Los autores son Nima Hamta, S.M.T. Fatemi Ghomi, F. Jolai y M. Akbarpour Shirazi.
Esta es una traduccón al español del artículo original.
El artículo trata sobre la optimización de un problema de balanceo de líneas de ensamblaje (ALBP) en el que el tiempo de operación de cada tarea es una variable desconocida y solo se conoce el límite inferior y superior de cada tarea. El objetivo es asignar las tareas a las estaciones de trabajo de manera que se minimicen tres criterios: (1) el tiempo de ciclo, (2) el costo total del equipo y (3) el índice de suavidad. El artículo también considera el efecto de aprendizaje, que significa que el tiempo de operación de una tarea disminuye si se realiza más tarde, y los tiempos de preparación dependientes de la secuencia, que significa que hay un tiempo adicional entre dos tareas consecutivas en la misma estación de trabajo.
Los conceptos principales del artículo son:
ALBP
Es el problema de asignar un conjunto de tareas con tiempos de operación y relaciones de precedencia a un número mínimo de estaciones de trabajo, de modo que se cumpla un tiempo de ciclo dado o se minimice el tiempo de ciclo máximo de las estaciones de trabajo.
Tiempo de operación flexible
Es el caso en el que el tiempo de operación de cada tarea es una variable desconocida entre un límite inferior y superior. Esto refleja la incertidumbre y la variabilidad de los tiempos de operación en la práctica.
Efecto de aprendizaje
Es el fenómeno por el que el tiempo de operación de una tarea depende del aprendizaje del trabajador (o máquina) para la misma o similar actividad. El tiempo de operación de una tarea disminuye según el número de repeticiones.
Tiempo de preparación dependiente de la secuencia
Es el tiempo adicional que se requiere cuando se cambia de una tarea a otra en la misma estación de trabajo. Este tiempo depende del orden de las tareas y puede afectar al tiempo de ciclo y al balanceo de la línea.
Optimización multiobjetivo
Es el proceso de encontrar soluciones que satisfagan varios objetivos, a menudo contradictorios, al mismo tiempo. Estas soluciones se llaman soluciones Pareto-óptimas y forman el frente Pareto. Un método común para encontrar estas soluciones es utilizar algoritmos metaheurísticos, que son técnicas de búsqueda basadas en la inspiración de la naturaleza o en la inteligencia colectiva.
PSO
Es un algoritmo metaheurístico basado en la simulación del comportamiento social de las partículas que vuelan en un espacio multidimensional. Cada partícula representa una solución potencial y se mueve según su propia velocidad, la mejor solución que ha encontrado y la mejor solución que ha encontrado el grupo. El algoritmo se detiene cuando se alcanza un criterio de parada, como el número máximo de iteraciones o la convergencia de las partículas.
VNS (Variable Neighborhood Search)
Este algoritmo es otro método metaheurístico utilizado para resolver problemas de optimización. La idea central detrás de VNS es explorar diferentes vecindarios alrededor de una solución actual. Cada vecindario representa un conjunto de soluciones que se pueden obtener mediante pequeñas modificaciones de la solución actual. El algoritmo alterna entre dos fases:
Búsqueda local
La búsqueda local es un concepto fundamental en la optimización y se utiliza en diversos métodos para resolver problemas. Aquí te explico en qué consiste:
- Definición: La búsqueda local es un proceso iterativo que comienza con una solución inicial y la mejora realizando modificaciones locales. Básicamente, se busca una solución óptima en un espacio de búsqueda, centrándose en mejorar la función objetivo.
- Pasos:
- Solución inicial: Se parte de una solución inicial (puede ser aleatoria o determinada).
- Exploración local: Se generan vecinos cercanos a la solución actual. Estos vecinos son soluciones que se obtienen mediante pequeñas modificaciones de la solución actual.
- Selección del mejor vecino: Se evalúa cada vecino y se selecciona el mejor según la función objetivo. Si el vecino mejora la solución actual, se actualiza la solución actual con ese vecino.
- Iteración: Se repiten los pasos 2 y 3 hasta que se cumpla un criterio de parada, como alcanzar un número máximo de iteraciones o no observar mejoras significativas.
En resumen, la búsqueda local se enfoca en explorar soluciones cercanas a una solución inicial para encontrar una solución óptima. Es ampliamente utilizada en algoritmos de optimización y permite abordar problemas complejos de manera eficiente.
Cambio de vecindario
¡Por supuesto! Continuemos profundizando en el concepto del cambio de vecindario dentro del contexto del algoritmo Variable Neighborhood Search (VNS).
El cambio de vecindario es una parte crucial del VNS y se refiere a la estrategia mediante la cual exploramos diferentes conjuntos de soluciones cercanas a una solución actual. Aquí están los detalles:
- Búsqueda local (Local Search):
- En la fase de búsqueda local, nos concentramos en mejorar la solución actual dentro de un vecindario específico.
- ¿Qué es un vecindario? Imagina que cada solución tiene un conjunto de soluciones “cercanas” que se pueden obtener mediante pequeñas modificaciones. Estas modificaciones pueden ser cambios en variables, reorganización de elementos o ajustes en parámetros.
- La búsqueda local explora estas soluciones cercanas y selecciona la mejor según la función objetivo. Si encontramos una solución que mejora la actual, la actualizamos.
- El objetivo es encontrar una solución óptima dentro de este vecindario particular.
- Cambio de vecindario:
- Después de un número de iteraciones en el mismo vecindario (es decir, después de explorar a fondo las soluciones cercanas), el algoritmo cambia a un vecindario diferente.
- ¿Por qué cambiar de vecindario? Aquí está la clave: al quedarnos en el mismo vecindario durante demasiado tiempo, podríamos quedar atrapados en óptimos locales. Estos son máximos o mínimos locales dentro de un vecindario específico, pero no necesariamente la mejor solución global.
- Al cambiar de vecindario, ampliamos nuestra búsqueda y tenemos la oportunidad de escapar de esos óptimos locales. Exploramos nuevas soluciones que podrían estar más cerca de la verdadera solución óptima.
En resumen, el VNS utiliza la combinación de búsqueda local y cambio de vecindario para explorar el espacio de soluciones de manera más efectiva. La iteración entre estos dos pasos nos permite encontrar soluciones de alta calidad sin quedarnos atrapados en mínimos o máximos locales.
En resumen, tanto PSO (Optimización por Enjambre de Partículas) como VNS son algoritmos metaheurísticos poderosos que se utilizan para resolver problemas de optimización multiobjetivo. Ambos se basan en principios inspirados en la naturaleza y la búsqueda inteligente. La elección entre ellos depende del problema específico y las características de los datos.