experiencia, en lugar de utilizar criterios de optimización

bien definidos.

Entre los artículos consultados que tratan la optimización de horario de trenes se

encuentran [3,10,11,12,13,14,16,17,18,19,20,22,27,29,34,41,43] De todos estos

artículos relacionados con la optimización de horario de trenes, solo se hace

referencia en este capitulo a los que son más representativos.

La optimización multiobjetivo (también denominada optimización multicriterio u

optimización vector), puede ser definida [15] como el problema de encontrar un

vector de variables de decisión las cuales satisfacen las restricciones y optimiza a

una función vector cuyos elementos representan las funciones objetivo. Estas

funciones forman una descripción matemática de criterios de rendimiento los

cuales están por lo general en conflicto unos con otros. Por consiguiente el

41
término “optimizar” significa encontrar una solución que para el diseñador pueda

dar valores aceptables a todas las funciones objetivo.

En los últimos años, más de una veintena de nuevas técnicas de programación

matemática han sido desarrolladas para tratar la optimización multiobjetivo. El

objetivo principal de estos enfoques radica en producir una compensación simple

basada en alguna noción de optimización, en lugar de producir varias alternativas

posibles de las cuales el diseñador pueda escoger. [15]

La capacidad que tienen los algoritmos evolutivos, y en particular los algoritmos

genéticos, de evolucionar hacia soluciones óptimas sin procesar todas las

alternativas puede ser usada efectivamente en la solución de problemas de

optimización multiobjetivo tales como la planificación de taller, el problema del

viajero, la programación de horarios en los trenes y en el problema de la

generación de secuencias. El problema de la programación de horarios en los

trenes, pertenece a esta categoría y puede ser enfocado exitosamente por medio

de los algoritmos genéticos, mediante la configuración de los cromosomas simples

como potenciales secuencias.

Los algoritmos genéticos son un método de búsqueda que se encuentran en un

entorno heurístico cuyos mecanismos se basan en la simplificación del proceso

evolutivo observado en la naturaleza. Ya que operan en más de una solución a la

vez, estos son típicamente buenos en la exploración y la explotación del espacio

de búsqueda.

42
Para poder aplicar el Algoritmo Genético se requiere de:

Una representación genética de las soluciones potenciales del problema ( por

ejemplo binaria).

Una forma de crear una población inicial de posibles soluciones. (Normalmente un

proceso aleatorio)

Una función de evaluación (fitness) que desempeñe el papel del ambiente u

entorno, clasificando las soluciones en términos de su "aptitud".

Operadores genéticos de selección, cruce y mutación que alteren la composición

de los hijos que se producirán para las siguientes generaciones.

Valores para los diferentes parámetros que utiliza el Algoritmo Genético (tamaño

de la población, probabilidad de cruce, probabilidad de mutación, número máximo

de generaciones)

La mayoría de los algoritmos genéticos operan con una población de soluciones

en lugar de una sola solución. La búsqueda genética comienza por inicializar una

población de individuos (población inicial). El proceso de apareamiento, se

implementa normalmente por combinación o cruzamiento del material genético de

dos padres para formar una o dos nuevas soluciones de hijos con material

genético propio, y le transfiere información de una generación de soluciones a la

otra. La mutación aleatoria es aplicada periódicamente para promover la

43
diversidad. Si la nueva solución es mejor que las existentes en la población,

algunos individuos de la población son reemplazados por las nuevas soluciones.

Los algoritmos genéticos operan independientemente al problema al cual se

apliquen. Los operadores genéticos son heurísticos, pero en lugar de operar en

todo el espacio definido por el propio problema (espacio solución), estos operan

típicamente en el espacio definido por la representación de una solución (espacio

de representación). Además, los algoritmos genéticos incluyen otra heurística para

determinar: cuales individuos se aparearán (selección), cual sobrevivirá la próxima

generación (reemplazo), y como la evolución debe progresar.

Algunos algoritmos genéticos introducen otro operador para medir la similitud

entre soluciones con el objetivo de mantener grupos similares de soluciones. Al

mantener la diversidad en la población, el algoritmo tiene mejor oportunidad de

explorar el espacio de búsqueda y evitar la convergencia prematura (un problema

común de los algoritmos genéticos). Luego de que una población evoluciona,

comúnmente todos los individuos terminan con la misma composición genética;

los individuos convergen a la misma estructura. Si el óptimo no se ha encontrado,

entonces por definición, la convergencia es prematura. En la mayoría de los

casos, una vez que la población converge, no es común mejoras posteriores.

La aptitud de cada individuo se evalúa por medio de una función del mismo

nombre. Coello [14] plantea que: la función de aptitud se emplea para otorgarle a

un cromosoma un valor de aptitud. Un “paisaje de aptitud” (fitness landscape) es la

44
hipersuperficie que se obtiene al aplicar la función de aptitud a cada punto del

espacio de búsqueda.

Cada característica es evaluada numéricamente con puntuaciones calculadas

como función de la posición del gen dentro de la sección del cromosoma.

1.4.14. Representación Genética.

La representación de las posibles soluciones dentro del espacio de búsqueda de

un problema define la estructura del cromosoma que va ser manipulado por el

algoritmo. Normalmente, la representación binaria es la más empleada por ser

más simple, fácil de manipular a través de los operadores genéticos, fácil de ser

transformada en entero o real y además, por facilitar la demostración de los

teoremas.

Para cualquier algoritmo genético, la representación debe ser mínima, y expresión

completa de una solución al problema. Una representación mínima contiene sólo

la información necesaria para representar una solución al problema. Una

representación completa contiene suficiente información para representar

cualquier solución al problema [6]. Si una representación contiene más

información que la que se requiere para que inequívocamente identifique

soluciones al problema, el espacio de búsqueda será mayor que el necesario y por

tanto hará la búsqueda más difícil.

Siempre que sea posible, se debe evitar que sea capaz de representar soluciones

no factibles. Si un genoma puede representar una solución no factible, en la

45
función objetivo se debe prestar mucha atención para darle crédito parcial al

genoma por su "buen" material genético, mientras se penalice lo suficiente por no

ser factible. Por lo general, es mucho más deseable diseñar una representación

que sólo pueda representar soluciones factibles, para que la función objetivo

evalúe cuán óptimo es un individuo en lugar de evaluar factibilidad.

La selección de la longitud del cromosoma, el alfabeto, y la codificación se

denomina esquema de representación para el problema. El primer paso para

solucionar un problema dado de optimización mediante el uso de algoritmos

genéticos consiste en identificar un esquema de representación apropiado.

Cada individuo en la población consiste en un cromosoma, el cual se puede

representar como un vector de la forma:

 x1 , x2 , x3 ,..., xn , 
(11)

donde cada xi se le llama gen y al valor que toma se le denomina alelo.

Normalmente estos cromosomas se representan usando un alfabeto binario, pero

no tiene que ser forzosamente de esa manera, ya que alfabetos de cualquier

cardinalidad son posibles. Generalmente, se utiliza la llamada representación real

(o de punto flotante) como alternativa para problemas de optimización numérica en

la que las variables toman valores reales. El uso de letras o cualquier otro símbolo

es también válido.

46
1.4.15. Los Algoritmos Genéticos en la Planificación y Optimización de

Secuencias.

El algoritmo genético suele considerarse una técnica buena para encontrar

rápidamente regiones prometedoras del espacio de búsqueda, pero para realizar

verdaderamente una optimización se ha demostrado en muchas instancias que los

híbridos de un algoritmo genético con otra técnica de optimización parecen dar

mejores resultados. Aunque los algoritmos genéticos pueden encontrar los

óptimos globales de problemas de alta complejidad, la realidad es que muchas

veces el costo de tiempo computacional que requieren es elevado, y se prefieren

para encontrar una solución cercana a la óptima, ya que eso suelen poder hacerlo

en un tiempo relativamente corto. Además, suelen incorporar mecanismos de

construcción aleatoria y se justifica su empleo cuando no existen o son poco

efectivos otros métodos de optimización. Estos métodos tienen facilidad para no

quedar atrapados en los óptimos locales como sucede con otras muchas técnicas

de optimización.

De los artículos consultados que tratan la planificación de procesos, los autores [6,

19, 20,] emplean Algoritmos Genéticos para lograr la planificación de procesos en

general, en [9, 21] emplean Algoritmos Genéticos para lograr el CAPP para

ensamble. De ellos solo se hace referencia a los más representativos. Solo se

alcanzan la optimización de la planificación del proceso de ensamble, mediante el

uso de Algoritmos Genéticos.

47
Coello en [13] argumenta que los algoritmos genéticos son satisfactores de metas

(o decisiones) secuenciales que pueden modificarse para actuar como

optimizadores de funciones. El autor de este trabajo considera que han tenido

gran éxito como optimizadores multicriterio en trabajos relacionados con este

tema, como lo demuestran [6, 11, 14, 15, 19,], por solo nombrar algunos.

Si se conoce de antemano la solución final de nuestro problema de optimización,

sería trivial determinar cómo detener un algoritmo genético. Sin embargo, puesto

que esto no es normalmente posible, se tiene que usar uno de los siguientes

criterios de detención:

 Correr el algoritmo genético por cierto número (fijo) de generaciones.

 Detenerlo cuando la población se haya estabilizado, es decir, cuando la

mayoría de los individuos tengan el mismo valor de aptitud.

En uno de los primeros estudios [9] la población inicial de cromosomas consiste en

una secuencia de ensamble válida propuesta por un ingeniero, que la establece

basado en su experiencia. Sebaaly [42] plantea otro enfoque interesante el cual

utiliza una versión modificada del método de los algoritmos genéticos. El concepto

principal radica en agrupar en espacios de búsqueda a las familias de secuencias

similares. El algoritmo genético se aplica sólo a la secuencia representativa de

cada familia, con la ventaja de obtener una solución en un tiempo computacional

muy corto. Otros sistemas [25] por el contrario comienzan con una población inicial

aleatoriamente generada y explota una función de ajuste apropiada la cual toma

48
en consideración simultáneamente las restricciones geométricas y otros aspectos

importantes de la optimización.

1.5. Conclusiones del capítulo I

Al término de la revisión bibliográfica relativa a la compleja tarea de gestionar

recursos asociados a la planificación de los horarios de los trenes del Metro de

Caracas, se pude concluir que:

1. El modelo relacional de bases de datos, con un sistema de gestión de los

datos es adecuado para acometer la tarea de administrar los datos relativos a

los trenes del metro y otros recursos necesarios para la planificación de

horarios. De aquí que entre las entidades fundamentales se encuentren: las

estaciones, los trenes y los horarios.

2. Es necesario el establecimiento de un modelo matemático que describa la

situación del scheduling de trenes o timetable según reconocen diferentes

autores.

3. En necesario disponer de un método de solución para el modelo matemático

que permita encontrar soluciones adecuadas al problema del timetable.

4. El método de los Algoritmos Genéticos es factible para la optimización y la

planificación del proceso de asignación de horario de trenes o timetable.

49